劉朝陽(yáng)，王安義，李 蓉

(1.西安科技大學(xué)能源學(xué)院，西安 710054；2.西安科技大學(xué)通信學(xué)院，西安 710054)

近年來(lái)，在高斯白噪聲信道下基于信號(hào)的調(diào)制識(shí)別研究已取得了不錯(cuò)的進(jìn)展[1-2]。但真實(shí)礦井環(huán)境下的信息化、智能化應(yīng)用僅僅取得了探索性的應(yīng)用，針對(duì)礦井環(huán)境下的信號(hào)的檢測(cè)識(shí)別的研究少之又少。在礦井環(huán)境中，無(wú)線通信、人車定位、IP電話、語(yǔ)音廣播等多種系統(tǒng)同時(shí)存在，通信信號(hào)多樣化，因此，進(jìn)行多模信號(hào)的調(diào)制識(shí)別是礦井多個(gè)異構(gòu)信息系統(tǒng)融合的重要技術(shù)基礎(chǔ)；同時(shí)，在準(zhǔn)確識(shí)別信號(hào)調(diào)制模式的基礎(chǔ)上，能夠更準(zhǔn)確地估計(jì)調(diào)制信號(hào)相關(guān)信息，進(jìn)而進(jìn)行解調(diào)解碼，提高傳輸可靠性?？梢?jiàn)，多模無(wú)線信號(hào)識(shí)別是提高礦井通信網(wǎng)絡(luò)環(huán)境的可靠性以及智能性的關(guān)鍵問(wèn)題之一[3-5]，提高礦井多模無(wú)線信號(hào)識(shí)別率成為本課題研究的重點(diǎn)。

支持向量機(jī)(SVM)屬于機(jī)器學(xué)習(xí)的一種，被廣泛應(yīng)用于模式識(shí)別、分類以及回歸問(wèn)題的分析上。遺傳優(yōu)化SVM分類器，也被學(xué)者們廣泛應(yīng)用[6-10]。目前，針對(duì)高斯白噪聲信道下信號(hào)調(diào)制識(shí)別的研究多以信號(hào)的瞬時(shí)特征參量作為特征參數(shù)，但在低信噪比情況或衰落信道下，基于瞬時(shí)特征參數(shù)的信號(hào)識(shí)別效果不太理想[11-15]。針對(duì)礦井環(huán)境大小尺度衰落信道的現(xiàn)狀，參考文獻(xiàn)[6]關(guān)于GA-SVM(其中GA為遺傳算法，即genetic algorithm)在低信噪比分類器中的應(yīng)用，提出基于高階累積量和GA-SVM分類器的多模信號(hào)檢測(cè)識(shí)別的方法，對(duì)解決礦井環(huán)境可靠通信和多系統(tǒng)融合的問(wèn)題起著重要作用，這為構(gòu)建相對(duì)統(tǒng)一、同時(shí)考慮各系統(tǒng)獨(dú)立性和安全性的整體信息化提供了解決方案。一方面對(duì)于礦井通信網(wǎng)絡(luò)的研究和應(yīng)用具有很大技術(shù)參考價(jià)值，另一方面對(duì)于推動(dòng)礦井信息化和智能化具有應(yīng)用價(jià)值和重要的研究意義[16-25]。

1 信號(hào)檢測(cè)識(shí)別原理

信號(hào)模式識(shí)別過(guò)程一般可分為信號(hào)預(yù)處理、提取特征參數(shù)、分類器設(shè)計(jì)三部分，如圖1所示。而其中研究的兩個(gè)關(guān)鍵點(diǎn)分別為特征參數(shù)的提取和分類器的選取與設(shè)計(jì)。

圖1 信號(hào)檢測(cè)識(shí)別流程

鑒于礦井電磁環(huán)境的復(fù)雜性，特征參數(shù)的提取采用基于高階累積量的特征提取算法。針對(duì)普通SVM分類器算法在低信噪比下，識(shí)別效果不理想，引入遺傳優(yōu)化算法優(yōu)化SVM參量，即對(duì)懲罰因子以及核函數(shù)參數(shù)進(jìn)行尋優(yōu)處理，并通過(guò)仿真實(shí)驗(yàn)進(jìn)行驗(yàn)證。

2 遺傳優(yōu)化SVM分類器的設(shè)計(jì)

2.1 遺傳優(yōu)化算法簡(jiǎn)介

圖2 遺傳算法流程

遺傳算法(genetic algorithm, GA)具有全局優(yōu)化搜索的特性，可以通過(guò)選擇編碼方法對(duì)問(wèn)題符號(hào)進(jìn)行很好的優(yōu)化，算法中個(gè)體的染色體由算法按照一定邏輯隨機(jī)生成初始種群決定。在初始種群確定以后，種群中的每一個(gè)體都需計(jì)算出代表各自優(yōu)劣程度的適應(yīng)度值，繼而以適者生存為原則，篩選出優(yōu)勝個(gè)體，可以擴(kuò)大適應(yīng)度大的個(gè)體被選中的概率。遺傳算法流程圖如圖2所示。遺傳算法的參數(shù)主要由六個(gè)部分組成，即選擇合適的編碼方式、對(duì)種群進(jìn)行的初始化操作、對(duì)適應(yīng)度函數(shù)的確定、停機(jī)準(zhǔn)則、遺傳算子和遺傳參數(shù)的設(shè)置。

2.1.1 編碼

常用的編碼方式主要分為兩種，二進(jìn)制編碼方式主要的應(yīng)用對(duì)象是離散型變量，而實(shí)數(shù)編碼方式主要的應(yīng)用對(duì)象是連續(xù)型變量。

2.1.2 適應(yīng)度函數(shù)

適應(yīng)度函數(shù)主要用來(lái)衡量個(gè)體在群體中優(yōu)化計(jì)算的優(yōu)劣程度，適應(yīng)度函數(shù)的值總是大于0的。

2.1.3 遺傳算子

遺傳算子主要分為三種，分別是選擇算子、變異算子、交叉算子。

選擇算子的過(guò)程是將適應(yīng)能力強(qiáng)的個(gè)體從種群中選擇出來(lái)的過(guò)程，其選擇的條件是由適應(yīng)度函數(shù)值的大小決定的，其中適應(yīng)度值大的被選擇的概率就大，與其對(duì)應(yīng)的個(gè)體被選中留下來(lái)的概率也就越大。

交叉操作的過(guò)程是對(duì)相互配對(duì)的兩個(gè)染色體的基因進(jìn)行部分交換，部分基因的交換是按照一定的概率和特定的方式進(jìn)行的，進(jìn)行交叉操作就會(huì)形成兩個(gè)新個(gè)體。

單點(diǎn)交叉算子是交叉算子的一種特殊情況，在群體中任意選擇兩個(gè)染色體作為交叉對(duì)象，隨機(jī)的產(chǎn)生一個(gè)交叉點(diǎn)位置，在此位置對(duì)基因碼進(jìn)行交換，從而產(chǎn)生新的兩個(gè)子個(gè)體的過(guò)程，在這個(gè)過(guò)程中只有一個(gè)交叉點(diǎn)位置。單點(diǎn)交叉如圖3所示。

圖3 單點(diǎn)交叉示意圖

2.2 遺傳優(yōu)化SVM分類器步驟

遺傳算法優(yōu)化SVM分類器實(shí)現(xiàn)的具體步驟如下。

第一步通過(guò)軟件生成實(shí)驗(yàn)數(shù)據(jù)，首先是支持向量機(jī)的輸入，這里將信號(hào)在不同信道下的四階累積量作為支持向量機(jī)的輸入。

第二步遺傳算法對(duì)訓(xùn)練樣本的數(shù)據(jù)進(jìn)行優(yōu)化：

(1)對(duì)參數(shù)C和σ進(jìn)行初始化，選擇合適的編碼方式對(duì)C和σ進(jìn)行二進(jìn)制編碼的方式。

(2)設(shè)置算法中的具體參數(shù)，包括種群個(gè)數(shù)、進(jìn)化的最大迭代次數(shù)、交叉概率以及變異概率等。

(3)對(duì)初始種群進(jìn)行初始化，其初始化采用隨機(jī)初始化的方式，將識(shí)別準(zhǔn)確率作為適應(yīng)度函數(shù)，計(jì)算每個(gè)個(gè)體的適應(yīng)度值。

(4)根據(jù)遺傳策略，在對(duì)遺傳算子進(jìn)行操作后，形成下一代種群。

(5)對(duì)步驟(5)進(jìn)行循環(huán)執(zhí)行操作，當(dāng)滿足結(jié)束條件時(shí)，即判斷種群是否達(dá)到最大遺傳代數(shù)或者是否滿足設(shè)定的精度要求，若滿足要求，則結(jié)束循環(huán)，若不滿足則返回執(zhí)行步驟(4)。

(6)輸出最優(yōu)的個(gè)體解碼，并將其作為問(wèn)題的最優(yōu)解。

第三步經(jīng)過(guò)第二步，得到遺傳算法優(yōu)化的分類識(shí)別模型，然后將測(cè)試樣本的數(shù)據(jù)輸入到已經(jīng)優(yōu)化好了的模型，進(jìn)行分類識(shí)別，并對(duì)結(jié)果進(jìn)行分析。GA-SVM算法流程如圖4所示。

圖4 GA-SVM算法流程

3 礦井環(huán)境下仿真實(shí)驗(yàn)

3.1 SVM分類器

3.1.1 仿真條件

實(shí)驗(yàn)對(duì)象：二進(jìn)制相移鍵控(BPSK)、16正交幅相調(diào)制(16QAM)、64正交幅相調(diào)制(64QAM)及正交頻分復(fù)用調(diào)制(OFDM)信號(hào)。

仿真參數(shù)設(shè)定：依照礦井環(huán)境情況，假設(shè)Nakagami衰落信道下的形狀因子m為0.85，接收信號(hào)的平均功率Ω為1；陰影衰落下的路徑損耗指數(shù)μ為0，陰影衰落方差sigma取1；這樣選擇參數(shù)值更符合礦井環(huán)境。設(shè)定OFDM信號(hào)有128個(gè)子載波，循環(huán)長(zhǎng)度為32，在每個(gè)子載波上采用正交相移鍵控(QPSK)的調(diào)制方式。

SVM參數(shù)設(shè)置：選取高斯徑向基核為核函數(shù)。

3.1.2 仿真實(shí)驗(yàn)

信噪比設(shè)置為-5～20 dB，信噪比變化的步長(zhǎng)為1 dB，分別隨機(jī)在各個(gè)信噪比下產(chǎn)生每類數(shù)字信號(hào)各200個(gè)，并將數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行歸一化的處理。采用一對(duì)一分類器分類，則需要的子SVM分類器的個(gè)數(shù)為6個(gè)，即得到6個(gè)不同的數(shù)據(jù)集，其中每個(gè)數(shù)據(jù)集都有兩種不同的調(diào)制方式，每個(gè)數(shù)據(jù)集的大小為400，其中訓(xùn)練集為2×100，測(cè)試集為2×100；3種不同信道下各個(gè)信號(hào)的識(shí)別率及仿真性能如表1、表2所示。

表1 礦井小尺度衰落信道下的識(shí)別率

表2 礦井大尺度衰落信道下的識(shí)別率

3.2 GA-SVM分類器

3.2.1 仿真條件

實(shí)驗(yàn)對(duì)象：BPSK、16QAM、64QAM以及OFDM。

仿真參數(shù)設(shè)定：假設(shè)礦井小尺度衰落信道下的m為0.85，Ω為1；陰影衰落下的μ為0，sigma取1。設(shè)定OFDM信號(hào)有128個(gè)子載波，循環(huán)長(zhǎng)度為32，每個(gè)子載波上采用的調(diào)制方式為QPSK。噪聲源選取高斯白噪聲。

GA參數(shù)設(shè)置：進(jìn)化次數(shù)200，種群規(guī)模為20，交叉概率為0.4，變異概率為0.01，懲罰因子C和σ的搜索區(qū)間分別為[1,100]和[0,0.1]，適應(yīng)度函數(shù)為SVM分類器的識(shí)別準(zhǔn)確率。

3.2.2 仿真實(shí)驗(yàn)

信噪比設(shè)置為-5～5 dB，信噪比變化的步長(zhǎng)為2 dB，分別隨機(jī)在各個(gè)信噪比下產(chǎn)生每類數(shù)字信號(hào)各200個(gè)，并將數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行歸一化的處理。以信號(hào)的四階累積量為特征集，作為SVM的輸入，選取每個(gè)信號(hào)的100個(gè)數(shù)據(jù)做訓(xùn)練集，即訓(xùn)練數(shù)據(jù)為4×100，按照同樣的方式構(gòu)造測(cè)試數(shù)據(jù)集為4×100。得到二種不同信道下信號(hào)的準(zhǔn)確識(shí)別率如表3、表4所示。

表3 礦井小尺度衰落信道下的識(shí)別率

表4 礦井大尺度衰落信道下的識(shí)別率

信噪比≥10 dB以上的情況下，信號(hào)的識(shí)別率均達(dá)到100%，因此，在高信噪比下，用GA-SVM分類器的優(yōu)勢(shì)體現(xiàn)不完全。

礦井小尺度衰落信道高斯白噪聲信道下，在信噪比為-1 dB下基于GA-SVM分類器的分類仿真圖以及適應(yīng)度函數(shù)，由分類識(shí)別圖(圖5)可以得出，這四種信號(hào)依據(jù)類別標(biāo)簽被分為四類；由適應(yīng)度函數(shù)可以得出，在交叉變異的過(guò)程中，適應(yīng)度函數(shù)即識(shí)別準(zhǔn)確率隨種群數(shù)的變化情況，依照最優(yōu)的適應(yīng)度函數(shù)得到具體的支持向量機(jī)的懲罰因子以及核函數(shù)參數(shù)。小尺度衰落測(cè)試集的實(shí)際分類和預(yù)測(cè)分類如圖5所示。由圖5可知，在信噪比為-1 dB下，最優(yōu)的適應(yīng)度值為95.146%，懲罰系數(shù)C=0.216，σ=27.482。小尺度衰落適應(yīng)度曲線如圖6所示。

圖5 小尺度衰落測(cè)試集的實(shí)際分類和預(yù)測(cè)分類

圖6 小尺度衰落適應(yīng)度曲線

圖7 大尺度衰落測(cè)試集的實(shí)際分類和預(yù)測(cè)分類

大尺度衰落高斯白噪聲信道下，在信噪比為-1 dB下基于GA-SVM分類器的分類仿真圖以及適應(yīng)度函數(shù)，由分類識(shí)別圖(圖5)可以得出，BPSK、16QAM、64QAM及OFDM四種信號(hào)依據(jù)類別標(biāo)簽被分為四類；由適應(yīng)度函數(shù)可以得出，在交叉變異的過(guò)程中，適應(yīng)度函數(shù)即識(shí)別準(zhǔn)確率隨種群數(shù)的變化情況，依照最優(yōu)的適應(yīng)度函數(shù)得到具體的支持向量機(jī)的懲罰因子以及核函數(shù)參數(shù)。小尺度衰落測(cè)試集的實(shí)際分類和預(yù)測(cè)分類仿真圖如圖7所示。仿真得出，在信噪比為-1 dB下，最優(yōu)的適應(yīng)度值為97.087%，懲罰系數(shù)C=2.669，σ=5.695。大尺度衰落適應(yīng)度曲線如圖8所示。

圖8 大尺度衰落適應(yīng)度曲線

比較SVM分類器仿真實(shí)驗(yàn)和GA-SVM分類器仿真實(shí)驗(yàn)可知，在低信噪比下采用遺傳優(yōu)化SVM，得到的信號(hào)識(shí)別率明顯優(yōu)于SVM算法。

4 結(jié)論

通過(guò)研究如何利用支持向量機(jī)算法提高礦井環(huán)境下無(wú)線多模信號(hào)的調(diào)制識(shí)別率，發(fā)現(xiàn)通信信號(hào)調(diào)制方式的多樣化和復(fù)雜化對(duì)信號(hào)調(diào)制方式的識(shí)別顯得尤為迫切和重要。SVM屬于機(jī)器學(xué)習(xí)的一種方式，具有較強(qiáng)的學(xué)習(xí)和識(shí)別能力，能較好地處理復(fù)雜的非線性問(wèn)題，有較好的穩(wěn)健性和潛在的容錯(cuò)性，在調(diào)制識(shí)別中被廣泛應(yīng)用。鑒于SVW的缺陷，提出的遺傳優(yōu)化SVM算法，通過(guò)仿真驗(yàn)證，遺傳群優(yōu)化SVM算法在一定程度上提高了礦井無(wú)線信號(hào)的檢測(cè)和識(shí)別性能。