LDACS系統基于循環譜和殘差神經網絡的頻譜感知方法

摘 要：

針對L波段數字航空通信系統（L-band digital aeronautic communication system， LDACS）可用頻譜資源有限且易受大功率測距儀（distance measuring equipment， DME）信號干擾的問題，提出一種基于降維循環譜和殘差神經網絡的頻譜感知方法。首先理論推導分析了DME信號的循環譜特征;然后利用Fisher判別率（Fisher discriminant rate， FDR）提取循環頻率能量最大的向量，通過主成分分析（principal component analysis， PCA）進行預處理特征增強;最后給出數據處理后的循環譜向量與卷積神經網絡相結合的實現過程，實現了DME信號的有效檢測。仿真結果表明，該方法對噪聲不敏感，當信噪比不低于-15 dB時，平均檢測概率大于90％。當信噪比不低于-14 dB，檢測概率接近100％。

關鍵詞：

L波段數字航空通信系統; 測距儀; 頻譜感知; 循環譜; 殘差神經網絡

中圖分類號：

TN 925

文獻標志碼： A""" DOI：10.12305/j.issn.1001-506X.2024.09.34

Spectrum sensing method based on cyclic spectrum and residual neural

network in LDACS system

WANG Lei*， ZHANG Jin， YE Qiuxuan

（Key Laboratory of Civil Aviation Flight Wide Area Surveillance and Security Control Technology，

Civil Aviation University of China， Tianjin 300300， China）

Abstract：

To solve the problem that the available spectrum resources of L-band digital aeronautic communication system （LDACS） are limited and vulnerable to interference from high-power distance measuring equipment （DME） signals， a spectrum sensing method based on reduced dimension cyclic spectrum and residual neural network is proposed. Firstly， the cyclic spectrum characteristics of DME signal are analyzed theoretically. Then Fisher discriminant rate （FDR） is used to extract the vector with the highest cycle frequency energy， and the pre-processing features are enhanced by principal component analysis （PCA）. Finally， the process of combining the cyclic spectral vector and convolutional neural network after data processing is given， and the effective detection of DME signal is achieved. Simulation results show that the method is not sensitive to noise， and the average detection probability is greater than 90% when the signal-to-noise ratio is no less than -15 dB. When the signal-to-noise ratio is not less than -14 dB， the detection probability is close to 100%.

Keywords：

L-band digital aeronautic communication system （LDACS）; distance measuring equipment （DME）; spectrum sensing; cyclic spectrum; residual neural network

0 引 言

L波段數字航空通信系統（L-band digital aeronautic communication system， LDACS）是基于正交頻分復用（orthogonal frequency division muleiplexing， OFDM）技術的寬帶航空通信系統，是民航未來新一代空中交通管理依賴的通信系統之一［1］。由于L波段頻譜資源匱乏，LDACS系統將以內嵌方式部署于測距儀（distance measuring equipment， DME）［2］的波道間，這種部署方式使得LDACS信號與DME信號存在部分頻譜重疊，可用帶寬有限，無法滿足未來高速率和高可靠性航空通信的需求。認知無線電（cognitive radio， CR）技術通過感知和檢測授權頻段中未被利用的“頻譜空洞”，使得認知用戶能夠實時地、動態地占用這些未被使用的頻譜資源，以提高頻譜的利用效率。

近年來，一些學者將CR的思想引入LDACS系統中以拓展可用帶寬，同時提高L波段的頻譜利用效率。文獻［3］提出一種寬帶頻譜感知方法，其基于DME的頻域支撐集進行統計判決，通過潛在支撐集提高DME寬帶信號的感知成功率。文獻［4］提出一種在主信道共存情況下有效實現頻分復用的CR網絡，采用自適應閾值技術實現DME識別率和LDACS吞吐量最大化之間的最佳權衡，優化頻譜資源的利用效率。文獻［5］提出一種結合基線算法和基于循環神經網絡（recurrent neural network， RNN）的長短時記憶（long short-term memory， LSTM）網絡預測未來的DME訪問信道，較好地識別了空閑信道，但基線算法仍需改進。另外一些文獻介紹了基于OFDM的頻譜感知算法，文獻［6］提出一種在LDACS反向鏈路中使用無乘法器相關的頻譜感知算法，在低信噪比下優于傳統能量檢測算法，能耗低且有助于接收機同步;文獻［7］提出一種基于低復雜度循環平穩檢測的LDACS信道頻譜感知方法，利用基于插值和掩模的濾波器提取各個信道，仿真表明該方法具有適用性，且在較大信噪比范圍消除噪聲的不確定性。

深度學習能夠自動從數據中學習特征，如果將頻譜感知看作兩類分類問題，那么深度學習也可以應用到頻譜感知領域。文獻［8］和文獻［9］基于信號的協方差矩陣，對提取的特征使用卷積神經網絡（convolutional neural networks， CNN）算法;文獻［10］驗證了具有熵特征的CNN具有較好的性能;文獻［11］提出一種結合一維信號和二維圖像的神經網絡架構，相比單獨使用一維或二維網絡實現了更好的檢測性能;文獻［12］提出一種使用深度神經網絡（deep neural networks， DNN）架構訓練特征的監督學習檢測算法，驗證了多種DNN架構的良好性能;文獻［13］提出一種基于輪廓恒星圖像的網絡模型，將復值信號波形轉換為具有統計顯著性的圖像，可以傳遞更深層次的信號特征;利用信號同相正交（in-phase quadrature， IQ）分量的時空特征，分別提出基于卷積LSTM網絡的頻譜感知算法［14］、基于CNN-LSTM的雙流結構框架的感知算法［15］，以及基于CNN的反向串接IQ分量作為輸入的感知算法［16］;文獻［17］提出一種基于頻譜相關函數的CNN模型，該模型對具有循環平穩特性的信號具有泛用性。在實際場景中，用戶和干擾信號多且維度高，導致感知時間長。近年來，一些文獻針對該問題提出使用預處理、特征提取和分類模型的方案［18-19］，文獻［20］提出一種基于循環平穩特征主成分分析（principal component analysis， PCA）與極限梯度升級算法的頻譜感知算法，在低信噪比和低虛警率情況下，實現了較好的檢測性能;文獻［21］ 提出一種用于調制分類的CNN-transformer圖神經網絡，將時間序列數據轉換為圖結構，使用圖神經網絡進行分類;文獻［22］提出一種聯合自編碼器和CNN模型實現調制信號識別的算法，使用數據降維算法壓縮循環譜數據，通過CNN聯合訓練實現了不同調制信號的分類識別，提升了檢測性能，大幅縮短了訓練時間。

針對L波段授權用戶DME信號具有突發性和稀疏性的特點，本文將DME用戶視為主用戶，LDACS用戶為次級用戶，提出一種基于DME信號循環譜和殘差神經網絡的頻譜感知方法。感知識別出DME信號授權頻段的“頻譜空洞”，供LDACS用戶進行動態頻譜接入。在不影響主用戶DME系統的情況下，拓展LDACS系統的可用帶寬，實現高速率和高可靠性的數據傳輸。

1 DME系統信號模型

DME使用經典高斯脈沖對進行信號表達，其表達式如下：

3 仿真分析

3.1 仿真參數設置

根據民航相關技術規范，本文使用的LDACS系統仿真平臺主要參數如表1所示［28］，調制方式為正交相移鍵控（quadrature phase shift keying， QPSK）。

根據表1建立仿真環境，本次仿真共產生兩種經過標注的信號（DME信號加高斯白噪聲、僅有高斯白噪聲）。設置虛警概率分別為0.01、0.05以及0.1，每種信號的信噪比為-20～5 dB，對兩類信號做循環譜降維處理后，每1 dB間隔下產生5 000個數據，根據6∶2∶2的比例劃分為訓練集、驗證集和測試集。

實驗中，網絡結構由PyTorch深度學習框架搭建，樣本標簽采用one-hot編碼格式，采用隨機梯度下降算法Adam作為優化器。初始學習率為0.000 1，訓練中采取變更學習率策略，更新策略為每經過10個步長，做一次學習率下降，以0.1為縮小倍數，有助于訓練精度的提升。

3.2 性能分析

DME信號為主用戶，OFDM信號為次級用戶，高斯白噪聲信道下，本文方法與自適應閾值能量檢測、循環平穩特征檢測等傳統頻譜感知方法進行對比，仿真結果如圖5所示;本文方法與DenseNet-121［29］、VGG（visual geometry group）-19［30］和基于頻域特征的CNN-LSTM［15］等深度學習方法進行對比，仿真結果如圖6所示。

圖5顯示了AWGN信道下本文方法與兩種傳統頻譜感知方法的性能對比。仿真曲線觀測表明：在測試信噪比范圍內，當信噪比不小于-6 dB時，3種算法的識別率均為100%;當信噪比不小于-15 dB時，本文算法在虛警概率為0.1處仍能達到96%的識別率，且在信噪比為-14 dB時接近100％。同樣可以看出，隨著虛警概率的取值升高，3種算法均能實現更高的識別準確率。

圖6展示了在5 000個數據集下，虛警概率為0.1時的不同網絡深度學習方法的檢測性能曲線。仿真曲線表明：在測試信噪比范圍內，當信噪比不小于-12 dB時，4種方法的識別率均為100％;本文方法和采用DenseNet-121網絡的深度學習方法在較低信噪比（≤-15 dB）時的檢測性能接近。

ResNet-50、DenseNet-121、VGG-19和CNN-LSTM是不同類型的經典深度學習架構，在特定任務上各有優勢，選擇最適合的模型取決于具體任務的要求、數據集的特點以及計算資源的限制。CNN-LSTM卷積結構簡單，具有最優的訓練時間，但在時間序列上的計算效率低，得到的識別準確度較差。VGG-19采用深層結構的小尺寸卷積核和池化層，計算效率相對較快，但由于其深層結構和高參數量，在處理小規模數據集時面臨過擬合的風險。DenseNet-121通過密集連接促進了特征重用和梯度流動，實現了與ResNet-50相近的識別準確度，但密集鏈接的設計導致參數量相對較大，增加了模型的訓練時間。

本文使用的ResNet-50引入了殘差連接，允許網絡直接學習殘差函數，更好地促進了特征的重用，更加吻合循環譜數據集的訓練要求，也使得網絡學習的特征表示更加豐富。同時，由于其內部的殘差塊使用了跳躍連接，緩解了深度神經網絡中增加層數而導致的梯度消失問題，網絡的準確度也由此得到提升。

為進一步分析圖6所示4種方法的性能，又測試了每種方法的時間開銷和檢測準確度。設信噪比為-15 dB，虛警概率為0.1，不同網絡的訓練時間、測試時間以及檢測概率如表2所示。可以看出，DenseNet-121在3個方面的性能均略低于本文所使用的ResNet-50網絡;VGG-19獲得的結果稍差，但時間成本低于前兩種網絡;CNN-LSTM獲得的結果相對較差，但由于神經元數量明顯較少，導致計算時間最短。

圖7為信噪比為-15 dB時不同算法的受試者工作特征（receiver operating characteristic， ROC）曲線對比。橫縱坐標的變化表現了分類器在不同閾值下的表現。分類器性能越好，ROC曲線越接近左上角。可以看出，本文方法在整個閾值范圍內優于其他傳統算法，具有較好的感知性能。

接著，分析了訓練樣本數量對檢測性能的影響，在3種不同訓練樣本數量下，虛警概率同為0.1時，ResNet-50網絡對DME信號感知的性能比較，如圖8所示。可以看出，隨著訓練數據增加，頻譜感知算法的檢測概率逐漸增加，樣本為6 000時的檢測性能略高于5 000時的樣本，相對應的訓練時長也增加。因此，本文中使用的訓練樣本數量為5 000。

圖9展示了虛警概率為0.1時，未進行PCA降維處理的方法與本文方法對比。由圖9可看出，未使用PCA的算法在信噪比為-13 dB處檢測概率到達100％，明顯低于PCA處理后的感知性能。并且，在訓練過程和感知信號階段中，未進行數據處理的方法所需的時間也遠超過PCA處理后的方法。

4 結論

本文根據DME信號的循環平穩特性構造了循環譜函數矩陣，為了減小計算復雜度，并提高檢測效率，提出一種針對DME信號的循環譜特征和深度學習結合的頻譜感知算法。該方法對矩陣數據進行PCA降維處理后，放入殘差神經網絡中進行訓練和識別分類，訓練時間相比未經過數據處理的算法大幅縮減。仿真結果表明，在同樣對信號數據預處理后，本文算法性能優于VGG-19，略優于DenseNet-121和CNN-LSTM;在低信噪比情況下，本文所提方法的檢測概率優于自適應能量檢測、循環平穩特征檢測等傳統頻譜感知算法，且隨著數據集樣本數量的增加，該方法的檢測性能也會有相應提升。

參考文獻

［1］ MAURER N， GRAUPL T， BELLIDO-MANGANELL M A， et al. Flight trial demonstration of secure GBAS via the L-band digital aeronautical communications system （LDACS）［J］. IEEE Aerospace and Electronic Systems Magazine， 2021， 36（4）： 8-17.

［2］ NEJI N， LACERDA R D， AZOULAY A， et al. Survey on the future aeronautical communication system and its development for continental communications［J］. IEEE Trans.on Vehicular Technology， 2013， 62（1）： 182-191.

［3］ 洪觀. 基于壓縮感知的L-DACS1寬帶頻譜感知算法研究［D］. 重慶： 重慶大學， 2017.

HONG G. Study on broadband spectrum sensing algorithm based on compressed sensing of L-DACS1［D］. Chongqing： Chongqing University， 2017.

［4］ ABD-ELATY E， ZEKRY A， EL-AGOOZ S， et al. Cognitive radio techniques for utilizing the primary L-band distance mea-suring equipment for aeronautical communications［J］. IEEE Access， 2020， 8： 124812-124823.

［5］ KOPYTO D， LINDNER S， SCHULZ L， et al. Deep learning-based dynamic spectrum access for coexistence of aeronautical communication systems［C］∥Proc.of the IEEE 96th Vehicular Technology Conference， 2022.

［6］ SHREEJITH S， MATHEW L K， PRASAD V A， et al. Efficient spectrum sensing for aeronautical LDACS using low-power correlators［J］. IEEE Trans.on Very Large Scale Integration （VLSI） Systems， 2018， 26（6）： 1183-1191.

［7］ MATHEW L K， VINOD A P， MADHUKUMAR A S. A cyclic prefix assisted spectrum sensing method for aeronautical communication systems［C］∥Proc.of the IEEE International Symposium on Circuits and Systems， 2019.

［8］ XIE J D， FANG J， LIU C， et al. Deep learning-based spectrum sensing in cognitive radio： a CNN-LSTM approach［J］. IEEE Communications Letters， 2020， 24（10）： 2196-2200.

［9］ LIU C， WANG J， LIU X M， et al. Deep CM-CNN for spectrum sensing in cognitive radio［J］. IEEE Journal on Selected Areas in Communications， 2019， 37（10）： 2306-2321.

［10］ SSKI K， LEDZINSKI D. ECG signal classification using deep learning techniques based on the PTB-XL dataset［J］. Entropy， 2021， 23（9）： 1121.

［11］ SINDI H， NOUR M， RAWA M， et al. A novel hybrid deep learning approach including combination of 1D power signals and 2D signal images for power quality disturbance classification［J］. Expert Systems with Applications， 2021， 174： 114785.

［12］ SHAH P K， SULTANE D， SINGH P. Spectrum sensing mechanism for congnitive radio using deep learning［C］∥Proc.of the International Conference on Artificial Intelligence in Information and Communication， 2023.

［13］ LIN Y， TUYA T， DOU Z， et al. Contour stella image and deep learning for signal recognition in the physical layer［J］. IEEE Trans.on Cognitive Communications and Networking， 2021， 7（1）： 34-46.

［14］ WANG Q， SU B， WANG C X， et al. ConvLSTM based spectrum sensing at very low SNR［J］. IEEE Wireless Communications Letters， 2023， 12（6）： 967-971.

［15］ ZHANG Z F， LUO H， WANG C， et al. Automatic modulation classification using CNN-LSTM based dual-stream structure［J］. IEEE Trans.on Vehicular Technology， 2020， 69（11）： 3521-13531.

［16］ KIM S H， KIM J W， NWADIUGWU W P， et al. Deep learning-based robust automatic modulation classification for cognitive radio networks［J］. IEEE Access， 2021， 9： 92386-92393.

［17］ TEKBIYIK K， AKBUNAR O， EKTI A R， et al. Spectrum sensing and signal identification with deep learning based on spectral correlation function［J］. IEEE Trans.on Vehicular Technology， 2021， 70（10）： 10514-10527.

［18］ RAZA A， MEHMOOD A， ULLAH S， et al. Heartbeat sound signal classification using deep learning［J］. Sensors， 2019， 19（21）： 4819.

［19］ ALTAHERI H， MUHAMMAD G， ALSULAIMAN M， et al. Deep learning techniques for classification of electroencephalogram （EEG） motor imagery （MI） signals： a review［J］. Neural Computing and Applications， 2023， 35： 14681-14722.

［20］ 束學淵， 汪立新. 聯合循環平穩特征PCA與XGBoost的頻譜感知［J］. 計算機應用與軟件， 2020， 37（4）： 114-118， 126.

SHU X Y， WANG L X. Spectrum sensing by combining cyclostationary features PCA with XGBoost［J］. Computer Applications and Software， 2020， 37（4）： 114-118， 126.

［21］ WANG D， LIN M Y， ZHANG X X， et al. Automatic modulation classification based on CNN-Transformer graph neural network［J］. Sensors， 2023， 23（16）： 7281.

［22］ 葛戰， 伍警， 李兵， 等. 基于循環譜和深度神經網絡的調制識別算法［J］. 無線電工程， 2022， 52（10）： 1718-1725.

GE Z， WU J， LI B， et al. Modulation recognition based on cyclic spectrum and deep neural network［J］. Radio Engineering， 2022， 52（10）： 1718-1725.

［23］ 李冬霞， 李思， 劉海濤. 載波偏置測距儀信號的循環平穩特性［J］. 系統工程與電子技術， 2016， 38（8）： 1935-1938.

LI D X， LI S， LIU H T. Cyclostationarity of carrier offset distance measure equipment signals［J］. Systems Engineering and Electronics， 2016， 38（8）： 1935-1938.

［24］ 張賢達， 保錚. 非平穩信號分析與處理［M］. 北京： 國防工業出版社， 1998.

ZHANG X D， BAO Z. Analysis and processing of non-stationary signals［M］. Beijing： National Defence Industry Press， 1998.

［25］ GARDNER W A. Introduction to random process with application to signals and systems［M］. New York： Macmillan， 1989.

［26］ HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition［C］∥Proc.of the IEEE Conference on Computer Vision and Pattern Recognition， 2016.

［27］ 陳月， 張希， 艾文寶. 基于殘差神經網絡的頻譜感知算法［J］. 現代電子技術， 2022， 45（7）： 1-5.

CHEN Y， ZHANG X， AI W B. Spectrum sensing algorithm based on residual neural network［J］. Modern Electronic Technology， 2022， 45（7）： 1-5.

［28］ EUROPEAN UNION， EUROCONTROL. PJ.14-W2-60 TRL6 final LDACS A/G specification［EB/OL］. ［2023-07-08］. https：∥www.ldacs.com/wp-content/uploads/2023/03/SESAR2020_PJ14-W2-60_TRL6_D3_1_230_3rd_LDACS_AG_Specification_v1.0.0.pdf.

［29］ TAN P S， LIM K M， TAN C H， et al. Pre-trained DenseNet-121 with multilayer perceptron for acoustic event classification［J］. IAENG International Journal of Computer Science， 2023， 50（1）： 51-62.

［30］ FENG S， ZHAO L P， SHI H Y， et al. One-dimensional VGGNet for high-dimensional data［J］. Applied Soft Computing， 2023， 135： 1568-4946.

作者簡介

王 磊（1981—），女，副教授，博士，主要研究方向為航空通信、信號處理。

張 勁（1998—），男，碩士研究生，主要研究方向為航空通信、認知無線電。

葉秋炫（1999—），男，碩士研究生，主要研究方向為航空通信、認知無線電。