人工智能算法理論下無(wú)線(xiàn)網(wǎng)絡(luò)認(rèn)知通信信號(hào)波形技術(shù)分析

摘要：融合認(rèn)知?jiǎng)討B(tài)系統(tǒng)的無(wú)線(xiàn)電通信網(wǎng)絡(luò)建立了認(rèn)知自適應(yīng)波形技術(shù)，由信號(hào)接收機(jī)感知環(huán)境干擾因素，并反饋至信號(hào)發(fā)射機(jī)，從而調(diào)整波形參數(shù)，提升通信及測(cè)控性能。但在運(yùn)行時(shí)會(huì)產(chǎn)生較大的運(yùn)算量，限制了系統(tǒng)的實(shí)用性。研究過(guò)程中構(gòu)建了綜合性的環(huán)境干擾因素，根據(jù)最小誤碼率準(zhǔn)則設(shè)計(jì)了優(yōu)化認(rèn)知波形參數(shù)的算法模型，再利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)模型實(shí)施迭代與仿真檢測(cè)。結(jié)果顯示：改善調(diào)頻斜率和信號(hào)脈沖寬度有利于提升無(wú)線(xiàn)認(rèn)知網(wǎng)絡(luò)的工程應(yīng)用效果。

關(guān)鍵詞：人工智能算法；認(rèn)知通信；認(rèn)知自適應(yīng)波形技術(shù)

認(rèn)知雷達(dá)、認(rèn)知無(wú)線(xiàn)電是無(wú)線(xiàn)通信技術(shù)的重要發(fā)展趨勢(shì)，信號(hào)波形對(duì)其測(cè)控精度和抗干擾性能具有重要的影響。隨著頻譜資源的日益緊張，如何提高認(rèn)知通信波形技術(shù)的智慧性成為關(guān)鍵。人工智能算法具備自主學(xué)習(xí)和自動(dòng)迭代的功能，可借助網(wǎng)絡(luò)技術(shù)對(duì)認(rèn)知信號(hào)波形的參數(shù)進(jìn)行優(yōu)化，從而建立具有自適應(yīng)性的波形調(diào)控機(jī)制，實(shí)現(xiàn)智慧通信。

一、認(rèn)知通信信號(hào)波形技術(shù)發(fā)展現(xiàn)狀

從認(rèn)知雷達(dá)（CR）的角度看，認(rèn)知通信建立在認(rèn)知?jiǎng)討B(tài)系統(tǒng)（CDS）的基礎(chǔ)之上。雷達(dá)通過(guò)發(fā)射機(jī)產(chǎn)生電波信號(hào)，電波穿過(guò)物理環(huán)境，被接收端獲取，從而完成通信過(guò)程[1]。無(wú)線(xiàn)電波是信息傳輸?shù)拿浇椋珻R中利用貝葉斯目標(biāo)跟蹤器建立了自適應(yīng)波形技術(shù)，使其成為認(rèn)知傳輸?shù)幕A(chǔ)，設(shè)計(jì)原理如圖1所示。在該體系下，接收機(jī)具有一定的環(huán)境感知能力，可將感知結(jié)果反饋至發(fā)射機(jī)，而發(fā)射機(jī)利用反饋信息對(duì)無(wú)線(xiàn)電波的波形參數(shù)進(jìn)行調(diào)整，這種自適應(yīng)工作模式有利于完成目標(biāo)探測(cè)及信息傳輸[2]。

二、基于人工智能算法的認(rèn)知自適應(yīng)波形優(yōu)化策略

（一）認(rèn)知自適應(yīng)波形優(yōu)化原理分析

1.多干擾因素的認(rèn)知自適應(yīng)波形優(yōu)化方法

（1）波形優(yōu)化路徑分類(lèi)

實(shí)際生活中的無(wú)線(xiàn)電通信環(huán)境往往同時(shí)存在多種類(lèi)型的電磁干擾，為了提高認(rèn)知自適應(yīng)波形的優(yōu)化效果，應(yīng)建立多因素并存的干擾模型。根據(jù)研究現(xiàn)狀發(fā)現(xiàn)，波形優(yōu)化路徑分為以下幾種。

①基于最小均方誤差的優(yōu)化路徑

在無(wú)線(xiàn)電測(cè)控中，電波對(duì)目標(biāo)的跟蹤能力是決定測(cè)控效果的關(guān)鍵，可利用最小均方誤差法評(píng)價(jià)和改進(jìn)雷達(dá)測(cè)控系統(tǒng)。其原理為按照最小化準(zhǔn)則處理測(cè)控已知量和未知量的均方誤差，當(dāng)該指標(biāo)的處理結(jié)果越小時(shí)，表明測(cè)控系統(tǒng)對(duì)目標(biāo)的探測(cè)能力越強(qiáng)[4]。

②基于最小誤碼率的優(yōu)化路徑

誤碼率用于描述錯(cuò)誤碼在所有傳輸碼中的占比，該指標(biāo)直接反映出認(rèn)知通信效果。通常在實(shí)際應(yīng)用中很難將誤碼率降低為0。最小誤碼率可作為優(yōu)化認(rèn)知自適應(yīng)波形的準(zhǔn)則，按照這一原理，建立誤碼率計(jì)算公式和對(duì)應(yīng)的函數(shù)模型，具體如下；

（1）

式中：PSER表示誤碼率，ns和ms分別為總傳輸碼數(shù)量和錯(cuò)誤碼的數(shù)量。

θk*=arg min（PSER） " " " " " " " " nbsp; （2）

式中：θk*表示認(rèn)知自適應(yīng)波形的參數(shù)，該參數(shù)符合最小誤碼率準(zhǔn)則。

（2）波形優(yōu)化方法選型

通過(guò)對(duì)比以上波形優(yōu)化方法的實(shí)現(xiàn)原理及適用場(chǎng)景可知，基于最小均方誤差的優(yōu)化原理主要針對(duì)目標(biāo)探測(cè)問(wèn)題，與波形和環(huán)境干擾的關(guān)聯(lián)性不突出。最大信噪比法具有一定應(yīng)用價(jià)值，但如果環(huán)境干擾信號(hào)的強(qiáng)度較大，提升信噪比的難度也會(huì)成倍增加，適用性存在限制。對(duì)于無(wú)線(xiàn)電測(cè)控通信而言，降低誤碼率在任何環(huán)境下都可產(chǎn)生正向促進(jìn)作用。故選用基于最小誤碼率的優(yōu)化路徑。

2.認(rèn)知自適應(yīng)波形優(yōu)化理論建模

波形對(duì)無(wú)線(xiàn)測(cè)控的影響體現(xiàn)在檢測(cè)距離、檢測(cè)精度以及分辨率三個(gè)方面，其影響因素為認(rèn)知通信信號(hào)的時(shí)寬特性和帶寬特性，這兩個(gè)因素的乘積決定了發(fā)射信號(hào)的穩(wěn)定性，應(yīng)該盡可能提高其乘積，采用乘積最大化原則[5]。另外，建模時(shí)還需引入線(xiàn)性調(diào)頻技術(shù)原理，該技術(shù)下產(chǎn)生的信號(hào)稱(chēng)為Chirp信號(hào)。以線(xiàn)性調(diào)頻信號(hào)的計(jì)算公式為基礎(chǔ)，對(duì)信號(hào)的相位時(shí)間進(jìn)行微分，即可產(chǎn)生信號(hào)瞬時(shí)角頻率的數(shù)學(xué)表達(dá)式，記為ω（t）。將信號(hào)的脈寬記為μ，信號(hào)帶寬記為Bω。信號(hào)時(shí)寬和帶寬的乘積Dω表達(dá)式如下。

Dω=Bω·T=KT2 " " " " " " " " " " " " " "（3）

式中：T表示認(rèn)知通信信號(hào)的脈沖寬度，K表示調(diào)頻斜率（該參數(shù)來(lái)自線(xiàn)性調(diào)頻技術(shù)）。

接收機(jī)收到信號(hào)后進(jìn)行濾波處理，信號(hào)模糊函數(shù)用于描述濾波處理后輸出信號(hào)幅度的平方。將線(xiàn)性調(diào)頻信號(hào)代入該函數(shù)，可獲得式（4）表達(dá)式。

（4）

式中：τ用于表征信號(hào)延時(shí)長(zhǎng)度，通信信號(hào)的多普勒頻移記為參數(shù)fd。將這兩個(gè)參數(shù)代入信號(hào)模糊函數(shù)（AF）中即可獲得式（4）。該函數(shù)的作用為描述認(rèn)知自適應(yīng)電波信號(hào)的測(cè)速精度和測(cè)距精度，由于融入了線(xiàn)性調(diào)頻函數(shù)，可依據(jù)線(xiàn)性調(diào)頻技術(shù)的工作原理改善波形參數(shù)。

（二）基于人工智能算法的認(rèn)知自適應(yīng)波形參數(shù)優(yōu)化方法

1.人工智能技術(shù)的應(yīng)用條件分析

以上理論是人工智能算法優(yōu)化認(rèn)知自適應(yīng)波形參數(shù)的基礎(chǔ)。在環(huán)境干擾方面，將單音噪聲模型、LN噪聲模型、韋伯爾噪聲模型等綜合在一起，形成貼近現(xiàn)實(shí)情況的復(fù)雜干擾因素，環(huán)境噪聲統(tǒng)一描述為信噪比（SNR）。通信測(cè)控系統(tǒng)借助無(wú)線(xiàn)調(diào)頻技術(shù)發(fā)射認(rèn)知自適應(yīng)信號(hào)，發(fā)射波形中關(guān)注兩個(gè)參數(shù)，分別為信號(hào)調(diào)頻斜率K以及信號(hào)脈沖寬度T，目標(biāo)是通過(guò)優(yōu)化T、K兩個(gè)參數(shù)達(dá)到最小誤碼率。

2.基于BP神經(jīng)網(wǎng)絡(luò)的認(rèn)知自適應(yīng)波形參數(shù)學(xué)習(xí)策略

（1）優(yōu)化發(fā)射波形

根據(jù)無(wú)線(xiàn)電通信的基本原理，發(fā)射機(jī)發(fā)出信號(hào)后由接收機(jī)獲取，同時(shí)進(jìn)行濾波，因而最終的輸出信號(hào)是濾波處理后的信號(hào)，將環(huán)境雜波干擾考慮在內(nèi)，那么輸出信號(hào)的數(shù)學(xué)表達(dá)方法如式（5）。

yR（t）=hR（t）×[s（t）×h（t）+s（t）×hc（t）+n（t）] " " " " " " "（5）

式中：將接收機(jī)沖擊響應(yīng)隨時(shí)間的變化記為hR（t），將其他各種干擾因素隨時(shí)間的變化記為n（t），將目標(biāo)信號(hào)隨時(shí)間的變化記為h（t），將認(rèn)知信號(hào)波形隨時(shí)間的變化記為s（t）[6]。

對(duì)式（5）的括號(hào)進(jìn)行分解，將濾波處理后的信號(hào)記為ys（t），對(duì)應(yīng)的環(huán)境干擾噪聲部分記為yn（t），則這兩項(xiàng)的計(jì)算方法如下。

ys（t）=hR（t）×s（t）×h（t） " " " " " " " " " " " " （6）

yn（t）=hR（t）×[s（t）×hc（t）+n（t）] " " " " " " " " " "（7）

信噪比轉(zhuǎn)化為以上兩項(xiàng)的比值，并且可將時(shí)間t作為自變量，建立信噪比隨時(shí)間變化的函數(shù)。發(fā)射機(jī)的發(fā)射信號(hào)強(qiáng)度是調(diào)控信噪比的主要參數(shù)，因?yàn)樵谳^大的環(huán)境中，空間內(nèi)的電磁噪聲幾乎成為不可控因素，此時(shí)基本只能通過(guò)提高發(fā)射機(jī)信號(hào)強(qiáng)度來(lái)增加信噪比。將信噪比記為SINR（t），其最大值記為SINRmax。根據(jù)信噪比的運(yùn)算規(guī)則，可得到發(fā)射波形與信噪比的關(guān)系式（8）。

（8）

式中：f為BP人工神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元激活函數(shù)。

（2）優(yōu)化波形參數(shù)

①BP神經(jīng)網(wǎng)絡(luò)的建模原理

BP神經(jīng)網(wǎng)絡(luò)中需輸入訓(xùn)練數(shù)據(jù)，經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)的反復(fù)學(xué)習(xí)建立模型，其在學(xué)習(xí)過(guò)程中需進(jìn)行多次迭代，開(kāi)展誤差信號(hào)分析，根據(jù)誤差優(yōu)化模型，達(dá)到最佳程度。該算法類(lèi)似于人腦的神經(jīng)系統(tǒng)，由神經(jīng)元構(gòu)成網(wǎng)絡(luò)，在訓(xùn)練過(guò)程中不斷地將誤差反向傳遞到模型中，以便進(jìn)行神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化。這一過(guò)程與認(rèn)知自適應(yīng)波形信號(hào)的實(shí)現(xiàn)原理基本相同，因?yàn)樽赃m應(yīng)波形信號(hào)也存在信息反饋的機(jī)制。

②模型構(gòu)建

在無(wú)線(xiàn)電測(cè)控應(yīng)用場(chǎng)景中，系統(tǒng)對(duì)目標(biāo)的捕獲能力和跟蹤能力均受到環(huán)境雜波的影響，在信號(hào)發(fā)送和回傳接收階段，環(huán)境噪聲同樣會(huì)引起干擾。調(diào)整優(yōu)化波形參數(shù)有利于增強(qiáng)無(wú)線(xiàn)電測(cè)控系統(tǒng)的性能。

在研究該問(wèn)題時(shí)需引入CRLB（克拉美羅下界）參數(shù)，根據(jù)公式（4）的波形參數(shù)優(yōu)化算法，函數(shù)表達(dá)式中存在兩個(gè)自變量，分別為τ和fd，CRLB可用于評(píng)價(jià)這兩項(xiàng)參數(shù)的誤差估算效果，其估算原理采用Fisher信息矩陣，認(rèn)知自適應(yīng)電波信號(hào)的均方帶寬和均方時(shí)寬與該信息矩陣存在緊密的聯(lián)系。在誤差估計(jì)方面，該矩陣具備三種模式，其一為針對(duì)τ開(kāi)展誤差估計(jì)，其二為針對(duì)fd開(kāi)展誤差估計(jì)，其三為聯(lián)合τ和fd兩項(xiàng)因素開(kāi)展誤差估計(jì)。通過(guò)一系列理論推導(dǎo)，得出發(fā)射波形對(duì)應(yīng)的噪聲干擾協(xié)方差矩陣，其表達(dá)式如公式（9）。

（9）

式中：fc表示發(fā)射信號(hào)的載頻，T和K為波形的目標(biāo)優(yōu)化參數(shù)，SNR表示環(huán)境信噪比。θ代表信號(hào)波形的參數(shù)向量，受到T、K兩個(gè)波形參數(shù)的影響。該表達(dá)式在協(xié)方差矩陣R、T、K、fc及SNR四個(gè)參數(shù)間建立了數(shù)學(xué)關(guān)系。

3.MATLAB仿真及結(jié)果分析

（1）仿真模擬的基本條件

仿真模擬采用專(zhuān)業(yè)的數(shù)學(xué)工程應(yīng)用軟件MATLAB，其中內(nèi)置了強(qiáng)大的算法編程模塊，有助于建立研究模型。在算法中輸入1個(gè)認(rèn)知自適應(yīng)波形參數(shù)，具體為脈沖寬度T。由于要模擬環(huán)境干擾對(duì)測(cè)控效果的影響，因此還需輸入第2個(gè)參數(shù)SNR（信噪比）。算法模擬中將誤碼率PSER作為最終的輸出結(jié)果。

根據(jù)公式（4）構(gòu)建的認(rèn)知自適應(yīng)波形系統(tǒng)生成2500組數(shù)據(jù)，其中2200組數(shù)據(jù)用于訓(xùn)練算法模型，剩余的300組數(shù)據(jù)作為算法檢測(cè)數(shù)據(jù)，最終的實(shí)驗(yàn)結(jié)果全部來(lái)自檢測(cè)環(huán)節(jié)。

（2）仿真結(jié)果分析

第一，設(shè)置不同的信噪比，取值范圍為-10～8，方差為2，然后觀測(cè)目標(biāo)模型的誤碼率輸出與實(shí)際波形系統(tǒng)的誤碼率。結(jié)果顯示：隨著信噪比取值的增大，誤碼率持續(xù)降低，并且目標(biāo)組和實(shí)際組基本吻合。

第二，設(shè)置不同的脈沖寬度，取值從0～7×10-5，在相同的脈沖寬度下觀測(cè)仿真組和實(shí)際組的誤碼率。結(jié)果顯示：BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的模型對(duì)誤碼率的預(yù)測(cè)值與真實(shí)系統(tǒng)的實(shí)際值高度吻合。以上兩組實(shí)驗(yàn)表明基于BP神經(jīng)網(wǎng)絡(luò)的認(rèn)知自適應(yīng)波形優(yōu)化模型能夠較好地模擬真實(shí)系統(tǒng)，可用于優(yōu)化認(rèn)知自適應(yīng)波形參數(shù)。

三、結(jié)束語(yǔ)

為了建立科學(xué)的無(wú)線(xiàn)通信網(wǎng)絡(luò)認(rèn)知自適應(yīng)波形，應(yīng)對(duì)其波形參數(shù)進(jìn)行優(yōu)化。設(shè)置涵蓋高斯白噪聲、韋伯爾噪聲在內(nèi)的多種環(huán)境干擾因素，利用最小誤碼率原則構(gòu)建波形優(yōu)化模型。然后運(yùn)用BP神經(jīng)網(wǎng)絡(luò)算法對(duì)模型實(shí)施迭代，對(duì)調(diào)頻斜率以及信號(hào)脈沖寬度兩個(gè)波形參數(shù)進(jìn)行優(yōu)化。經(jīng)過(guò)MATLAB仿真實(shí)驗(yàn)，模型取得了良好的效果，與系統(tǒng)實(shí)際情況高度吻合。

作者單位：楊曉雪 晉中信息學(xué)院

史曉剛 山西云內(nèi)動(dòng)力有限公司

參 "考 "文 "獻(xiàn)

[1]陳希平.認(rèn)知無(wú)線(xiàn)網(wǎng)絡(luò)中基于人工智能方法的動(dòng)態(tài)頻譜接入算法研究[D].重慶郵電大學(xué)，2021.

[2]姜有泉.基于無(wú)線(xiàn)傳感網(wǎng)絡(luò)的智能配電網(wǎng)通信組網(wǎng)技術(shù)研究[D].貴州大學(xué)，2018.

[3]劉旭峰，鐘志剛，賈元啟，等.基于LSTM及Seq2seq模型的業(yè)務(wù)預(yù)測(cè)算法研究[J].郵電設(shè)計(jì)技術(shù)，2021（12）：58-63.

[4]王勝，陳驍鋒，劉小溪.一種基于路測(cè)的無(wú)線(xiàn)網(wǎng)絡(luò)智能優(yōu)化應(yīng)用系統(tǒng)[J].信息通信，2018（07）：250-251.

[5]王西點(diǎn)，王磊，龍泉，等.人工智能及其在網(wǎng)絡(luò)優(yōu)化運(yùn)維中的應(yīng)用[J].電信工程技術(shù)與標(biāo)準(zhǔn)化，2018，31（07）：81-86.

[6]董一民，張弛.5G網(wǎng)絡(luò)背景下人工智能技術(shù)應(yīng)用的探討[J].信息通信技術(shù)與政策， 2019（09）：45-48.

[7]唐艷，付存君，魏建新.基于自適應(yīng)學(xué)習(xí)速率的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)[J].計(jì)算機(jī)光盤(pán)軟件與應(yīng)用，2012（04）：48-49.