基于DNN的無人機數據OFDM傳輸技術

劉步花, 丁 丹, 楊 柳, 薛乃陽, 劉仲謙

(1. 航天工程大學研究生院, 北京 101416; 2. 航天工程大學電子與光學工程系, 北京 101416;3. 重慶航天火箭電子技術有限公司, 重慶 400039)

0 引 言

隨著無人機制造業的發展,以及高機動、高靈活的特性,在軍事和民用領域被廣泛關注,正交頻分復用(orthogonal frequency division multiplexing, OFDM)技術是常用的下行鏈路數傳和圖傳技術。然而的地-空數據傳輸信道復雜多變,包含數據發送端高功率放大器(high power amplifier, HPA)帶來的非線性失真、不同仰角地-空數據傳輸的多徑效應,發送端和接收端載波頻率偏移、外來電磁干擾等,這些因素降低了通信系統的誤誤率(bit error rate,BER)性能,嚴重影響數據傳輸的可靠性。

隨著人工智能的浪潮悄然興起,人們發現使用深度神經網絡(deep neural network, DNN)來開發無線通信系統成為可能,其中DNN可用于所有與信號相關的環節,如編碼、解碼、調制、均衡等。Ye等首次利用DNN代替OFDM系統接收端信道估計、信號檢測等模塊,但是恢復256比特數據需要8個同等DNN,復雜度較高,文獻[9]在此基礎上加大了DNN結構，使其能在瑞利信道下進行數據恢復,同樣運算量巨大。文獻[10]首次提出基于深度學習的信道狀態信息(channel state information, CSI)還原與恢復方法,稱為信道解碼器,當信道分布不可知時直接從解碼器中得到CSI,但是該文只是提出對這種方法的建議和參考,深度學習在無線信道恢復的能力有待進一步探究。而文獻[11]通過在條件生成對抗網絡(conditional generative adversarial networks, CGAN)的條件信息中添加導頻信息來生成與特定瞬時信道對應的數據。文獻[12]在接收端先進行最小二乘(least squares, LS)粗估計再利用信道估計網絡進一步估計CSI,另外串聯了一個信號檢測網絡在迫零(zero forcing, ZF)算法之后處理,優化信號檢測性能,不足的是，訓練之前需要已知準確的信道信息。文獻[15]設計了區分室內短信道和室外長信道的“Switch-Net”在線訓練一個參數,解決了仿真與在線測試之間的性能差距問題,但只是針對陸地信道模型,在其他環境(如海洋環境)下的性能還未知。

結合文獻[12,15]的網絡結構,本文在地空信道下首次引入DNN方法進行處理,提出了一種DNN信號檢測優化模型,命名為“SD_RefineNet”。該方法的主要步驟是:對接收端的頻域信號進行LS算法和ZF算法的處理之后取特定的信號特征輸入到由BiLSTM構造的SD_RefineNet中,對信號進一步優化處理,最后恢復數據流。這種方法能在時變多徑信道下測試,并與文獻[16]報道的OFDM系統在移動環境下的基于變換域插值算法和基于前導的信道估計算法進行對比,既降低了仿真環境和測試環境的差距,又減少了傳統通信系統關于非線性、干擾的數據處理模塊,優化了通信系統結構,提升了系統的性能。

1 地空信道下的OFDM系統模型

1.1 信道模型

在地面基站與空中通信的過程中,信道模型較為復雜。目前仍未有成熟的理論分析,通常為大量地-空信道實際測試數據的分析,文獻[18]根據不同仰角將信道分為高斯區、二徑區、萊斯區和瑞利區;而由文獻[19-20]實測數據可知三徑模型能夠精確地描述無人機地空通信的實際信道,三徑模型分別由視行路徑、反射路徑和散射路徑組成。同時文獻[21-23]將無人機信道模型歸為起飛降落階段、途中飛行階段和任務盤旋3個階段,每個階段同樣采用的是三徑模型。文獻[22]研究了無人機不同狀態的信道參數,并且給出了典型值,具體參數如表1所示。其中,時延和能量損失表示方式為:抽頭1(視行徑)、抽頭2(反射徑)、抽頭3(散射徑)。

數據傳輸速率為2 Mbit/s,載頻取2.4 GHz,地面反射徑的時延的計算方法見文獻[23],散射徑時延取反射分量時延的2倍。本文采用Matlab的Ricianchan函數加入表1所列的多普勒頻移、萊斯因子、多徑延時、能量損失和采樣頻率(2 Mbit/s)這5類參數直接產生頻譜再對信號進行濾波,以此模擬無人機信道。

表1 無人機信道參數

1.2 OFDM系統模型

圖1是復雜環境下的傳統OFDM系統框圖,本文采用的是正交相移鍵控(quadrature phase shift keying, QPSK)調制技術,加入循環前綴(cyclic suffix, CP)后,通過變頻和高功放率放大器發射信號波,非線性失真采用的是無記憶非線放大的Salah模型,表現為調幅-調幅和調幅-調相效應:

(1)

(2)

設高功率放大器(high power amplifier, HPA)非線性放大后的信號為(),其表達式為

()=[()]e(j? (()))

(3)

式中:()是原信號的幅度;、、、為Saleh模型參數;(·)、? (·)是失真后的幅度和相位,是關于()的函數表達式。

設()經過多徑信道在時域上與信道沖擊響應卷積后信號為(),()表示為

(4)

式中:為第條路徑上的信道增益;為第條信道的時延;為中心采樣頻率;為總路徑數;(-)第條路徑信號的沖激響應。

圖1 復雜信道環境下的OFDM系統Fig.1 OFDM system in complex channel environment

本文研究的電磁干擾模型為單音干擾、多音干擾。多音干擾可以看作是單音干擾的疊加,只不過多音干擾是在離散子載波的疊加分量。設引入干擾和高斯白噪聲()后的信號分別為(),則()的表達式為

()=()+e(j2π+)+()

(5)

式中:干擾信號的幅度;是干擾信號的頻率;是離散時間序號;是采樣頻率;是干擾信號的相位。

2 無人機OFDM系統DNN接收機模型

2.1 無人機下行鏈路接收機結構設計

圖2是無人機下行鏈路采用OFDM系統進行數據傳輸時接收端的結構設計,發射端數據處理流程如圖1所示。不同于文獻[12](接收機結構為信道估計優化網絡與信號檢測優化網絡串聯),本文設計的接收機在進行快速傅里葉變換(fast Fourier transform,FFT)解調之后先進行LS信道估計和ZF算法初步信號檢測;再經過由BiLSTM和全連接層組成的循環神經網絡恢復數據,最后進行判決輸出比特流。BiLSTM是前向和后向長短時記憶網絡(long short-term memory, LSTM)組合而成,循環神經網絡的一種,其結構特點較適合時序數據的建模。本文設計的接收機結構跟文獻[24]類似,不同在于LS算法之后采用的是多項式插值法和BiLSTM網絡,而文獻[24]采用的是線性插值和全連接神經網絡。實驗證明兩種插值方法對數據的恢復能力大致相同。

圖2 無人機下行鏈路接收機結構圖Fig.2 Structure of unmanned aerial vehicle downlink receiver

由于無人機起降過程、飛行過程和任務執行過程中多普勒頻移、萊斯因子、時延等存在差異,本文在3種飛行狀態的信道條件下分別進行模型的訓練,實際測試時只需獲取無人機的狀態,就可選擇相應的網絡類型進行數據恢復,這樣提高模型訓練難度的同時也提高了系統性能。

2.2 SD_RefineNet的結構和數據的產生

SD_RefineNet的結構如圖3所示,由3層BiLSTM層和2層全連接層組成,BiLSTM的隱藏單元個數分別為30、10、6,全連接層的神經元個數分別為50、1;輸入序列長度為6,輸出序列長度為1;另外還有激活函數位于2層全連接層之后,由于最后判決輸出比特應該為[-1,1],所以激活函數選擇Tanh函數。SD_RefineNet訓練時epoch=500,學習率為0.001,優化器為rmsprop。

圖3 SD_RefineNet結構Fig.3 SD_RefineNet architecture

根據文獻[22]關于OFDM系統的參數介紹,本文參數設置如下:數據傳輸速率為2 Mbit/s,即采樣周期為2 MHz,符號周期為256 μs,因此每個符號需要傳送256×2=512 bit,采用QPSK調制且不編碼(即每符號帶2 bit信息),則子載波符號個數即FFTsize=256,其中CP長度為1/4的子載波長度,即CPsize=64,導頻長度為8個子載波,導頻間隔=32。在接收端進行FFT解調之后得到復數信號()(=1,2,…,FFTsize),根據LS算法導頻處的頻域沖擊響應為

(6)

(7)

圖4 SD_RefineNet訓練樣本的格式Fig.4 SD_RefineNet training sample format

3 系統仿真分析

3.1 無HPA影響下的性能分析

傳統的通信系統除了復雜場景下的信道建模困難以外,不但需要根據預設指標在接收端進行逐模塊設計,還要對各個模塊進行局部優化以此來消除或削弱數據傳輸過程中的信號失真和干擾。以OFDM系統傳統信道估計來看,由于無人機信道時變性較強,發射機和接收機可以利用前導或者導頻符號,并且利用不同的插值技術來估計導頻之間子載波上的信道響應。傳統方法的仿真為分別在LS算法基礎上采用線性插值、三次樣條插值、FFT插值和先利用前導符號做LS算法再利用導頻符號進行相位補償(基于前導)這4種方法,其中信號檢測算法都采用ZF算法,前導子載波間隔為2,梳妝導頻符號長度為8間隔為32,與本文DNN算法即“SD_RefineNet”進行對比,以此分析DNN進行信道估計和信號檢測的優越性。圖5～圖7為分別在無人機3種飛行狀態下進行仿真比較傳統算法與DNN的誤比特率性能。

從圖5可以看出,線性插值法和3次樣條插值法在無人機起飛降落階段的信道下性能很差;基于前導的信道估計算法性能比插值算法稍有提升,但是性能依然較差;FFT插值的優勢在于利用IFFT/FFT快速算法對信道進行插值,在此種信道條件下接近基于DNN的信道估計與信號檢測技術,信噪比(signal to noise ratio, SNR)在25 dB時BER都在10數量級,但是仍有明顯差距。由此可以得出無人機起飛和降落階段,本文設計的新型基于DNN的OFDM系統性能比FFT插值性能稍有提升,更有利于信號恢復。

圖5 起飛降落狀態Fig.5 Takeoff / landing status

圖6表示在無人機飛行狀態下,SD_RefineNet與傳統方法對比仿真圖。由表1可知,無人機飛行狀態下速率由40 m/s提升到134 m/s,最大多普勒頻移增大,信道時變性加強,傳統的插值算法對多普勒頻移增大的信道無法較為準確的捕捉到信道狀態信息。基于DNN的OFDM接收端性能有所下降,由仿真實驗可知,SNR在25 dB時,系統BER在10量級。但是相較于傳統算法,基于DNN的OFDM系統仍保持較強的性能優勢。

圖6 飛行狀態Fig.6 Flight status

圖7為無人機任務盤旋階段,不同信道估計方法系統數據傳輸的BER曲線圖。與圖6一致,基于DNN的接收端數據處理表現出明顯的性能優勢,但不同的是,在SNR=25 dB時,BER在10量級。表2是無人機3種飛行狀態下用SD_RefineNet做信號檢測優化的仿真BER對比。

圖7 任務盤旋狀態Fig.7 Mission hover status

表2 無人機3種飛行狀態BER對比

由此可看出在無人機飛行狀態下BER性能最弱,其次是任務盤旋階段,最好的是起飛降落階段。分析其原因:起飛降落階段運行速度較慢,因此多普勒頻移較小,視行徑信號最強,萊斯因子最大,為20 dB,造成信號失真相對于途中飛行狀態和任務盤旋狀態更小,所以在相同的網絡結構和網絡參數下,神經網絡非線性函數的擬合能力更強,更有利于對測試數據的回歸。但是即便如此,基于DNN的OFDM接收機性能仍強于傳統方法,提高了系統數據恢復的準確率。

3.2 非線性對性能的影響分析

OFDM系統經IFFT調制之后的多個獨立子載波疊加使得時域發射信號峰均比較高,經過高功率放大器和衰落信道后,產生的HPA非線性會引起帶外輻射和帶內失真,帶外輻射會影響相鄰頻帶內的信號,帶內失真會使接收信號產生旋轉、衰減和位移。傳統消除非線性失真最簡單的方法是在信號進入放大器之前先對信號進行輸入功率回退(input back-off, IBO),使放大器工作在線性區,IBO回退將導致輸入信號功率損失,影響射頻發射。非線性放大的參數為=2158 7,=1151 7,=4003 3,=9104 0。圖8為以無人機在起飛與降落信道狀態下,系統仿真加入HPA后,傳統FFT插值與基于DNN的OFDM系統BER對比情況。

圖8 HPA對系統的影響Fig.8 Impact of HPA on system

與圖5相比可知,在系統存在HPA失真的條件下,FFT插值信道估計已經明顯削弱,遠不及基于DNN的優化處理。而在發送端將信號回退-4 dB以消除HPA失真的方法依然收效甚微,相比之下,SD_RefineNet優化性能優勢明顯,SNR=25 dB時BER仍然保持在10量級。圖9為3種無人機飛行狀態下(1為起飛降落狀態、2為途中飛行狀態、3為任務盤旋狀態),HPA對基于DNN的OFDM系統BER對比圖。

圖9 3種飛行狀態下HPA的影響Fig.9 Influence of HPA in three channel states

由此可看出,HPA會導致系統性能的降低,且無論是否存在HPA,無人機處于途中飛行狀態時性能最弱,BER在10量級,而其他2種狀態下均在10量級。

3.3 外來干擾影響分析

圖10是無人機途中飛行狀態下,單音干擾和多音干擾對系統的影響誤碼率比較。單音干擾為OFDM系統中第180個子載波所在的頻點,多音干擾是第54、76、89、179、180的子載波所在的頻點,多音干擾和單音干擾的信干比(signal inference ratio, SIR)均為-15 dB,干擾限幅抑制限幅因子為1,限幅抑制前采用前向連續均值去除(forward consecutive mean excision, FCME)算法進行干擾頻點檢測。限幅抑制之后或者不處理干擾頻點都采用FFT插值算法進行信道估計和ZF算法信號檢測。傳統信號處理過程是先進行干擾消除,再進行信道估計和信號檢測。

圖10 外來干擾對系統的影響Fig.10 Influence of external interference on system

從圖10可以看出,FCME和限幅抑制的結合能達到干擾消除的目的,系統BER性能稍有提升,但是基于DNN的OFDM接收機無需進行額外的干擾處理模塊而直接進行數據訓練和測試的處理過程,系統BER性能比傳統方法明顯提升一個數量級,說明SD_RefineNet具有一定的抗外來干擾的能力,且多頻點干擾和單頻點干擾對系統的影響并不大,有利于將SD_RefineNet應用在實際信道環境中。

4 結 論

本文考慮到無人機信道中的多徑效應、多普勒頻移等因素對無人機數據傳輸造成的BER性能損失,分別解決了在非線性功率放大和外來干擾等復雜環境下的數據恢復難題,設計了一種新的基于DNN的網絡結構:在輸入BiLSTM網絡之前使用LS、ZF算法進行初步信道估計和信號檢測,再取得信道特征和信號特征進行訓練,最終進行回歸預測恢復數據流。

(1) SD_RefineNet起到了快速時變多徑信道估計和優化信號檢測的作用。本文在無人機3種飛行狀態下,通過SD_RefineNet與傳統插值算法信道估計比較,SD_RefineNet比傳統算法BER性能明顯提升至少1個數量級。

(2) 在無人機復雜時變信道下加入HPA失真、外來單音干擾和多音干擾的情況下,SD_RefineNet仍保持著較強的恢復信號能力,具有一定的補償非線性失真和干擾抑制的作用。

(3) 復雜多變的信道狀態、HPA無記憶放大、外來干擾等對基于SD_RefineNet網絡的OFDM系統影響不大,說明SD_RefineNet具有一定的穩定性,有利于系統在無人機數據傳輸領域的實際應用。

綜上,SD_RefineNet將LS、ZF算法之后的數據看作6種信號特征用于信號的回歸預測,提高了系統的穩定性和可靠性。此外在實際應用中收集數據獲得信號特征之后,應該在基于此網絡的基礎上對隱藏層進行微調,以達到更好的性能。