任淑婷,郭黎利

(1.中國人民解放軍91469部隊,北京100841;2.哈爾濱工程大學信息與通信工程學院,黑龍江哈爾濱150086)

基于云神經(jīng)網(wǎng)絡的短波通信效能評估

任淑婷1,2,郭黎利2

(1.中國人民解放軍91469部隊,北京100841;2.哈爾濱工程大學信息與通信工程學院,黑龍江哈爾濱150086)

對短波信道進行效能評估有助于選擇合適的通信鏈路以提高通信質(zhì)量。利用云理論處理模糊性和隨機性等不確定性問題的優(yōu)勢,并結(jié)合人工神經(jīng)網(wǎng)絡可以很好地逼近一個具有復雜非線性輸入與輸出關系的未知效能模型的特點,我們采用云神經(jīng)網(wǎng)絡進行短波信道通信效能的評估。同時,我們加入了η學習率和α動量因子以避免局部最小值、收斂速度慢以及發(fā)生震蕩等問題。實驗結(jié)果表明,采用云神經(jīng)網(wǎng)絡進行短波通信效能評估,可以完全基于短波通信的歷史數(shù)據(jù)勿須添加人為主觀因素得到客觀的評估結(jié)果,并可根據(jù)需要靈活地調(diào)整云神經(jīng)網(wǎng)絡的輸入進行短波通信效能評估,使得評估結(jié)果更加準確。

短波通信 效能評估 云神經(jīng)網(wǎng)絡

0 引 言

短波通信的特點是路徑損耗、時延散布、噪聲和干擾等都隨季節(jié)、晝夜以及通信的設備、頻率、地點的變化而不斷變化[1]。對短波信道進行效能評估,為合理地配置短波信道參數(shù),提高通信質(zhì)量提供依據(jù)。

效能評估方法發(fā)展到今天,主要有四類傳統(tǒng)方法:解析法、統(tǒng)計法、作戰(zhàn)模擬方法、多指標綜合評估方法。解析法根據(jù)描述效能指標與給定條件之間函數(shù)關系的解析表達式來計算效能指標值,這種方法考慮因素少,且有嚴格的條件限制,而且解析法公式本身也不容易得到。統(tǒng)計法應用數(shù)理統(tǒng)計方法,依據(jù)實戰(zhàn)、演習、試驗獲得的大量統(tǒng)計資料來評估系統(tǒng)效能。作戰(zhàn)模擬方法的優(yōu)點是能較為詳細地考慮影響實際作戰(zhàn)過程的諸多因素,特別適合于武器系統(tǒng)效能指標的預測評估。常用的多指標綜合評估方法有層次分析法、ADC法、模糊評估法等[2-3],主要針對復雜的系統(tǒng),其效能呈現(xiàn)出較為復雜的層次結(jié)構,優(yōu)點是使用簡單,評估范圍廣,適用性強;缺點是受人的主觀因素影響較大。

1 云模型及基于云的效能評估

1.1 基于云理論的效能評估方法

李德毅院士首創(chuàng)的云模型是在隨機數(shù)學和模糊數(shù)學的基礎上,用自然語言描述的某個定性概念A與其數(shù)值表示之間的不確定性轉(zhuǎn)換模型。它主要反映客觀世界中事務或人類知識中概念的兩種不確定性:模糊性(邊界的亦此亦彼性)和隨機性(發(fā)生的概率),把模糊性和隨機性完全集成在一起,構成定性和定量相互間的映射,可充分顧及由隨機性和模糊性引起的不確定性[4]。

傳統(tǒng)的效能評估一般采用定性評估方法,對于精確的定量評估尚缺少有效的方法。近些年人們開始將云理論應用到效能評估方法中:

利用云重心法進行效能評估:文獻[5-6]中,提出了相應的效能評價指標體系,建立了各指標的云模型及其多維加權綜合云的重心表示,應用云重心評價方法給出系統(tǒng)的效能評估值,解決了效能評估中定性語言到定量的轉(zhuǎn)化問題。

基于云模型的效能綜合評估方法:文獻[7]提出了一種基于云模型的效能綜合評估方法,運用云模型刻畫定性指標,把不確定的評語映射為可細微變化的不同云滴,把各因素權重的變化映射為可修正的云的數(shù)學期望,綜合評估系統(tǒng)的效能。

2 基于云神經(jīng)網(wǎng)絡的短波通信效能評估方法研究

2.1 利用云神經(jīng)網(wǎng)絡進行短波信道效能評估

短波通信系統(tǒng)的影響因素(通信的日期時間、通信地點、通信設備、通信頻率、環(huán)境參數(shù)等)本身存在著采集的不確定性,因此對短波信道效能的影響也有不確定性。云模型理論是以研究定性定量間的不確定性轉(zhuǎn)換為基礎的系統(tǒng)處理不確定性問題的一種新理論[8]。因此,使用云模型來表示短波通信的各項影響因素,可以很好的刻畫表述其中的不確定性,有利于得到更為準確的結(jié)果。

人工神經(jīng)網(wǎng)絡具有聯(lián)想、自組織和很強的容錯能力,同時網(wǎng)絡中的神經(jīng)元之間的傳輸函數(shù)是一個非線性函數(shù),通過輸入層、隱含層和輸出層之間的非線性復合作用,可以很好地逼近一個具有復雜非線性輸入與輸出關系的未知效能模型。

將云模型與神經(jīng)網(wǎng)絡相結(jié)合,不但具有神經(jīng)網(wǎng)絡的學習能力,而目結(jié)合了云理論處理不確定性知識的能力,更適用于復雜的短波信道效能評估。

2.2 云神經(jīng)網(wǎng)絡的建立

云神經(jīng)網(wǎng)絡是結(jié)合了云模型在刻劃事物不確定性與神經(jīng)網(wǎng)絡在數(shù)據(jù)處理方面的非線性逼近能力而產(chǎn)生的[9]。最早的云神經(jīng)網(wǎng)絡是由上海交通大學田永青在文獻[10]中提出的。文獻[10]中提出了一種引入了簡化的TS云模型控制器的云神經(jīng)網(wǎng)絡的決策樹生成方法。該神經(jīng)網(wǎng)絡不僅包括了求和和乘積神經(jīng)元,而且包括了能做基本的模糊操作的模糊神經(jīng)元,其基本結(jié)構如圖1所示。

圖1 云神經(jīng)網(wǎng)絡的基本結(jié)構Fig.1 Basic structure of the cloud neural network

但是該網(wǎng)絡是多輸入單輸出的,不便于工程應用,且并沒有給出云模型的數(shù)字特征的確定方法。

文獻[9,11]建立了m輸入n輸出的五層云神經(jīng)網(wǎng)絡結(jié)構,包括:輸入層、云化層、隱含層、逆云化層、輸出層。文獻[8,12]針對在數(shù)據(jù)邊界硬性劃分中掩蓋了數(shù)據(jù)的不確定性的問題進行了改進,建立了另外一種云神經(jīng)網(wǎng)絡模型。該網(wǎng)絡利用了BP神經(jīng)網(wǎng)絡的學習能力,同時采用黃金分割模型對云模型的數(shù)字特征進行計算,生成了相應的云模型,在不影響數(shù)據(jù)模糊性和隨機性的基礎上,將數(shù)據(jù)轉(zhuǎn)化為規(guī)則。文中將在基于文獻[8,12]網(wǎng)絡的基礎上設計合適的云神經(jīng)網(wǎng)絡。

云神經(jīng)網(wǎng)絡建立如圖2所示。

圖2 云神經(jīng)網(wǎng)絡Fig.2 Cloud neural network

本云神經(jīng)網(wǎng)絡共分為六層,即輸入層,云化層,軟與層,標準化層,隱含層,輸出層。

2.3 云模型數(shù)字特征的確定

云模型數(shù)字特征的確定有兩種方法:黃金分割法和云變換方法。云變換是將一個任意不規(guī)則的數(shù)據(jù)分布根據(jù)某種規(guī)律進行數(shù)學變換,使之成為若干個大小不同云的疊加,疊加的云越多誤差越小?？梢姴捎迷谱儞Q的方法提取數(shù)字特征可以更好地適應數(shù)據(jù)的分布特性。

黃金分割法則有些理想化,但是針對實驗數(shù)據(jù)不夠豐富的情況,則適合采用黃金分割模型對云模型的數(shù)字特征進行計算。其方法如下:

設云模型的3個數(shù)字特征為(Ex,En,He)。將輸入指標屬性劃分為奇數(shù)個語言值,越靠近論域中心的其覆蓋范圍越小。對于相鄰的語言值,離中心較近的語言值的熵和超熵是較遠的0.618倍[12]。將每個輸入指標屬性分為5個語言值,分別為小、較小、正常、較大、大。

2.4 云神經(jīng)網(wǎng)絡的學習算法

根據(jù)誤差反向傳播算法的思想,我們采用梯度下降算法進行云神經(jīng)網(wǎng)絡的訓練。同時,為了避免傳統(tǒng)的學習算法容易出現(xiàn)的局部最小值、收斂速度慢以及發(fā)生震蕩等問題,這里加入了η學習率和α動量因子。其學習過程如下:

2)誤差的反向傳播:先計算出輸出誤差,再根據(jù)輸出誤差逐層調(diào)整各層權值,使誤差減小,直至誤差到達目標誤差為止。這里引入η學習率和α動量因子,且0＜α＜1[13],用來控制相鄰神經(jīng)元的權值修改方式,以及輸出層和隱含層的閾值。

合理選取動量因子,對網(wǎng)絡訓練至關重要,若動量因子太小,加入動量項的效果不明顯,而過于接近1,則會使算法不穩(wěn)定,因此我們使用自適應動量因子。

我們希望達到的效果為:在誤差曲面的平坦部分,增大動量因子,可使權值更新向量Wim(k)-Wim(k-1)獲得較大的沖量,有助于權值逃離誤差曲面的平坦區(qū)域,從而加速算法收斂。而在誤差曲面的陡峭部分,減小動量因子可以避免算法出現(xiàn)不穩(wěn)定。因此,動量因子為根據(jù)“誤差關于權值向量的梯度大小”自適應調(diào)節(jié)的數(shù)值,即:

其中,λ為固定數(shù)值,‖▽WEk‖為誤差Ek關于權值向量W的梯度大小[14]。

2.5 總體技術方案

短波信道效能評估的主要目的是在進行了頻率優(yōu)選預測[15]的基礎上,利用知識數(shù)據(jù)庫對云神經(jīng)網(wǎng)絡進行訓練,采用人機交互的形式對確定了參數(shù)的短波信道進行效能評估的定量分析,具體的的技術方案如圖3所示。

圖3 總體技術方案Fig.3 Overall technical scheme

2.6 評估指標體系的確定

通信頻率、通信地點、通信設備、具體的通信日期時間以及接收端干擾都是影響短波通信效能的因素。具體效能評估指標體系如圖4所示。

對發(fā)電機整體在安裝彈性支撐為10kN/mm的彈性支撐時進行模態(tài)仿真分析，彈性支撐主要參數(shù)如表4和表5所示，前9階振動頻率如表6所示，其中前9階靜態(tài)剛度時振型如圖3所示(由于前9階振型一致只是頻率不一致，動態(tài)剛度振型圖在此省略)。

圖4 短波信道效能評估指標體系Fig.4 Evaluation index system of HF channel efficiency

2.7 實驗方案及結(jié)果分析

(1)實驗方案

本實驗的目的是利用云神經(jīng)網(wǎng)絡進行訓練和預測。

根據(jù)選擇好的年份、月份、天線形式以及發(fā)信方和收信方的站址名等條件,提取對應的上月實際通信數(shù)據(jù)作為樣本數(shù)據(jù)。采用其中的日期、時間、發(fā)射功率、接收信噪比、接收端干擾程度、天線方向角以及通信頻率作為云神經(jīng)網(wǎng)絡的輸入指標。在不影響數(shù)據(jù)模糊性和隨機性的基礎上,將數(shù)據(jù)轉(zhuǎn)化為規(guī)則,并利用神經(jīng)網(wǎng)絡的學習能力,對本月指定日期時間、場站、設備、通信頻率等條件的通信信道進行效能檔位劃分。

云神經(jīng)網(wǎng)絡如前面所述,有很多的參數(shù),如,云的He參數(shù)、學習因子、動量因子中的λ值、預期誤差、最大步數(shù)等,這些參數(shù)對結(jié)果必然是有影響的。需要通過大量的實驗,總結(jié)出如何合理的調(diào)整云神經(jīng)網(wǎng)絡參數(shù)以便更快更好地得到預測評估結(jié)果。

云神經(jīng)網(wǎng)絡經(jīng)過樣本訓練后,得到權值和閾值。輸入指定的日期、時間和通信頻率進行效能評估預測,就可以在輸出層得到6個節(jié)點的輸出值y1,y2,…,y6。我們將其進行歸一化,然后根據(jù)式子得到預測評估的效能值:

(2)實驗結(jié)果分析

由于云神經(jīng)網(wǎng)絡的隨機性和模糊性,因此雖然是同樣的數(shù)據(jù)、同一次網(wǎng)絡訓練后的效能評估,每次評估預測的結(jié)果都會有細微的隨機變化,但是可以看出,效能評估結(jié)果的總體趨勢并沒有變。

經(jīng)過多次的實驗,分析如下:

1)通過對比實驗,我們可以發(fā)現(xiàn),采用自適應動量因子的云神經(jīng)網(wǎng)絡可以比采用固定動量因子的云神經(jīng)網(wǎng)絡更好更快地達到收斂。一般自適應動量因子中的λ取值為0.1～0.01之間時,收斂速度都能比采用固定動量因子的網(wǎng)絡快幾倍,λ越小,收斂速度越快。

2)學習因子和動量因子中λ值的選擇。由于此云神經(jīng)網(wǎng)絡要經(jīng)過兩層權值調(diào)整,分別為W和V,所以共有兩個學習因子分別對應為a和b。通過多次實驗發(fā)現(xiàn),針對不同的訓練樣本,學習因子a、b和動量因子中λ值的合理取值有利于網(wǎng)絡的快速收斂,甚至有時不合適的學習因子和λ值會造成網(wǎng)絡的不收斂。另外,當學習因子a和b固定的時候,λ越小,收斂速度越快。

3 結(jié) 語

研究表明,采用云神經(jīng)網(wǎng)絡進行短波通信效能評估,具有以下三個特點:

1)客觀性。采用該方法可以基于短波通信的歷史數(shù)據(jù)得到通信效能評估結(jié)果,降低了傳統(tǒng)評估方法中依賴人為因素導致的評估指標權重分配不合理等負面影響,由學習算法自動訓練形成的云神經(jīng)網(wǎng)絡參數(shù)能夠更加客觀地體現(xiàn)出數(shù)據(jù)之間內(nèi)在規(guī)律性,從而產(chǎn)生更加客觀的評估結(jié)果。

2)契合性。影響短波通信頻率的諸多因素以及所采集到的相應的數(shù)據(jù),具有模糊性和不確定性的特點。云神經(jīng)網(wǎng)絡中的熵和超熵等恰好可以刻畫出這些模糊性和不確定性,從而使得影響因素的模糊性和不確定性變得可表示、可分析、可計算。云神經(jīng)網(wǎng)絡既能處理線性問題,也能處理非線性問題。在短波信道效能評估指標中,部分指標與評估結(jié)果呈線性關系,部分指標呈非線性關系,云神經(jīng)網(wǎng)絡對此均能進行有效處理。云神經(jīng)網(wǎng)絡的技術特點與短波信道效能評估的需求契合度非常高。

3)靈活性。云神經(jīng)網(wǎng)絡可以靈活地配置輸入端數(shù)量。增減輸入端數(shù)量就相當于增減評估指標個數(shù),從而靈活地調(diào)整評估結(jié)果的精確程度。隨著對通信影響因素研究的日漸深入以及所采集到的通信數(shù)據(jù)日漸豐富,可根據(jù)需要靈活地調(diào)整云神經(jīng)網(wǎng)絡的輸入進行短波信道效能評估,使得評估結(jié)果更加準確。

[1] 沈琪琪,朱德生.短波通信[M].西安:西安電子科技大學出版社,1989:5.

SHEN Qi-qi,ZHU De-sheng,Short Wave Communication[M].Xi-an:Xi′an Electronic and Science University press,1989:5.

[2] 楊海濤.星座衛(wèi)星通信系統(tǒng)效能評估方法研究[D].長沙:國防科學技術大學,2007.

YANG Hai-tao,Research on Methods of Constellation Satellite Communication System Effectiveness Evaluation, Changsha,National University of Defence Technology, 2007:12-32.

[3] 董尤心,張杰.效能評估方法研究[M].長沙:國防工業(yè)出版社,2009:65.

DONG You-xin,ZHANG Jie,Research on the Effectiveness Evaluation Method[M].Changsha:National Defence Industry Press,2009:65.

[4] 李德仁,王樹良,李德毅.空間數(shù)據(jù)挖掘理論與應用[M].北京:科學出版社.2006:328.

LI De-ren,WANG Shu-liang,LI De-yi.Spatial Data Mining Theories and Applications[M].Beijing:The Science Press,2006:328.

[5] 李洪峰,馮傳茂,楊和梅,等.基于云理論的炮兵作戰(zhàn)指揮穩(wěn)定性評估[J].武器裝備自動化,2007, 26(07):5-7.

LI Hong-feng,FENG Chuan-mao,YANG He-mei,et al.Stability Evaluation of Artillery Campaign Command based on Cloud Theory[J].Armament Automation, 2007,26(07):5-7.

[6] 鄧堃,吳靜,柳世考.基于云理論的雷達組網(wǎng)作戰(zhàn)效能評估[J].火力與指揮控制,2007,32(11):93-84.

DENG Kun,WU jing,LIU Shi-kao.Study of Operational Effectiveness Evaluation for Radar Networking based on Cloud Theory[J].Fire Control and Command Control, 2007,32(11):93-84.

[7] 范定國,賀碩,段富,等.一種基于云模型的綜合評判模型[J].科技情報開發(fā)與經(jīng)濟,2003,13(12):157-159.

FAN Ding-guo,HE Shuo,DUAN Fu,et al.A Comprehensive Evaluation Modelbased on Cloud Model[J].SCI/ TECH INFORMATION DEVELOPMENT&ECONOMY, 2003,13(12):157-159.

[8] 李政.基于元數(shù)據(jù)及云神經(jīng)網(wǎng)絡的數(shù)據(jù)管理分類研究[D].大連:大連理工大學,2008:15-21.

LI Zheng.Research of Data Management and Classification based on Metadata and Cloud-Neural Network[D]. Dalian University of Technology,2008:15-21.

[9] 徐宗本,樊忠澤.基于云神經(jīng)網(wǎng)絡的空間推進系統(tǒng)故障檢測與診斷[J].兵工學報,2009,30(06):727-732.

XU Zong-ben,FAN Zhong-ze.Cloud Neural Networkbased Fault Detection and Diagnosis of Space Propulsion System[J].ACTA ARMAMENT ARI I,2009,30(06): 727-732.

[10] 田永青,杜國寧,李志,等.基于云理論神經(jīng)網(wǎng)絡決策樹的生成算法[J].上海交通大學學報,2003, 37(S1):113-117.

TIAN Yong-qing,DU Guo-ning,LI Zhi,et al.Induction of Decision Trees based on a Cloud Model Neural Network[J].JOURNAL OF SHANGHAI JIAOTONG UNIVERSITY,2003,37(S1):113-117.

[11] 黃強,吳建軍.基于云神經(jīng)網(wǎng)絡的液體火箭發(fā)動機故障檢測方法[J].國防科技大學學報,2010, 32(01):11-15.

HUANG Qiang,WU Jian-jun.Fault Detection Method based on Cloud-Neural Network of Liquid-Propellant Rocket Engine[J].JOURNAL OF NATIONAL UNIVERSITYOFDEFENSETECHNOLOGY,2010, 32(01):11-15.

[12] 韓敏,李政.基于云神經(jīng)網(wǎng)絡的多屬性模糊規(guī)則分類[J].控制與決策,2009,24(06):933-936.

HAN Min,LI Zheng.Multi-Attribute Fuzzy Rules Classification based on Cloud-Neural network[J].Control and Decision,2009,24(06):933-936.

[13] 李智生,李釗.基于模糊神經(jīng)網(wǎng)絡的雷達對抗效能評估[J].無線電工程,2006,36(12):50-52.

LI Zhi-sheng,LI Zhao.Effectiveness Evaluation Model of ECM Equipment based on Fuzzy Neural Network[J]. Radio Engineering,2006,36(12):50-52.

[14] 張會生,吳微.一種具有自適應動量因子的BP算法[J].大連海事大學學報,2008,34(04):45-51.

ZHANG Hui-sheng,WU Wei.A Back Propagation Algorithm with Adaptive Momentum Factor[J].Journal of Dalian Maritime University,2008,34(04):45-51.

[15] 任淑婷,郭黎利.基于模糊小波神經(jīng)網(wǎng)絡的短波頻率預測[J].通信技術,2011,44(04):37-39.

REN Shu-ting,GUO Li-li,A Prediction Method For HF Radio Communication Frequency based on FWNN[J]. Communications Technology,2011,44(04):37-39.

REN Shu-ting(1971-),female,Ph.D., majoring in communication technology,computer application technology.

郭黎利(1955—),男,教授,主要研究方向為現(xiàn)代通信系統(tǒng)理論與技術、通信信號處理。

GUO Li-li(1955-),male,professor,mainly engaged in theory and technology on modern communication,communication signal processing

An Evaluation Method based on Cloud Neural Network for HF Communication Effectiveness

REN Shu-ting1,2,GUO Li-li2
(1.PLA Unit 91469,Beijing 100841,China;2.School of Information and Communication Engineering, Harbin Engineering University,Harbin Heilongjiang 150086,China)

The effectiveness evaluation of HF channel could contribute to selecting the appropriate communication links and improving the communication quality.According to the advantages of uncertainties,such as the randomness and fuzziness of cloud theory,and in combination with the feature that artificial neural network could be approximate to a unknown efficiency model of complex nonlinear relationship between input and output,cloud neural network is adopted to evaluate the effectiveness of HF communication channel. Meanwhile the eta and alpha momentum factors are added to avoid local minimum,low-speed convergence and oscillation problems.Experimental result indicates that based on history data,the efficiency evaluation of HF channel with cloud neural network could achieve objective result without adding any artificial subjective factors,and the input of cloud neural network could be flexibly adjusted in accordance with the requirement of HF communication effectiveness evaluation,thus to achieve more accurate evaluation result.

effectiveness evaluate,HF communication,cloud neural network

TN92

A

1002-0802(2014)02-0195-05

10.3969/j.issn.1002-0802.2014.02.015

任淑婷(1971—),女,博士,主要研究方向為通信技術,計算機應用;