基于DNN的无人机数据OFDM传输技术

刘步花, 丁 丹, 杨 柳, 薛乃阳, 刘仲谦

(1. 航天工程大学研究生院, 北京 101416; 2. 航天工程大学电子与光学工程系, 北京 101416;3. 重庆航天火箭电子技术有限公司, 重庆 400039)

0 引 言

随着无人机制造业的发展,以及高机动、高灵活的特性,在军事和民用领域被广泛关注,正交频分复用(orthogonal frequency division multiplexing, OFDM)技术是常用的下行链路数传和图传技术。然而的地-空数据传输信道复杂多变,包含数据发送端高功率放大器(high power amplifier, HPA)带来的非线性失真、不同仰角地-空数据传输的多径效应,发送端和接收端载波频率偏移、外来电磁干扰等,这些因素降低了通信系统的误误率(bit error rate,BER)性能,严重影响数据传输的可靠性。

随着人工智能的浪潮悄然兴起,人们发现使用深度神经网络(deep neural network, DNN)来开发无线通信系统成为可能,其中DNN可用于所有与信号相关的环节,如编码、解码、调制、均衡等。Ye等首次利用DNN代替OFDM系统接收端信道估计、信号检测等模块,但是恢复256比特数据需要8个同等DNN,复杂度较高,文献[9]在此基础上加大了DNN结构，使其能在瑞利信道下进行数据恢复,同样运算量巨大。文献[10]首次提出基于深度学习的信道状态信息(channel state information, CSI)还原与恢复方法,称为信道解码器,当信道分布不可知时直接从解码器中得到CSI,但是该文只是提出对这种方法的建议和参考,深度学习在无线信道恢复的能力有待进一步探究。而文献[11]通过在条件生成对抗网络(conditional generative adversarial networks, CGAN)的条件信息中添加导频信息来生成与特定瞬时信道对应的数据。文献[12]在接收端先进行最小二乘(least squares, LS)粗估计再利用信道估计网络进一步估计CSI,另外串联了一个信号检测网络在迫零(zero forcing, ZF)算法之后处理,优化信号检测性能,不足的是，训练之前需要已知准确的信道信息。文献[15]设计了区分室内短信道和室外长信道的“Switch-Net”在线训练一个参数,解决了仿真与在线测试之间的性能差距问题,但只是针对陆地信道模型,在其他环境(如海洋环境)下的性能还未知。

结合文献[12,15]的网络结构,本文在地空信道下首次引入DNN方法进行处理,提出了一种DNN信号检测优化模型,命名为“SD_RefineNet”。该方法的主要步骤是:对接收端的频域信号进行LS算法和ZF算法的处理之后取特定的信号特征输入到由BiLSTM构造的SD_RefineNet中,对信号进一步优化处理,最后恢复数据流。这种方法能在时变多径信道下测试,并与文献[16]报道的OFDM系统在移动环境下的基于变换域插值算法和基于前导的信道估计算法进行对比,既降低了仿真环境和测试环境的差距,又减少了传统通信系统关于非线性、干扰的数据处理模块,优化了通信系统结构,提升了系统的性能。

1 地空信道下的OFDM系统模型

1.1 信道模型

在地面基站与空中通信的过程中,信道模型较为复杂。目前仍未有成熟的理论分析,通常为大量地-空信道实际测试数据的分析,文献[18]根据不同仰角将信道分为高斯区、二径区、莱斯区和瑞利区;而由文献[19-20]实测数据可知三径模型能够精确地描述无人机地空通信的实际信道,三径模型分别由视行路径、反射路径和散射路径组成。同时文献[21-23]将无人机信道模型归为起飞降落阶段、途中飞行阶段和任务盘旋3个阶段,每个阶段同样采用的是三径模型。文献[22]研究了无人机不同状态的信道参数,并且给出了典型值,具体参数如表1所示。其中,时延和能量损失表示方式为:抽头1(视行径)、抽头2(反射径)、抽头3(散射径)。

数据传输速率为2 Mbit/s,载频取2.4 GHz,地面反射径的时延的计算方法见文献[23],散射径时延取反射分量时延的2倍。本文采用Matlab的Ricianchan函数加入表1所列的多普勒频移、莱斯因子、多径延时、能量损失和采样频率(2 Mbit/s)这5类参数直接产生频谱再对信号进行滤波,以此模拟无人机信道。

表1 无人机信道参数

1.2 OFDM系统模型

图1是复杂环境下的传统OFDM系统框图,本文采用的是正交相移键控(quadrature phase shift keying, QPSK)调制技术,加入循环前缀(cyclic suffix, CP)后,通过变频和高功放率放大器发射信号波,非线性失真采用的是无记忆非线放大的Salah模型,表现为调幅-调幅和调幅-调相效应:

(1)

(2)

设高功率放大器(high power amplifier, HPA)非线性放大后的信号为(),其表达式为

()=[()]e(jϕ (()))

(3)

式中:()是原信号的幅度;、、、为Saleh模型参数;(·)、ϕ (·)是失真后的幅度和相位,是关于()的函数表达式。

设()经过多径信道在时域上与信道冲击响应卷积后信号为(),()表示为

(4)

式中:为第条路径上的信道增益;为第条信道的时延;为中心采样频率;为总路径数;(-)第条路径信号的冲激响应。

图1 复杂信道环境下的OFDM系统Fig.1 OFDM system in complex channel environment

本文研究的电磁干扰模型为单音干扰、多音干扰。多音干扰可以看作是单音干扰的叠加,只不过多音干扰是在离散子载波的叠加分量。设引入干扰和高斯白噪声()后的信号分别为(),则()的表达式为

()=()+e(j2π+)+()

(5)

式中:干扰信号的幅度;是干扰信号的频率;是离散时间序号;是采样频率;是干扰信号的相位。

2 无人机OFDM系统DNN接收机模型

2.1 无人机下行链路接收机结构设计

图2是无人机下行链路采用OFDM系统进行数据传输时接收端的结构设计,发射端数据处理流程如图1所示。不同于文献[12](接收机结构为信道估计优化网络与信号检测优化网络串联),本文设计的接收机在进行快速傅里叶变换(fast Fourier transform,FFT)解调之后先进行LS信道估计和ZF算法初步信号检测;再经过由BiLSTM和全连接层组成的循环神经网络恢复数据,最后进行判决输出比特流。BiLSTM是前向和后向长短时记忆网络(long short-term memory, LSTM)组合而成,循环神经网络的一种,其结构特点较适合时序数据的建模。本文设计的接收机结构跟文献[24]类似,不同在于LS算法之后采用的是多项式插值法和BiLSTM网络,而文献[24]采用的是线性插值和全连接神经网络。实验证明两种插值方法对数据的恢复能力大致相同。

图2 无人机下行链路接收机结构图Fig.2 Structure of unmanned aerial vehicle downlink receiver

由于无人机起降过程、飞行过程和任务执行过程中多普勒频移、莱斯因子、时延等存在差异,本文在3种飞行状态的信道条件下分别进行模型的训练,实际测试时只需获取无人机的状态,就可选择相应的网络类型进行数据恢复,这样提高模型训练难度的同时也提高了系统性能。

2.2 SD_RefineNet的结构和数据的产生

SD_RefineNet的结构如图3所示,由3层BiLSTM层和2层全连接层组成,BiLSTM的隐藏单元个数分别为30、10、6,全连接层的神经元个数分别为50、1;输入序列长度为6,输出序列长度为1;另外还有激活函数位于2层全连接层之后,由于最后判决输出比特应该为[-1,1],所以激活函数选择Tanh函数。SD_RefineNet训练时epoch=500,学习率为0.001,优化器为rmsprop。

图3 SD_RefineNet结构Fig.3 SD_RefineNet architecture

根据文献[22]关于OFDM系统的参数介绍,本文参数设置如下:数据传输速率为2 Mbit/s,即采样周期为2 MHz,符号周期为256 μs,因此每个符号需要传送256×2=512 bit,采用QPSK调制且不编码(即每符号带2 bit信息),则子载波符号个数即FFTsize=256,其中CP长度为1/4的子载波长度,即CPsize=64,导频长度为8个子载波,导频间隔=32。在接收端进行FFT解调之后得到复数信号()(=1,2,…,FFTsize),根据LS算法导频处的频域冲击响应为

(6)

(7)

图4 SD_RefineNet训练样本的格式Fig.4 SD_RefineNet training sample format

3 系统仿真分析

3.1 无HPA影响下的性能分析

传统的通信系统除了复杂场景下的信道建模困难以外,不但需要根据预设指标在接收端进行逐模块设计,还要对各个模块进行局部优化以此来消除或削弱数据传输过程中的信号失真和干扰。以OFDM系统传统信道估计来看,由于无人机信道时变性较强,发射机和接收机可以利用前导或者导频符号,并且利用不同的插值技术来估计导频之间子载波上的信道响应。传统方法的仿真为分别在LS算法基础上采用线性插值、三次样条插值、FFT插值和先利用前导符号做LS算法再利用导频符号进行相位补偿(基于前导)这4种方法,其中信号检测算法都采用ZF算法,前导子载波间隔为2,梳妆导频符号长度为8间隔为32,与本文DNN算法即“SD_RefineNet”进行对比,以此分析DNN进行信道估计和信号检测的优越性。图5～图7为分别在无人机3种飞行状态下进行仿真比较传统算法与DNN的误比特率性能。

从图5可以看出,线性插值法和3次样条插值法在无人机起飞降落阶段的信道下性能很差;基于前导的信道估计算法性能比插值算法稍有提升,但是性能依然较差;FFT插值的优势在于利用IFFT/FFT快速算法对信道进行插值,在此种信道条件下接近基于DNN的信道估计与信号检测技术,信噪比(signal to noise ratio, SNR)在25 dB时BER都在10数量级,但是仍有明显差距。由此可以得出无人机起飞和降落阶段,本文设计的新型基于DNN的OFDM系统性能比FFT插值性能稍有提升,更有利于信号恢复。

图5 起飞降落状态Fig.5 Takeoff / landing status

图6表示在无人机飞行状态下,SD_RefineNet与传统方法对比仿真图。由表1可知,无人机飞行状态下速率由40 m/s提升到134 m/s,最大多普勒频移增大,信道时变性加强,传统的插值算法对多普勒频移增大的信道无法较为准确的捕捉到信道状态信息。基于DNN的OFDM接收端性能有所下降,由仿真实验可知,SNR在25 dB时,系统BER在10量级。但是相较于传统算法,基于DNN的OFDM系统仍保持较强的性能优势。

图6 飞行状态Fig.6 Flight status

图7为无人机任务盘旋阶段,不同信道估计方法系统数据传输的BER曲线图。与图6一致,基于DNN的接收端数据处理表现出明显的性能优势,但不同的是,在SNR=25 dB时,BER在10量级。表2是无人机3种飞行状态下用SD_RefineNet做信号检测优化的仿真BER对比。

图7 任务盘旋状态Fig.7 Mission hover status

表2 无人机3种飞行状态BER对比

由此可看出在无人机飞行状态下BER性能最弱,其次是任务盘旋阶段,最好的是起飞降落阶段。分析其原因:起飞降落阶段运行速度较慢,因此多普勒频移较小,视行径信号最强,莱斯因子最大,为20 dB,造成信号失真相对于途中飞行状态和任务盘旋状态更小,所以在相同的网络结构和网络参数下,神经网络非线性函数的拟合能力更强,更有利于对测试数据的回归。但是即便如此,基于DNN的OFDM接收机性能仍强于传统方法,提高了系统数据恢复的准确率。

3.2 非线性对性能的影响分析

OFDM系统经IFFT调制之后的多个独立子载波叠加使得时域发射信号峰均比较高,经过高功率放大器和衰落信道后,产生的HPA非线性会引起带外辐射和带内失真,带外辐射会影响相邻频带内的信号,带内失真会使接收信号产生旋转、衰减和位移。传统消除非线性失真最简单的方法是在信号进入放大器之前先对信号进行输入功率回退(input back-off, IBO),使放大器工作在线性区,IBO回退将导致输入信号功率损失,影响射频发射。非线性放大的参数为=2158 7,=1151 7,=4003 3,=9104 0。图8为以无人机在起飞与降落信道状态下,系统仿真加入HPA后,传统FFT插值与基于DNN的OFDM系统BER对比情况。

图8 HPA对系统的影响Fig.8 Impact of HPA on system

与图5相比可知,在系统存在HPA失真的条件下,FFT插值信道估计已经明显削弱,远不及基于DNN的优化处理。而在发送端将信号回退-4 dB以消除HPA失真的方法依然收效甚微,相比之下,SD_RefineNet优化性能优势明显,SNR=25 dB时BER仍然保持在10量级。图9为3种无人机飞行状态下(1为起飞降落状态、2为途中飞行状态、3为任务盘旋状态),HPA对基于DNN的OFDM系统BER对比图。

图9 3种飞行状态下HPA的影响Fig.9 Influence of HPA in three channel states

由此可看出,HPA会导致系统性能的降低,且无论是否存在HPA,无人机处于途中飞行状态时性能最弱,BER在10量级,而其他2种状态下均在10量级。

3.3 外来干扰影响分析

图10是无人机途中飞行状态下,单音干扰和多音干扰对系统的影响误码率比较。单音干扰为OFDM系统中第180个子载波所在的频点,多音干扰是第54、76、89、179、180的子载波所在的频点,多音干扰和单音干扰的信干比(signal inference ratio, SIR)均为-15 dB,干扰限幅抑制限幅因子为1,限幅抑制前采用前向连续均值去除(forward consecutive mean excision, FCME)算法进行干扰频点检测。限幅抑制之后或者不处理干扰频点都采用FFT插值算法进行信道估计和ZF算法信号检测。传统信号处理过程是先进行干扰消除,再进行信道估计和信号检测。

图10 外来干扰对系统的影响Fig.10 Influence of external interference on system

从图10可以看出,FCME和限幅抑制的结合能达到干扰消除的目的,系统BER性能稍有提升,但是基于DNN的OFDM接收机无需进行额外的干扰处理模块而直接进行数据训练和测试的处理过程,系统BER性能比传统方法明显提升一个数量级,说明SD_RefineNet具有一定的抗外来干扰的能力,且多频点干扰和单频点干扰对系统的影响并不大,有利于将SD_RefineNet应用在实际信道环境中。

4 结 论

本文考虑到无人机信道中的多径效应、多普勒频移等因素对无人机数据传输造成的BER性能损失,分别解决了在非线性功率放大和外来干扰等复杂环境下的数据恢复难题,设计了一种新的基于DNN的网络结构:在输入BiLSTM网络之前使用LS、ZF算法进行初步信道估计和信号检测,再取得信道特征和信号特征进行训练,最终进行回归预测恢复数据流。

(1) SD_RefineNet起到了快速时变多径信道估计和优化信号检测的作用。本文在无人机3种飞行状态下,通过SD_RefineNet与传统插值算法信道估计比较,SD_RefineNet比传统算法BER性能明显提升至少1个数量级。

(2) 在无人机复杂时变信道下加入HPA失真、外来单音干扰和多音干扰的情况下,SD_RefineNet仍保持着较强的恢复信号能力,具有一定的补偿非线性失真和干扰抑制的作用。

(3) 复杂多变的信道状态、HPA无记忆放大、外来干扰等对基于SD_RefineNet网络的OFDM系统影响不大,说明SD_RefineNet具有一定的稳定性,有利于系统在无人机数据传输领域的实际应用。

综上,SD_RefineNet将LS、ZF算法之后的数据看作6种信号特征用于信号的回归预测,提高了系统的稳定性和可靠性。此外在实际应用中收集数据获得信号特征之后,应该在基于此网络的基础上对隐藏层进行微调,以达到更好的性能。