基于卷積神經網絡的MIMO空分復用發射天線數目識別

易國順，謝躍雷,2，梁文斌

(1.桂林電子科技大學 信息與通信學院，廣西 桂林 541004；2.衛星導航定位與位置服務國家地方聯合工程研究中心，廣西 桂林 541004；3.桂林航天工業學院 電子信息與自動化學院，廣西 桂林 541004)

0 引 言

多輸入多輸出(Multiple-Input Multiple-Output,MIMO)多天線技術能顯著提高通信系統容量和頻譜利用率，廣泛應用在4G、5G等寬帶無線通信系統中[1]，這使得通信信號的偵察和參數估計變得愈發困難[2]，對非合作接收提出了更高的要求[3-4]。在非合作場景的MIMO通信信號檢測與識別中，MIMO發射天線數目識別、空時編碼模式識別、信道估計、調制方式識別都是具有挑戰性的研究課題[5]。其中，MIMO發射天線數目的識別是其他通信參數估計的基礎，在MIMO盲信號處理中起著支撐性的作用。

傳統MIMO發射天線數目識別包括基于信息論準則(Akaike Information Criterion,AIC)[6]、最小描述長度準則(Minimum Description Length,MDL)[7]、一步預測噪聲特征值上限(Predicted Eigenvalues Threshold,PET)[8]、蓋氏圓準則(Gerschgorin Disk Estimator,GDE)[9]和利用導頻模式正交性識別發射端天線數目[10]以及2017年Mohammadkarimi和Karami等學者提出的利用二階和四階統計量識別MIMO系統發射天線數目[11]。基于信息論準則和最小描述長度準則算法將發射天線數目識別問題轉化成矩陣的秩估計，存在過估計和非一致估計的缺陷，不能提供較好的估計性能[12]。同時與一步預測噪聲特征值上限算法和蓋氏圓算法一樣，在非合作接收端要求接收天線數大于等于發射端天線數，這在實際應用中并不能被保證。利用正交頻分多址的導頻模式正交性識別發射端的天線數目，將導頻的循環平穩性與導頻模式的正交性相關聯，將檢測多天線的問題等同于檢測多組不同導頻模式，方法雖然適用于單天線接收情況，但導頻的循環平穩性并不總是出現在被檢測信號。基于二階和四階統計量的MIMO天線數識別通過計算信號的統計量(其中二階統計量需要估計噪聲方差)尋找不同發射天線數目對應的特征值，該算法相對于信息論準則和蓋氏圓準則更加復雜。

隨著深度學習在自然語言處理和圖像識別等方面取得的巨大進展，眾多學者將深度學習算法應用到無線通信領域的調制方式識別上[13-14]，并且取得了一定的成果，其中卷積神經網絡(Convolutional Neural Network,CNN)具有強大的特征提取能力，其分類模型在模式識別領域取得了較好的效果，在通信領域也逐漸受到重視[15]。受此啟發，本文采用數據驅動的方式，在不受限于接收天線數約束和無先驗信息的情況下，利用不同發射天線數目表現的特征差異，研究CNN對天線特征的自動提取方法，解決MIMO發射天線數目檢測中特征提取困難等問題。

1 信號模型

信號經空時編碼器后分配到不同天線上，以空間分集(Space Diversity,SD)中的Alamouti正交空時碼[16]和空分復用(Space Multiplexing,SM)兩發射天線說明MIMO信號數據的發射過程[17-18]。

(1)

(2)

式中：CAL和CSM分別為Alamouti和SM的編碼矩陣，*表示共軛轉置，s1和s2是傳送符號。CAL矩陣在t1、t2兩個周期內實際上只傳輸了兩個符號，兩根天線上傳輸的信息是重復的，空間分集通過增加編碼的冗余度使信號在接收端獲得分集增益，提高信號的可靠性。CSM矩陣在t1一個周期內兩根天線上傳輸的符號各不相同，空間復用通過將串行的數據流轉成并行數據給不同天線發送，旨在提高發送速率。在發送端和接收端使用多天線MIMO發送和接收能提高數據的傳輸可靠性或有效性。本文算法的仿真和實測數據都是基于空分復用情況對天線數目進行識別。作為非合作方通過單天線采集發射端信號，其數學模型為多輸入單輸出(Multiple-Input Single-Output,MISO)，如圖1所示。

圖1 MISO通信信號模型

(3)

式中：接收機接收信號Y=y(t)，t是時間編號；H=[h1,h2,…,hNt]表示信號經過的信道矩陣；hj是第j根發射天線到接收天線之間的信道增益，j=1,2,…,Nt；n表示方差為σ2的高斯白噪聲。

2 基于CNN的發射天線數目識別工作原理

MIMO發射天線數目識別原理：由傳統識別轉變為通過卷積神經網絡識別，可以看成一個N類決策問題。卷積神經網絡從特定的模型中提取特征，根據特征進行分類識別、預測、決策。給定不同發射天線數目輸入數據集，卷積神經網絡在提取特征的訓練過程中會在所有的數據點都進行卷積操作。利用卷積神經網絡進行發射天線數目識別，首先將預處理后的信號數據分割成訓練集和測試集，通過訓練集訓練卷積神經網絡，調整網絡參數，使訓練得到的模型對于目標分類的效果達到最優。訓練完成后輸入測試集，進行測試。

在數據采集過程中，將接收的天線信號經過下變頻成基帶信號。數字下變頻通常經過IQ正交解調和低通濾波，經過低通濾波器后得到同相分量和正交分量的復基帶I&Q信號。經過歸一化處理后，為神經網絡提供了原始無線電時間序列yt的輸入。將MIMO信號的一個復值輸入1×n看成兩個實值輸入，將yt作為一組2×n的向量放入2D卷積網絡中，其中正交同步采樣的同相分量和正交分量I&Q構成了2維的維度數據。圖2給出了MIMO信號IQ解調原理框圖。

圖2 MIMO信號IQ解調原理圖

神經網絡對輸入MIMO的I&Q數據進行特征提取。輸入發射天線分類數據集，根據卷積層的卷積核尺寸和移動步長，將特征矩陣與卷積核進行卷積，經過激活函數后輸出一個新的特征矩陣。卷積層中使用卷積操作與前一層的局部感受野相連，獲得前一層的局部連接特征。

根據卷積過程，數據經過卷積層后的輸出大小

(4)

式中：output_size代表經過卷積層后輸出數據的尺寸;input_size是輸入數據的尺寸；CNN_size為卷積核尺寸大小;pad_size為補零填充數；step是卷積移動步長，卷積層的移動步長默認是1。

MIMO多天線數目識別涉及天線的多分類情況，因此在全連接層將所有的神經元與上層卷積層連接后，最后輸出與SoftMax相連，根據數據集天線類別SoftMax回歸處理后得到概率

(5)

式中：σi表示第i類判斷概率值;Zk代表分類器前級單元輸出，k表示當前類別索引，k∈[1,K]，K為總類別個數。在涉及的MIMO多天線分類中，用多分類交叉熵損失函數評估當前訓練得到的概率分布和真實分布之間的差異情況，刻畫實際輸出概率與期望輸出概率的距離。網絡經過訓練，調節權重，找到最佳的權重值，使得天線分類達到最優：

黑格爾在《精神現象學》中分析了啟蒙和信仰之間的關系，指出了啟蒙(純粹識見)和信仰在心理結構上的一致性。它們都對當時的現實世界持懷疑態度。對于它們來說，現實世界是一個顛倒的世界，充滿幻象與虛偽。信仰不滿于現實，它們超越現實，它們要追求絕對本質，不過這個絕對本質在遙遠的彼岸。啟蒙也對現實表示不滿，它們也追求本質，不過對于啟蒙來說，本質在于自我。它們都否定了顛倒世界提供給人們的直接觀念，而確信其他更本質性的東西(自我或者絕對本質)。

(6)

式中：C是損失函數，y是期望輸出，a是神經元的實際輸出。

基于CNN的MIMO發射天線數目識別的卷積神經網絡模型如圖3所示。模型包括一個輸入層、三個卷積層、兩個全連接層和一個輸出層。輸入數據集，CNN卷積神經網絡通過訓練學習，調整相關的權重參數，使得模型的分類精度接近標簽真實值。整個神經網絡工作是一個不斷學習的過程。

圖3 MIMO天線數目識別原理框圖

輸入層輸入2×1 024大小的I&Q信號數據，第一卷積層卷積核數量為96，卷積核大小2×3，激活函數ReLu；第二卷積層卷積核數量為128，卷積核大小2×2，激活函數ReLu；第三卷積層卷積核數量為192，卷積核大小2×2，激活函數ReLu；第一全連接層的神經元個數192個，激活函數ReLu；第二全連接層神經元個數6個，激活函數SoftMax，這一層參數取決于識別分類數量。為了防止過擬合，使用正則化，dropout設置為50%。

表1 MIMO天線數目識別網絡參數

3 實驗與結果分析

3.1 仿真與實測數據集準備

實驗仿真產生數據集6類(包含單天線情況),其中每類又包含8種信噪比(本文所指信噪比均是帶內信噪比)。每類信噪比有4 000個樣本，每個樣本有I和Q兩路信號，每路信號包含1 024個點，仿真數據集大小為6×8×4 000×2×1 024。

實測多天線信號數據采集常見的WiFi信號。在采用IEEE 802.11a協議通信時，兩臺路由器之間通過單天線通信；采用IEEE 802.11n/ac協議通信時，兩臺路由器之間的無線通信是MIMO信號，將單天線通信看作一類特殊MIMO通信。圖4所示實驗中信號源是兩臺兩發兩收四天線WS5106華為路由器和兩臺三發三收六天線WDR7660普聯路由器，信號采集裝置是NI公司的USRP2954和PXIe-1082儀器。

圖4 數據采集裝置

由于硬件限制，實測數據只能采集三類不同天線數目情況，分三次進行數據采集：華為WS5106路由器IEEE 802.11a協議單天線通信數據、華為WS5106路由器IEEE 802.11n/ac協議2×2 MIMO通信數據、普聯WDR7660路由器IEEE 802.11n/ac協議3×3 MIMO通信數據。通過橋接，分為主路由器和副路由器，主路由器連接互聯網。設置主路由器工作在5.2 GHz頻段，工作帶寬20 MHz，通道選擇40。副路由器會根據主路由器的設置自動更新，筆記本電腦通過網線連接副路由器上網。在采集數據時，主路由器和副路由器之間的距離設置在2.5 m，采集裝置USRP2954的天線置于兩路由器之間采集信號，通過PCIe ×4線纜傳輸數據到PXIe-1082，上位機采用Labview開發接收數據保存。數據在送入神經網絡之前要進行預處理，將數據分割成仿真時數據大小3×10×1 200×2×1 024，然后對數據進行功率歸一化處理，加載帶內不同信號噪聲。

3.2 結果與分析

圖5是在不同信噪比下的混淆矩陣，通過觀察混淆矩陣主對角線上混淆塊顏色和對應的概率大小可以直觀看出不同信噪比下模型對于天線數目識別的分類效果。在信噪比為-5 dB時模型對天線數識別的效果很差，這可以從信號數據集解釋:信噪比低情況下信號特征被噪聲淹沒，在訓練過程中無法提取有效特征，導致神經網絡對天線數目分類效果不理想。在信噪比大于0 dB后，隨著信噪比的提高，網絡模型能逐漸提取信號的有效特征，對天線數分類的性能也逐漸提高。當信噪比在5 dB時，網絡模型能有效提取信號特征。

圖5 不同信噪比下混淆矩陣

根據圖5的混淆矩陣圖發現模型對于數據的信噪比要求在5 dB以上，為便于比較，圖6對卷積神經網絡模型的數據集信噪比從-5～30 dB進行訓練比較，在信噪比大于0 dB后模型分類精度的性能在80%以上，并且epoch在50次。

(a)訓練性能

實際測試的是單天線、2根發射天線和3根發射天線情況，結果如圖7所示。實際測試數據是在包含復雜電磁環境下采集的無線電數據，通過后期在帶內加載不同信噪比(-5～25 dB)分類訓練，最終模型的分類精度在大于15 dB時可以到達85%。

圖7 實測信號混淆矩陣圖和訓練性能曲線圖

仿真了6類不同發射天線情況下神經網絡訓練檢測的識別效果，同時在真實數據測試中，受實驗條件的約束只做了3類不同發射天線情況識別檢測。根據仿真和實際測試的效果，卷積神經網絡識別發射天線數目是可行的，仿真數據和實測數據均驗證了模型的可行性。

在高信噪比時，噪聲對于信號的影響效果降低，模型根據信號的特征能有效地進行分類。在仿真中，當信噪比大于5 dB時，神經網絡對發射天線數目識別保持在一個穩定的分類精度值(98%)，隨著天線數類別的增加這個精度值可能會降低。天線數類別增加，數據集特征提取對于神經網絡越復雜。在實測數據訓練中，采集的數據在信噪比大于15 dB后分類精度趨于一個穩定值(85%)，實際測試的分類效果相比于仿真測試效果有所下降。

4 結束語

本文提出了基于卷積神經網絡的MIMO發射天線數目識別方法，通過仿真和實測數據驗證了對發射天線數目識別效果。相對于傳統的發射天線數目識別方法，本文所提方法不用人為地尋找不同發射天線情況下的特征值，而且適用于單天線接收。但是，本方法也存在不足——在實際應用中要求提前采取大量有效樣本數據訓練模型，在訓練模型過程中需要一定的時間。模型在實際測試中對于低信噪比下的天線數目分類效果不太理想，雖然也嘗試優化模型參數，調整網絡模型結構，更改卷積層數、卷積核數目和大小，但對于低信噪比情況下的分類效果還是不太理想。下一步將研究在數據輸入神經網絡之前用傳統累積量等方法進行降噪處理，以提高神經網絡在低信噪比下對天線數目分類的效果。