一种基于神经网络的OFDM信号识别与符号估计改进方法

熊 刚,张 辉,任祥维,胡宗恺

(中国电子科技集团公司第三十研究所,四川 成都 610041)

0 引 言

随着无线通信系统的快速发展,电磁频谱环境越来越纷繁密集,各种信号类型也呈现出复杂的态势,因此信号识别与参数估计在无线电监测、电子对抗中能够起到重要的作用。

当前的无线通信传输中大量使用了正交频分复用(OFDM)技术,由于其具有较高的频带使用率、数据传输率和良好的抗多径衰落特性,成为新一代无线通信的研究热点,已经被广泛采用,如无人机测控链路系统、卫星通信网、外军战术级信息网以及移动通信系统等[1]。

对OFDM信号此类多载波信号识别主要体现为对其调制类型的识别。OFDM子载波信号调制识别是后续解调与分析的前提,具有十分重要的作用,典型的调制类型包含二进制相移键控(BPSK)、四进制相移键控(QPSK)、八进制相移键控(8PSK)和十六进制正交幅度调制(16QAM)等。过去传统的一些调制识别方法都是基于统计多参数分析及最大似然估计思路[2],但对于OFDM复杂体制的信号识别准确度不高,导致分类结果错误,还须开展更进一步的研究和改进。对人工智能(AI)——深度学习网络算法作为新技术工具的探讨方兴未艾。由于其适应无线信号在传输中实时、多变的性质,基于神经网络的OFDM信号识别方法也应运而生。该方法可以提高识别效率和分类的精确性,较好地拓展信号处理分类的应用范围。

本文提出了一种基于神经网络的改进方法,以实现对接收到的OFDM信号进行分类识别与符号估计。该方法采取神经网络深度学习模型,在模型中使用了线性激活的全连接层,能够增加低信噪比及多径信道条件下的信号正确识别率,同时考虑了在OFDM子载波调制数据集分类训练过程中的实际信道环境。此外还引入Dropout及池化层优化策略,实现了神经网络识别学习效率的进一步提高,使得调制分类的鲁棒性更强。仿真验证表明,与传统方法相比,本文提出的新思路,即通过使用深度学习神经网络(DNN)算法对OFDM信号调制识别及符号定时参数估计,能够得到更优的识别率,且无需受到额外大量数据样本条件的限制,广泛适用于对多种OFDM调制信号的识别。

1 OFDM信号传输模型

OFDM信号传输模型的示意框图如图1所示。对于调制端:首先把待发送的符号数据信息进行串并(S/P)转换,然后将信号频域波形转换为时域,再添加循环前缀(CP)以减少子载波间的码元信息干扰(ISI)。对于解调端:先进行快速傅里叶变换(FFT),再将各路数据进行并串(P/S)转换,并将串行数据调制信号添加到信道发送,由此得到OFDM基带信号。

图1 OFDM基带传输信号模型

Yi[k]=Hi[k]Xi[k]ej(2πkδ/N)+Wi[k]

(1)

式中:k表示OFDM信号的子载波序号数;i表示OFDM信号的符号序号数;Xi[k]表示传输信号;Hi[k]表示信道的时频响应;Yi[k]表示接收信号;Wi[k]表示加性高斯白噪声;δ表示符号的定时误差。

而且多径效应可存在较强的旁路径,信道散射引起了多径信号的相位镜像路径,将使得信号出现相位偏移。

在本文中,结合瑞利信道模型中的OFDM信号样本进行学习和训练,能够更贴近于实际通信场景情况。

2 深度学习神经网络计算原理

深度学习神经网络不仅是一种有效的分类识别算法工具,还能够分析和记忆信道特性,因此可用于OFDM信号检测识别、符号估计等方面。本文在训练模型中使用了线性激活的全连接层进行处理,实现较稳定的学习网络。对于DNN网络,通常使用多层次的神经网络、权重、偏差和激活函数。该算法基于每个训练级别的误差更新权重和偏差,构建反向传播路径,有助于改善分类性能。修正线性选择单元(ReLU)是可用的线性处理单元,通过修正回归计算,得到了神经网络矩阵输出层的概率分布,从而给各输出分类结果取到了概率值,即各类可能性[3]。

图2中DNN模型使用ReLU作为激活函数,并且包含输入层、卷积层、池化层、全连接层和输出层,基于输入信号样本组成数据集,送至神经网络中进行学习训练,识别OFDM信号。DNN模型的输出层利用线性激活函数来实现结果反馈。

图2 神经网络分类识别的典型结构

可通过设置Dropout典型的保留概率为50%来设计神经网络,对于神经网络的正则化,Dropout方法是一种计算量小且有效的方法。当在小数据集上训练时,Dropout能够优化实现防止神经网络的过拟合,本文使用的DNN采用了6个卷积层和1个完全连接层。除了最后一层之外,每个卷积层后面都是批量归一化、校正线性单元(ReLU)激活和最大池化层。在最后一个卷积层中,使用了平均池化,Softmax激活用于输出层,其计算表达式为:

(2)

式中:zi表示网络第i个节点输出量;C为输出节点数目,即分类的数量。

对于Dropout优化策略,可随机选择神经元进行暂时的删除,然后再开展深度学习神经网络的训练和优化。因此,该策略能减少相同层神经元之间的互相影响,使DNN网络的适应性更强。

3 基于深度学习神经网络的识别

3.1 基于DNN的调制识别思路

OFDM信号在传输后接收到的第i个样本复向量即信号解析向量,可由下式表示:

Si=[s1,s2,…,sn]

(3)

式中:n表示信号样本数量;sn表示第n个样本复向量,则sn表示为:

sn=Rn+jIn

(4)

式中:Rn为复信号样本实数部分;In为复信号样本虚数部分,实质分别表示同相分量和正交分量。

深度学习神经网络(DNN)算法可以自动提取此类复信号数据的特征,然后基于训练方和分类处理的方法,实现对OFDM信号调制识别。

可以采取的深度学习神经网络是1个共28层的神经网络,包括输入层和输出层。其中6个是卷积层,6个批量归一化层,6个ReLU激活层,5个最大池化层,1个平均池化层、1个完全连接层和1个Softmax激活。表1表示使用的神经网络的分层结构,展示了每一层的层类型、激活和学习内容。第1层是输入层,第28层是输出层。

网络训练采用的数据集合是OFDM信号的子载波的典型调制类型,包括二进制相移键控(BPSK)、四进制相移键控(QPSK)、八进制相移键控(8PSK)和十六进制正交幅度调制(16QAM)等。不妨设OFDM信号子载波数目为32个,FFT点数为512,循环前缀(CP)长度为64,设多普勒频移为200 Hz,信噪比(SNR)区间从0到20 dB,对于各类型的调制信号有50 000个数据样本用于训练和测试,然后按照7∶3的比率分成训练数据样本和识别数据样本。在实际训练分类中,通常面临着网络模型较大但训练样本较少的情况,由此带来过度拟合影响识别分类成功率,由此引入Dropout策略,用于防止和抑制DNN网络中的过度拟合。在神经网络的训练过程中,若随机地使一定数量的卷积停止工作,则能够提高网络的泛化能力。在深度学习训练期间,采取Dropout的思路,根据一定的概率将训练单元从网络中去除,对于随机梯度下降而言,可用于训练不同的网络。深度学习神经网络Dropout优化处理策略如图3所示。

图3 深度学习网络Dropout策略处理示意图

图3(a)是优化前的普通分析网络,图3(b)是采取了Dropout优化分析的网络思路。将Dropout策略用于全连接层,设典型的留存概率值取为0.5。实际中,通常把Dropout看做统计平均处理手段。为降低测试数据集里面的错误,应将网络中多个不同的训练结果取平均。考虑到随机性,在进行Dropout优化后的网络模型可视为不同形式的神经网络,此时的训练参数保持不变,能够使训练耗费的时间缩短从而提高效率。基于Dropout优化学习的思路还能使网络分类的各层具有更多泛化特征,结合ReLU归一化和Softmax激活函数,进一步获取网络概率密度计算结果。综上所述,除了网络输出层的各层中,OFDM调制识别过程采用批量归一化和Dropout策略,实现了稳健学习且减少了过度拟合。

3.2 基于DNN的符号定时估计思路

接收机的定时同步是影响无线系统性能的一个重要方面。所有基于OFDM的系统都需要对符号定时偏移进行估计,然后执行校正[4]。此处采用了基于DNN的思路来估计符号定时偏移参数,与传统方法相比,该方法仅需较少的OFDM导频子载波数量,从而减少样本需求数量,提高了计算处理效率,且无需太多的先验条件,对算法的信噪比要求也更低。

OFDM符号定时估计算法提取的特征既可以在时域中处理,也可以在频域中处理[5]。此处采用频域分析思路与基于深度学习的方法进行了综合比较。对于频域分析思路,导频子载波被认为存在于前几个符号中,如图4所示。

图4 典型定时估计思路中训练符号数据的位置

(5)

设OFDM符号中的子载波包括导频子载波,而符号中的其余子载波被加载有数据,这些导频子载波与数据子载波一起进行调制。导频位置包含了所有以预定义方式的信号星座。此处已考虑了多个等距的子载波,沿着给定子载波的导频数据必须具有相等数量的所有信号星座点,用于合理地训练神经网络分类器,不同子载波上的导频可用于不同的深度学习分类网络进行训练。分类器区分不同类别之间的边界,并且连续分类器边界之间的旋转与符号定时偏移成比例。因此,能够经过平均计算降噪处理,进一步获取估计的符号定时参数,从而获得用于网络训练的OFDM信号导频子载波位置以及嵌入数据子载波的改进结构。本文中基于神经网络的符号定时估计思路处理主要流程如图5所示。

图5 本文改进的符号定时估计思路处理主要流程

需注意的是,在识别分类前,导频数据进行均衡预处理,并且沿着每个导频子载波的数据都将被用于训练分类器。

4 仿真分析

通过MATLAB仿真实验对本文中的OFDM识别和估计方法进行验证分析。设置信号采样率为200 MHz,载频为70 MHz,循环前缀的数量取为OFDM子载波个数1/4,子载波调制方式包括BPSK、QPSK、8PSK、4QAM和16QAM调制,传输信道为瑞利信道,多普勒频移为500 Hz,各子载波导频符号数目取为80个,定时偏移量为0.5个符号。蒙特卡洛仿真次数设为2 000次,噪声为加性高斯白噪声。将本文中基于深度学习神经网络(DNN)的识别及估计算法和传统的基于循环谱的识别及估计算法开展仿真分析,性能曲线如图6所示。

图6 本文方法和传统的识别及估计方法性能曲线

由图6分析得出,本文中新改进方法正确地实现了对OFDM信号的调制识别及符号估计。在信噪比为2 dB以上时,平均正确率达到95%以上,且在低信噪比情况下,新方法效果比起过去的思路效果更优,提高了识别及估计性能。

5 结束语

本文提出了一种基于深度学习神经网络的OFDM信号调制识别与符号定时估计改进算法,对OFDM信号在实际传输模型分析以及神经网络训练分类架构的基础上,采取Dropout优化策略增加了识别学习的泛化特征,可解决过度拟合问题,提高分类准确性和稳健性。对于OFDM定时偏移估计,通过合理构建分类器训练的导频数据结构,从而减小样本资源开销,提高处理效率。新的识别及估计算法比起传统一些思路也提升了抗噪性能,通过仿真试验验证了效果,识别及估计的正确率更优,且无需过多的先验信息条件,扩展了算法适用性。今后还将进一步改进,为通信监测和认知无线电领域的相关研究提供更大助力[6]。