葉寧祁，官 晟，王鳳軍，丁軍航*，原明亭

（1.青島大學(xué) 自動化學(xué)院，山東 青島 266071；2.自然資源部第一海洋研究所，山東 青島 266061；3.自然資源部海洋環(huán)境科學(xué)與數(shù)值模擬重點(diǎn)實(shí)驗(yàn)室，山東 青島 266061；4.山東省海洋環(huán)境科學(xué)與數(shù)值模擬重點(diǎn)實(shí)驗(yàn)室，山東 青島 266061；5.青島海洋科學(xué)與技術(shù)試點(diǎn)國家實(shí)驗(yàn)室 區(qū)域海洋動力學(xué)與數(shù)值模擬功能實(shí)驗(yàn)室，山東 青島 266237）

銥星通信終端由于其全球覆蓋的特性，廣泛應(yīng)用于海洋科學(xué)研究與野外軍事作業(yè)[1-3]。由于作業(yè)環(huán)境的特殊性，銥星通信終端一般需要在自備能源的條件下進(jìn)行長期不間斷工作，故對能量的使用效率需求較高。另一方面，銥星信號的可靠性會直接影響銥星通信終端的通信性能。

銥星是早期發(fā)展起來的通信衛(wèi)星，已有眾多學(xué)者對銥星的通信信道[4]、信息傳輸速率[5]、機(jī)會信號定位[6]等做了多方面研究，但是由銥星通信終端所處環(huán)境造成的信號干擾研究較少。海洋環(huán)境下的銥星信號質(zhì)量干擾因素包括電離層干擾、雨衰、雪衰、日凌和星蝕，所以銥星信號質(zhì)量數(shù)據(jù)具有高度的復(fù)雜性及隨機(jī)性[7]。傳統(tǒng)銥星信號監(jiān)測方式是通過測取全天環(huán)境信號以判別干擾存在的時期，避免在干擾期向用戶端發(fā)送數(shù)據(jù)包。這種方法具有時效慢與能耗大的缺點(diǎn)，而采用分類預(yù)測方法可以很好地解決這兩類缺點(diǎn)。分類預(yù)測方法主要分為傳統(tǒng)統(tǒng)計學(xué)方法、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法三類。傳統(tǒng)統(tǒng)計學(xué)方法采用線性擬合預(yù)測趨勢，此類方法通常無法描述變量的隨機(jī)性和非線性關(guān)系；而深度學(xué)習(xí)方法用于數(shù)據(jù)樣本量較大的情況，模型收斂速度慢，網(wǎng)絡(luò)調(diào)參復(fù)雜，容易陷入局部特征的極小化[8]。機(jī)器學(xué)習(xí)算法的代表XGBoost既可用于銥星時序數(shù)據(jù)的回歸預(yù)測，也可用于分類預(yù)測，且模型參數(shù)少，收斂及預(yù)測速度快，對于實(shí)時性的銥星信號數(shù)據(jù)預(yù)測具有較高的適用性。

綜上所述，文中提出利用滑動窗口算法對信號質(zhì)量做移動平均整體評估。根據(jù)信號質(zhì)量的評估特性對數(shù)據(jù)做不同處理，之后采用兩種模型評價指標(biāo)，對模型效果進(jìn)行評價。0至5共6個類別同時看做是連續(xù)值，將信號質(zhì)量大于等于4判別為優(yōu)質(zhì)信號，信號質(zhì)量小于4判別為干擾，先使用XGBoost模型回歸預(yù)測，計算預(yù)測值和真實(shí)值之間的平均絕對值誤差（Mean Absolute Error,MAE）作為預(yù)測偏差的參考。然后使用綜合分類模型評價指標(biāo)接收者操作特征曲線（Receiver Operating Characteristic curve，ROC）和混淆矩陣來衡量模型效果，計算預(yù)測模型的準(zhǔn)確率、精準(zhǔn)率和召回率?；谝陨涎芯拷Y(jié)果給出合理的信號采集預(yù)測及數(shù)據(jù)發(fā)送控制方案，實(shí)現(xiàn)銥星通信終端的高效能量利用率。

1 銥星信號質(zhì)量采集系統(tǒng)及數(shù)據(jù)獲取

為了能夠?qū)︺炐切盘栙|(zhì)量進(jìn)行分析，首先使用銥星監(jiān)測平臺，通過高增益天線來采集銥星信號質(zhì)量數(shù)據(jù)。然后編寫銥星通信上位機(jī)程序，對銥星信號數(shù)據(jù)進(jìn)行接收及存儲。銥星監(jiān)測平臺是基于銥星9602模塊設(shè)計的。

1.1 銥星信號質(zhì)量采集系統(tǒng)

9602模塊具有數(shù)據(jù)傳輸、定位跟蹤等功能，波特率為19 200 bps。默認(rèn)9線制串行接口，但只使用傳輸、接收、接地三線，用戶輸入AT指令以獲取模塊接收到的數(shù)據(jù)[9]。

使用Labview編寫上位機(jī)程序， Labview作為模塊化編程語言，編程效率高，其編程主要分為前控制面板編程和主程序面板編程。主程序面板中主要分為以下幾個模塊：串口配置模塊、指令發(fā)送模塊、數(shù)據(jù)采集模塊、數(shù)據(jù)存儲模塊和圖表顯示模塊。上位機(jī)程序框圖如圖1所示。

圖1 數(shù)據(jù)監(jiān)測上位機(jī)框圖

1.2 銥星信號質(zhì)量數(shù)據(jù)獲取實(shí)驗(yàn)

在任何開放環(huán)境下，周圍不同地貌地物形成各自獨(dú)特的通信環(huán)境，對銥星信號收發(fā)造成不同形式的干擾，故需要選擇不同測量環(huán)境。通過實(shí)驗(yàn)研究共選樣兩處實(shí)驗(yàn)環(huán)境，一處在城市樓頂寬闊地帶，周圍有高層建筑遮擋，另一處在周圍遮擋物較少的海港船舶上。

安裝銥星信號監(jiān)測平臺，啟動上位機(jī)系統(tǒng)，配置串口，波特率設(shè)置為19 200 bit/s。通過指令A(yù)1啟動銥星模塊，發(fā)送指令C2給信號處理板采集數(shù)據(jù)。由于指令發(fā)送及信號采集的延時性，故最短采集間隔為30 s采集1次，共連續(xù)采集3 d。

按照同樣的方式在不同實(shí)驗(yàn)環(huán)境下分別進(jìn)行監(jiān)測。其中采集生成的數(shù)據(jù)傳輸給數(shù)據(jù)存儲模塊的同時通過圖表顯示，以便在分析數(shù)據(jù)前能直觀觀測出數(shù)據(jù)整體情況，防止出現(xiàn)大規(guī)模數(shù)據(jù)丟失。

2 銥星信號質(zhì)量數(shù)據(jù)分析算法

采集得到的銥星信號質(zhì)量分為6個類別，分別為0至5，0表示信號質(zhì)量最弱，5表示信號最強(qiáng)。其中4和5可作為數(shù)據(jù)收發(fā)的優(yōu)良信號質(zhì)量，數(shù)據(jù)流形式為時間序列數(shù)據(jù)流[10]。目前對時間序列數(shù)據(jù)分析的算法有很多。經(jīng)實(shí)驗(yàn)數(shù)據(jù)特性研究對兩處環(huán)境下采集的信號做移動平均，之后將信號的類別由六類轉(zhuǎn)換為兩類，并通過XGBoost的分類預(yù)測功能對信號干擾進(jìn)行預(yù)測。

2.1 滑動窗口算法

滑動窗口算法原理如圖2所示。算法根據(jù)指定時間單位長度框住時間序列，在時間序列上做單位平移，并在每次平移前對當(dāng)前所框住的時間序列對應(yīng)的值做計算。計算的指標(biāo)為均值，由于數(shù)據(jù)采集間隔為30 s，窗口過大，觀察信號質(zhì)量值容易錯過數(shù)值分布規(guī)律，而窗口過小則樣本量較大，不易于直觀遍覽，故選擇窗口大小為5min數(shù)據(jù)，步長為1。對于大數(shù)據(jù)而言，遍覽整個數(shù)據(jù)的時間耗費(fèi)巨大，而滑動窗口算法可以很好地解決這類問題。

圖2 滑動窗口算法原理圖

2.2 XGBoost分類預(yù)測算法

XGBoost是基于梯度提升決策樹（Gradient Boosting Decision Tree，GBDT）改進(jìn)得出的算法，于2016年提出后便受到了廣泛關(guān)注。其核心思想從決策樹中演變而來。相比于其它預(yù)測算法，XGBoost采用多線程并行處理，對于線性以及非線性數(shù)據(jù)都有很好的處理效果[11]。

決策樹生成的每個分類樹是獨(dú)立的，而XGBoost是生成多個弱預(yù)測模型，將多個預(yù)測結(jié)果累積得到強(qiáng)預(yù)測模型[12]。即：

2.2.1 高集成度 相對于GBDT來說，XGBoost對損失函數(shù)一階展開的基礎(chǔ)上進(jìn)行二階展開，并加入代價函數(shù)Ω（ft）的正則化。當(dāng)樹的深度過高時設(shè)置max_depth停止建設(shè)決策樹，防止過擬合現(xiàn)象，相比于其它模型具有高集成度[13]，降低了模型的變化幅度。

2.2.2 內(nèi)置缺失值處理 XGBoost內(nèi)置缺失值處理，可在不同結(jié)點(diǎn)遇到缺失值時采用不同的處理方法，不用手工添加彌補(bǔ)缺失值，在模型處理上大大簡化了工作量。

2.2.3 最優(yōu)迭代次數(shù) XGBoost允許boosting迭代中使用交叉驗(yàn)證，因此，可以方便地獲取到最優(yōu)迭代次數(shù)。

2.3 預(yù)測模型評估指標(biāo)MAE

預(yù)測模型評估指標(biāo)MAE的表達(dá)式為：

式中：為預(yù)測結(jié)果；yi為真實(shí)結(jié)果。當(dāng)預(yù)測值越接近真實(shí)值，則MAE越小，預(yù)測模型質(zhì)量越好。反之當(dāng)誤差越大，MAE越大，預(yù)測模型質(zhì)量也就越差。使用平均誤差絕對值計算偏差作為預(yù)測模型參考。

2.4 預(yù)測模型評價指標(biāo)

如表1所示利用混淆矩陣達(dá)到預(yù)測結(jié)果的可視化效果，通過混淆矩陣計算得出ROC曲線。并計算綜合預(yù)測指標(biāo)，對模型進(jìn)行綜合評估。

表1 二分類混淆矩陣

ROC曲線的縱軸：真陽性率（True Positive Rate）；ROC曲線的橫軸：假陽性率（False Positive Rate）。ROC左下角覆蓋面積AUC代表模型分類準(zhǔn)確性，當(dāng)AUC＞0.5的情況下越接近于1表示分類準(zhǔn)確性越高。

3 實(shí)驗(yàn)數(shù)據(jù)分析及預(yù)測模型評估

3.1 信號質(zhì)量初步評估

使用時間序列滑動窗口算法對采集得到的兩組數(shù)據(jù)進(jìn)行分析，繪制得到兩組數(shù)據(jù)的信號質(zhì)量評估圖。信號質(zhì)量評估圖如圖3所示。

圖3 原始信號質(zhì)量滑動平均圖

圖3中，第一組數(shù)據(jù)在城市樓頂環(huán)境測量得到，第二組數(shù)據(jù)在海港環(huán)境測量得到。根據(jù)第一組信號質(zhì)量評估圖可得，其信號質(zhì)量長時間處于4以下，干擾較多，信號質(zhì)量惡劣。第二組信號質(zhì)量評估圖信號良好，局部出現(xiàn)干擾。

3.2 數(shù)據(jù)預(yù)處理

通過兩處環(huán)境信號質(zhì)量的評估可以發(fā)現(xiàn)，不同環(huán)境下信號干擾因素不同，由此可得出在不同環(huán)境下建立不同預(yù)測分類器的重要性。將樓頂環(huán)境數(shù)據(jù)放在工作簿1中作為第一組訓(xùn)練樣本，取數(shù)據(jù)列最后200個數(shù)據(jù)樣本作為測試樣本。海港環(huán)境數(shù)據(jù)放在工作簿2中作為第二組訓(xùn)練樣本，測試數(shù)據(jù)樣本取樣方式同上。再將樓頂數(shù)據(jù)和海港數(shù)據(jù)合并放在工作簿3中作為第三組訓(xùn)練樣本，測試數(shù)據(jù)樣本取樣方式同上。分別通過3組數(shù)據(jù)對訓(xùn)練模型進(jìn)行參數(shù)調(diào)優(yōu)。

兩地測量數(shù)據(jù)中含有大于5及字母類異常值，為了不影響模型預(yù)測的準(zhǔn)確率，需將異常值剔除。另外，4～5作為優(yōu)良信號類，4以下作為劣質(zhì)信號類，將六類別信號轉(zhuǎn)化為二類別信號，構(gòu)建二分類預(yù)測模型。

3.3 模型參數(shù)調(diào)優(yōu)

通過實(shí)驗(yàn)驗(yàn)證，max_depth和learning_rate兩個參數(shù)對模型預(yù)測效果影響較大，所以本研究主要針對這兩個參數(shù)進(jìn)行調(diào)優(yōu)。

3.3.1 參數(shù)max_depth調(diào)優(yōu) 參數(shù)max_depth為樹的最大深度，系統(tǒng)默認(rèn)值為6，典型值為3～10。max_depth的主要功能用于控制過擬合，max_depth值越大，模型更注重于局部樣本，學(xué)習(xí)更具體。為了選擇最優(yōu)參數(shù)，將參數(shù)取值范圍選為3～13，并分別訓(xùn)練及測試觀察ACC和AUC的變化。

如圖4所示，max_depth逐漸增大，模型預(yù)測效果逐步提升，當(dāng)?shù)竭_(dá)一定深度時，預(yù)測效果開始下滑。

圖4 max_depth參數(shù)調(diào)優(yōu)

3.3.2 參數(shù) learning_rate 調(diào)優(yōu) 參數(shù) learning_rate 為學(xué)習(xí)率，系統(tǒng)默認(rèn)值為0.3，典型值為0.01～0.2。其功能主要用于減少每一步分類的權(quán)重，提高模型預(yù)測的魯棒性。同參數(shù)max_depth調(diào)優(yōu)方法一樣取值范圍選為0.01～0.2，觀察ACC和AUC的變化。

如圖5所示，當(dāng)learning_rate值慢慢增大時，模型預(yù)測效果有一定提升，到達(dá)峰值后逐步下滑。依據(jù)以上研究，得出不同數(shù)據(jù)模型的最優(yōu)參數(shù)表，如表2所示。

圖5 learning_rate參數(shù)調(diào)優(yōu)

表2 訓(xùn)練模型最優(yōu)參數(shù)表

3.4 最優(yōu)參數(shù)下預(yù)測結(jié)果評估

三組數(shù)據(jù)的ROC曲線圖如圖6所示。工作簿1中MAE為1.2，混淆矩陣為[[24 25][12 139]]，AUC面積為0.77，預(yù)測分類精確度高但是平均誤差相對較大。工作簿2中MAE為0.76，混淆矩陣為[[140 12][36 12]]，AUC面積為0.74，預(yù)測分類精確度相對較低，但是平均誤差小。工作簿3中MAE為0.82，混淆矩陣為[[131 21][25 23]]，AUC面積為0.78。由于訓(xùn)練數(shù)據(jù)類別均衡，綜合預(yù)測分類效果較為均衡，綜合預(yù)測評價表如表3所示。

圖6 ROC曲線圖

表3 調(diào)優(yōu)前后綜合預(yù)測效果表

4 系統(tǒng)方案與能量優(yōu)化

4.1 系統(tǒng)監(jiān)測方案

銥星通信終端可基于不同研究方式采取不同監(jiān)測方案與控制方案，目前銥星通信終端在海洋當(dāng)中的應(yīng)用主要分為固定監(jiān)測和流動監(jiān)測。當(dāng)監(jiān)測方式為流動監(jiān)測時，系統(tǒng)方案：按日期推移，啟動時間修訂，同時檢測當(dāng)前環(huán)境下銥星信號質(zhì)量，預(yù)測接下來信號質(zhì)量優(yōu)劣，選擇是否發(fā)送數(shù)據(jù)包。當(dāng)監(jiān)測方式為固定監(jiān)測時，系統(tǒng)方案：啟動系統(tǒng)后檢測一天信號質(zhì)量，預(yù)測第二天數(shù)據(jù)發(fā)送時間點(diǎn)的同時進(jìn)行數(shù)據(jù)采樣。具體方案流程圖如圖7所示。

圖7 監(jiān)測方案流程圖

4.2 能量優(yōu)化計算

銥星通信終端發(fā)送數(shù)據(jù)方式為2 min發(fā)送一包數(shù)據(jù)，啟動一次等于發(fā)送5包數(shù)據(jù)。按照預(yù)測模型的召回率，假設(shè)在信號質(zhì)量劣的環(huán)境下發(fā)送100包數(shù)據(jù)，召回率為0.67，總共需要發(fā)送149次能夠?qū)?shù)據(jù)包發(fā)送完。未對信號進(jìn)行預(yù)測，傳統(tǒng)數(shù)據(jù)發(fā)送方式的發(fā)送次數(shù)為408次。在信號優(yōu)的環(huán)境下發(fā)送100包數(shù)據(jù)，召回率為0.80，需要發(fā)送125次。同上，未預(yù)測信號的發(fā)送次數(shù)為131次。銥星通信終端功率參數(shù)如表4所示。

表4 銥星通信終端耗電參數(shù)表

劣信號質(zhì)量環(huán)境下傳統(tǒng)數(shù)據(jù)發(fā)送方式所消耗的能量為：

進(jìn)行信號預(yù)測能量消耗為：

優(yōu)信號質(zhì)量環(huán)境下傳統(tǒng)發(fā)送數(shù)據(jù)方式所消耗的能量為：

進(jìn)行信號預(yù)測能量消耗為：

根據(jù)以上計算可以得出，信號劣的環(huán)境下節(jié)能63%，信號優(yōu)環(huán)境下節(jié)能4.6%。

5 結(jié) 論

本文針對研究生產(chǎn)中銥星信號出現(xiàn)干擾的情況，提出對銥星信號干擾預(yù)測的研究。使用Labview語言編寫上位機(jī)程序?qū)︺炐切盘栠M(jìn)行全天檢測，獲取銥星信號質(zhì)量數(shù)據(jù)。實(shí)驗(yàn)證明選擇不同環(huán)境測量信號的重要性。

根據(jù)預(yù)測模型的預(yù)測指標(biāo)，計算得出不同環(huán)境指標(biāo)下的能量優(yōu)化范圍為4.6%～63%，證明該預(yù)測模型在具有有效性和可行性的基礎(chǔ)上，銥星信號越好的情況下能量優(yōu)化效率越低，反之能量優(yōu)化效率越高。預(yù)測模型預(yù)測效果還有待提高，下一步需對ACC及AUC兩個指標(biāo)繼續(xù)研究，引入更多的分類預(yù)測算法進(jìn)行相關(guān)驗(yàn)證，提高分類預(yù)測綜合效果。