高速公路隧道通信信號增強技術研究

余昌桃

（廣西交通投資集團玉林高速公路運營有限公司，廣西玉林，537000）

0 引言

在信號的傳輸過程中，高速公路隧道通信信號很容易受到影響，一般對信號造成實質影響的是隨機噪聲干擾，這個時候通信信號的質量會大幅減弱，嚴重影響到接收端的信號接收與還原，造成通信質量下降甚至斷網。針對這一技術性難題，盡可能提高信噪比，即減少通信信號中混雜的噪聲干擾，實現從根本上解決信號接受不良的問題，是高速公路通信網絡覆蓋設計的常用解決思路[1]。傳統加強信號的方法一般是先行監測噪聲所造成的干擾，然后采用諸如帶通濾波等轉換方法，將這些干擾信號投射到可以變換或是分離開的頻域進行轉換[2]。但在現實情況中，由于噪聲干擾存在隨機不可控性，因此需要預先進行人工噪聲和干擾的強先檢驗，效果仍不理想[3]。本文基于公路隧道的通信信號增強技術，提取和學習其中的先進方法，提出了增強高速公路隧道信號強度的研究，直接將信號中的噪聲干擾抹除，將信號與噪聲干擾的可分離度做出變換，以這樣的技術路徑實現增強信號的目的。

1 高速公路隧道通信生成對抗網絡的信號增強設計

生成逆境網絡(Generative Adversarial Networks，GAN)是近年來公路隧道中最有效的通信信號增強技術之一[4]。例如，GAN用來生成圖像系統，可以高效的學習以像素級分布的高維復雜內容，并且映射高清效果明顯。使用GAN還可以實現語音效果增強。不僅如此，GAN還能夠在頻譜感應中做出特定類型信號的合成，通過這樣的方式來增加數據集合[5]。受此技術功能啟發，嘗試打造一個以GAN為根基，用來增強信號的網絡，以此實現微弱信號增強以及信號降噪的目的，主要應用方向涵蓋了自動消除交通隧道內的動態噪音干擾。目前，還沒有任何無線通信信號增強任務中應用到GAN，所以這屬于初次嘗試使用，此構造進行逆向框架來實現無線信號增強[6]。這種網絡暫時被稱作是―無線信號增強生成逆向網絡(WSEGAN)。和學習噪聲的各項分布和各種干擾特征不一樣，從伴隨相生的信號中消滅噪聲的信號加強方法，所描述的WSEGAN發生器學習信號發布一般是用拮抗的方式實現信號增強[7]。其主要優點有以下幾點：

(1)先使用最初始的信號時域，直接以端口連接到端口的模式進行工作，手動對特征進行提取已經沒有必要，這樣就可以省去相對復雜繁瑣的計算，也為增強過程提供了更加快速的途徑。前提是確保符號信息不會發生變化，這時采用最初始的信號當做初始GAN的生成準則，獲取目前為止最高效的性能增強。

(2)信號發生抖動或是偏差的時候，要具備良好的控制能力。即便是信號的頻率、帶寬或幅值有了明顯的不同波動，網絡已然可以很大程度上的存在認知能力，方便跟蹤目標信號所需要掌握的特征。

(3)因為網絡目前只在意最初始的信號，在數據統計下，這就會使外部環境的特性每時每刻都在變化，是完全不可進行預測的，如此以往，增強系統的性能不會輕易提高，實現了實際意義上的時變系統信號加強。

生成式對抗網絡是一種基于實際分布式數據集，是通過訓練和學習產生偽樣本的網絡。在這樣的構建模型中，感知器的多層網絡達成了以下的幾個模型：由一個生成模型G和一個判別模型D組成的的區間訓練，判別模型主要是用來對生成模型的虛假樣本和實際產生的真實樣本進行區分，G的訓練目的就是讓D產生最大程度上的誤差，因此不能區分真實性。所以，整個框架可以是一個實驗過程。如果判別模型D地對真樣本和假樣本成功進行了分類，那么當G收到此回饋時，會提示它主動生成與真樣本更接近的樣本。在所有的系統訓練結束時，樣本徹底平衡，判別網絡樣本D是真樣本還是G生成的偽樣本只能隨機判別。網絡的目標函數總體為以下公式1：

式中，D (x)表示真實可靠的數據分布，在訓練G最小化log (l-D (G (z)))時，訓練D分配正確標簽的最大化概率時。G是完成輸入結束輸出的，而不是一味地傳遞內容，以數據分布特征為標準，投射到之前信號通道的定義里。另一個則是在判別網絡D之間，還有一個典型的二元分類器，輸出為0。輸出為1的 G和生成的偽樣本的實際樣本數據集G是相互模仿的。WSEGAN的基本學習過程如圖1所示。

圖1 WSEGAN的基本過程

G的目標是生成一個與真實樣本看起來極度相似的信號G，以此來對D進行欺騙，將G(SW)從真實樣本中分離是D的主要目標。最終理想的結果是G可以產生一個很強烈的增強信號，而D失去了分辨它真假的能力。

2 生成對抗增強信號網絡的增強效果實驗分析

為了展示WSEGAN的優越性，挑出三種典型的增強系統當做基準方法做對比。首先是LMS算法，這是最常用的傳統線性方法。二是閾值小波變換，它是一種非線性方法。目前許多傳統的非線性方法都是對閾值小波變換的改進。最后，殘差網絡是新近提出的一種基于深度學習的方法，在現有的高速公路隧道通信信號增強的方法中增強效果最好。利用Adam優化器訓練卷積神經分類網絡的權值和濾波系數，并通過優化訓練對象為網絡輸出的交叉熵損失函數。

發送到網絡中的信號共計五種，由于在分類時不知道接收到的是哪一種信號。與之前不同的是，發送到增強網絡的信號類型單一。

這里的網絡訓練同時關注5種信號。為了顯示在這個時間，提高網絡的增強效果，針對單一物種信號訓練后的網絡進行比較，給出了表1和表2，BPSK不同信噪比下，16 qam調制信號后錯誤率前后兩種網絡的增強情況如表2所示，其中G2代表為混合型調制信號網絡，Gl代表為單類型調制信號網絡。

表1 不同信噪比下BPSK調制信號經過兩種網絡增強前后的誤碼率

表2 不同信噪比下16QAM調制信號經過兩種網絡增強前后的誤碼率

G2相比較而言信號有一定的增強，但效果卻比不上G1的效果，因為網絡混雜很多的調制信號的提取特征，在這之后進行監督訓練得出的結果不達標是可以理解的，這樣很容易失去其單一信號的特殊性。可現實中，對比一個節點，通過增強不同網絡在識別前后的識別準確率，可以觀察到沒有奇異點對分類網絡最終真正調制識別的影響不大。

為了評價三種識別網絡的性能，在包含10000個樣本的測試集上進行測試和驗證來觀察結論。

結果表明，無增強模塊的網絡在混合信噪比測試集達到了74.5%的分類準確率，基于卷積的側鏈可以嵌入到調制識別的自適應濾波器中，增強單元網絡達到了93.5%，針對網絡產生的無線信號增強模型，對G2網絡的調制識別率達到96.8%。對每種調制類型進行降噪，并通過內容進行分類，分類準確率為95.5%。雖然這樣的G1網絡在當前應用程序的意義不大，但我們可以看到，在G1和G2網絡來增強信號分類準確率是0.7%，這種同一性是錯過了最后的調制識別分類網絡相對較小，網絡的影響實際上仍然可以提取成一個不同于調制信號的另一個主要特征。圖2為不同信噪比信號在不同網絡增強處理前后的誤碼率曲線。顯然，幾乎絕大部分的增強系統在信噪比較高時都是有價值的。但在低信噪比的情況下，WSEGAN的增強效果是最好的方法。

圖2 不同信噪比信號在不同增強網絡處理前后的誤碼率曲線

3 結束語

在高速公路隧道通信信號增強調制技術識別研究中，通過研究發現采用WSEGAN網絡的生成網絡對信號增強進行處理是很合理的，需要做的就是先進行網絡嵌入，之后再輸入到分類網絡中。通過時頻分析和誤碼率分析，分析對比了這兩種增強模式的效果。未來，要嘗試更加深入的理論研究，分析高速公路隧道通道內卷積和生成對抗網絡對信號的增強效果，并繼續發現更有效的研究和技術。將來在高速公路隧道環境中采集無線信號，通過實驗進一步積累經驗，驗證模型的可行性，使信號增強技術有很更大的進步和發展。