无人机自组织网络多包接收智能信号检测算法

白 丽， 冯志刚

(1.北京航天自动控制研究所，北京 100854； 2.南京航空航天大学 电子信息工程学院/集成电路学院，江苏 南京 211106)

无人机自组织网络[1-3](UAV Ad Hoc Network，UANET)将无人机技术[4-6]与无线通信技术相结合，二者相辅相成，共同推进低空领域无线通信网络的不断发展[7]。多包接收为UANET的进一步发展提供了强有力的支持，对于经典的UANET分簇问题，多包接收技术可以有效实现簇内多个无人机节点向簇头节点进行数据信息的并发传输[8-10]。

采用多包接收技术时，无线通信就成为了一种多路共享的并发传输，其将传统的共享排斥改变成允许多路传输共享，从而大幅提升了无线网络的通信并发度。多包接收机制是无线网络并发传输的基础，目前已经出现了多输入多输出(Multiple-Input Multiple-Output,MIMO)[11-12]、干扰消除[13-14]等多种可以实现多包接收的并发通信技术。

干扰消除技术是在多用户检测的研究基础上延伸出来的，目前常用的有并行干扰消除技术和串行干扰消除技术等。串行干扰消除(Successive Interference Cancellation,SIC)[15-17]的每个阶段仅检测一个节点所发送的信号。系统首先检测到多路信号中接收能量最强的信号，然后是次强的，依此类推，直到解码错误或者所有信号都被成功解码。并行干扰消除[18-20]技术可以同时对所有节点的传输信号进行检测，在并行干扰消除的每次迭代中，会试着对冲突中的所有信号都进行解码，尽可能地解码出更多的信号。如果迭代过程中有信号被解码出来，则会将其从原信号中剔除，未解码出来的信号会继续迭代下去进行平行检测，这个过程可以重复几个阶段，因此被称为并行干扰消除。

近年来，干扰管理技术受到越来越多的关注。文献[21]中首先分析了由多架无人机组成的UANET的特点，然后重点研究了如何提高无人机网络通信质量的方法。在分析了MIMO技术和正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)技术的原理和系统模型后，构建了一个MIMO-OFDM通信系统，可以有效提高无人机通信系统的数据传输能力。文献[22]提出了一种新的多光束无人机上行链路通信合作迭代干扰消除策略，旨在消除每个被占用的地面控制站的共信道干扰，同时最大限度地提高可用地面控制站的总和率。采用多天线无人机向选定的可用地面控制站发送多个数据流，进而将其解码的数据流转发到其回程已占用的地面控制站以消除干扰。文献[23]提出了一种新的协作干扰消除(Cooperative Interference Cancellation,CIC)方案，以减轻其对同信道地面控制站的强干扰。通过线性/非线性干扰消除技术来消除无人机的信号，将量化信号与自己的接收信号一起处理，以解码出消息数据。文献[21]～文献[23]提出的以干扰消除技术、MIMO技术为代表的干扰管理技术，可以有效提升无人机节点同时处理多个数据包的能力。但是传统MIMO技术和干扰消除技术需要依靠特定的信道模型和完整准确的信道状态信息，并且相应的算法复杂度较高，这就需要科研人员开发出更加高效的多包接收信号检测算法。

针对上述问题，本文利用并行干扰消除技术和MIMO技术，并联合机器学习来研究UANET中的多包接收智能信号检测算法。考虑到传统的并行干扰消除技术需要依靠特定的信道模型和完整准确的信道状态信息。为此，笔者提出了一种智能信号检测算法，保留迭代并行干扰消除算法的整体结构，同时采用最合适的深度神经网络来代替传统的基于信道模型的复杂计算，设计出一种基于干扰消除的UANET智能信号检测算法——IC-ISDA(Intelligent Signal Detection Algorithm Based on Interference Cancellation)。所提出的算法使分簇UANET中的簇头无人机可以对所接收到的多路并发混叠信号进行检测和恢复，从而使簇头无人机可以同时正确接收来自多个发送节点并发传输过来的多个数据包。经过理论证明了所提出的算法的有效性。

1 问题描述与模型分析

1.1 多包接收问题描述

当UANET进行无人机分簇通信时，经常会存在多个簇内无人机节点向簇头节点进行信息传输的情况，其基本通信场景如图1所示。

图1 无人机自组网分簇通信多包接收场景

当簇内多个无人机节点的传输信号在簇头节点发生重叠时，如果采用传统的信号处理技术，这些信号就会因为碰撞冲突导致接收失败。然而，当其采用MIMO技术和并行干扰消除技术相结合的方式时，可以大幅提升无人机接收端处理多路并发传输信号的能力，充分提升UANET的通信并发度。将MIMO技术应用于分簇UANET通信系统中，类似于形成一种多用户MIMO(Multi-User MIMO,MU-MIMO)通信，其基本结构如图2所示。在MU-MIMO通信体系中，通信节点的收/发端一般都采用多根天线来搭建天线阵列，使接收端可以利用多天线在其接收到的混合信号中成功检测并恢复出多个并发传输信号。

图2 多用户MIMO结构

但是需要注意的是，在MIMO技术中基于并行干扰消除的符号检测是以信道模型为基础的。当信道模型未知或者信道模型比较复杂时，这些方法就不再适用。另外，基于干扰消除的信号检测技术，通常需要准确了解信道状态信息(Channel State Information，CSI)。若无法准确了解CSI，会明显影响基于模型的信号检测算法的性能。近10年，基于机器学习的算法研究，尤其是深度神经网络(Deep Neural Networks，DNN)，已经彻底改变了许多研究领域。因此，本文在UANET中利用机器学习工具来替代多包接收中基于模型的信号检测算法，设计出一种基于干扰消除的UANET多包接收智能信号检测算法——IC-ISDA。

1.2 系统模型分析

系统模型为一个采用MIMO技术的分簇UANET，其中，分簇UANET中无人机节点的接收端配置多根天线，发射端采用单天线。整个通信系统可以描述为K个具有单发射天线的簇内无人机发送节点与配置N个接收天线的簇头无人机接收节点进行通信。在时隙i，第k(k∈{1,2,…,K})个节点发送一个大小为Sk[i]∈φ,φ={α1,α2,…,α2M}的传输信号，其中φ为调制符号集，M为调制阶数，αp= [αp,1,αp,2,…,αp,M]为星座图S中具有M比特的第p个星座点，S[i]=[S1[i],S2[i],…，SK[i]]T为时隙i时所有传输节点同时发送的信号。令Y[i]代表时隙i时的输出信号，重点研究从信道输出的Y[i]信号中成功恢复出信号S[i][S1[i],S2[i],…,SK[i]]T,其中输出信号Y[i]由条件分布概率PY[i]|S[i](·|·)表示。在给定信道输出实现Y[i]=y的情况下，最小化错误概率的最优检测算法是MAP检测算法。设PS|Y是给定Y[i]的S[i]的条件分布，则MAP检测算法规则为

(1)

图3 系统结构

2 迭代并行干扰消除算法

针对具有多无人机节点的分簇UANET的多包接收问题，采用并行干扰消除与软判决相结合的方式，可以在接收端成功解码出多路并行传输信号。假设存在一个通信信道，其输出是其输入被加性高斯白噪声破坏的线性变换。令H=[h1,h2,…,hK]表示一个信道增益矩阵，其中每个元素之间是相互独立的，并且它们的统计特性都服从零均值和单位方差。hK为无人机节点k到接收端各天线之间的信道增益向量，即hK=[hk1,hk2,…,hkN]T。则簇头节点在时隙i接收到的信号矢量为

Y[i]=HS[i]+W[i]

=h1S1[i]+h2S2[i]+…+hKSk[i]+W[i]

(2)

式中：W[i]为多维加性高斯白噪声向量，满足协方差σ2Ik。

基于迭代并行干扰消除的检测方法以迭代的方式运行，首先需要大致计算出一个初始值，并且使这个初始值与节点传输的信号矢量尽量相似。在每一次迭代中获得相似信号估值后，无人机接收端对接收到的多路并行信号进行干扰消除，来恢复传输信号。迭代并行干扰消除技术由Q次迭代组合而成，其中每次迭代的索引为q∈{1,2,…,Q}。系统将多级干扰消除与软判决相结合并以迭代的方式运行。通过多次迭代使条件分布估计得到细化，并允许接收端在最后一层加上硬决策来准确地恢复出每个信号。为了选取合适的初始值，综合考虑算法的精确度和复杂度，并利用矩阵F=HHH+σ2IK的对称正定和对角占优特性。取D=diag(F),则可以得到预估的初始值为

(3)

式中：O(S)为信号S的判决函数。

在迭代过程中，在得到上一次迭代所估计出的信号之后，就马上对无人机接收端所接收到的信号矢量Y[i]进行干扰消除。在接收端，对于无人机节点k所发送的传输信号，依据干扰消除方法对无人机接收端接收到的来自其他天线的干扰信号进行处理，可以得到时隙i时由节点k发送信息所获得的接收信号矢量：

(4)

假设为完美干扰消除，即来自其他天线的干扰被全部清除掉，并且忽略噪声的干扰，则可以得到时隙i时由节点k发送出的信号估计在下一次迭代过程中的表示：

(5)

(6)

(7)

(8)

(9)

(10)

当系统进行最后一次迭代时，通过最大化式(10)的结果来进行信号的判决检测，可以表示为

(11)

通过上述联合分析，相比于MAP检测算法，迭代并行干扰消除算法的计算复杂度仅随无人机发送节点数目呈线性增加。因此，当发送节点数目较多时，即UANET规模较大时，这种方法同样可行。但是迭代并行干扰消除技术需要了解详细准确的信道状态信息，获取此类信息同样可能需要大量的开销。基于迭代并行干扰消除算法存在的问题，本文在此基础上设计联合检测器，该方法以数据驱动的方式进行并利用了干扰消除技术。之所以采用迭代并行干扰消除技术为框架基础，是因为迭代并行干扰消除所能实现的信号检测效果与MAP算法十分相近，并且这种方法可以轻松地转换为数据驱动的方式。因此可以采用机器学习的方法加以实现，将机器学习方法集成到上述迭代并行干扰消除算法中来生成UANET系统中的无人机节点的接收器，使整个UANET系统可以对任意无记忆固定信道进行处理，并且也不需要去获取准确的信道状态信息。下面将以MIMO技术、迭代并行干扰消除技术等干扰管理技术为基础，结合机器学习来实现UANET多包接收智能信号检测算法的理论分析。

3 基于干扰消除的智能信号检测算法

在分簇UANET中，簇头无人机节点对于簇内节点多路并行混叠信号的多包接收，可以采用MIMO、迭代并行干扰消除等基于干扰消除思想的干扰管理技术加以实现。MIMO系统是指在通信节点的发送端和/或接收端装备有多个天线的无线通信系统，并且当接收端的天线数量不小于发送端时，该接收节点就能够对接收端所接收到的混叠信号加以检测，并解码出多路并行传输信号，可以有效地提高通信系统的并发传输性能。在 UANET中，利用 MIMO 的优势可以有效改善网络性能，利用其空间复用的优势来充分提高UANET的多包接收能力，从而提升整个UANET的通信并发度。将迭代并行干扰消除算法作为MIMO系统的信号检测算法，在机器学习工具下实现基于数据驱动的UANET多包接收智能信号检测算法，不仅可以有效降低计算复杂度，而且可以充分提升不同环境下UANET多包接收的信号检测与恢复性能。

为了确保整个UANET通信系统的接收端可以准确地进行联合检测并成功恢复出多路并行传输信号以实现多包接收，必须保证整个UANET通信系统能够准确地训练分类深度神经网络构建块。针对训练方法，给出2种可能的训练方法，即端到端训练和顺序训练，并且对于每一种训练方法，使用了不同的全连接网络。

图4 端到端训练

(12)

基于式(12)，系统采用端到端的方法来训练整体架构中的接收器，共同更新所有深度神经网络构建块的系数。但当通信网络中存在大量节点时，由于同时训练大量的参数可能需要非常多的输入-输出对，因此接下来进一步介绍另一种训练方法，即顺序训练方法。

图5 顺序训练

(13)

4 仿真验证

对所提出的IC-ISDA算法性能进行验证分析。对于第3节提到的深度神经网络的训练方法，采用自适应矩估计优化器以相对较少的具有4000个训练样本的训练集来训练所提出的IC-ISDA算法，并利用18000个符号来对所提出的IC-ISDA算法进行测试。对于所提出的算法的每一种训练方式，其相应的全连接层结构在第3节中已经详细给出，然后在各个场景下综合对比各算法的性能差异。

假定无人机集群在指定区域构建低空通信网络系统时，形成了图6所示的多层分簇自组网形式，并且此时无人机通信节点的飞行速度相对较慢。此时UANET中簇内无人机发送节点使簇头接收端能够获取很强的直射信号，并且天线仰角一般较高。同时，该低空通信区域内并无高山等其他障碍物，故可以将无人机机间通信信道视为线性高斯信道。在这种信道场景下，将IC-ISDA算法与其他检测算法进行比较。通过比较以下各个算法之间的误码率来验证所提出的算法的优越性，其中主要包括：① 最小化错误概率的最佳检测算法MAP检测算法；② 传统的迭代并行干扰消除算法PIC算法；③ 基于顺序训练方法的IC-ISDA算法sequence IC-ISDA；④ 基于端到端训练的IC-ISDA算法E2E IC-ISDA。

图6 无人机多层分簇自组网结构

针对仿真分析所需的通信场景，首先考虑一种4个具有单天线发射机的簇内无人机节点和1个具有4天线接收机的簇头节点通信场景，记为4模式。该模式使用的是二进制相移键控信号，即S={-1，1}。信道矩阵H模拟空间中指数衰减，其中各项可表示为：(H)m,n=e-|m-n|。其中，m为接收端天线编号，m∈{1,2,3,4}；n为无人机发送节点，n∈{1,2,3,4}。此外，考虑一种16个具有单天线发射机的簇内无人机节点和1个具有16天线接收机的簇头节点通信场景，记为16模式。在1.2节中已经分析过：当无人机发送节点的数量不断增加时，整个系统的计算复杂度就会越来越高，从而导致MAP算法不可行。因此，在4模式中，对各种算法都进行仿真分析，重点是将所提出的算法能够实现的误码率与最佳MAP检测算法的误码率进行比较。当采用另一种16模式，重点是为了验证所提出的算法在多无人机节点下的可行性，这也能充分体现所提出的算法的强适用性。对于每一个通信信道，采用2种情形来分析验证所提的IC-ISDA算法：① 信道状态信息是完全了解的，即误差方差大小等于0。② 不确定的信道状态信息，对于4模式，取误差方差大小为0.1；对于16模式，取误差方差大小为0.8。通过比较不同信噪比下的误码率来对比分析各种算法的性能。

图7为线性场景4模式下各个算法的误码率与信噪比之间的关系。由图7(a)可以看出，在不确定的信道状态信息下，基于端到端训练和顺序训练的IC-ISDA算法的性能都更为显著，而MAP检测算法和迭代并行干扰消除算法变得不再适用。这是因为MAP检测算法和迭代并行干扰消除算法都是以信道模型为基础的，即需要准确了解信道模型。由7(b)可以看出，在信道状态信息完全了解的情况下，使用端到端训练的IC-ISDA算法的性能十分接近于传统并行干扰消除算法，并且与MAP算法的性能相差甚微。同时，考虑到所提出的IC-ISDA算法在不确定的信道状态信息下表现得依旧完美，这就更加证明了IC-ISDA算法的可行性。其中采用了端到端训练和顺序训练2种方式，相比于端到端训练，顺序训练可以采用更少的数据集来对算法进行训练，进一步降低了复杂度，后文也会对这两种训练方法加以比较。

图7 线性场景4模式下各算法的误码率与信噪比之间的关系

图8为线性场景16模式下各算法的误码率与信噪比之间的关系。因为伴随着无人机自组织网络中无人机通信节点的不断增加，传统MAP检测算法的计算复杂度就会越来越高，使其在计算上变得不再可行。对于其他算法，如图8(a)所示，在不确定的信道状态信息下，虽然各个算法的误码率都存在恶化的趋势，但是采用端到端训练和顺序训练的IC-ISDA算法的性能依旧明显优于传统迭代并行干扰消除算法。另外在信道状态信息完全了解的情况下，如图8(b)所示，采用顺序训练的IC-ISDA算法虽然存在一些差距，但是采用端到端训练的IC-ISDA算法的性能依旧略优于迭代并行干扰消除算法。这就证明了IC-ISDA算法在规模相对较大的UANET中的强适用性。

图8 线性场景16模式下各算法的误码率与信噪比之间的关系

在上述仿真分析中，已经验证了采用端到端训练和顺序训练的IC-ISDA算法的性能。之所以采用2种训练方式，是因为对于端到端训练，当通信网络中存在大量节点时，同时训练大量的参数可能需要非常多的输入-输出对作为训练集来达到收敛。而顺序训练可以利用相对较少的训练集来适应相同规模的通信网络。然而在上述分析中，可以看出采用端到端训练的方式一般可以获取更高的可靠性。因此，为了详细了解2种训练方法在给定相同的训练集下的可靠性，将对端到端训练和顺序训练进行对比分析。

对于这2种训练方法，统一采用第3节中已经介绍过的具有2个全连接层的神经网络。考虑上述内容中的线性4模式，并且是完全了解信道状态信息的情况下。在信噪比分别为10 dB和15 dB的情形下，比较了二者误码率与训练集数目之间的关系。线性场景4模式下两种训练方法对比图如图9所示。

由图9可以看出，顺序训练的方法可以在训练样本较少的情况下就能达到收敛，而端到端训练则需要提供更多数量的训练样本才能达到其理想效果。另外，端到端训练的准确性会随着训练样本数量的减少而明显降低。图9也验证了顺序训练可以利用相对较少的训练集来适应相同规模的通信网络，因此可以基于训练集的大小来选择训练方法。顺序训练使用小得多的训练集便能达到收敛，其可靠性相比于端到端训练不会相差太多；如果训练样本足够，可以采用端到端训练来获取更高的准确性。

图9 线性场景4模式下两种训练方法对比图

5 结束语

联合MIMO和迭代并行干扰消除这2种基于干扰消除的干扰管理技术，并利用机器学习设计出一种UANET多包接收智能信号检测算法——IC-ISDA算法，实现了簇头无人机节点同时处理多个并发传输数据包的能力，极大提高了分簇无人机自组网的通信并发度。将分簇无人机自组网中的簇内无人机设置为具有单天线发射机的通信节点，簇头无人机节点则配置了多天线接收机。分析了一种依靠迭代并行干扰消除技术实现多输入多输出的信号检测方案，然后引入深度神经网络，将传统的迭代并行干扰消除中基于模型进行计算的结构替换为深度神经网络。这样的一种替换设置，使得所提出的算法显著降低了计算复杂度，并且IC-ISDA算法在不确定的信道状态信息下依旧表现出不错的性能。另外对于IC-ISDA算法，给出了2种不同的训练方法，并且也进一步分析比较了这两种训练方法各自的特性。仿真数值结果表明，IC-ISDA算法能够很好地提升簇头无人机节点处理多路并发混叠信号的能力，使得簇头无人机节点可以准确检测并恢复出多路并发传输的数据信号，充分提升了无人机自组网的通信并发度。IC-ISDA算法不仅在准确了解信道状态信息下可以达到理想的性能，而且在不确定的信道状态信息下依旧可以表现出优于MAP和PIC算法的理想性能。虽然所提出的算法存在一定的优越性，但是这种采用 MIMO 技术和迭代并行干扰消除技术的无线并发传输也会影响到无线信道的动态特征，为物理层的安全问题带来了新的研究方向。