摘  要：自适应短波通信系统可以解决短波信道质量差、频率资源短缺等问题，而信道质量估计是其中的重要环节。为了避免基于深度学习的传统方法中基带信号过大而无法提取的问题，该文将基带信号转换成星座轨迹图，再分别采用AlexNet，ResNet和DenseNet三种卷积神经网络对其进行训练。实验结果验证了该文提出方法的可行性，且随着网络的加深，准确度也将提升。

关键词：自适应短波通信;卷积神经网络;星座轨迹图;深度学习;信道质量分类

中图分类号：TP183;TN925     文献标识码：A 文章编号：2096-4706（2021）06-0070-04

HF Channel Quality Classification Based on Convolutional Neural Network

SUN Rujie

（Jiangsu Jiaotong College，Zhenjiang  212028，China）

Abstract：Adaptive short-wave communication system can solve the problems of poor quality of short-wave channel and frequency resource shortage，while channel quality estimation is an important they are combined to simulate communication simulation. among them. In order to avoid the problem that the baseband signal is too large to be extracted in the traditional method based on deep learning，this paper transforms the baseband signal into constellation trajectories diagram，and then uses three convolutional neural networks of AlexNet，ResNet and DenseNet for training it. The experimental results verify the feasibility of the proposed method in this paper. With the deepening of the network，the accuracy will also be improved.

Keywords：adaptive short-wave communication;convolutional neural network;constellation trajectories diagram;deep learning;channel quality classification

0  引  言

短波通信廣泛应用于军事、工业等领域，用以实现远程通信[1]。然而，信道的衰落、多径现象和时变的信道参数是制约其发展的难点[2]。为保证鲁棒性，自适应通信系统需要通过已知信道条件来选择通信频率和调制模式。信道质量估计是测量一组信道参数并使用所获得的参数值来定量描述这组信道的状态和传输各种通信服务的能力的重要部分。信道质量估计已经应用于许多自适应系统中，如CURTS[3]、CHEC[4]等。但是，由于在检测过程中应用独立检测系统和发送特定检测信号的需求，电磁环境污染增加，而且很容易被发现。

近年来，深度学习已广泛应用于信道质量估计中，它可以直接用简单处理过的信号提取信道参数并完成分类，避免人工提取特征的复杂性和不可靠性[5，6]。该文利用自适应系统模型进行仿真和数据生成，将信道质量估计定义为一个分类问题，旨在为自适应系统选择质量好的信道，而不是像传统方法那样过于注重参数计算和分析。该文参考国际电信联盟（ITU），定义了四种信道质量：AWGN、GOOD、MID、BAD，分别代表最佳质量、良好质量、中等质量和最差质量。在具体实验过程中，我们采用了深度学习方法进行信道估计。由于原始基带信号太大，无法直接提取特征，该文将基带信号样本转换成星座轨迹图，然后使用AlexNet，ResNet和DenseNet三种深度神经网络对星座轨迹图进行识别。

1  问题表述

自适应短波通信系统模型如图1所示，该系统采用频分复用技术（OFDM），基站通过信道编码，OFDM调制进而产生信号。信号经过通信信道传输给用户，与传统接收机一样，用户先进行OFDM解调，然后获得OFDM信号。通过信号进行信道质量的估计，估计的结果将应用于信道均衡，来调整编码和调制的策略。图中通过不同颜色的框线表示基站和用户，信号产生的步骤，框图颜色由浅入深，信号解码步骤框图颜色由深变浅，短波信道是基站和用户沟通的桥梁，用图中最粗的线条表示。

信道模型为yi，t=hi，t?xi，t+wi，t，t∈[0，N-1]，其中hi，t是信道脉冲响应，wi，t是高斯噪声。利用信道模型生成信号，在N周期内采样的接收信号序列可以表示为Y={y（0），y（1），…，y（N-1）}，将生成原始信号分为实部和虚部两部分，实部用I表示，虚部用Q表示，则样本可以表示为  ，总共生成4 800个IQ样本，每个样本的长度是20 480。

生成的基带信号不适合GPU直接计算，因此该文提出将信号映射到星座轨迹图，然后将其输入深度学习神经网络进行训练。星座轨迹图就是将N个长度的复向量转换成复平面上N个点的分布，可以表示为，

，…，。然而，这种分布在复平面上往往是黑白的二元轨迹图，丢失了很多原始信息。为了提高精度，采用数据增强的方法。我们使用一个小的平方滤波器，在星座图上以固定的步长卷积来计算每一步的点数。每个星座图上点的分布是不均匀的，我们把密度分为高密度、中密度和低密度三个等级。最后得到的星座轨迹图如图2所示。密度越高，颜色越深，通道质量越差。

2  深度学习算法

2.1  CNN模型

AlexNet模型：AlexNet网络如图3所示，它是一个相对成熟的CNN网络，在图像识别方面具有独特的优势。AlexNet有11层，包含5个卷积层（Conv2D）、3个最大池层（Max Pool）和3个完全连接层（FC），图中不同网络层用不同底色的框表示。该网络比较简单，训练起来不太复杂。ReLU和Softmax是深度学习中常用的非线性激活函数，公式为：

fReLU（zi）=Max（zi，0）                     （1）

fSoftmax（zi）=                             （2）

其中，Max（）表示选择最大值的函数，zi为训练样本数，e为自然数。另外为了减少参数并避免过拟合，采用了dropout和局部响应归一化（LRN）操作。AlexNet网络结构如图3所示。

ResNet模型：随着网络的深入，梯度弥散现象将会越来越严重。对于卷积神经网络，简单地增加网络的深度，容易导致梯度消失和爆炸。随着网络层数的增加，在训练集上的准确率却饱和甚至下降了。为了解决退化问题，我们采用了ResNet网络，它由许多残差模块组成，其结构如图4所示，不同卷积核大小的卷积层构成了不同的残差模块。图中不同颜色框图对应不同大小的卷积核。其中，每个残差模块分别包含输入本身映射和残差映射两个分支。右侧曲线对应残差部分，虚线表示卷积层跨越了不同大小卷积核，实线则表示没有。若一个残差模块的输入为x，一个残差模块有两个卷积层，其卷积映射可表示为F（x），则残差模块的輸出为y=F（x）+x。在深度网络上叠加这样残差的结构，即使梯度消失了，至少把输入的本身映射过去。全局平均池化层（GAP）应用于网络结构来解决ResNet包含大量参数的问题。

DenseNet模型：为了进一步提高信道质量分类识别的准确度，我们将进一步加深网络。为了确保网络中各层之间的信息流达到最大，DenseNet将所有层全部连接起来。每一层都从前面的所有层获得额外的输入，并将自己的特性映射传递给后面的所有层。DenseNet模型结构如图5所示，它由3个密集区块组成。与ResNet不同的是，密集区块将所有卷积层直接相连，在每一层传递特征之前，将之前的特征进行合并。例如，第l层的输出为xl=Hl（[x0，x1，…，xl-1]），其中[x0，x1，…，xl-1]就是将前l层的输出通过级联合并，Hl表示批量归一化（Batch Normalization）、非线性激活函数ReLU和卷积操作的映射。

2.2  优化算法

该文使用Adam作为深度学习的优化器，并采用分类交叉熵（CCE）作为损失函数。Adam算法为：

（3）

（4）

其中， 是指在t迭代次数时模型权重的梯度，该算法是采用梯度下降法。mt表示一阶矩估计;vt表示二阶矩估计;t表示训练步长;β1和β2表示矩估计的指数衰减率;β1，t和β2，t表示β1和β2的第t次方，η表示模型学习速率，ε是一个很小的参数，用来防止分母变成0。假设xi为输入数据;yi为真实标签;N为类别数，wi为模型权重，fi（·）为模型的预测，则损失函数可以写成：

（5）

3  仿真测试

该文利用Matlab软件对短波通信系统进行模拟，提取基带信号并对信号进行处理，将其转换成星座轨迹图，生成数据集。生成的4 800个样本转换成4 800张星座轨迹图，这些图片作为信道质量分类的数据集，其中4 000张作为训练集，800张作为测试集。我们在GPU上对整个系统进行了训练和测试，仿真环境为Keras和Tensorflow。Adam算法中的指标设置为β1=0.9，β2=0.999，ε=0.001。至于模拟参数，我们将批量大小设置为batchsize=100，最大批量epoch设置为100。短波信道质量分类识别的实验结果为：

3.1  分类性能

表1给出了评估每种方法性能的四个指标，它们是准确度（Accuracy）、精确度（Precision）、召回率（Recall）和测试时间（Time）。在这里，共有四个类别，我们设置一个类别为正，其余为负。用TP和FN分别表示正样本预测为正和负，FP和TN表示负样本预测为正和负，则测试指标准确度、精确度和召回率的定义为：

（6）

（7）

（8）

从表1可以看出，从准确度、精确度和召回率来看，DenseNet模型是拥有最好的识别性能，ResNet模型次之，这说明随着网络结构的不断加深，卷积神经网络的识别性能将得到提升。最差的AlexNet的准确度也能达到82.15%，证明利用星座轨迹图来进行信道分类是可行的。从测试时间看，DenseNet也是用时最短，AlexNet和ResNet用时差不多，说明相比较于其他两种模型，DenseNet模型是最适合用于基于星座轨迹图的短波信道质量分类。

3.2  损失收敛

损失函数曲线如图6所示。可以看出，在基于星座轨迹图的方法中，AlexNet模型的衰减率最高，这说明了损失收敛的速度取决于网络的深度。DenseNet网络最深，衰减速度相对较低，所需的训练成本是较大的。

4  结  论

该文提出将卷积神经网络应用于短波信道质量分类中，该方法不需要特殊的检测设备来测量和计算信道参数并且能为自适应短波通信系统提供良好的信道选择。为了方便处理数据，我们将原始复杂的基带信号转换成了星座轨迹图，通过实验验证了利用图像识别进行短波信道质量的评估分类是可行的。并且，AlexNet，ResNet，DenseNet三种不同卷积神经网络的仿真结果表明随着网络的加深，损失收敛的速度会有所下降，但准确度将得到提升。在接下来的工作中，我们将探索如何在提升识别性能的同时，提高模型的训练效率。

参考文献：

[1] 左卫.短波通信系统发展及关键技术综述 [J].通信技术，2014，47（8）：847-853.

[2] 郭英波.短波通信中的信道估计与同步技术研究 [D].北京：北京邮电大学，2015.

[3] 赵兰浩.短波通信技术发展综述 [J].信息通信，2017（11）：257-258.

[4] 王高峰.短波通信系统自适应信道均衡技术应用研究 [J].中国新通信，2018，20（5）：98.

[5] 廖勇，花远肖，姚海梅.基于深度学习的OFDM信道估计 [J].重庆邮电大学学报（自然科学版），2019，31（3）：348-353.

[6] 李坤，张静，李潇，等.人工智能辅助的信道估计最新研究进展 [J].电信科学，2020，36（10）：46-55.

作者简介：孙汝杰（1984.04—），男，汉族，江苏如皋人，工程师，信息管理系实训中心主任，硕士研究生，研究方向：信息工程、人工智能与通信技术等。