朱晓雨,曹自平,崔红涛

(南京邮电大学 通信与信息工程学院,江苏 南京 210003)

0 引 言

超声波作为一种机械波在金属内传播时能量损失较小,面向密闭金属腔体内外间进行无线通信时,与具有金属屏蔽效应的电磁波相比是一种更为理想的信息传输媒介[1]。超声波穿金属无线通信系统的主要信道噪声是回波,这主要来自于超声波进出金属时在超声换能器/金属界面产生的反射。随着超声波的工作频率增加,回波会与主脉冲响应信号重叠而导致主脉冲响应波形无法被分辨,严重干扰信号解码,从而极大地限制了通信质量和通信速率。

针对超声波金属信道回波干扰问题,近年来国内外学者进行了大量研究。2007年,Primerano等人[2]使用信道建模的方式对信道进行估计,通过预校正滤波器消除回波干扰的措施改善了通信质量。2017年,田栋[3]基于系统辨识的办法获得金属信道传递函数,在较好分析回波形成机制的基础上,采用在信道前端添加预校正滤波器的方案来抵消回波。考虑到超声波金属信道对环境条件比较敏感,温度波动以及材料种类和信道长度的变化等都会对回波的幅度和衰减周期产生影响[4],因此以上回波“硬消除”改善通信质量的方法在实际应用中有较多的制约。另一方面,一些学者尝试了使用自适应滤波器算法等的“软消除”方法来抑制回波干扰。Pujari等人[5]使用LMS算法设计并实现了一种基于FPGA的自适应回声抵消滤波器。田义德等人[6]提出一种有指导信号的均衡技术,利用基于LMS的自适应均衡器辨识出信道回波传递函数,使用软消除方法实现回波的消除。于伟健等人[7]通过在自适应滤波器中使用LMS算法模拟回声路径,然后在输入信号中减去回声信号,从而实现回声消除的目的。需要指出的是,这些自适应的“软消除”方法仍然存在较多制约,如LMS算法会引入误差而导致回声消除不稳定[8],而NLMS、RLS算法的计算复杂度比较高等[9-12]。

针对现有超声波穿金属无线通信系统中回波消除技术的局限,该文引入深度学习方法来实现一种新的回波消除技术方案,基于全卷积时域音频分离网络(Conv-TasNet)从含有回波信号和各种噪声的混合信号中分离出源信号,从而实现通信接收端信噪比的改善。

1 Conv-TasNet理论分析

全卷积时域音频分离网络即Conv-TasNet[13],作为一种近年来兴起的盲源分离技术在语音识别领域显示了诸多优势,例如与TasNet[14](Time-domain Audio Separation Network)即时域音频分离网络相比,极大地减少了参数量和计算成本。超声波尽管和通常意义的语音同属声波,但是它的频率要高于语音至少一个数量级,同时超声波穿金属无线通信的噪声主要来自于回波,因此噪声类型显著不同。为了充分检验Conv-TasNet在超声波穿金属无线通信中回波消除的可行性,该文选用的超声波通信频率为10 MHz,这远高于通常意义的语音近三个数量级。

Conv-TasNet由编码器、分离网络和解码器三个部分组成。编码器将输入信号转换为中间特征空间中的相应表示,解码器模块通过转换掩蔽之后的编码器特征来重建源波形。编码器和解码器之间的分离网络是影响信号重构性能的关键部分。Conv-TasNet网络使用时域卷积网络(Temporal Convolutional Network,TCN)作为分离网络的特征提取器,然后将提取的特征作为掩膜对分离网络的输入特征进行掩蔽操作,从而估计出源信号的特征。Conv-TasNet基本框图如图1所示。

图1 全卷积时域音频分离网络基本框图

1.1 编码器

wt=H(Uxt)

(1)

其中,矩阵U是Conv-TasNet的网络参数,H(·)是网络的ReLU非线性变换函数。

1.2 分离网络TCN

假设时域信号是由C个源信号混叠的混合信号,则分离网络为每帧语音xt都估计C个掩膜{mt,1,…,mt,c,…,mt,C},然后将估计的掩膜应用于wt,得到分离后的源信号特征dt,c:

dt,c=mt,c⊙wt

(2)

其中,⊙表示按元素乘。如图2(a)所示,分离网络是一种时域卷积网络,TCN的每一层都是由一组一维卷积块叠构而成的,每个一维卷积算子的内部结构如图2(b)所示。

(a)Conv-TasNet网络结构 (b)每个一维卷积算子的内部结构

1.3 解码器

在得到分离后的数据帧{dt,1,…,dt,c,…,dt.C}以后,通过以下的线性变换将分离后的特征恢复为时域信号波形:

(3)

2 实验设计

2.1 数据采集

为验证Conv-TasNet网络在超声波信号中的分离效果,通过采集超声波通信设备在进行通信时产生的数据进行实验验证。该实验将获取数据的超声波通信设备[15]分为发送端和接收端两部分。发送端使用摄像头采集图像数据,图像数据经FPGA调制电路后,驱动发送端超声换能器。发送端超声换能器将电信号转换成易于穿透金属安全壳的超声波信号。接收端超声换能器将超声波信号转换成电信号,经过FPGA解调电路后驱动VGA显示器显示图像。超声波通信系统框图如图3所示。图4为超声波通信采集信号过程。

图3 超声通信系统框图

图4 超声通信系统采集信号

使用DSOS604A示波器同时采集超声波通信设备发送端和接收端的超声波信号。其中发送端输出的超声波信号是源信号,用作模型的标签,接收端输入的超声波信号是混合了噪声的待模型分离的信号。超声波通信速率为2 Mbps,采样频率为50 MHz,连续采集20 000组超声波信号,每组信号都包括一个混合信号mix和一个源信号s。将所有数据量按6∶2∶2的比例将数据集划分为训练集、验证集和测试集。

2.2 模型参数设置

将网络的初始学习率设置为0.001。如果在3个连续的epoch内,验证集的准确性没有提高,则学习率将减半。优化器选择使用Adam。卷积自动编码器使用50%的stride size。

表1是网络的超参数设置。

表1 超参数设置

2.3 评价指标与训练目标

主要的模型分离质量的评估量包括SDRi(SDR Improvement)、SI-SDRi(SI-SDR Improvement)、波形相似系数。其中有源失真信噪比(Source-to-Distortion Ratio,SDR)是输入信号的功率与输入信号和重构信号之差的功率之比。SDR的计算公式如下:

(4)

Conv-TasNet网络直接将优化评价指标尺度不变信噪比SI-SDR作为损失函数,将最大化尺度不变信噪比作为训练目标。

为了进一步评估模型的分离质量,本实验又加入了波形相似系数和误码率两个评估量。其中波形相似系数的计算公式为:

(6)

其中,λij为波形相似系数,值越大说明波形越相似,其取值范围为[0,1]。误码率的计算公式为:

其中,信噪比r=20 lg(Vs/Vn),Vs为接收端信号幅度,Vn为接收端噪声幅度。

2.4 实验结果及讨论

2.4.1 文中方法的有效性验证

为了选择合适的epoch数量,分别绘制出在不同epoches下训练的网络的Train Loss和Valid Loss数值曲线,如图5所示。

图5 Conv-TasNet网络模型的损失函数

从图5可以看出,验证集损失函数loss在第45代是最低的,为防止训练过拟合,选择第45代训练后的模型作为整个分离系统的模型。

经过测试集对训练之后模型的评估,测试集数据的SDR平均提升量为13.57 dB,SI-SDR平均提升量为39.70 dB,波形相似系数为0.977。图6为分离前后时域信号对比图,其中图6(a)为混合信号时域图;图6(b)为源信号时域图;图6(c)为重构信号时域图。图7为分离前后信号的频谱对比图,其中图7(a)为混合信号频谱图;图7(b)为源信号频谱图;图7(c)为重构信号频谱图。

图6 分离前后时域信号对比

图7 分离前后信号的频谱对比

从图6和图7可以看出,估计信号波形与源信号波形基本一致,频谱图基本一致,可以得出该模型对超声波信号的分离效果较好。

2.4.2 文中方法的先进性验证

通过分析国内外文献发现,目前解决回声干扰问题的技术核心仍然是关于自适应滤波器算法的研究。为了体现Conv-TasNet网络分离信号的优越性,与一种基于符号LMS的自适应时域均衡器消除回波方法[15]进行对比。同时,选择传统的盲源分离算法FastICA对超声信号进行盲源分离,并将Conv-TasNet网络分离效果与其进行比较。评估量包括SDR提升量、SISDR提升量、波形相似系数和误码率。表2为三种方法的评估结果。可以看出,使用基于符号LMS的自适应时域均衡器方法后信号的SDR平均提升量为8.62 dB,SI-SDR平均提升量为26.04 dB,波形相似系数为0.851,误码率为4.76×10-3;采用传统的盲源分离算法FastICA处理后信号的SDR平均提升量为4.76 dB,SI-SDR平均提升量为20.39 dB,波形相似系数为0.845,误码率为1.26×10-2。

表2 三种方法的评估结果

通过比较三种方法的四个指标结果可以得出:相比于自适应时域均衡器方法和传统盲源分离算法FastICA,使用Conv-TasNet网络进行盲源分离来消除回声干扰方法具有更好的效果,从而验证了该方法的先进性。

3 结束语

针对超声波穿金属厚壁通信中发射的脉冲速率很高时,就会产生严重的超声回波这一问题,提出一种基于信号分离技术的回波抵消技术方案,使用基于Conv-TasNet的盲源分离算法从混合信号中恢复出纯净超声波信号,尽可能去除回波和其他噪声的干扰,以期进一步提高信号的信噪比。在此基础之上,通过采集超声波通信设备在进行通信时产生的数据来训练网络,并进行实验验证。实验评估指标表明,该模型对超声波信号的分离效果比较理想。为了进一步验证该方法的优越性,将实验结果与自适应时域均衡器方法和传统盲源分离算法fastICA的实验效果进行比较。通过对比四个评估量,最终得出使用Conv-TasNet网络进行盲源分离来消除回声干扰的效果更好的结论。不过工作仍有一些需要改进的地方:第一,在数据采集过程中,发送端和接收端双方的采集存在一些较小的时延,需要进一步处理;第二,对采集到的实验数据是在离线状态下处理的,想要将方法应用到实际场景中还需要做到实时处理,这是下一步的工作方向。