郝延軍

（濱州博興縣融媒體中心，山東 濱州 256500）

0 引言

隨著廣播電視技術的發(fā)展，傳統(tǒng)的人工監(jiān)測方式已經難以滿足信號質量檢測的要求。廣播電視信號質量監(jiān)測一直是保障廣電傳輸與服務質量的重要手段，傳統(tǒng)的監(jiān)測系統(tǒng)依靠人工來測量和評判信號參數(shù)，效率較低。近年來，網絡電視（Internet Protocol Television，IPTV）、4K超高清等新技術的推出，使廣播電視網絡種類和節(jié)目量激增，對信號質量監(jiān)測提出了更高要求。同時，大數(shù)據(jù)和人工智能（Artificial Intelligence，AI）技術得到了長足發(fā)展，在圖像識別、數(shù)據(jù)挖掘、智能決策等方面展現(xiàn)出強大的能力。將大數(shù)據(jù)和AI技術應用于廣播電視信號監(jiān)測，構建智能化信號質量檢測體系，實現(xiàn)對海量信號數(shù)據(jù)的高效管理、多維度分析和智能預測，已成為廣播電視監(jiān)測技術的重要發(fā)展方向。

1 大數(shù)據(jù)和AI技術在信號監(jiān)測中的應用

1.1 大數(shù)據(jù)技術在信號監(jiān)測中的應用

大數(shù)據(jù)技術主要具有4個特征，即“4V”特征：Volume（海量）、Variety（多樣化）、Velocity（生成速度快）和Value（低價值密度）。信號監(jiān)測過程中會產生海量結構化和非結構化數(shù)據(jù)，包括視頻服務器輸出的TS流、編碼器輸出的碼流元數(shù)據(jù)、調制器輸出的調制信號參數(shù)、信號分配放大器輸出的射頻（Radio Frequency Signal，RF）信號參數(shù)、信號接收設備輸出的信號質量數(shù)據(jù)、環(huán)境監(jiān)測設備輸出的環(huán)境參數(shù)以及用戶終端反饋的質量意見數(shù)據(jù)等。這些異構數(shù)據(jù)源輸出的多模態(tài)數(shù)據(jù)容量巨大，每日生成的數(shù)據(jù)可達TB級甚至更高數(shù)量級，需要使用Hadoop或Spark等大數(shù)據(jù)處理框架進行存儲，而且這些數(shù)據(jù)中有效信息的占比不高。因此，需要借助大數(shù)據(jù)的海量存儲和低價值密度處理優(yōu)勢，存儲和過濾這些數(shù)據(jù)，以降低存儲成本。同時，信號監(jiān)測需要對存儲數(shù)據(jù)進行快速處理，以實時監(jiān)測和預警信號傳輸質量的變化，可以使用Storm和Flink等大數(shù)據(jù)實時計算框架，對采集到的視頻碼流進行實時解復用和解碼，快速提取信號參數(shù)。此外，還需要應用大數(shù)據(jù)的聚合分析，綜合分析編碼器、調制器和放大器等設備輸出的數(shù)據(jù)以及用戶反饋的數(shù)據(jù)關系，準確定位信號質量問題的源頭。

1.2 AI技術在信號分析和質量評估中的應用

近年來，AI技術在圖像處理、語音識別、自然語言處理等領域取得了一定突破，尤其是具有代表性的機器學習和深度學習技術，在處理圖像、語音與視頻等信號上展現(xiàn)出強大的分析能力，為廣播電視視頻信號質量的智能化監(jiān)測與評估提供了技術支撐[1]。深度學習中的卷積神經網絡（Convolutional Neural Networks，CNN）、遞歸神經網絡（Recursive Neural Network，RNN）等模型可用于視頻信號的智能化特征提取。使用注意力機制自動學習不同質量影響因素的權重，能夠多維度提取復雜視頻信號的“注意力+特征”，在特征提取的基礎上，可以構建基于深度學習的智能化質量評估模型，如基于CNN的圖像質量自動打分模型、基于RNN的編碼質量預測模型、集成注意力機制的質量回歸模型等，并使用遷移學習、多任務學習等技術不斷優(yōu)化模型，以提高視頻信號質量預測的精確度。

2 廣播電視信號監(jiān)測的關鍵技術

2.1 功率和頻譜特征提取算法

對于數(shù)字化廣播電視信號，質量智能化監(jiān)測的第1步是特征提取。信號功率和頻譜特征直接影響信號質量，因此需要重點開發(fā)射頻功率檢測、頻譜分析等算法，用于提取核心特征。相關的信號特征提取算法主要有4種。第一，基于快速傅里葉變換（Fast Fourier Transform，F(xiàn)FT）的頻譜分析算法。應用射頻包絡檢波技術，檢出信號中包含的視頻、聲頻和數(shù)據(jù)等信息，計算信號總功率、視頻信號功率及音頻信號功率，并獲得信號的信息功率與噪聲功率之比，反映信噪比。第二，采用FFT對信號進行頻域分析，獲得信號的頻譜分布、主載波位置及邊帶情況，檢測信號中是否存在三階互調失真產物和相鄰信道干擾等頻譜異物。第三，信號數(shù)字化采集后進行數(shù)字預畸變，使用數(shù)字濾波技術消除信號在傳輸中出現(xiàn)的線性和非線性畸變，以提高后續(xù)特征提取的質量。根據(jù)信號類型，選擇有限沖激響應（Finite Impulse Response，F(xiàn)IR）濾波、無限脈沖響應（Infinite Impulse Response，IIR）濾波等自適應濾波方案，有針對性地進行降噪處理[2]。第四，基于小波變換的時頻分析算法。依賴小波變換的多分辨率解析能力，提取信號的細節(jié)和瞬變特征，在時頻平面上取得信號的時間-頻率矩陣，訓練神經網絡或支持向量機等模式識別模型，識別數(shù)字調制信號的調制方式。

2.2 圖像質量智能評估模型

在視頻信號質量監(jiān)測過程中，圖像質量的智能評估是關鍵環(huán)節(jié)之一。構建自動化圖像質量評估模型，能夠測定視頻信號傳輸過程中的圖像質量，輸出可靠的圖像質量分數(shù)，為整體信號質量監(jiān)測奠定基礎。

常見的圖像質量智能評估模型主要包括如下4種。第一，基于淺層網絡的傳統(tǒng)機器學習評估模型，如全參考型的峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）、結構相似性（Structural Similarity，SSIM）以及無參考的圖像質量評價（Natural Image Quality Evaluator，NIQE）、無參考圖像空間質量評估器（Blind/Referenceless Image Spatial Quality Evaluator，BRISQUE）等，這類模型具有人工設計的特征提取和簡單機器學習框架，計算速度較快，但評估效果有限。第二，近年來，基于CNN的深度學習模型成為主流，如CNN、DeepIQ、MEON等。這些模型可以端到端學習圖像復雜的非線性特征，評估效果明顯優(yōu)于傳統(tǒng)模型，但需要大量數(shù)據(jù)進行訓練。第三，利用生成對抗網絡框架的生成圖像質量評估（Generated Image Quality Assessment，GIQA）、DisIQ等模型，可以合成不同失真的圖像樣本，來擴充數(shù)據(jù)集、增強模型健壯性。第四，基于元學習理念的模型，如MetaSQ、HyperIQA等，可以實現(xiàn)不同圖像質量數(shù)據(jù)集間的知識遷移，具有較強的跨數(shù)據(jù)集泛化能力。

自動化圖像質量評估模型可以實現(xiàn)視頻信號傳輸過程中圖像質量的智能化檢測，配合信號圖像特征提取技術，定量輸出圖像質量分數(shù)，支持整體信號質量的監(jiān)測與管理。

3 廣播電視信號質量監(jiān)測系統(tǒng)的應用思路

3.1 整體技術路線和系統(tǒng)架構

廣播電視信號質量智能化監(jiān)測系統(tǒng)需要處理海量數(shù)據(jù)，因此采用模塊化、分層的系統(tǒng)架構設計，使用“信號采集—數(shù)據(jù)存儲—智能處理—質量評估—結果展示”的技術路線[3]。在數(shù)據(jù)采集層，布置分布式的環(huán)境傳感設備、信號監(jiān)測設備、網絡監(jiān)控設備等，以實時采集信號鏈路上的各類數(shù)據(jù)，包括發(fā)射端信號源數(shù)據(jù)、傳輸鏈路中的環(huán)境參數(shù)、信號重復器與放大器的工作狀態(tài)數(shù)據(jù)、信號接收端的質量數(shù)據(jù)以及返回的用戶體驗反饋數(shù)據(jù)等。這些采集節(jié)點通過高速網絡或無線網絡將數(shù)據(jù)傳送至計算中心的分布式數(shù)據(jù)存儲平臺。存儲平臺配備分布式文件系統(tǒng)，以支持大容量的波形存儲，并使用分布式數(shù)據(jù)庫存儲結構化數(shù)據(jù)。Spark Streaming等大數(shù)據(jù)實時計算框架，對并行處理存儲的數(shù)據(jù)進行信號解調、品質因子提取、質量評估等分析，深度學習模型被訓練并部署于分布式平臺，分析結果以可視化的方式呈現(xiàn)在管理人員的監(jiān)控終端。監(jiān)測系統(tǒng)的任務調度模塊統(tǒng)一調度各層的工作，保證系統(tǒng)整體協(xié)調運轉。分布式、分層的架構充分利用了大數(shù)據(jù)平臺的計算和存儲優(yōu)勢，使信號監(jiān)測系統(tǒng)具備可擴展性與高容錯性。

3.2 數(shù)據(jù)處理和分析模塊

廣播電視信號智能化監(jiān)測系統(tǒng)中的數(shù)據(jù)處理與分析模塊，需要對采集模塊輸出的多源異構數(shù)據(jù)進行清洗、存儲和智能分析，實現(xiàn)信號質量評估與預測等核心功能。首先，對采集的原始數(shù)據(jù)進行清洗，如格式校驗、刪除異常數(shù)據(jù)、補充缺失值等，以保證進入分析環(huán)節(jié)的數(shù)據(jù)質量，同時使用Hadoop、Spark等大數(shù)據(jù)分布式存儲和計算框架，高效存儲不同類型的數(shù)據(jù)。其次，根據(jù)不同的分析目標，對存儲的數(shù)據(jù)進行過濾、聚合、相關特征提取等操作，構建標準化的特征向量，以適應智能算法的輸入要求，并使用信號處理、計算機視覺等專業(yè)算法進行特征工程，對不同類型的數(shù)據(jù)進行歸一化、離散化等預處理，將其轉換為模型可用的輸入向量。其次，使用AI算法評估信號傳輸質量，采用機器學習算法和深度學習模型，建立映射信號特征與質量影響因素的評估與預測模型，在離線階段使用大量標注數(shù)據(jù)來訓練模型，調優(yōu)模型超參數(shù)后，將其部署在基于圖形處理器（Graphics Processing Unit，GPU）和現(xiàn)場可編程邏輯門陣列（Field Programmable Gate Array，F(xiàn)PGA）的分布式深度學習平臺上。為降低預測延時，采用混合精度、多卡并行、跨模態(tài)壓縮等優(yōu)化手段來提升分析吞吐量。最后，隨著新數(shù)據(jù)的采集，需要定期使用增量學習的方式優(yōu)化模型，使其性能持續(xù)提升[4-5]。

4 結語

廣播電視行業(yè)的蓬勃發(fā)展給信號傳輸質量帶來了新的挑戰(zhàn)。人工監(jiān)測的方法難以應對海量信號數(shù)據(jù)的處理工作，而大數(shù)據(jù)分析和人工智能技術在數(shù)據(jù)存儲和建模等方面的優(yōu)勢為信號質量的智能化監(jiān)測帶來了契機。未來，應繼續(xù)以數(shù)據(jù)質量以及算法的健壯性與實時性為著力點，依托深度學習等前沿算法，實現(xiàn)信號的特征分析與質量評估，推動監(jiān)測系統(tǒng)向自動化、智能化、精確化的方向發(fā)展。