基于遷移學(xué)習(xí)的礦井復(fù)雜環(huán)境下的自適應(yīng)信號(hào)檢測(cè)

李旭虹 王廷玥 王安義

(西安科技大學(xué)通信與信息工程學(xué)院 西安 710054)

1 引言

煤礦井下無線通信環(huán)境復(fù)雜多變，巷道中的電磁波傳播模式有很多種，多種信號(hào)并存，與普通的地面無線傳播差異較大。井下傳播空間通常比較狹長(zhǎng)且存在多分支，巷道壁和各種用電設(shè)備產(chǎn)生的電磁場(chǎng)對(duì)無線電波易產(chǎn)生吸收和干擾，粉塵對(duì)傳輸信號(hào)的損耗影響較大[1]。因此具備魯棒性的多模信號(hào)檢測(cè)方法是發(fā)展智能礦井通信[2]的基礎(chǔ)。

深度學(xué)習(xí)(Deep Learning, DL)是解決上述挑戰(zhàn)的一個(gè)很有前途的工具，信號(hào)檢測(cè)本質(zhì)上是一個(gè)復(fù)雜的分類問題，DL提供了一種端到端優(yōu)化的思路[3]。Ye等人[4]將深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Networks, DNN)應(yīng)用到正交頻分復(fù)用(Orthogonal Frequency Division Multiplexing, OFDM)系統(tǒng)進(jìn)行信道估計(jì)和信號(hào)檢測(cè)，仿真結(jié)果表明誤碼率可以與傳統(tǒng)的最小均方誤差(Minimum Mean Square Error, MMSE)方法相媲美，驗(yàn)證了用一個(gè)神經(jīng)網(wǎng)絡(luò)來代替?zhèn)鹘y(tǒng)通信中多個(gè)模塊的可行性。Samuel等人[5]提出一種檢測(cè)網(wǎng)絡(luò)(Deterministic Network,DetNet)，通過將投影梯度下降算法展開構(gòu)建網(wǎng)絡(luò)，仿真結(jié)果優(yōu)于傳統(tǒng)正交近似消息傳遞(Orthogonal Approximate Message Passing, OAMP)檢測(cè)算法[6]，但隨著深度的增加，DetNet性能會(huì)逐漸到達(dá)瓶頸。為解決這個(gè)問題，Jin等人[7]提出并行檢測(cè)網(wǎng)絡(luò)(Parallel Detection Network, PDN)，該網(wǎng)絡(luò)由多個(gè)基于深度學(xué)習(xí)的檢測(cè)網(wǎng)絡(luò)并行組成，PDN的性能隨著并行網(wǎng)絡(luò)數(shù)量的增加而顯著提高。上述工作證明了利用深度學(xué)習(xí)技術(shù)檢測(cè)信號(hào)的可能性。

當(dāng)訓(xùn)練樣本充分表征信道時(shí)，深度檢測(cè)方法表現(xiàn)出合理的性能。然而對(duì)于復(fù)雜多變的大型通信環(huán)境，訓(xùn)練集與現(xiàn)實(shí)的實(shí)時(shí)信道服從相同分布是困難的，而神經(jīng)網(wǎng)絡(luò)對(duì)分布改變極為敏感[8]，因此深度學(xué)習(xí)面臨泛化能力、魯棒性方面的挑戰(zhàn)。Sun等人[9]使用生成對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Network, GAN)對(duì)復(fù)雜信道估計(jì)，使接收機(jī)能夠跟蹤動(dòng)態(tài)信道條件而無需從頭開始進(jìn)行訓(xùn)練，證明了GAN在深度信號(hào)檢測(cè)方面的潛力。Li等人[10]針對(duì)動(dòng)態(tài)范圍較寬，分布復(fù)雜的水聲信道提出用生成對(duì)抗網(wǎng)絡(luò)(GAN)去除噪聲，效果顯著優(yōu)于現(xiàn)有的DL方法。Van Huynh等人[11]給出一種遷移學(xué)習(xí)框架應(yīng)用于無線網(wǎng)絡(luò)的信號(hào)檢測(cè)中，通過凍結(jié)和微調(diào)的方法提高網(wǎng)絡(luò)魯棒性，實(shí)驗(yàn)表明檢測(cè)性能優(yōu)于傳統(tǒng)的基于DL的檢測(cè)器，驗(yàn)證了遷移學(xué)習(xí)能夠解決目前深度信號(hào)檢測(cè)的局限性。上述研究提供了新思路，但仍依賴一定數(shù)量的線上標(biāo)簽信號(hào)做有監(jiān)督的訓(xùn)練，也未對(duì)礦井無線通信環(huán)境做相關(guān)優(yōu)化。

本文針對(duì)礦井Nakagami-m動(dòng)態(tài)信道提出基于遷移學(xué)習(xí)的自適應(yīng)信號(hào)檢測(cè)方法，將動(dòng)態(tài)信道切片為一些離散信道，訓(xùn)練過程分為離線訓(xùn)練和線上適應(yīng)兩個(gè)階段對(duì)正交相移鍵控(Quadrature Phase Shift Keying, QPSK)和正交幅度調(diào)制(Quadrature Amplitude Modulation, QAM)信號(hào)檢測(cè)。通過域?qū)褂?xùn)練神經(jīng)網(wǎng)絡(luò)(Domain Adversarial training of Neural Networks, DANN)[12]將離線知識(shí)遷移到線上模型并且跟隨井下信道分布的變化自動(dòng)更新參數(shù)，從而提高泛化能力。文獻(xiàn)[13]指出這種方法存在分類器偏移的問題，因此為了減小偏差，提出改進(jìn)的判別器以增加偏差修正過程。

2 模型與問題分析

煤礦井下信道不同于地面無線信道，無線電波通常傳播于結(jié)構(gòu)和尺寸不規(guī)則的巷道中，眾多的機(jī)械設(shè)備和粗糙的巷道壁巖石等復(fù)雜環(huán)境因素都會(huì)影響礦井無線信道。信號(hào)檢測(cè)模型常用的瑞利衰落[14]、復(fù)高斯衰落[15]等不足以表征這種大型復(fù)雜多變的傳播環(huán)境，因此選用參數(shù)可變的Nakagami-m分布統(tǒng)計(jì)井下信號(hào)的包絡(luò)特性[1]，其概率密度函數(shù)為

其中，L是損失函數(shù)。

然而，線上礦井信道Hm的 衰落因子m動(dòng)態(tài)變化，其衰落分布很難與離線Hoff保持一致，這導(dǎo)致泛化能力弱的機(jī)器的線上信號(hào)檢測(cè)性能下降。下一節(jié)提出一種自適應(yīng)檢測(cè)網(wǎng)絡(luò)(Adaptive Detection Network, ADN)以近似地解決這個(gè)問題。

3 自適應(yīng)檢測(cè)網(wǎng)絡(luò)

3.1 自適應(yīng)檢測(cè)網(wǎng)絡(luò)

領(lǐng)域自適應(yīng)(Domain Adaptation, DA)作為遷移學(xué)習(xí)的一個(gè)分支有廣闊的發(fā)展空間，其通過利用不同但相關(guān)的源領(lǐng)域中的訓(xùn)練數(shù)據(jù)來解決目標(biāo)領(lǐng)域中的學(xué)習(xí)問題[18]。ADN結(jié)合DA與DNN來完成線上自適應(yīng)信號(hào)檢測(cè)，其由若干個(gè)子網(wǎng)絡(luò)并行組成，每個(gè)子網(wǎng)絡(luò)包含采樣器 S ，特征提取網(wǎng)絡(luò) F，信號(hào)檢測(cè)層 T 和信道判別器 D，如圖1所示。采樣器對(duì)接收端信號(hào)采樣。特征提取網(wǎng)絡(luò)包含L個(gè)級(jí)聯(lián)的特征提取層FL1,FL2,...,FLL，用于從信號(hào)中提取利于檢測(cè)的特征。全連接層作為信號(hào)檢測(cè)層連接在網(wǎng)絡(luò)的尾部，輸出檢測(cè)概率。特征提取網(wǎng)絡(luò)的輸出也會(huì)送入信道判別器，判別器由多個(gè)相同結(jié)構(gòu)的二分類子判別器組成，負(fù)責(zé)判斷當(dāng)前所處的信道環(huán)境，判決結(jié)果通過損失函數(shù)反饋給特征提取網(wǎng)絡(luò)，以此執(zhí)行遷移學(xué)習(xí)任務(wù)來調(diào)整網(wǎng)絡(luò)的參數(shù)適應(yīng)當(dāng)前信道。最后，網(wǎng)絡(luò)的所有部分通過最小化特定的損失函數(shù)來同時(shí)進(jìn)行訓(xùn)練。

圖1 自適應(yīng)檢測(cè)網(wǎng)絡(luò)的子網(wǎng)絡(luò)結(jié)構(gòu)

ADN相較于目前深度網(wǎng)絡(luò)流行的離線訓(xùn)練配合線上檢測(cè)的模式，增加了線上自適應(yīng)的環(huán)節(jié)，這使其具備了應(yīng)對(duì)信道變化的能力。ADN實(shí)現(xiàn)自適應(yīng)過程的關(guān)鍵是信道判別器，其負(fù)責(zé)判斷當(dāng)前信號(hào)的信道環(huán)境并且使用偏差器輸出信道差異信息。這讓ADN獲得了鑒別信道的能力，為信號(hào)檢測(cè)提供了信道相關(guān)的先驗(yàn)知識(shí)。同時(shí)ADN使用并行結(jié)構(gòu)將動(dòng)態(tài)變化的信道切片成多個(gè)離散信道，具體來說，對(duì)于M個(gè)不同衰落分布的信道，第k個(gè)采樣信號(hào)經(jīng)過 F 后的輸出特征ck會(huì)作為子判別器的輸入，如圖2所示。每個(gè)子判別器包含一個(gè)分類器 G、偏差器 B 和信道標(biāo)簽d=[d1d2...dM]T，分類器產(chǎn)生判決結(jié)果，偏差器輸出檢測(cè)偏差I(lǐng)k。其中，是對(duì)ck所屬信道的預(yù)測(cè)，Ik用于修正離線與線上的信號(hào)檢測(cè)層之間的偏差。上述過程寫作

圖2 信道判別器的結(jié)構(gòu)

式(7)是受文獻(xiàn)[13]的啟發(fā)，其提出特征生成器的兩個(gè)域特征分布不能完全一樣，那么領(lǐng)域之間分類器就有一定的偏差，寫作

其中，fS(x), fT(x)是 源域和目標(biāo)域的分類器，Δf(x)描述二者之間的偏差，作者將ck送入殘差網(wǎng)絡(luò)(ResNet)學(xué)習(xí)偏差。在式(7)中，輸入包含第k-1 個(gè)信號(hào)的信道知識(shí)，這是為了替代第k個(gè)信號(hào)，這樣處理是基于信道分布變化是連續(xù)光滑的假設(shè)，短時(shí)內(nèi)的信道分布是近似的。偏差為信號(hào)檢測(cè)提供了額外信息，也能加速信號(hào)檢測(cè)層的收斂。

分類器的結(jié)構(gòu)參考文獻(xiàn)[12]，偏差器是一個(gè)小型的多層感知機(jī)(Mulit Layer Percepron, MLP)，共3層。考慮到信道衰落的非線性特點(diǎn)，分類器使用激活函數(shù)sigmoid，偏差器使用tanh，輸入偏差器的ck會(huì)經(jīng)歷隨機(jī)裁剪，這有利于減少輸入和增強(qiáng)模型的穩(wěn)定性。

綠燈行，紅燈停，這是出行車輛和行人必須共同遵守的規(guī)則。但情況總有例外，譬如120救護(hù)車，常常用喇叭不停地呼喊著“讓——，讓——”一路沖過，這是常人對(duì)病人的人道主義關(guān)懷的體現(xiàn)。譬如119消防車，鳴叫著疾馳而過，這是社會(huì)對(duì)救援的支持，是應(yīng)對(duì)突發(fā)事件的需要。還有警車和軍車。

特征提取網(wǎng)絡(luò)基于輕量的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)，如圖3所示，文獻(xiàn)[19,20]的實(shí)驗(yàn)表明CNN具備良好的泛化和遷移能力。但特征提取網(wǎng)絡(luò)與信道判別器的任務(wù)恰好相反，旨在將來自不同信道的信號(hào)映射到同一個(gè)特征空間C={ci}，描述為f:→ci。其與信道判別器形成對(duì)抗關(guān)系，促進(jìn)離線知識(shí)遷移到新環(huán)境并且增強(qiáng)泛化能力，使信號(hào)檢測(cè)從被動(dòng)接收變?yōu)橹鲃?dòng)調(diào)節(jié)。最后，ci通過信號(hào)檢測(cè)層輸出概率，反映檢測(cè)結(jié)果，上述過程寫作

圖3 特征提取層與信號(hào)檢測(cè)層的結(jié)構(gòu)

3.2 遷移與分集算法

在ADN中，要求提取來自不同信道信號(hào)的共同特征，等價(jià)于要求所提取的特征盡可能欺騙信道判別器，因此ADN的優(yōu)化目標(biāo)為減小檢測(cè)損失LT和增大判別損失LG，總損失函數(shù)寫作

其中，超參數(shù)λ調(diào)節(jié)遷移學(xué)習(xí)的尺度。

具體來說，ADN需要優(yōu)化的參數(shù)有特征提取網(wǎng)絡(luò)的內(nèi)部參數(shù)WF，信號(hào)檢測(cè)層的參數(shù)WT和信道判別器的參數(shù)WG,WB。分類器通過最小化LG以優(yōu)化WG來提高判別能力，寫作

其中，dk是真實(shí)的信道標(biāo)簽。特征提取網(wǎng)絡(luò)、偏差器和信號(hào)檢測(cè)層都通過最小化LT優(yōu) 化各自參數(shù)WF,WB,WT，寫作

ADN使用并行結(jié)構(gòu)將動(dòng)態(tài)衰落信道切片為若干個(gè)離散的有代表性的信道，使深度檢測(cè)網(wǎng)絡(luò)可以在多信道中獲得分集效益，降低對(duì)精確信道估計(jì)的要求。為了說明這是如何工作的，下面提供一個(gè)示例做更詳細(xì)的解釋。該工作依賴于并行的ADN子網(wǎng)絡(luò)，如圖4，并行的網(wǎng)絡(luò)可以實(shí)現(xiàn)動(dòng)態(tài)信道的離散化以提高魯棒性。假設(shè)在自適應(yīng)過程的窗口期有接收信號(hào)數(shù)P和M ∈N*個(gè)不同的信道。由于ADN有M個(gè)相同結(jié)構(gòu)的子分類器 G 和子偏差器 B，所以本文使用一個(gè)特殊的判別損失，基本原則是選擇損失最小的信道做對(duì)抗遷移，寫作

圖4 ADN的并行結(jié)構(gòu)

其中，li是第i個(gè) 子信道分類器Gi的損失，寫作

LT使用基于信號(hào)檢測(cè)結(jié)果的交叉熵?fù)p失函數(shù)更新參數(shù)，寫作

在本例中，ADN離線使用的衰落因子mi ∈{m1,m2,...,mM}被逐一分配給M個(gè)并行子網(wǎng)絡(luò)，并且保存訓(xùn)練后各自的網(wǎng)絡(luò)參數(shù)。在自適應(yīng)階段，所有子分類器Gi同時(shí)工作判斷接收信號(hào)所代表的m值與mi的關(guān)系，依據(jù)損失最小原則決定信道歸屬。每個(gè)子偏差器Bi提供有關(guān)線上信道衰落分布與離線信道分布之間的差異信息，這樣的M個(gè)信息為信號(hào)檢測(cè)帶來分集效益。在整個(gè)遷移學(xué)習(xí)過程中，ADN首先共享離線的網(wǎng)絡(luò)參數(shù)，然后通過最小化總損失函數(shù)調(diào)整權(quán)重完成自適應(yīng)。

3.3 兩階段訓(xùn)練方法

整個(gè)過程執(zhí)行在PyTorch框架中，使用Adam優(yōu)化器。自適應(yīng)檢測(cè)網(wǎng)絡(luò)的流程是離線訓(xùn)練檢測(cè)器，然后直接應(yīng)用于復(fù)雜多變的礦井信道環(huán)境中。為了達(dá)到這一目標(biāo)和減少自適應(yīng)耗時(shí)，本文使用以下3種策略：

(1)分為離線訓(xùn)練和線上適應(yīng)的兩階段訓(xùn)練法；

(2)離線參數(shù)完整遷移到線上以減少耗時(shí)；

(3)以衰落因子m ∈{0.5, 0.6, 0.85, 1, 1.15,1.3}切分Nakagami-m信道為離散信道。

在離線訓(xùn)練階段，選擇m=0.85代表井下環(huán)境，信號(hào)樣本 (x,y)的Nbatch=32，網(wǎng)絡(luò)的迭代次數(shù)Nepoch=1 000 ，損失函數(shù)使用LT，傳輸信號(hào)樣本總數(shù)為160 000個(gè)。接收端信號(hào)經(jīng)過特征提取層F 后直接送入信號(hào)檢測(cè)層。在第j次迭代中反向傳播更新網(wǎng)絡(luò)的參數(shù)并且計(jì)算誤符號(hào)率pj，然后與之前的最小值pmin比 較以決定是否更新參數(shù)，如果pj ＜pmin，則用本次參數(shù)Wj替換，經(jīng)過Nepoch次迭代獲得最優(yōu)參數(shù)W*后，即可部署于線上環(huán)境。

在線上適應(yīng)階段，衰落因子m持續(xù)變化以模擬動(dòng)態(tài)的礦井環(huán)境。接收信號(hào)通過 F之后的結(jié)果同時(shí)送入信道判別器和信號(hào)檢測(cè)層，使用總損失函數(shù)更新網(wǎng)絡(luò)。最終，經(jīng)過偏差修正的信號(hào)檢測(cè)層輸出信號(hào)檢測(cè)結(jié)果。

4 仿真實(shí)驗(yàn)與結(jié)果分析

第3節(jié)提出一個(gè)自適應(yīng)檢測(cè)網(wǎng)絡(luò)，目標(biāo)是使用深度網(wǎng)絡(luò)在線上礦井環(huán)境中完成信號(hào)檢測(cè)。本節(jié)包含3個(gè)實(shí)驗(yàn)，目的分別是分析CNN所遭遇的線上檢測(cè)挑戰(zhàn)、驗(yàn)證ADN的魯棒性和對(duì)比ADN線上檢測(cè)性能。實(shí)驗(yàn)仿真平臺(tái)：CPU為i9-9900k，GPU為雙RTX2080Ti，內(nèi)存32 GB，采用Python作為軟件平臺(tái)。

實(shí)驗(yàn)1 CNN的信道泛化能力。為了清楚顯示深度檢測(cè)網(wǎng)絡(luò)在礦井環(huán)境中面臨的泛化挑戰(zhàn)，本節(jié)比較了CNN，如圖3，在面對(duì)線上信道衰落改變時(shí)的誤符號(hào)率(Symble Error Rate, SER)，如圖5。測(cè)試是發(fā)生在線上信道與離線信道分布不同時(shí)的情況，因此為了盡可能讓網(wǎng)絡(luò)適配線上環(huán)境，常規(guī)思路是融合多時(shí)段采集的信號(hào)樣本以離線學(xué)習(xí)到動(dòng)態(tài)變化的信道衰落分布特征。衰落因子m可以視作m時(shí)段的信道衰落，m的取值數(shù)量就是動(dòng)態(tài)信道離散化后的信道類數(shù)M。離線階段的訓(xùn)練集包含M類樣本，線上檢測(cè)集是m=0.6的接收信號(hào)。除了M=1外 ，其他訓(xùn)練集均包含m=0.6的 樣本。M=1時(shí)訓(xùn)練集沒有使用m=0.6 ，而是使用m=0.85，這是模擬離線機(jī)器遭遇離線與線上信道分布不同的情況。

圖5 CNN的離線SER和線上檢測(cè)SER對(duì)比

該實(shí)驗(yàn)的訓(xùn)練集融合M類信道樣本，m ∈{0.5,0.6,0.85,1,1.15}，檢測(cè)集為m=0.6。從曲線整體觀察到線上SER高于離線SER，其中離線SER在M ＞1 時(shí)有大幅上升，M ＞5時(shí)損失函數(shù)已經(jīng)無法收斂，故未畫出。造成這樣結(jié)果的原因是線上信道衰落發(fā)生了改變，這在實(shí)際礦井信道中是時(shí)常發(fā)生的。線上SER的上升是因?yàn)槊鎸?duì)復(fù)雜變化的信道分布時(shí)，網(wǎng)絡(luò)的泛化能力不足。雖然在M=2時(shí)SER有明顯下降，但這是因?yàn)闄z測(cè)集中開始包含離線訓(xùn)練使用的信道衰落m=0.85。因此，常規(guī)的大數(shù)據(jù)樣本融合訓(xùn)練方法對(duì)于線上信號(hào)檢測(cè)沒有取得令人滿意的效果，即使線上信號(hào)已經(jīng)在離線訓(xùn)練時(shí)被捕獲到。

圖5(b)顯示增大信噪比可以發(fā)揮積極作用，具體表現(xiàn)在網(wǎng)絡(luò)開始學(xué)習(xí)變化的信道分布，但僅限于M ≤2的情況，線上檢測(cè)表現(xiàn)幾乎沒有改善。這可能是因?yàn)榇蠊β市盘?hào)抵抗衰落的能力更強(qiáng)，但無法避免鄰道間干擾。隨著信號(hào)功率的增加，衰落的負(fù)面作用減小，鄰道的同類樣本共性增加而差異減小，據(jù)此可以提出一個(gè)關(guān)于信道泛化的猜想：

將一個(gè)分布動(dòng)態(tài)變化的信道切片離散化，設(shè)離散數(shù)為M∈N*，當(dāng)前網(wǎng)絡(luò)可泛化的信道數(shù)記為Me，則有Me≤M，如果 SNR→+∞，那么Me→+∞。

研究者致力于提高深度檢測(cè)網(wǎng)絡(luò)的實(shí)用性，理想情況下Me→+∞，網(wǎng)絡(luò)完全泛化整個(gè)信道分布，離線與線上的檢測(cè)表現(xiàn)將保持一致的優(yōu)秀。但SNR與Me的關(guān)系尚不明朗，構(gòu)建可學(xué)習(xí)的泛化網(wǎng)絡(luò)也難以實(shí)現(xiàn)，因此通常假定離線信道衰落與線上信道是同分布的，這正是本文力求解決的問題。

實(shí)驗(yàn)2 ADN的魯棒性和分集效應(yīng)。本實(shí)驗(yàn)在3 dB信噪比條件下開展，目標(biāo)是測(cè)試ADN的魯棒性。其中圖6(a)的訓(xùn)練集是單一的高斯衰落，圖6(b)的訓(xùn)練集在M=1 時(shí)是瑞利衰落，M ＞1 時(shí)是M類衰落樣本的集合，圖6(a)和圖6(b)的線上檢測(cè)集都來自各個(gè)分布的樣本，這是最常見的兩種信道估計(jì)和信號(hào)檢測(cè)情況，分別對(duì)應(yīng)單一訓(xùn)練和融合訓(xùn)練。ADN的子網(wǎng)絡(luò)并聯(lián)數(shù)與衰落樣本類別M保持同步，即M既是信道離散數(shù)，也是ADN的并聯(lián)數(shù)。

圖6(a)是一個(gè)采集窗口期非常長(zhǎng)的過程，足夠收集到M類衰落的信號(hào)，因此檢測(cè)集包含豐富的信道動(dòng)態(tài)信息，這在實(shí)際的線上檢測(cè)活動(dòng)中不會(huì)發(fā)生，但能充分表現(xiàn)網(wǎng)絡(luò)的魯棒性。圖6(b)意在模擬一個(gè)動(dòng)態(tài)的礦井環(huán)境，接收端會(huì)收到6種衰落類型的信號(hào)，CNN訓(xùn)練集的樣本從1種衰落逐漸擴(kuò)充至5種衰落，但始終缺失m=1.3的信號(hào)樣本，ADN的并行級(jí)數(shù)也從1級(jí)逐漸擴(kuò)展到5級(jí)，這能展示ADN處理未知信號(hào)的能力和分集效應(yīng)的收益。值得注意的是本實(shí)驗(yàn)及下一個(gè)實(shí)驗(yàn)的ADN與CNN的網(wǎng)絡(luò)結(jié)構(gòu)是完全一樣的，不同之處僅在于ADN增加的部分，所使用的衰落因子m ∈{0.5, 0.6, 0.85, 1, 1.15,1.3} 。

其中，圖6(a)的訓(xùn)練集為高斯衰落樣本，檢測(cè)集包含M種信道衰落。圖6(b)的訓(xùn)練集在M=1時(shí)是瑞利衰落樣本，檢測(cè)集包含6種信道衰落。觀察曲線發(fā)現(xiàn)隨著檢測(cè)集衰落類型的增加，CNN的SER逐漸上升，這是因?yàn)闄z測(cè)集包含越來越多的未知信道分布。圖6(a)表明ADN有良好的魯棒性，這得益于遷移學(xué)習(xí)的成果。在M=1時(shí)ADN的SER高于CNN，這是因?yàn)榇藭r(shí)離線與線上信道同分布，信道判別器反而會(huì)造成額外的偏差。圖6(b)表明融合訓(xùn)練并不是對(duì)信道分布覆蓋越全面越好，受制于網(wǎng)絡(luò)本身的泛化能力和信噪比，SER呈現(xiàn)先降低后升高的趨勢(shì)。隨著信道離散數(shù)和網(wǎng)絡(luò)并行數(shù)的同步增加，ADN可以獲得更多的信道間差異信息，這種分集效應(yīng)帶來的好處是SER逐漸下降。

實(shí)驗(yàn)3 ADN的線上檢測(cè)性能。為了測(cè)試ADN的性能，本文將其與線性最小均方誤差(Linear Minimum Mean Square Error, LMMSE)、最佳接收機(jī)和同網(wǎng)絡(luò)結(jié)構(gòu)的CNN，如圖3，進(jìn)行比較。實(shí)驗(yàn)信號(hào)為QPSK和4-QAM，檢測(cè)集包含6種衰落，衰落因子m ∈{0.5,0.6,0.85,1,1.15,1.30}，CNN的離線訓(xùn)練集包含前3種衰落樣本；ADN為M級(jí)并聯(lián)結(jié)構(gòu)，M ∈{2,4,6}，即將整個(gè)線上信道切分離散化為M個(gè)，同時(shí)離線訓(xùn)練集分別包含前M種衰落樣本。

圖7是關(guān)于M級(jí)并聯(lián)ADN的線上檢測(cè)SER對(duì)比，接收信號(hào)是4-QAM和QPSK，信噪比為3 dB。其展示了在低信噪比時(shí)的分集效應(yīng)。其中SER的下降得益于信道判別器的工作和遞增的信道離散數(shù)M，因?yàn)槿绻鸐增大，ADN就可以獲得更多有利于信號(hào)檢測(cè)的信道知識(shí)。可以發(fā)現(xiàn)當(dāng)信噪比較大時(shí)，分集效應(yīng)減弱，具體表現(xiàn)在隨著M增大，SER沒有明顯的改善。這是由于來自不同衰落的信號(hào)本身的抗衰落能力變強(qiáng)，信道間差異也變小，同時(shí)也與信道判別器的判別能力有關(guān)。

圖7 ADN的分集效應(yīng)對(duì)比

圖8、圖9是關(guān)于線上檢測(cè)性能的測(cè)試，衰落信道數(shù)M依次為2, 4, 6。其展現(xiàn)了ADN在低信噪比下的優(yōu)秀遷移能力，這是未使用自適應(yīng)方法的CNN無法達(dá)到的泛化水平。觀察曲線看到在大信噪比時(shí)CNN的SER反超ADN，這是因?yàn)樾诺琅袆e器造成的額外偏差的影響，所以設(shè)計(jì)一個(gè)高靈敏的信道判別器是本文方法之關(guān)鍵。同時(shí)構(gòu)建一個(gè)優(yōu)秀的特征提取網(wǎng)絡(luò)可以縮小與最佳接收的差距，本文使用的是一個(gè)輕量的CNN。在低信噪比條件下的性能排序是：CNN低于等于LMMSE低于ADN低于最佳接收；大信噪比條件下的性能排序是：LMMSE低于ADN低于CNN低于最佳接收。

圖8 所提自適應(yīng)方法(ADN)對(duì)CNN的改善

圖9 不同方法的線上檢測(cè)性能對(duì)比

5 結(jié)論

通過研究衰落變化的礦井無線信道下的信號(hào)檢測(cè)問題，本文提出一個(gè)基于遷移學(xué)習(xí)的并行自適應(yīng)檢測(cè)網(wǎng)絡(luò)(ADN)。它由常規(guī)的深度檢測(cè)網(wǎng)絡(luò)和信道判別器組成，通過一個(gè)特殊的遷移損失函數(shù)優(yōu)化參數(shù)，同時(shí)用并行網(wǎng)絡(luò)對(duì)動(dòng)態(tài)信道離散化，這使網(wǎng)絡(luò)獲得分集效益并且改善線上檢測(cè)能力。特別是在面對(duì)復(fù)雜多變的大型無線環(huán)境時(shí)，傳統(tǒng)的基于DL的檢測(cè)器需要重新訓(xùn)練以應(yīng)對(duì)變化的衰落分布。ADN增加的信道判別器和動(dòng)態(tài)信道離散化策略，使深度網(wǎng)絡(luò)以自適應(yīng)的方式實(shí)時(shí)保證良好的檢測(cè)性能和魯棒性。

實(shí)驗(yàn)使用QPSK和4-QAM信號(hào)，以衰落可變的Nakagami-m信道驗(yàn)證了在大信噪比時(shí)，ADN的線上檢測(cè)誤符號(hào)率接近CNN；低信噪比時(shí)，CNN的性能嚴(yán)重下降而被ADN超越，并且隨著離散數(shù)增加，ADN性能逐漸提高。這表明ADN能幫助網(wǎng)絡(luò)適應(yīng)動(dòng)態(tài)的信道環(huán)境，從而表現(xiàn)出更好的檢測(cè)性能和魯棒性。此外，這展示出遷移學(xué)習(xí)在處理大型復(fù)雜無線通信的實(shí)際意義，對(duì)于智能信息處理有重要的研究?jī)r(jià)值。