復雜多徑環境下的無人機集群通信波形識別

翟茹萍, 張書衡, 平嘉蓉

(南京航空航天大學電子信息工程學院, 江蘇 南京 210016)

0 引 言

無人機集群因高協調性、多功能性、強抗毀性等優勢在軍事作戰領域的地位愈加突出,其威脅態勢日趨嚴峻。因此,研究無人機集群通信波形識別技術具有重要意義。隨著通信技術發展,信號的調制類型和復雜性不斷增加,傳統的調制識別方法[1-2]因其通用性差、復雜度高,難以滿足識別需求,基于深度學習的調制識別方法應運而生。

基于深度學習的調制識別方法,除直接將基帶信號輸入神經網絡,還可提取信號的特征輸入神經網絡,如時頻圖、星座圖、高階累積量等。Kumar等[3]基于高斯信道生成信號星座密度矩陣,采用圖像的方式利用殘差神經網絡實現了8種調制信號的識別。Xie等[4]在高斯信道下利用高階累積量特征和深度神經網絡(deep neural network,DNN)實現了6種數字調制信號的識別。郝云飛[5]基于稀疏自編碼(sparse autoencoder,SAE)網絡和生成對抗網絡提出重構判別網絡,結合高階譜在高斯信道下實現了3種無人機調制信號的開集識別。王自維等[6]將無人機遙控信號的時頻圖輸入LeNet-5模型,在低信噪比下實現了相移鍵控(phase shift keying, PSK)、頻移鍵控(frequency-shift keying, FSK)、正交振幅調制(quadrature amplitude modulation, QAM)信號的類間識別和類內識別。然而,上述基于深度學習的調制識別方法存在以下問題:計算量較大,如提取信號時頻圖特征時計算量較大[7-9];考慮的信道條件過于理想,通常在高斯信道下[5,10-13];低信噪比下識別性能較差[3,14-15]。

無人機集群通信電磁環境復雜,不可避免地會出現時延、頻移、用戶干擾等現象。目前國內外針對無人機集群通信波形識別的研究極少,而現有的調制識別算法因其存在信道條件過于理想、信噪比低、魯棒性差等問題,難以滿足無人機集群通信波形識別的要求,因此本文提出了一種復雜多徑環境下的無人機集群通信波形識別算法。該算法在低信噪比下抗干擾能力強,在戰場環境下,尤其是敵方采用小功率發射機或信號傳播損耗較大的場景下具備應用價值。本文第1部分為引言;第2部分為系統模型,建立了Alpha脈沖干擾下無人機集群通信多徑衰落信道;第3部分基于廣義循環平穩特征建立了復雜多徑環境下的無人機集群通信波形特征矩陣;第4部分建立了SAE網絡無人機集群通信波形識別模型;第5部分為仿真結果與分析;第6部分為結論。

1 系統模型

本文考慮的無人機集群通信場景如圖1所示,集群內的多個用戶利用正交的方式進行通信,如當集群內的用戶U1和U2進行通信時,偵收機可分別獲得兩個用戶發送的信號。集群內所有用戶采用同種調制方式,包括二進制PSK(binary PSK, BPSK)、正交PSK(quadrature PSK, QPSK)、2FSK、4FSK、二進制幅度鍵控(2 amplitude shift keying, 2ASK)、4ASK、最小頻移鍵控(minimum shift keying, MSK)。

圖1 集群通信場景Fig.1 Swarm communication scenario

無人機集群通信的電磁環境復雜,不可避免地會產生多徑衰落、時延、頻移和用戶間干擾等現象。本文采用經典的抽頭延遲線(tapped delay line,TDL)信道模型,其中無人機多徑衰落信道基于3GPP TR 901.38無線電信道模型規范[16]設置信道參數,用戶間干擾采用Alpha脈沖噪聲。

1.1 多徑衰落信道

無人機多徑衰落信道的沖激響應可表示為

(1)

式中:Pl、τl和Jl(t)分別為第l條多徑所對應的抽頭功率、時延和平坦衰落信號發生器的輸出(通過Jakes模型[17]實現),且0≤l≤L-1,L為多徑信道的可分辨路徑數。

3GPP TR 901.38規范根據實測數據提供了5種TDL信道模型參數,分別適用于非視距(non-line of sight,NLOS)場景和視距(line of sight,LOS)場景。該報告規定可通過調節均方根(root mean square,RMS)時延擴展獲得指定場景下的抽頭時延:

τl=τl,model·DSdesired

(2)

式中:τl,model為TDL模型中第l個抽頭所對應的標準化時延; DSdesired[ns]為特定場景下的RMS時延擴展。對于含LOS徑的信道模型,用戶可通過調節K因子獲得指定的Kdesired[dB]。在調節K因子后,該模型每個抽頭對應的功率將調節為

Pl=Pl,model-Kdesired+Kmodel

(3)

式中:Pl,model為TDL模型中第l個抽頭所對應的功率;Kdesired為特定場景下的K因子值;Kmodel為該模型現在的K因子值。

1.2 Alpha脈沖干擾

本文采用Alpha穩定分布脈沖噪聲描述用戶間的干擾[18]:

?(t)=exp{jυn-γ|t|α[1+jβsgn(t)χ(t,α)]}

(4)

(5)

式中:α為特征指數;γ為分散系數;β為偏斜參數;υ為位置參數;sgn(t)為符號函數。本文采用α=1.5,β=0,γ=1,υ=0的對稱Alpha穩定分布噪聲,定義混合信噪比(mixed signal to noise,MSNR)為

(6)

1.3 接收信號處理流程

偵收機截獲的無人機通信信號可表示為

(7)

式中:x(t)為發送的調制信號;n(t)為Alpha脈沖干擾。圖2為無人機集群通信波形識別的系統框圖,調制信號在經過Alpha脈沖干擾下的多徑衰落信道后被偵收機截獲;隨后,提取信號的廣義循環均值和廣義循環譜特征,并構建無人機集群通信波形特征矩陣;最終,通過SAE神經網絡識別無人機集群通信波形,輸出實時分類結果。

圖2 無人機集群通信波形識別系統框圖Fig.2 System block diagram of the unmanned aerial vehicle swarm communication waveform recognition

2 特征矩陣構建

2.1 無人機集群通信波形特征

在無線移動通信中,數字信號經采樣、調制、編碼等預處理過程后,其循環均值和循環譜特征通常會隨時間呈周期性變化。定義接收信號r(t)的循環均值為

(8)

(9)

(10)

當ε=0時,循環譜密度退化為功率譜密度。

由于Alpha穩定分布噪聲的二階及以上各階統計量趨于無窮,需對接收信號進行非線性變換,將噪聲無窮的幅值限制在有限的區間內,以獲得有效的信號特征。經非線性變換[20]后的信號為

(11)

式中:Δ=1時,Alpha的噪聲抑制效果較好。信號經非線性處理后的特征被稱為廣義循環均值和廣義循環譜。表1為不同調制類型信號循環均值與循環譜特征離散峰值所對應的循環頻率。其中,fc為中心頻率,Rb為碼元速率。

表1 不同調制信號循環平穩特征Table 1 Cyclostationary features of different modulation signals

2.2 集群通信波形特征矩陣

根據表1,選擇神經網絡的輸入特征參數:對于不同調制信號的循環均值特征,以循環均值的離散峰值個數ρ1、平均循環均值ρ2和最大離散峰值ρ3作為特征參數;對于不同調制信號的循環譜特征,以f=0截面且ε>0時的離散峰值ρ4～ρ8作為特征參數,即ε=2fc,ε=2fc±Rb和ε=2fc±Rb/2處的循環譜密度峰值。

本文中無人機通信頻率為5.8 GHz,此時大氣損耗極小,可認為電磁波在自由空間傳播。考慮無人機集群內存在N個正在通信的用戶,其發射功率、接收功率和載波頻率均相同,無人機用戶U1～UN分別距偵收機d1～dNkm,則集群內任意用戶Un相對于無人機用戶U1的接收信號功率差ΔP(dB)定義為

(12)

式中:Δhp為由時變信道導致的接收信號功率差;ΔLp為由兩用戶距偵收機的距離不同而導致的路徑損耗差。以無人機用戶1的混合信噪比M為標準,定義M下的無人機集群通信波形特征矩陣為

(13)

3 基于SAE的集群通信波形識別

本文采用具有稀疏特性的DNN模型的自編碼器——SAE[21]完成無人機集群信號的調制識別。與循環神經網絡和卷積神經網絡等較為經典的網絡相比,SAE網絡的隱藏層含有稀疏系數,可以減小過擬合風險,加速網絡的訓練和部署。

假設自編碼器的輸入數據集為{m1,m2,…,mk},其中k為樣本個數。自編碼器的損失函數可以表示為

(14)

(15)

(16)

式中:aj表示隱藏層第j個神經元的激活函數,則稀疏約束后的總損失函數可表示為

(17)

4 仿真結果與分析

本部分以Matlab為仿真平臺,分別對無人機集群多徑衰落信道、無人機通信波形循環平穩特征、7種無人機集群通信波形的識別進行仿真。

4.1 仿真1

仿真1為無人機集群多徑衰落信道的仿真,信道模型參數參考3GPP TR 38.901,以TDL-A和TDL-D兩種信道場景為例,其中TDL-A為NLOS場景,TDL-D為LOS場景。

考慮NLOS場景,無人機通信的載波頻率為5.8 GHz,無人機飛行速率為60 m/s,此時的最大多普勒頻移為1 160 Hz。采用TDL-A模型參數,根據上述內容,設置RMS時延擴展為100 ns,樣本點數為8 000 samples,采樣速率fs為16Msample/s。圖3為TDL-A模型路徑增益隨樣本時間和路徑個數變換的三維圖,該模型共有23條可分辨路徑。

圖3 TDL-A模型的路徑增益Fig.3 Path gain of TDL-A model

圖4 TDL-D模型的路徑增益Fig.4 Path gain of TDL-D model

4.2 仿真2

仿真2為調制信號經Alpha脈沖干擾及多徑衰落信道后的廣義循環平穩特征,圖5和圖6分別為2ASK的廣義循環均值特征和BPSK的廣義循環譜特征。

圖5 信號2ASK廣義循環均值Fig.5 Generalized cyclic mean of signal 2ASK

圖6 信號BPSK廣義循環譜Fig.6 Generalized cyclic spectrum of signal BPSK

信道模型參數與仿真1中的TDL-D相同,其他仿真參數如下:符號個數1 000 symbol,碼元速率Rb為2Msymbol/s,升余弦脈沖成型的滾降系數為0.5,混合信噪比為0 dB。由于接收信號載波頻率為5.8 GHz,為降低射頻采樣成本,將信號下變頻至140 MHz,再進行帶通采樣。以BPSK信號為例,接收信號rBPSK(x)帶寬為3 MHz。經帶通采樣后,其信號功率譜以采樣速率fs為周期進行延拓,低通濾波后,信號中心頻率搬移至4 MHz。

4.3 仿真3

仿真3為基于SAE網絡的無人機集群通信波形的識別。考慮集群內存在兩無人機用戶正在通信,通信頻率為5.8 GHz,其參數設置如表2所示。集群內用戶可能采用的調制方式類型包括BPSK、QPSK、2FSK、4FSK、2ASK、4ASK、MSK。

表2 信道及無人機參數配置1Table 2 Channel and unmanned aerial vehicle parameter configuration 1

本研究以2 dB為步長,分別生成混合信噪比為-20～0 dB的數據集。根據表2設置無人機及信道參數,并生成每種調制方式下的無人機用戶1和用戶2的信號樣本各1 000個,提取每個樣本的特征,根據式(13)構造無人機集群波形特征矩陣。本文所建立的SAE網絡集群波形識別模型包括1個輸入層、2個隱藏層和1個輸出層,表3為SAE網絡結構的參數配置。

表3 SAE網絡結構參數配置Table 3 SAE network structure parameter configuration

續表3Continued Table 3

其中,SAE網絡中訓練集與測試集大小比例為7∶3。考慮其路徑損耗差ΔLp分別為0 dB和3 dB的場景,對應地,兩無人機用戶相對于偵收機的距離比分別為0.71和1。圖7為不同信道條件下的集群通信波形識別性能曲線,其中TDL-A(0 dB,Alpha)表示路徑損耗差為0 dB時,信號經TDL-A信道且受Alpha脈沖干擾的情況。

圖7 無人機集群通信波形識別性能曲線Fig.7 Unmanned aerial vehicle swarm communication waveform recognition performance curve

整體上看,無人機集群通信波形的識別準確率隨MSNR增大而遞增,且本文提取的特征在低信噪比下魯棒性強。從信道上分析,TDL-A信道下的識別準確率優于TDL-D信道。考慮Alpha干擾下路徑損耗差為3 dB的情況,當MSNR為-16 dB時,TDL-D信道下的識別準確率為95.52%,優于TDL-A信道下約2.5 dB,這是由于TDL-D信道存在LOS徑。從噪聲干擾上分析,集群通信波形的識別準確率在Alpha干擾下比在AWGN噪聲下的性能好。考慮TDL-A信道下路徑損耗差為3 dB的情況,當MSNR為-14 dB時,受Alpha脈沖干擾的識別準確率為86.43%,優于AWGN噪聲下約3.5 dB,說明本文提取的特征雖適用于AWGN噪聲,但在Alpha干擾下穩健性更好。從路徑損耗差分析,路徑損耗差越大,其無人機集群通信波形的識別準確率越低。考慮Alpha干擾下信號經TDL-A信道的情況,當MSNR為-14 dB時,路徑損耗差為0 dB的識別準確率為85.17%,當路徑損耗差為3 dB時,識別準確率為79.61%。

4.4 仿真4

仿真4分析了影響無人機集群通信波形識別性能的因素,分別從識別方法、集群內通信用戶數目、多普勒頻移大小3方面進行了分析。

4.4.1 不同識別方法對識別性能的影響

1）智慧城市規劃設計需要先進行初步的定位，在對當前城市現階段的環境質量、資源、地理地質條件、氣候條件以及產業與信息化發展等情況做出準確的分析之后，便可以明確其總體定位；

本文選用分類算法中較為經典的K最近鄰(Knearest neighbor, KNN)算法和決策樹算法作比較。以TDL-A信道模型為例,考慮集群內存在兩架正在通信的無人機用戶,且兩用戶之間的路徑損耗差為0 dB,其他參數參考表2。其中,基于KNN的識別方法采用歐式距離作為距離度量,K值設置為10;基于決策樹的識別方法采用基尼多樣性指數作為分裂準則,最大分裂數設置為8;基于SAE網絡的識別方法參數與仿真3相同。

圖8為TDL-A信道下采用不同識別方法后的集群通信波形識別性能曲線。當MSNR為-8 dB時,3種識別方法的識別準確率幾乎達100%,說明本文提取的廣義循環平穩特征穩健性好、易于識別。同時,基于SAE網絡的識別方法識別性能整體優于KNN算法和決策樹算法,當MSNR為-14 dB時,基于SAE的識別方法識別準確率為91.81%,優于KNN算法約1 dB,優于決策樹算法約2 dB。

圖8 不同方法下集群通信波形識別性能曲線Fig.8 Swarm communication waveform recognition performance curve under different methods

圖9～圖11是MSNR為-14 dB時,不同方法下的混淆矩陣。此時,SAE算法、KNN算法、決策樹算法對應的平均識別準確率分別為91.81%、89.43%、86.10%。混淆矩陣可以反映每個算法對7種波形的識別性能和誤判情況,其橫坐標為預測類別,縱坐標為真實類別,對角線上的元素值表示某波形的識別準確率。顏色越深,識別準確率越高。

圖9 MSNR為-14 dB時的混淆矩陣(SAE算法)Fig.9 Confusion matrices when MSNR of -14 dB (SAE algorithm)

圖10 MSNR為-14 dB時的混淆矩陣(KNN算法)Fig.10 Confusion matrices when MSNR of -14 dB (KNN algorithm)

圖11 MSNR為-14 dB時的混淆矩陣(決策樹算法)Fig.11 Confusion matrices when MSNR of -14 dB (decision tree algorithm)

4.4.2 集群內通信用戶數目對識別性能的影響

本部分研究集群內正在的通信用戶數目對識別性能的影響,分別考慮集群內通信用戶數目為1、2、4這3種情況。通信用戶與偵收機的距離分布如圖12所示,以偵收機位置為圓心,用戶1、3和用戶2、4分別位于半徑相同圓上。仿真以TDL-A信道為模型,用戶2～4相對于用戶1的路徑損耗差分別為3 dB,0 dB和3 dB,用戶的其他參數設置如表4所示。

圖12 通信用戶與偵收機位置分布Fig.12 Location distribution of communication users and reconnaissance machine

表4 信道及無人機參數配置2Table 4 Channel and unmanned aerial vehicle parameter configuration 2

圖13為TDL-A信道下不同通信用戶數目的集群波形識別性能曲線,其中單機場景表示集群中僅存在一個通信用戶U1,雙機場景表示集群內的通信用戶為U1和U3,四機場景表示集群內的通信用戶為U1～U4。

圖13 不同通信用戶數下集群通信波形識別性能曲線Fig.13 Swarm communication waveform recognition performance curve with different number of users

由圖13可知,隨著集群內通信用戶數目的增多,集群通信波形的識別準確率有所提升。當MSNR為-18 dB時,集群內通信用戶數目為1、2、4時,所對應的識別準確率分別為60.43%、66.5%、72.43%,這是由于集群內通信用戶數越多,偵收機截獲的信號樣本越豐富,提取的特征數量越多。

4.4.3 多普勒頻移大小對識別性能的影響

無人機的飛行速度會影響最大多普勒頻移的數值,從而影響無人機集群波形的識別準確率。考慮兩無人機用戶的路徑損耗差ΔLp為3 dB的場景,采用TDL-A模型,無人機通信頻率為5.8 GHz,其他參數參考表5。

表5 信道及無人機參數配置3Table 5 Channel and unmanned aerial vehicle parameter configuration 3

圖14為TDL-A信道下不同場景的無人機集群波形識別性能曲線。由圖14可知,隨著無人機飛行速度和多普勒頻移的增大,無人機集群通信波形識別的準確率下降。當MSNR為-14 dB時,場景1的識別準確率為96.29%,場景2的識別準確率為94.62%,場景3的識別準確率為86.43%,場景4的識別準確率為72.33%。

圖14 不同場景下集群通信波形識別性能曲線Fig.14 Swarm communication waveform recognition performance curve under different scenes

5 結 論

本文提出了一種復雜多徑環境下的無人機集群通信波形識別算法,該算法充分考慮了無人機通信過程中存在的多徑衰落、時延、頻偏、干擾等問題,實現了7種無人機集群通信波形的識別,包括BPSK、QPSK、2FSK、4FSK、2ASK、4ASK、MSK。仿真結果表明:所構造的無人機集群通信波形特征向量在多普勒頻移、多徑時延和Alpha脈沖干擾存在的環境下具備良好的魯棒性,所建立的SAE無人機集群通信波形識別模型性能優于傳統的KNN算法和決策樹算法。同時,本文提出的無人機集群通信波形識別算法在低信噪比下的識別準確率較高,在信噪比為-10 dB時仍能保證80%以上的識別準確率。