易國順，謝躍雷,2，梁文斌

(1.桂林電子科技大學(xué) 信息與通信學(xué)院，廣西 桂林 541004；2.衛(wèi)星導(dǎo)航定位與位置服務(wù)國家地方聯(lián)合工程研究中心，廣西 桂林 541004；3.桂林航天工業(yè)學(xué)院 電子信息與自動化學(xué)院，廣西 桂林 541004)

0 引 言

多輸入多輸出(Multiple-Input Multiple-Output,MIMO)多天線技術(shù)能顯著提高通信系統(tǒng)容量和頻譜利用率，廣泛應(yīng)用在4G、5G等寬帶無線通信系統(tǒng)中[1]，這使得通信信號的偵察和參數(shù)估計變得愈發(fā)困難[2]，對非合作接收提出了更高的要求[3-4]。在非合作場景的MIMO通信信號檢測與識別中，MIMO發(fā)射天線數(shù)目識別、空時編碼模式識別、信道估計、調(diào)制方式識別都是具有挑戰(zhàn)性的研究課題[5]。其中，MIMO發(fā)射天線數(shù)目的識別是其他通信參數(shù)估計的基礎(chǔ)，在MIMO盲信號處理中起著支撐性的作用。

傳統(tǒng)MIMO發(fā)射天線數(shù)目識別包括基于信息論準(zhǔn)則(Akaike Information Criterion,AIC)[6]、最小描述長度準(zhǔn)則(Minimum Description Length,MDL)[7]、一步預(yù)測噪聲特征值上限(Predicted Eigenvalues Threshold,PET)[8]、蓋氏圓準(zhǔn)則(Gerschgorin Disk Estimator,GDE)[9]和利用導(dǎo)頻模式正交性識別發(fā)射端天線數(shù)目[10]以及2017年Mohammadkarimi和Karami等學(xué)者提出的利用二階和四階統(tǒng)計量識別MIMO系統(tǒng)發(fā)射天線數(shù)目[11]?；谛畔⒄摐?zhǔn)則和最小描述長度準(zhǔn)則算法將發(fā)射天線數(shù)目識別問題轉(zhuǎn)化成矩陣的秩估計，存在過估計和非一致估計的缺陷，不能提供較好的估計性能[12]。同時與一步預(yù)測噪聲特征值上限算法和蓋氏圓算法一樣，在非合作接收端要求接收天線數(shù)大于等于發(fā)射端天線數(shù)，這在實際應(yīng)用中并不能被保證。利用正交頻分多址的導(dǎo)頻模式正交性識別發(fā)射端的天線數(shù)目，將導(dǎo)頻的循環(huán)平穩(wěn)性與導(dǎo)頻模式的正交性相關(guān)聯(lián)，將檢測多天線的問題等同于檢測多組不同導(dǎo)頻模式，方法雖然適用于單天線接收情況，但導(dǎo)頻的循環(huán)平穩(wěn)性并不總是出現(xiàn)在被檢測信號。基于二階和四階統(tǒng)計量的MIMO天線數(shù)識別通過計算信號的統(tǒng)計量(其中二階統(tǒng)計量需要估計噪聲方差)尋找不同發(fā)射天線數(shù)目對應(yīng)的特征值，該算法相對于信息論準(zhǔn)則和蓋氏圓準(zhǔn)則更加復(fù)雜。

隨著深度學(xué)習(xí)在自然語言處理和圖像識別等方面取得的巨大進(jìn)展，眾多學(xué)者將深度學(xué)習(xí)算法應(yīng)用到無線通信領(lǐng)域的調(diào)制方式識別上[13-14]，并且取得了一定的成果，其中卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)具有強(qiáng)大的特征提取能力，其分類模型在模式識別領(lǐng)域取得了較好的效果，在通信領(lǐng)域也逐漸受到重視[15]。受此啟發(fā)，本文采用數(shù)據(jù)驅(qū)動的方式，在不受限于接收天線數(shù)約束和無先驗信息的情況下，利用不同發(fā)射天線數(shù)目表現(xiàn)的特征差異，研究CNN對天線特征的自動提取方法，解決MIMO發(fā)射天線數(shù)目檢測中特征提取困難等問題。

1 信號模型

信號經(jīng)空時編碼器后分配到不同天線上，以空間分集(Space Diversity,SD)中的Alamouti正交空時碼[16]和空分復(fù)用(Space Multiplexing,SM)兩發(fā)射天線說明MIMO信號數(shù)據(jù)的發(fā)射過程[17-18]。

(1)

(2)

式中：CAL和CSM分別為Alamouti和SM的編碼矩陣，*表示共軛轉(zhuǎn)置，s1和s2是傳送符號。CAL矩陣在t1、t2兩個周期內(nèi)實際上只傳輸了兩個符號，兩根天線上傳輸?shù)男畔⑹侵貜?fù)的，空間分集通過增加編碼的冗余度使信號在接收端獲得分集增益，提高信號的可靠性。CSM矩陣在t1一個周期內(nèi)兩根天線上傳輸?shù)姆柛鞑幌嗤?，空間復(fù)用通過將串行的數(shù)據(jù)流轉(zhuǎn)成并行數(shù)據(jù)給不同天線發(fā)送，旨在提高發(fā)送速率。在發(fā)送端和接收端使用多天線MIMO發(fā)送和接收能提高數(shù)據(jù)的傳輸可靠性或有效性。本文算法的仿真和實測數(shù)據(jù)都是基于空分復(fù)用情況對天線數(shù)目進(jìn)行識別。作為非合作方通過單天線采集發(fā)射端信號，其數(shù)學(xué)模型為多輸入單輸出(Multiple-Input Single-Output,MISO)，如圖1所示。

圖1 MISO通信信號模型

(3)

式中：接收機(jī)接收信號Y=y(t)，t是時間編號；H=[h1,h2,…,hNt]表示信號經(jīng)過的信道矩陣；hj是第j根發(fā)射天線到接收天線之間的信道增益，j=1,2,…,Nt；n表示方差為σ2的高斯白噪聲。

2 基于CNN的發(fā)射天線數(shù)目識別工作原理

MIMO發(fā)射天線數(shù)目識別原理：由傳統(tǒng)識別轉(zhuǎn)變?yōu)橥ㄟ^卷積神經(jīng)網(wǎng)絡(luò)識別，可以看成一個N類決策問題。卷積神經(jīng)網(wǎng)絡(luò)從特定的模型中提取特征，根據(jù)特征進(jìn)行分類識別、預(yù)測、決策。給定不同發(fā)射天線數(shù)目輸入數(shù)據(jù)集，卷積神經(jīng)網(wǎng)絡(luò)在提取特征的訓(xùn)練過程中會在所有的數(shù)據(jù)點都進(jìn)行卷積操作。利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行發(fā)射天線數(shù)目識別，首先將預(yù)處理后的信號數(shù)據(jù)分割成訓(xùn)練集和測試集，通過訓(xùn)練集訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，調(diào)整網(wǎng)絡(luò)參數(shù)，使訓(xùn)練得到的模型對于目標(biāo)分類的效果達(dá)到最優(yōu)。訓(xùn)練完成后輸入測試集，進(jìn)行測試。

在數(shù)據(jù)采集過程中，將接收的天線信號經(jīng)過下變頻成基帶信號。數(shù)字下變頻通常經(jīng)過IQ正交解調(diào)和低通濾波，經(jīng)過低通濾波器后得到同相分量和正交分量的復(fù)基帶I&Q信號。經(jīng)過歸一化處理后，為神經(jīng)網(wǎng)絡(luò)提供了原始無線電時間序列yt的輸入。將MIMO信號的一個復(fù)值輸入1×n看成兩個實值輸入，將yt作為一組2×n的向量放入2D卷積網(wǎng)絡(luò)中，其中正交同步采樣的同相分量和正交分量I&Q構(gòu)成了2維的維度數(shù)據(jù)。圖2給出了MIMO信號IQ解調(diào)原理框圖。

圖2 MIMO信號IQ解調(diào)原理圖

神經(jīng)網(wǎng)絡(luò)對輸入MIMO的I&Q數(shù)據(jù)進(jìn)行特征提取。輸入發(fā)射天線分類數(shù)據(jù)集，根據(jù)卷積層的卷積核尺寸和移動步長，將特征矩陣與卷積核進(jìn)行卷積，經(jīng)過激活函數(shù)后輸出一個新的特征矩陣。卷積層中使用卷積操作與前一層的局部感受野相連，獲得前一層的局部連接特征。

根據(jù)卷積過程，數(shù)據(jù)經(jīng)過卷積層后的輸出大小

(4)

式中：output_size代表經(jīng)過卷積層后輸出數(shù)據(jù)的尺寸;input_size是輸入數(shù)據(jù)的尺寸；CNN_size為卷積核尺寸大小;pad_size為補(bǔ)零填充數(shù)；step是卷積移動步長，卷積層的移動步長默認(rèn)是1。

MIMO多天線數(shù)目識別涉及天線的多分類情況，因此在全連接層將所有的神經(jīng)元與上層卷積層連接后，最后輸出與SoftMax相連，根據(jù)數(shù)據(jù)集天線類別SoftMax回歸處理后得到概率

(5)

式中：σi表示第i類判斷概率值;Zk代表分類器前級單元輸出，k表示當(dāng)前類別索引，k∈[1,K]，K為總類別個數(shù)。在涉及的MIMO多天線分類中，用多分類交叉熵?fù)p失函數(shù)評估當(dāng)前訓(xùn)練得到的概率分布和真實分布之間的差異情況，刻畫實際輸出概率與期望輸出概率的距離。網(wǎng)絡(luò)經(jīng)過訓(xùn)練，調(diào)節(jié)權(quán)重，找到最佳的權(quán)重值，使得天線分類達(dá)到最優(yōu)：

黑格爾在《精神現(xiàn)象學(xué)》中分析了啟蒙和信仰之間的關(guān)系，指出了啟蒙(純粹識見)和信仰在心理結(jié)構(gòu)上的一致性。它們都對當(dāng)時的現(xiàn)實世界持懷疑態(tài)度。對于它們來說，現(xiàn)實世界是一個顛倒的世界，充滿幻象與虛偽。信仰不滿于現(xiàn)實，它們超越現(xiàn)實，它們要追求絕對本質(zhì)，不過這個絕對本質(zhì)在遙遠(yuǎn)的彼岸。啟蒙也對現(xiàn)實表示不滿，它們也追求本質(zhì)，不過對于啟蒙來說，本質(zhì)在于自我。它們都否定了顛倒世界提供給人們的直接觀念，而確信其他更本質(zhì)性的東西(自我或者絕對本質(zhì))。

(6)

式中：C是損失函數(shù)，y是期望輸出，a是神經(jīng)元的實際輸出。

基于CNN的MIMO發(fā)射天線數(shù)目識別的卷積神經(jīng)網(wǎng)絡(luò)模型如圖3所示。模型包括一個輸入層、三個卷積層、兩個全連接層和一個輸出層。輸入數(shù)據(jù)集，CNN卷積神經(jīng)網(wǎng)絡(luò)通過訓(xùn)練學(xué)習(xí)，調(diào)整相關(guān)的權(quán)重參數(shù)，使得模型的分類精度接近標(biāo)簽真實值。整個神經(jīng)網(wǎng)絡(luò)工作是一個不斷學(xué)習(xí)的過程。

圖3 MIMO天線數(shù)目識別原理框圖

輸入層輸入2×1 024大小的I&Q信號數(shù)據(jù)，第一卷積層卷積核數(shù)量為96，卷積核大小2×3，激活函數(shù)ReLu；第二卷積層卷積核數(shù)量為128，卷積核大小2×2，激活函數(shù)ReLu；第三卷積層卷積核數(shù)量為192，卷積核大小2×2，激活函數(shù)ReLu；第一全連接層的神經(jīng)元個數(shù)192個，激活函數(shù)ReLu；第二全連接層神經(jīng)元個數(shù)6個，激活函數(shù)SoftMax，這一層參數(shù)取決于識別分類數(shù)量。為了防止過擬合，使用正則化，dropout設(shè)置為50%。

表1 MIMO天線數(shù)目識別網(wǎng)絡(luò)參數(shù)

3 實驗與結(jié)果分析

3.1 仿真與實測數(shù)據(jù)集準(zhǔn)備

實驗仿真產(chǎn)生數(shù)據(jù)集6類(包含單天線情況),其中每類又包含8種信噪比(本文所指信噪比均是帶內(nèi)信噪比)。每類信噪比有4 000個樣本，每個樣本有I和Q兩路信號，每路信號包含1 024個點，仿真數(shù)據(jù)集大小為6×8×4 000×2×1 024。

實測多天線信號數(shù)據(jù)采集常見的WiFi信號。在采用IEEE 802.11a協(xié)議通信時，兩臺路由器之間通過單天線通信；采用IEEE 802.11n/ac協(xié)議通信時，兩臺路由器之間的無線通信是MIMO信號，將單天線通信看作一類特殊MIMO通信。圖4所示實驗中信號源是兩臺兩發(fā)兩收四天線WS5106華為路由器和兩臺三發(fā)三收六天線WDR7660普聯(lián)路由器，信號采集裝置是NI公司的USRP2954和PXIe-1082儀器。

圖4 數(shù)據(jù)采集裝置

由于硬件限制，實測數(shù)據(jù)只能采集三類不同天線數(shù)目情況，分三次進(jìn)行數(shù)據(jù)采集：華為WS5106路由器IEEE 802.11a協(xié)議單天線通信數(shù)據(jù)、華為WS5106路由器IEEE 802.11n/ac協(xié)議2×2 MIMO通信數(shù)據(jù)、普聯(lián)WDR7660路由器IEEE 802.11n/ac協(xié)議3×3 MIMO通信數(shù)據(jù)。通過橋接，分為主路由器和副路由器，主路由器連接互聯(lián)網(wǎng)。設(shè)置主路由器工作在5.2 GHz頻段，工作帶寬20 MHz，通道選擇40。副路由器會根據(jù)主路由器的設(shè)置自動更新，筆記本電腦通過網(wǎng)線連接副路由器上網(wǎng)。在采集數(shù)據(jù)時，主路由器和副路由器之間的距離設(shè)置在2.5 m，采集裝置USRP2954的天線置于兩路由器之間采集信號，通過PCIe ×4線纜傳輸數(shù)據(jù)到PXIe-1082，上位機(jī)采用Labview開發(fā)接收數(shù)據(jù)保存。數(shù)據(jù)在送入神經(jīng)網(wǎng)絡(luò)之前要進(jìn)行預(yù)處理，將數(shù)據(jù)分割成仿真時數(shù)據(jù)大小3×10×1 200×2×1 024，然后對數(shù)據(jù)進(jìn)行功率歸一化處理，加載帶內(nèi)不同信號噪聲。

3.2 結(jié)果與分析

圖5是在不同信噪比下的混淆矩陣，通過觀察混淆矩陣主對角線上混淆塊顏色和對應(yīng)的概率大小可以直觀看出不同信噪比下模型對于天線數(shù)目識別的分類效果。在信噪比為-5 dB時模型對天線數(shù)識別的效果很差，這可以從信號數(shù)據(jù)集解釋:信噪比低情況下信號特征被噪聲淹沒，在訓(xùn)練過程中無法提取有效特征，導(dǎo)致神經(jīng)網(wǎng)絡(luò)對天線數(shù)目分類效果不理想。在信噪比大于0 dB后，隨著信噪比的提高，網(wǎng)絡(luò)模型能逐漸提取信號的有效特征，對天線數(shù)分類的性能也逐漸提高。當(dāng)信噪比在5 dB時，網(wǎng)絡(luò)模型能有效提取信號特征。

圖5 不同信噪比下混淆矩陣

根據(jù)圖5的混淆矩陣圖發(fā)現(xiàn)模型對于數(shù)據(jù)的信噪比要求在5 dB以上，為便于比較，圖6對卷積神經(jīng)網(wǎng)絡(luò)模型的數(shù)據(jù)集信噪比從-5～30 dB進(jìn)行訓(xùn)練比較，在信噪比大于0 dB后模型分類精度的性能在80%以上，并且epoch在50次。

(a)訓(xùn)練性能

實際測試的是單天線、2根發(fā)射天線和3根發(fā)射天線情況，結(jié)果如圖7所示。實際測試數(shù)據(jù)是在包含復(fù)雜電磁環(huán)境下采集的無線電數(shù)據(jù)，通過后期在帶內(nèi)加載不同信噪比(-5～25 dB)分類訓(xùn)練，最終模型的分類精度在大于15 dB時可以到達(dá)85%。

圖7 實測信號混淆矩陣圖和訓(xùn)練性能曲線圖

仿真了6類不同發(fā)射天線情況下神經(jīng)網(wǎng)絡(luò)訓(xùn)練檢測的識別效果，同時在真實數(shù)據(jù)測試中，受實驗條件的約束只做了3類不同發(fā)射天線情況識別檢測。根據(jù)仿真和實際測試的效果，卷積神經(jīng)網(wǎng)絡(luò)識別發(fā)射天線數(shù)目是可行的，仿真數(shù)據(jù)和實測數(shù)據(jù)均驗證了模型的可行性。

在高信噪比時，噪聲對于信號的影響效果降低，模型根據(jù)信號的特征能有效地進(jìn)行分類。在仿真中，當(dāng)信噪比大于5 dB時，神經(jīng)網(wǎng)絡(luò)對發(fā)射天線數(shù)目識別保持在一個穩(wěn)定的分類精度值(98%)，隨著天線數(shù)類別的增加這個精度值可能會降低。天線數(shù)類別增加，數(shù)據(jù)集特征提取對于神經(jīng)網(wǎng)絡(luò)越復(fù)雜。在實測數(shù)據(jù)訓(xùn)練中，采集的數(shù)據(jù)在信噪比大于15 dB后分類精度趨于一個穩(wěn)定值(85%)，實際測試的分類效果相比于仿真測試效果有所下降。

4 結(jié)束語

本文提出了基于卷積神經(jīng)網(wǎng)絡(luò)的MIMO發(fā)射天線數(shù)目識別方法，通過仿真和實測數(shù)據(jù)驗證了對發(fā)射天線數(shù)目識別效果。相對于傳統(tǒng)的發(fā)射天線數(shù)目識別方法，本文所提方法不用人為地尋找不同發(fā)射天線情況下的特征值，而且適用于單天線接收。但是，本方法也存在不足——在實際應(yīng)用中要求提前采取大量有效樣本數(shù)據(jù)訓(xùn)練模型，在訓(xùn)練模型過程中需要一定的時間。模型在實際測試中對于低信噪比下的天線數(shù)目分類效果不太理想，雖然也嘗試優(yōu)化模型參數(shù)，調(diào)整網(wǎng)絡(luò)模型結(jié)構(gòu)，更改卷積層數(shù)、卷積核數(shù)目和大小，但對于低信噪比情況下的分類效果還是不太理想。下一步將研究在數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)之前用傳統(tǒng)累積量等方法進(jìn)行降噪處理，以提高神經(jīng)網(wǎng)絡(luò)在低信噪比下對天線數(shù)目分類的效果。