基于云神经网络的短波通信效能评估

任淑婷,郭黎利

(1.中国人民解放军91469部队,北京100841;2.哈尔滨工程大学信息与通信工程学院,黑龙江哈尔滨150086)

基于云神经网络的短波通信效能评估

任淑婷1,2,郭黎利2

(1.中国人民解放军91469部队,北京100841;2.哈尔滨工程大学信息与通信工程学院,黑龙江哈尔滨150086)

对短波信道进行效能评估有助于选择合适的通信链路以提高通信质量。利用云理论处理模糊性和随机性等不确定性问题的优势,并结合人工神经网络可以很好地逼近一个具有复杂非线性输入与输出关系的未知效能模型的特点,我们采用云神经网络进行短波信道通信效能的评估。同时,我们加入了η学习率和α动量因子以避免局部最小值、收敛速度慢以及发生震荡等问题。实验结果表明,采用云神经网络进行短波通信效能评估,可以完全基于短波通信的历史数据勿须添加人为主观因素得到客观的评估结果,并可根据需要灵活地调整云神经网络的输入进行短波通信效能评估,使得评估结果更加准确。

短波通信 效能评估 云神经网络

0 引 言

短波通信的特点是路径损耗、时延散布、噪声和干扰等都随季节、昼夜以及通信的设备、频率、地点的变化而不断变化[1]。对短波信道进行效能评估,为合理地配置短波信道参数,提高通信质量提供依据。

效能评估方法发展到今天,主要有四类传统方法:解析法、统计法、作战模拟方法、多指标综合评估方法。解析法根据描述效能指标与给定条件之间函数关系的解析表达式来计算效能指标值,这种方法考虑因素少,且有严格的条件限制,而且解析法公式本身也不容易得到。统计法应用数理统计方法,依据实战、演习、试验获得的大量统计资料来评估系统效能。作战模拟方法的优点是能较为详细地考虑影响实际作战过程的诸多因素,特别适合于武器系统效能指标的预测评估。常用的多指标综合评估方法有层次分析法、ADC法、模糊评估法等[2-3],主要针对复杂的系统,其效能呈现出较为复杂的层次结构,优点是使用简单,评估范围广,适用性强;缺点是受人的主观因素影响较大。

1 云模型及基于云的效能评估

1.1 基于云理论的效能评估方法

李德毅院士首创的云模型是在随机数学和模糊数学的基础上,用自然语言描述的某个定性概念A与其数值表示之间的不确定性转换模型。它主要反映客观世界中事务或人类知识中概念的两种不确定性:模糊性(边界的亦此亦彼性)和随机性(发生的概率),把模糊性和随机性完全集成在一起,构成定性和定量相互间的映射,可充分顾及由随机性和模糊性引起的不确定性[4]。

传统的效能评估一般采用定性评估方法,对于精确的定量评估尚缺少有效的方法。近些年人们开始将云理论应用到效能评估方法中:

利用云重心法进行效能评估:文献[5-6]中,提出了相应的效能评价指标体系,建立了各指标的云模型及其多维加权综合云的重心表示,应用云重心评价方法给出系统的效能评估值,解决了效能评估中定性语言到定量的转化问题。

基于云模型的效能综合评估方法:文献[7]提出了一种基于云模型的效能综合评估方法,运用云模型刻画定性指标,把不确定的评语映射为可细微变化的不同云滴,把各因素权重的变化映射为可修正的云的数学期望,综合评估系统的效能。

2 基于云神经网络的短波通信效能评估方法研究

2.1 利用云神经网络进行短波信道效能评估

短波通信系统的影响因素(通信的日期时间、通信地点、通信设备、通信频率、环境参数等)本身存在着采集的不确定性,因此对短波信道效能的影响也有不确定性。云模型理论是以研究定性定量间的不确定性转换为基础的系统处理不确定性问题的一种新理论[8]。因此,使用云模型来表示短波通信的各项影响因素,可以很好的刻画表述其中的不确定性,有利于得到更为准确的结果。

人工神经网络具有联想、自组织和很强的容错能力,同时网络中的神经元之间的传输函数是一个非线性函数,通过输入层、隐含层和输出层之间的非线性复合作用,可以很好地逼近一个具有复杂非线性输入与输出关系的未知效能模型。

将云模型与神经网络相结合,不但具有神经网络的学习能力,而目结合了云理论处理不确定性知识的能力,更适用于复杂的短波信道效能评估。

2.2 云神经网络的建立

云神经网络是结合了云模型在刻划事物不确定性与神经网络在数据处理方面的非线性逼近能力而产生的[9]。最早的云神经网络是由上海交通大学田永青在文献[10]中提出的。文献[10]中提出了一种引入了简化的TS云模型控制器的云神经网络的决策树生成方法。该神经网络不仅包括了求和和乘积神经元,而且包括了能做基本的模糊操作的模糊神经元,其基本结构如图1所示。

图1 云神经网络的基本结构Fig.1 Basic structure of the cloud neural network

但是该网络是多输入单输出的,不便于工程应用,且并没有给出云模型的数字特征的确定方法。

文献[9,11]建立了m输入n输出的五层云神经网络结构,包括:输入层、云化层、隐含层、逆云化层、输出层。文献[8,12]针对在数据边界硬性划分中掩盖了数据的不确定性的问题进行了改进,建立了另外一种云神经网络模型。该网络利用了BP神经网络的学习能力,同时采用黄金分割模型对云模型的数字特征进行计算,生成了相应的云模型,在不影响数据模糊性和随机性的基础上,将数据转化为规则。文中将在基于文献[8,12]网络的基础上设计合适的云神经网络。

云神经网络建立如图2所示。

图2 云神经网络Fig.2 Cloud neural network

本云神经网络共分为六层,即输入层,云化层,软与层,标准化层,隐含层,输出层。

2.3 云模型数字特征的确定

云模型数字特征的确定有两种方法:黄金分割法和云变换方法。云变换是将一个任意不规则的数据分布根据某种规律进行数学变换,使之成为若干个大小不同云的叠加,叠加的云越多误差越小。可见采用云变换的方法提取数字特征可以更好地适应数据的分布特性。

黄金分割法则有些理想化,但是针对实验数据不够丰富的情况,则适合采用黄金分割模型对云模型的数字特征进行计算。其方法如下:

设云模型的3个数字特征为(Ex,En,He)。将输入指标属性划分为奇数个语言值,越靠近论域中心的其覆盖范围越小。对于相邻的语言值,离中心较近的语言值的熵和超熵是较远的0.618倍[12]。将每个输入指标属性分为5个语言值,分别为小、较小、正常、较大、大。

2.4 云神经网络的学习算法

根据误差反向传播算法的思想,我们采用梯度下降算法进行云神经网络的训练。同时,为了避免传统的学习算法容易出现的局部最小值、收敛速度慢以及发生震荡等问题,这里加入了η学习率和α动量因子。其学习过程如下:

2)误差的反向传播:先计算出输出误差,再根据输出误差逐层调整各层权值,使误差减小,直至误差到达目标误差为止。这里引入η学习率和α动量因子,且0＜α＜1[13],用来控制相邻神经元的权值修改方式,以及输出层和隐含层的阈值。

合理选取动量因子,对网络训练至关重要,若动量因子太小,加入动量项的效果不明显,而过于接近1,则会使算法不稳定,因此我们使用自适应动量因子。

我们希望达到的效果为:在误差曲面的平坦部分,增大动量因子,可使权值更新向量Wim(k)-Wim(k-1)获得较大的冲量,有助于权值逃离误差曲面的平坦区域,从而加速算法收敛。而在误差曲面的陡峭部分,减小动量因子可以避免算法出现不稳定。因此,动量因子为根据“误差关于权值向量的梯度大小”自适应调节的数值,即:

其中,λ为固定数值,‖▽WEk‖为误差Ek关于权值向量W的梯度大小[14]。

2.5 总体技术方案

短波信道效能评估的主要目的是在进行了频率优选预测[15]的基础上,利用知识数据库对云神经网络进行训练,采用人机交互的形式对确定了参数的短波信道进行效能评估的定量分析,具体的的技术方案如图3所示。

图3 总体技术方案Fig.3 Overall technical scheme

2.6 评估指标体系的确定

通信频率、通信地点、通信设备、具体的通信日期时间以及接收端干扰都是影响短波通信效能的因素。具体效能评估指标体系如图4所示。

对发电机整体在安装弹性支撑为10kN/mm的弹性支撑时进行模态仿真分析，弹性支撑主要参数如表4和表5所示，前9阶振动频率如表6所示，其中前9阶静态刚度时振型如图3所示(由于前9阶振型一致只是频率不一致，动态刚度振型图在此省略)。

图4 短波信道效能评估指标体系Fig.4 Evaluation index system of HF channel efficiency

2.7 实验方案及结果分析

(1)实验方案

本实验的目的是利用云神经网络进行训练和预测。

根据选择好的年份、月份、天线形式以及发信方和收信方的站址名等条件,提取对应的上月实际通信数据作为样本数据。采用其中的日期、时间、发射功率、接收信噪比、接收端干扰程度、天线方向角以及通信频率作为云神经网络的输入指标。在不影响数据模糊性和随机性的基础上,将数据转化为规则,并利用神经网络的学习能力,对本月指定日期时间、场站、设备、通信频率等条件的通信信道进行效能档位划分。

云神经网络如前面所述,有很多的参数,如,云的He参数、学习因子、动量因子中的λ值、预期误差、最大步数等,这些参数对结果必然是有影响的。需要通过大量的实验,总结出如何合理的调整云神经网络参数以便更快更好地得到预测评估结果。

云神经网络经过样本训练后,得到权值和阈值。输入指定的日期、时间和通信频率进行效能评估预测,就可以在输出层得到6个节点的输出值y1,y2,…,y6。我们将其进行归一化,然后根据式子得到预测评估的效能值:

(2)实验结果分析

由于云神经网络的随机性和模糊性,因此虽然是同样的数据、同一次网络训练后的效能评估,每次评估预测的结果都会有细微的随机变化,但是可以看出,效能评估结果的总体趋势并没有变。

经过多次的实验,分析如下:

1)通过对比实验,我们可以发现,采用自适应动量因子的云神经网络可以比采用固定动量因子的云神经网络更好更快地达到收敛。一般自适应动量因子中的λ取值为0.1～0.01之间时,收敛速度都能比采用固定动量因子的网络快几倍,λ越小,收敛速度越快。

2)学习因子和动量因子中λ值的选择。由于此云神经网络要经过两层权值调整,分别为W和V,所以共有两个学习因子分别对应为a和b。通过多次实验发现,针对不同的训练样本,学习因子a、b和动量因子中λ值的合理取值有利于网络的快速收敛,甚至有时不合适的学习因子和λ值会造成网络的不收敛。另外,当学习因子a和b固定的时候,λ越小,收敛速度越快。

3 结 语

研究表明,采用云神经网络进行短波通信效能评估,具有以下三个特点:

1)客观性。采用该方法可以基于短波通信的历史数据得到通信效能评估结果,降低了传统评估方法中依赖人为因素导致的评估指标权重分配不合理等负面影响,由学习算法自动训练形成的云神经网络参数能够更加客观地体现出数据之间内在规律性,从而产生更加客观的评估结果。

2)契合性。影响短波通信频率的诸多因素以及所采集到的相应的数据,具有模糊性和不确定性的特点。云神经网络中的熵和超熵等恰好可以刻画出这些模糊性和不确定性,从而使得影响因素的模糊性和不确定性变得可表示、可分析、可计算。云神经网络既能处理线性问题,也能处理非线性问题。在短波信道效能评估指标中,部分指标与评估结果呈线性关系,部分指标呈非线性关系,云神经网络对此均能进行有效处理。云神经网络的技术特点与短波信道效能评估的需求契合度非常高。

3)灵活性。云神经网络可以灵活地配置输入端数量。增减输入端数量就相当于增减评估指标个数,从而灵活地调整评估结果的精确程度。随着对通信影响因素研究的日渐深入以及所采集到的通信数据日渐丰富,可根据需要灵活地调整云神经网络的输入进行短波信道效能评估,使得评估结果更加准确。

[1] 沈琪琪,朱德生.短波通信[M].西安:西安电子科技大学出版社,1989:5.

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

[2] 杨海涛.星座卫星通信系统效能评估方法研究[D].长沙:国防科学技术大学,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,张杰.效能评估方法研究[M].长沙:国防工业出版社,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,王树良,李德毅.空间数据挖掘理论与应用[M].北京:科学出版社.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,冯传茂,杨和梅,等.基于云理论的炮兵作战指挥稳定性评估[J].武器装备自动化,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] 邓堃,吴静,柳世考.基于云理论的雷达组网作战效能评估[J].火力与指挥控制,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] 范定国,贺硕,段富,等.一种基于云模型的综合评判模型[J].科技情报开发与经济,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.基于元数据及云神经网络的数据管理分类研究[D].大连:大连理工大学,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,樊忠泽.基于云神经网络的空间推进系统故障检测与诊断[J].兵工学报,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,杜国宁,李志,等.基于云理论神经网络决策树的生成算法[J].上海交通大学学报,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] 黄强,吴建军.基于云神经网络的液体火箭发动机故障检测方法[J].国防科技大学学报,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] 韩敏,李政.基于云神经网络的多属性模糊规则分类[J].控制与决策,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,李钊.基于模糊神经网络的雷达对抗效能评估[J].无线电工程,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] 张会生,吴微.一种具有自适应动量因子的BP算法[J].大连海事大学学报,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.基于模糊小波神经网络的短波频率预测[J].通信技术,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,主要研究方向为现代通信系统理论与技术、通信信号处理。

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,主要研究方向为通信技术,计算机应用;