基于深度学习技术的舰船无线通信应用研究

阎 超 傅雨佳

（中国船舶及海洋工程设计研究院 上海 200011）

引 言

近年来，随着计算机硬件能力和算法技术的提升，人工智能技术取得了突破性发展。已经在交通、安防、城市管理、医疗和电力等众多领域得到了应用，并取得显著效果，创造了巨大的经济价值。人工智能技术可以取代人工劳动，完成高强度重复性任务决策，具有工作效率高，准确率高的特点。各行业领域具有不同特征，在实际生产过程中也就有不同的行业痛点。人工智能属性定位于通用型技术，在与各行业情景结合解决行业痛点的尝试中，需深入了解行业属性，定向开发智能技术解决应用需求，因此目前各行业内还没有形成统一的行业标准。在舰船无线通信网络应用领域，自动化程度较低，还未出现具有人工智能属性的通信网络应用。

随着人工智能技术的成熟和普及，将来会出现场景下人工智能技术的落地应用，人工智能在推动多领域技术创新和产业形态变革中将会发挥更加重要的作用，加速推进经济社会发展。

1 人工智能技术发展及原理

人工智能从诞生至今，经历了一次又一次的繁荣和低谷，发展历程大致可以分为推理期、知识期和学习期。在推理期，可以通过较简单的程序实现对预设任务的推理辨认，推理规则简单，只能在设定的机械规则内运行，无法形成实际意义上的机器智能。在知识期，出现了“知识库”+“推理机”的模式，形成了具备专门知识和经验的计算智能程序系统，人类把自身的知识和经验以标注数据的形式建立知识系统，计算机基于封闭的知识系统进行系统内的推理判断。时间过渡到学习期后，人工智能技术的重点集中到计算机自动学习，人类设计目标算法，计算机根据算法自动从数据中分析获得规律，利用学习到的规律对数据进行预测和辨识。

至此，人工智能技术进入到机器学习的时代，具备了可以进行产业落地应用的能力。随着算法技术的推进，在机器学习的基础上又出现了深度学习，成为目前人工智能领域非常重要的理论。

深度学习是指对原始数据根据非线性特征进行多次转换，基于最原始的数据，构建多层次的深度模型，设计学习算法让模型自动学习总结出数据的特征，这种学习是通过分层实现的，层数的设计和每一层预定特征数的提取是在算法设计过程中确定的，通常分为底层特征、中间层特征和高层特征，每层特征构成基本的神经结构单元，多层堆叠形成多层神经网络。一般情况下，特征提取的层数越多得到的算法模型的准确度越高。

深度学习的本质特征体现在神经网络模型中预设的神经网络层数和每层的神经元数量，设计后的模型对数据集的学习以及总结分析数据规律的过程完全是由机器自行决定的，人类或许可以理解机器提取出的低层次特征，但随着提取特征层次的增加，特征表现得更加抽象，人类无法理解高层特征的现实意义，可以认为机器自身具备了对客观世界高抽象层次的认知能力。

2 舰船短波无线通信现状

目前，舰船之间基于短波频段的无线通信方式本质上仍为点对点通信方式。短波无线通信网络技术发展缓慢，短波通信网络概念还停留于提前规划各节点在时间、空间、频率等参数层面上，并无严格意义上的基于IP传输交换的流程。基于目前短波通信技术体制下的通信功能单一且质量较低。

3 应用场景设想

随着实际应用中对各种功能定位的舰船需求量增加，未来因舰船平台数量增加凸显出的短波通信能力较弱的问题会日益突出，增量基于短波的无线网络通信能力是必然的趋势，短波无线通信网络技术和能力会得到显著发展。

短波通信形成无中心化的网络通信能力，单舰船平台配置短波信道设备、路由设备、网络控制设备等，单节点具备独立对信息进行发送、接收和路由转发的能力。每个单舰船平台节点均分配有单独的IP识别地址，单节点可接收来自不同平台的信息，且可根据实际需要对接受到的信息进行路由转发，实现信息有目的性的网络化传输。

舰船平台为无线通信网的通信节点，通信节点可配置网络运行控制硬件设备和路由设备，负责完成网络运行维护和网络路由信息的保存和修改；网络控制设备搭建和维护通信网络，编程预设网络构建的逻辑连接模型，设计网络架构，编制网络内信息传输节点的路由算法，通信容量带宽分配规则等。通信节点从入网申请、信息发送和申请退网的全部工作流程都是基于网络控制设备预先设置的网络通信编程模型结构。

传统意义中的有线和移动通信网络的使用维护、信道路由选择等重要操作仍需人为因素完成实现。通信节点产生信息，需要通过无线通信网络传输到目标节点。每个节点进入网络后传输信息只按照编程设定的算法模式运行，缺乏网络系统的灵活自主性，在实际应用中存在通信资源浪费和网络模型固化的弊端。

舰船通信网络是一张时刻动态变化的信息网，在动态变化的网络中选取最佳的路由规划节省网络资源，动态自动分配节点之间的信道带宽让有限的通信资源实现实时有效的高效调度，对整体提升网络的传输性能实现网络智能化具有重要意义。

4 智能无线通信网络模型

网络模型设计流程分为模型训练、模型测试和模型优化阶段，如图1所示。

图1 网络模型流程示意图

获取数据样本制作训练数据集，将设计神经网络模型输入数据进行训练，固化模型参数；将固化后的模型部署在硬件平台上，用测试数据测试模型；最后，根据测试阶段积累的数据持续优化模型，并对模型参数进行修正去学习适应通信网络的特性：

（1）获取训练样本

需要针对目标网络的运行数据保持较长时间的监控，获取足够的网络数据样本，数据中应包括用来表征网络运行特征的的信息，如：在设定时间内的节点路由信息、传输信息量和网络节点规模等。对记录的数据集进行清洗获取标准化数据，人工标注特征信息和获取训练样本，作为算法模型进行深度学习的训练资源。

（2）创建神经网络

深度学习算法模型设计为多层时序神经网络形式，如下页图2所示。网络中设置

N

个通信节点，第

N

个节点与剩余

N

-1个节点设有神经逻辑连接。假设在

t

时刻信息从第

N

个节点开始传输，在

t

+Δ

t

时刻，信息有可能传输到

N

-1个节点，并且在初始化状态下设置到达每个节点的概率都是相同的；同理，在

t

+2Δ

t

时刻，信息可以被传输到

N

-1个节点，达到每个节点的概率也是相同的。所以依次类推，可以设置增加多层时序网络至

t

+

n

Δ

t

时刻。

图2 时序记忆神经网络模型

（3）训练神经网络模型

在深度学习框架内构建多层神经网络中，每时刻节点

N

都有可能接收来自其他

N

-1个节点送来的路由信息。如下页图3所示，原始模型规定从每个节点之间有信息交互的概率都是相等的，神经网络模型的初始化参数都是相同的，即

P

=

P

=

P

=

P

=

P

=

P

=

P

。将数据样本输入神经网络，神经网络自动分析数据的内在规律，并自动按照总结分析的规律来修改网络模型参数并对参数进行保存记录，在下一个设定时刻，神经元会继续对相应的数据进行分析，并叠加优化神经网络参数。在学习训练过程的结束时，神经网络模型会达到对既有数据的最佳匹配状态。比如：经过对长时间样本数据的学习，每个神经网络可以总结出节点在一段时间内与剩余所有节点的连接总体情况，其中有连接概率大的节点，也有连接概率小的节点；有流量多的节点路径，也有流量偏少的路径。神经网络对各节点的连接特征进行参数修正。

图3 单神经元节点连接示意图

（4）模型部署与优化

将训练后的神经网络模型以软件形式部署到网络控制硬件平台中，模型算法会根据学到的特征，自动实时对网络各节点路由、带宽特性进行动态规划。随着网络使用的时间增长，模型还会自动根据增加的数据再继续学习，增加对网络新特性的理解，继续优化网络。实现网络的运行和优化同步进行，提高网络智能化水平。

5 模型应用关键技术

5.1 制作训练数据集

在深度学习算法模型的训练过程中，模型需要对关键数据进行分析学习，在无线通信网络中，网络关键数据包括网络节点数量、信息路由、信道带宽等。训练数据集需要规范特征信息的数据结构，通过数据清洗、切片等应用操作，获取标准数据集。数据集信息格式在设计规划中需适应现有的网络控制信息的数据格式，以提升数据通用性。

5.2 提升节点边缘计算能力

舰船通信设备多采用基于嵌入式技术的传统通信芯片，芯片算力有限，深度学习网络对芯片的计算能力有更高的要求。对通信网络的实时状态进行学习推理，在特殊情况下还需要启动加速计算模式，芯片的实时处理能力是硬指标。在舰船通信网络节点专门配置计算平台完成推理计算的设想，因受制于舰船平台多种条件约束，目前还不具备可行性，无法达到为单一的计算任务配置专门高性能计算平台。可行的方法是提升网络控制设备内置芯片配置，提升边缘计算能力。目前，嵌入式人工智能硬件在功能和性能上还不具备满足工业级大型应用的能力。在硬件研发领域，需重点突破硬件芯片算力瓶颈，开发工业级嵌入式人工智能计算平台。

5.3 设计神经网络

目前，在技术上较为成熟的神经网络类型有卷积神经网络、循环神经网络等。卷积神经网络可以对图像局部信息特征的持续捕捉分析，用来分析识别图片、视频画面；循环神经网络用于对声音、文字等语言相关的信息进行分析预测。不同的业务特性需要对应设计开发不同类型的神经网络，本文引入时间维度变量的神经网络，其中，网络层数、决策机制、时间变量引入方式和时间间隔等关键特征决定着神经网络性能。完成可以工业应用的网络模型涉及到复杂算法的开发和多轮多次技术迭代，增加了实际实现应用的难度。

6 结 语

人工智能是社会和技术变革的巨大驱动力量，在数年时间内取得了巨大的技术突破，对未来推动产业技术革命将发挥重要作用。加快人工智能研究是社会的普遍共识，随着人工智能技术在各产业应用领域的深入，未来的趋势是人工智能技术将会应用在不同的落地场景中，人工智能技术也会向着差异化方向发展，通过最佳的模型和算法设计匹配场景的特征。深入剖析舰船通信系统特点，结合人工智能技术现状和趋势，寻找应用人工智能技术的切入点，是推进通信领域智能化水平的可行道路。