一種基于神經網絡的OFDM信號識別與符號估計改進方法

熊 剛,張 輝,任祥維,胡宗愷

(中國電子科技集團公司第三十研究所,四川 成都 610041)

0 引 言

隨著無線通信系統的快速發展,電磁頻譜環境越來越紛繁密集,各種信號類型也呈現出復雜的態勢,因此信號識別與參數估計在無線電監測、電子對抗中能夠起到重要的作用。

當前的無線通信傳輸中大量使用了正交頻分復用(OFDM)技術,由于其具有較高的頻帶使用率、數據傳輸率和良好的抗多徑衰落特性,成為新一代無線通信的研究熱點,已經被廣泛采用,如無人機測控鏈路系統、衛星通信網、外軍戰術級信息網以及移動通信系統等[1]。

對OFDM信號此類多載波信號識別主要體現為對其調制類型的識別。OFDM子載波信號調制識別是后續解調與分析的前提,具有十分重要的作用,典型的調制類型包含二進制相移鍵控(BPSK)、四進制相移鍵控(QPSK)、八進制相移鍵控(8PSK)和十六進制正交幅度調制(16QAM)等。過去傳統的一些調制識別方法都是基于統計多參數分析及最大似然估計思路[2],但對于OFDM復雜體制的信號識別準確度不高,導致分類結果錯誤,還須開展更進一步的研究和改進。對人工智能(AI)——深度學習網絡算法作為新技術工具的探討方興未艾。由于其適應無線信號在傳輸中實時、多變的性質,基于神經網絡的OFDM信號識別方法也應運而生。該方法可以提高識別效率和分類的精確性,較好地拓展信號處理分類的應用范圍。

本文提出了一種基于神經網絡的改進方法,以實現對接收到的OFDM信號進行分類識別與符號估計。該方法采取神經網絡深度學習模型,在模型中使用了線性激活的全連接層,能夠增加低信噪比及多徑信道條件下的信號正確識別率,同時考慮了在OFDM子載波調制數據集分類訓練過程中的實際信道環境。此外還引入Dropout及池化層優化策略,實現了神經網絡識別學習效率的進一步提高,使得調制分類的魯棒性更強。仿真驗證表明,與傳統方法相比,本文提出的新思路,即通過使用深度學習神經網絡(DNN)算法對OFDM信號調制識別及符號定時參數估計,能夠得到更優的識別率,且無需受到額外大量數據樣本條件的限制,廣泛適用于對多種OFDM調制信號的識別。

1 OFDM信號傳輸模型

OFDM信號傳輸模型的示意框圖如圖1所示。對于調制端:首先把待發送的符號數據信息進行串并(S/P)轉換,然后將信號頻域波形轉換為時域,再添加循環前綴(CP)以減少子載波間的碼元信息干擾(ISI)。對于解調端:先進行快速傅里葉變換(FFT),再將各路數據進行并串(P/S)轉換,并將串行數據調制信號添加到信道發送,由此得到OFDM基帶信號。

圖1 OFDM基帶傳輸信號模型

Yi[k]=Hi[k]Xi[k]ej(2πkδ/N)+Wi[k]

(1)

式中:k表示OFDM信號的子載波序號數;i表示OFDM信號的符號序號數;Xi[k]表示傳輸信號;Hi[k]表示信道的時頻響應;Yi[k]表示接收信號;Wi[k]表示加性高斯白噪聲;δ表示符號的定時誤差。

而且多徑效應可存在較強的旁路徑,信道散射引起了多徑信號的相位鏡像路徑,將使得信號出現相位偏移。

在本文中,結合瑞利信道模型中的OFDM信號樣本進行學習和訓練,能夠更貼近于實際通信場景情況。

2 深度學習神經網絡計算原理

深度學習神經網絡不僅是一種有效的分類識別算法工具,還能夠分析和記憶信道特性,因此可用于OFDM信號檢測識別、符號估計等方面。本文在訓練模型中使用了線性激活的全連接層進行處理,實現較穩定的學習網絡。對于DNN網絡,通常使用多層次的神經網絡、權重、偏差和激活函數。該算法基于每個訓練級別的誤差更新權重和偏差,構建反向傳播路徑,有助于改善分類性能。修正線性選擇單元(ReLU)是可用的線性處理單元,通過修正回歸計算,得到了神經網絡矩陣輸出層的概率分布,從而給各輸出分類結果取到了概率值,即各類可能性[3]。

圖2中DNN模型使用ReLU作為激活函數,并且包含輸入層、卷積層、池化層、全連接層和輸出層,基于輸入信號樣本組成數據集,送至神經網絡中進行學習訓練,識別OFDM信號。DNN模型的輸出層利用線性激活函數來實現結果反饋。

圖2 神經網絡分類識別的典型結構

可通過設置Dropout典型的保留概率為50%來設計神經網絡,對于神經網絡的正則化,Dropout方法是一種計算量小且有效的方法。當在小數據集上訓練時,Dropout能夠優化實現防止神經網絡的過擬合,本文使用的DNN采用了6個卷積層和1個完全連接層。除了最后一層之外,每個卷積層后面都是批量歸一化、校正線性單元(ReLU)激活和最大池化層。在最后一個卷積層中,使用了平均池化,Softmax激活用于輸出層,其計算表達式為:

(2)

式中:zi表示網絡第i個節點輸出量;C為輸出節點數目,即分類的數量。

對于Dropout優化策略,可隨機選擇神經元進行暫時的刪除,然后再開展深度學習神經網絡的訓練和優化。因此,該策略能減少相同層神經元之間的互相影響,使DNN網絡的適應性更強。

3 基于深度學習神經網絡的識別

3.1 基于DNN的調制識別思路

OFDM信號在傳輸后接收到的第i個樣本復向量即信號解析向量,可由下式表示:

Si=[s1,s2,…,sn]

(3)

式中:n表示信號樣本數量;sn表示第n個樣本復向量,則sn表示為:

sn=Rn+jIn

(4)

式中:Rn為復信號樣本實數部分;In為復信號樣本虛數部分,實質分別表示同相分量和正交分量。

深度學習神經網絡(DNN)算法可以自動提取此類復信號數據的特征,然后基于訓練方和分類處理的方法,實現對OFDM信號調制識別。

可以采取的深度學習神經網絡是1個共28層的神經網絡,包括輸入層和輸出層。其中6個是卷積層,6個批量歸一化層,6個ReLU激活層,5個最大池化層,1個平均池化層、1個完全連接層和1個Softmax激活。表1表示使用的神經網絡的分層結構,展示了每一層的層類型、激活和學習內容。第1層是輸入層,第28層是輸出層。

網絡訓練采用的數據集合是OFDM信號的子載波的典型調制類型,包括二進制相移鍵控(BPSK)、四進制相移鍵控(QPSK)、八進制相移鍵控(8PSK)和十六進制正交幅度調制(16QAM)等。不妨設OFDM信號子載波數目為32個,FFT點數為512,循環前綴(CP)長度為64,設多普勒頻移為200 Hz,信噪比(SNR)區間從0到20 dB,對于各類型的調制信號有50 000個數據樣本用于訓練和測試,然后按照7∶3的比率分成訓練數據樣本和識別數據樣本。在實際訓練分類中,通常面臨著網絡模型較大但訓練樣本較少的情況,由此帶來過度擬合影響識別分類成功率,由此引入Dropout策略,用于防止和抑制DNN網絡中的過度擬合。在神經網絡的訓練過程中,若隨機地使一定數量的卷積停止工作,則能夠提高網絡的泛化能力。在深度學習訓練期間,采取Dropout的思路,根據一定的概率將訓練單元從網絡中去除,對于隨機梯度下降而言,可用于訓練不同的網絡。深度學習神經網絡Dropout優化處理策略如圖3所示。

圖3 深度學習網絡Dropout策略處理示意圖

圖3(a)是優化前的普通分析網絡,圖3(b)是采取了Dropout優化分析的網絡思路。將Dropout策略用于全連接層,設典型的留存概率值取為0.5。實際中,通常把Dropout看做統計平均處理手段。為降低測試數據集里面的錯誤,應將網絡中多個不同的訓練結果取平均。考慮到隨機性,在進行Dropout優化后的網絡模型可視為不同形式的神經網絡,此時的訓練參數保持不變,能夠使訓練耗費的時間縮短從而提高效率。基于Dropout優化學習的思路還能使網絡分類的各層具有更多泛化特征,結合ReLU歸一化和Softmax激活函數,進一步獲取網絡概率密度計算結果。綜上所述,除了網絡輸出層的各層中,OFDM調制識別過程采用批量歸一化和Dropout策略,實現了穩健學習且減少了過度擬合。

3.2 基于DNN的符號定時估計思路

接收機的定時同步是影響無線系統性能的一個重要方面。所有基于OFDM的系統都需要對符號定時偏移進行估計,然后執行校正[4]。此處采用了基于DNN的思路來估計符號定時偏移參數,與傳統方法相比,該方法僅需較少的OFDM導頻子載波數量,從而減少樣本需求數量,提高了計算處理效率,且無需太多的先驗條件,對算法的信噪比要求也更低。

OFDM符號定時估計算法提取的特征既可以在時域中處理,也可以在頻域中處理[5]。此處采用頻域分析思路與基于深度學習的方法進行了綜合比較。對于頻域分析思路,導頻子載波被認為存在于前幾個符號中,如圖4所示。

圖4 典型定時估計思路中訓練符號數據的位置

(5)

設OFDM符號中的子載波包括導頻子載波,而符號中的其余子載波被加載有數據,這些導頻子載波與數據子載波一起進行調制。導頻位置包含了所有以預定義方式的信號星座。此處已考慮了多個等距的子載波,沿著給定子載波的導頻數據必須具有相等數量的所有信號星座點,用于合理地訓練神經網絡分類器,不同子載波上的導頻可用于不同的深度學習分類網絡進行訓練。分類器區分不同類別之間的邊界,并且連續分類器邊界之間的旋轉與符號定時偏移成比例。因此,能夠經過平均計算降噪處理,進一步獲取估計的符號定時參數,從而獲得用于網絡訓練的OFDM信號導頻子載波位置以及嵌入數據子載波的改進結構。本文中基于神經網絡的符號定時估計思路處理主要流程如圖5所示。

圖5 本文改進的符號定時估計思路處理主要流程

需注意的是,在識別分類前,導頻數據進行均衡預處理,并且沿著每個導頻子載波的數據都將被用于訓練分類器。

4 仿真分析

通過MATLAB仿真實驗對本文中的OFDM識別和估計方法進行驗證分析。設置信號采樣率為200 MHz,載頻為70 MHz,循環前綴的數量取為OFDM子載波個數1/4,子載波調制方式包括BPSK、QPSK、8PSK、4QAM和16QAM調制,傳輸信道為瑞利信道,多普勒頻移為500 Hz,各子載波導頻符號數目取為80個,定時偏移量為0.5個符號。蒙特卡洛仿真次數設為2 000次,噪聲為加性高斯白噪聲。將本文中基于深度學習神經網絡(DNN)的識別及估計算法和傳統的基于循環譜的識別及估計算法開展仿真分析,性能曲線如圖6所示。

圖6 本文方法和傳統的識別及估計方法性能曲線

由圖6分析得出,本文中新改進方法正確地實現了對OFDM信號的調制識別及符號估計。在信噪比為2 dB以上時,平均正確率達到95%以上,且在低信噪比情況下,新方法效果比起過去的思路效果更優,提高了識別及估計性能。

5 結束語

本文提出了一種基于深度學習神經網絡的OFDM信號調制識別與符號定時估計改進算法,對OFDM信號在實際傳輸模型分析以及神經網絡訓練分類架構的基礎上,采取Dropout優化策略增加了識別學習的泛化特征,可解決過度擬合問題,提高分類準確性和穩健性。對于OFDM定時偏移估計,通過合理構建分類器訓練的導頻數據結構,從而減小樣本資源開銷,提高處理效率。新的識別及估計算法比起傳統一些思路也提升了抗噪性能,通過仿真試驗驗證了效果,識別及估計的正確率更優,且無需過多的先驗信息條件,擴展了算法適用性。今后還將進一步改進,為通信監測和認知無線電領域的相關研究提供更大助力[6]。