邵 凱 付旭陽 王光宇③

①(重慶郵電大學通信與信息工程學院 重慶 400065)

②(移動通信技術重慶市重點實驗室 重慶 400065)

③(移動通信教育部工程研究中心 重慶 400065)

1 引言

隨著信息技術的不斷發(fā)展，人類對信息通信提出了更高的個性化需求。2019年全球首份6G白皮書認為未來通信將深度融合人工智能，智能傳感、智能定位、智能資源分配等將成為現(xiàn)實[1]。通信技術的應用趨勢會逐漸向智能化、自適應化發(fā)展[2,3]。

在不同應用場景，信息傳輸業(yè)務逐漸呈現(xiàn)多元化趨勢。例如，新空口(New Radio, NR)標準定義的部分帶寬(BandWidth Part, BWP)技術為用戶設備靈活分配多個不同參數(shù)集的BWP，根據(jù)場景需求激活某個BWP承載不同業(yè)務[4]。目前，業(yè)界已提出多種新型多載波候選波形，例如正交頻分復用(Orthogonal Frequency-Division Multiplexing,OFDM)、濾波正交頻分復用(Filtered Orthogonal Frequency-Division Multiplexing, FOFDM)、通用濾波多載波(Universal Filtered MultiCarrier,UFMC)、濾波器組多載波(Filter Bank MultiCarrier,FBMC)、廣義頻分復用(Generalized Frequency Division Multiplexing, GFDM)等，各波形根據(jù)實際場景為物理幀結構配置帶寬、循環(huán)前綴(Cyclic Prefix, CP)、子載波間隔、傳輸時間間隔(Transmission Time Interval, TTI)等參數(shù)。FOFDM將頻帶劃分為多個子帶并通過子帶間濾波減少干擾，靈活配置子帶參數(shù)以實現(xiàn)自適應空口，如物聯(lián)網業(yè)務中為傳輸子帶配置較窄的載波寬度來實現(xiàn)大覆蓋，低功耗需求[5]。FBMC基于子載波濾波，以復數(shù)域的正交性為代價換取波形時域局限性的設計自由度，由于該波形無CP，系統(tǒng)開銷減少，適用于低時延業(yè)務中由于短的TTI設計導致CP開銷過大的場景[6]。UFMC對一組連續(xù)子載波進行濾波，波形可以根據(jù)業(yè)務差異配置不同參數(shù)，既支持高帶寬的高清視頻業(yè)務，也支持低帶寬物聯(lián)網業(yè)務，系統(tǒng)具有高靈活性和可擴展性[7]。目前，基于應用場景的復雜性和多變性，很難有一種普適性傳輸波形滿足所有通信需求，這對多種波形的配合與協(xié)作提出了較高的要求。但是，傳統(tǒng)通信系統(tǒng)中不同波形的產生與接收需要不同的硬件收發(fā)結構，不僅增加了設備的部署成本和維護成本[8]，更限制了多種波形相互協(xié)作的靈活性與自適性。因此，本文提出設計一種更具智能化和自適應化的通信調制結構，在發(fā)送端，可以按用戶需求產生不同多載波波形，而在接收端可以對信號進行精準識別和接收。

設計智能化調制系統(tǒng)的首要難題是對發(fā)送波形的準確識別。目前，信號調制識別已經成為學術界普遍關注的焦點。傳統(tǒng)的信號調制識別方案如基于似然性的方法[9]，基于特征的方法[10]用于單載波或多載波調制信號分類，但是這些方案具有手工提取特征不充分，信號識別魯棒性較差等問題，基于深度學習(Deep Learning, DL)的信號識別方法能很好地解決以上問題。文獻[11]將原始接收信號轉化為模糊函數(shù)圖像，使用堆疊稀疏自編碼器從模糊函數(shù)圖像中提取特征并輸入到分類器中實現(xiàn)的信號分類。文獻[12]使用深度殘差網絡實現(xiàn)信號調制識別，將同向/正交(In-phase/Quadrature, I/Q)信號視為圖像數(shù)據(jù)訓練神經網絡，設置不同超參數(shù)分析模型性能，驗證模型魯棒性。文獻[13]提出結合兩個不同數(shù)據(jù)集上訓練的卷積神經網絡(Convolutional Neural Networks, CNN)，先以I/Q數(shù)據(jù)訓練CNN1模型，然后以信號星座圖對CNN2模型進行訓練，主要針對CNN1模型中難以區(qū)分的調制信號樣本的識別。文獻[14]提出使用時域信號幅度序列作為輸入特征訓練CNN識別FBMC, OFDM,UFMC 3種多載波信號。采用幅度序列作為輸入特征對波形識別具有一定的局限性，缺失了原始I/Q信號的部分特征并且對噪聲干擾較敏感，訓練模型的泛化性有待驗證。

因為受到經典通信結構技術限制，現(xiàn)有文獻對多種多載波波形產生和識別的研究相對較少。隨著無線通信系統(tǒng)與人工智能深度融合[15,16]，無線物理層結合人工智能的設計必是值得關注的重點方向。本文提出一種融合DL的智能化波形調制系統(tǒng)，主要貢獻為：(1)提出一種集成化的多載波波形發(fā)送模型，根據(jù)實際應用場景需求，通過波形激活因子控制OFDM, FOFDM, UFMC 3種波形的發(fā)送。(2)提出一種智能波形識別網絡(Intelligent Waveform Recognition Network, IWR-Net)，根據(jù)發(fā)送波形特征的差異性，采用基于DL的方法自動提取并學習特征，實現(xiàn)對發(fā)送波形準確地，智能地識別。受篇幅所限，本文未對所提系統(tǒng)識別后解碼部分詳細闡述。文章其余部分結構如下：第2節(jié)給出智能波形收發(fā)系統(tǒng)基本模型；第3節(jié)、4節(jié)分別詳細介紹集成化波形發(fā)送模塊及IWR-Net設計；第5節(jié)為仿真及結果分析；最后給出結論。

2 系統(tǒng)模型

圖1給出智能波形收發(fā)系統(tǒng)基本模型，由多載波波形集成發(fā)送模塊、智能波形識別網絡、解調網絡組成。在發(fā)送端，根據(jù)實時業(yè)務需求及應用場景關鍵指標(時延、連接數(shù)量、信息速率等)，多載波波形集成發(fā)送模塊通過設置波形激活因子，按場景需求生成一種多載波波形。在接收端，首先由波形識別網絡自動提取接收信號特征，識別波形種類，然后將對應類別波形數(shù)據(jù)送入離線訓練好的解調網絡中完成信號恢復。

圖1 智能波形收發(fā)系統(tǒng)

3 波形集成發(fā)送模塊

OFDM要求按照完整頻段統(tǒng)一配置波形參數(shù)，它能有效對抗多徑衰落，支持靈活的頻率選擇性調度，適合低復雜度條件下的移動寬帶業(yè)務場景；FOFDM和UFMC都具有濾波的機制，其中UFMC使用了沖擊響應較短的濾波器，支持突發(fā)通信場景，適用于短小數(shù)據(jù)包類業(yè)務；FOFDM則使用了時域沖擊響應較長的濾波器，子帶內部采用和OFDM一致的信號處理方案，兼容OFDM相關技術，并且波形參數(shù)配置靈活，可基本滿足其他5G應用場景。

波形集成發(fā)送模塊的設計主要遵循模塊化合并原則。在OFDM標準結構基礎上，通過對完整的OFDM信號增加窗函數(shù)濾波處理，可以得到FOFDM信號。而UFMC方案綜合了子帶濾波的概念，對OFDM信號子載波進行分簇的后置濾波處理。鑒于3種波形調制結構的相似性和差異性，提出如圖2所示的集成化波形發(fā)送模型。首先根據(jù)業(yè)務需求由網絡上層決策配置波形參數(shù)，然后完成業(yè)務類型與波形激活因子的映射，最后通過配置不同的波形激活因子(a,b∈{0,1})，實現(xiàn)智能化發(fā)送不同多載波波形(OFDM, FOFDM, UFMC)的功能。數(shù)據(jù)源隨機產生二進制向量，通過星座映射得到符號序列，將符號序列進行快速傅里葉逆變換(Invert Fast Fourier Transformation, IFFT)被不同子載波調制。此時，進入波形激活因子配置階段：

圖2 集成化波形發(fā)送模型

情況1 當波形激活因子取b=1,a=0時，將經過N點IFFT后的待發(fā)射信號中插入CP，生成OFDM符號S1。

情況2 當取b=1,a=1時，為OFDM發(fā)送端增加濾波器進行子帶濾波處理，生成FOFDM符號S2。

情況3 當取b=0時，對一組連續(xù)子載波進行濾波，生成UFMC符號S3。

對比傳統(tǒng)一種波形的發(fā)送結構設計，所提集成化模型實現(xiàn)了模塊化的共用，能夠有效地減少硬件設備部署成本，在多種波形相互協(xié)作的多場景復雜通信中更具適用性和靈活性，只需根據(jù)場景需求對激活因子完成配置，便可實現(xiàn)不同多載波波形的發(fā)送。

4 智能波形識別網絡

在本文所提智能波形收發(fā)系統(tǒng)中，波形識別網絡是接收端正確解碼的關鍵。實現(xiàn)步驟為：(1)生成3種波形接收數(shù)據(jù)合并后作為原始數(shù)據(jù)集；(2)通過數(shù)據(jù)預處理使原始數(shù)據(jù)集中不同參數(shù)配置下的波形信號實現(xiàn)維度統(tǒng)一；(3)設計一種智能波形識別網絡，自動提取波形的頻譜特征，在接收端實現(xiàn)準確識別。圖3為所提IWR-Net的流程框圖，分別由以下部分組成：生成訓練數(shù)據(jù)集和數(shù)據(jù)預處理、搭建神經網絡及模型訓練。

圖3 IWR-Net流程圖

4.1 生成訓練數(shù)據(jù)集

隨機生成比特流通過發(fā)送端，3種波形信號OFDM, FOFDM, UFMC的發(fā)送數(shù)據(jù)可以分別表示為

4.2 數(shù)據(jù)預處理

由于不同波形參數(shù)設置的差異性和靈活性，不同維度大小的接收信號不能直接作為訓練數(shù)據(jù)集，原始訓練集中復數(shù)數(shù)據(jù)需要處理后再送入神經網絡。處理方法如圖4所示，首先提取各波形復數(shù)數(shù)據(jù)的實部和虛部進行合并，然后采用主成分分析法(Principal Components Analysis, PCA)對原始數(shù)據(jù)降維，最后將2維數(shù)據(jù)升維為3維數(shù)據(jù)，處理后的輸入數(shù)據(jù)被重塑為單通道的2×d?大小的圖像(Channel×Width×Height)送入網絡訓練模型。由于神經網絡不能輸入非文本數(shù)據(jù)，波形對應的標簽進行獨熱編碼處理，編碼結果為：OFDM波形的標簽表示為[1,0,0]；FOFDM表示為[0,1,0]；UFMC表示為[0,0,1]。

圖4 復數(shù)信號處理

由于接收信號高維特征中存在數(shù)據(jù)冗余及信道噪聲污染，如表1，采用PCA分別處理3種波形接收數(shù)據(jù)，把高維特征降到低維。假設數(shù)據(jù)集X中有m個波形訓練樣本：X=(x1,x2,...,xm)，提取復數(shù)信號I/Q兩路視為每個樣本的兩個特征，每個特征具有d維。 T表 示矩陣轉置，第i個 波形樣本xi表示為

表1 PCA算法處理接收信號流程

在生成訓練集過程中，接收端原始數(shù)據(jù)的維度大小為：OFDM(1,1510), FOFDM(1,841),UFMC(1,328)，通過對比實驗后選擇原始數(shù)據(jù)的前200個特征維度作為主成分。降維后的數(shù)據(jù)送入神經網絡訓練模型，不但能抑制噪聲干擾，而且減少模型擬合時間，使網絡更容易訓練。

4.3 網絡結構設計與訓練

神經網絡的深度能保證特征的抽象能力和泛化性能，為了獲得波形信號的深層參數(shù)同時避免網絡的退化問題，本文參考ResNet18網絡構造框架，結合波形信號自身性質，設計如圖5所示具有殘差連接結構的15層網絡，將輸入信號視為單通道大小為2×200的特征向量，實現(xiàn)信號特征的自動提取。采用的DL模型共有4個殘差連接，一個最大池化層、全連接層、Dropout層和Softmax層，卷積結束后使用修正線性單元(Rectified Linear Unit,ReLU)作為激活函數(shù)，有效解決正區(qū)間梯度消失所造成訓練困難等問題。

如圖5所示，在第1個殘差層中，首先由一個1×1大小的卷積核對輸入圖像X進行升維處理，拓寬網絡通道。接著將輸出數(shù)據(jù)傳遞到卷積核大小為3×2的卷積層，卷積核重復作用于整個特征圖的感受野獲取波形數(shù)據(jù)最主要的特征，并通過ReLU激活函數(shù)獲取輸入的非線性映射關系，得到更具表達能力的波形特征。為了卷積核能充分提取邊緣信息，添加零填充，最后再次經過卷積核大小為3×2的卷積層，將輸出結果使用殘差連接合并作為新的輸入數(shù)據(jù)逐層傳遞。殘差連接使網絡旁路支線將輸入直接連接到后面的層，緩解了因網絡層數(shù)加深而導致信息傳遞過程中的損耗問題，保證了信息傳遞的完整性。上述中殘差連接過程可表示為

圖5 IWR-Net結構

其中Y1,wi,bi,f分別表示第1層隱藏層輸出、第i隱藏層權重矩陣、偏置、激活函數(shù)，?表示卷積操作。

文中使用大小為2×2的最大池化層執(zhí)行下采樣操作，通過池化窗口找到濾波器輸出的最大值，減少參數(shù)和網絡訓練復雜度。最后由全連接層整合輸出特征圖中的特征，幫助模型獲取波形特征具有的高層含義，加入防止模型訓練過擬合的Dropout層，通過Softmax函數(shù)實現(xiàn)波形正確分類。

訓練IWR-Net過程中，使用Glorot均勻分布初始化器隨機設置起始權重和偏置，采用自適應矩(Adaptive moment, Adam)估計算法更新參數(shù)集，根據(jù)梯度1階矩估計和2階矩估計動態(tài)設置每個參數(shù)的學習率，通過參數(shù)迭代實現(xiàn)更好的收斂效果。使用交叉熵損失函數(shù)計算損失值，模型預測損失表示為N,M分別表示訓練波形總數(shù)和波形種類數(shù)，yic為指示變量(0/1)，pic表 示波形i屬 于波形c的預測概率。

5 系統(tǒng)仿真

為全面對比分析不同噪聲環(huán)境對模型訓練的影響，在Flat衰落信道下，分別采用多信噪比(1～10 dB，記為多信噪比)條件和單信噪比(10 dB，記為單信噪比)條件生成兩份數(shù)量為30000的樣本(每種波形10000)構成訓練集，送入神經網絡訓練得到最優(yōu)模型,分別記為Mten,Mone。設置4組仿真實驗測試模型性能：(1)生成經Flat衰落信道的兩類信噪比數(shù)據(jù)集D1, D2，分別測試模型Mten,Mone性能；(2)為了驗證模型在快衰落信道中對新樣本的泛化能力，生成經Rayleigh衰落信道的兩類信噪比數(shù)據(jù)集D3, D4，測試模型魯棒性；(3)分別產生64QAM,256QAM調制下兩類信噪比數(shù)據(jù)集D5, D6, D7,D8，測試高階數(shù)調制方式下模型的預測準確率；(4)發(fā)送端通過波形集成發(fā)送模塊隨機生成一種波形，接收端加載模型在線預測波形種類并統(tǒng)計正確識別的數(shù)量，評估系統(tǒng)性能。

本文仿真數(shù)據(jù)采集使用Matlab產生，仿真環(huán)境為Python3.7版本，DL框架為Tensorflow2.0.0版本。系統(tǒng)仿真主要參數(shù)，訓練神經網絡參數(shù)配置如表2所示。仿真設備如下：Intel(R)Core(TM)i5-8500 CPU @3.00 GHz，內存(RAM)為 8 GB，64位操作系統(tǒng)。

表2 系統(tǒng)參數(shù)配置

5.1 不同信道條件下波形識別測試實驗

實驗1 Flat衰落條件。Flat衰落信道條件下，分別生成兩類信噪比條件下各3000個測試樣本，經過數(shù)據(jù)預處理，輸入數(shù)據(jù)形狀為(3000, 1, 2,200)，標簽為(3000,3)。為保證學習到最佳權重，通過網格搜索算法篩選測試集損失值最小的一組參數(shù)值，最小批量大小設置為1024，初始學習率設置為0.001，迭代次數(shù)為100，迭代過程中自動調整學習率α，當驗證集損失值大小不再變化，執(zhí)行早停操作結束訓練，保存最優(yōu)模型，最終在訓練集上準確率分別達到99.5%(多信噪比)，99.2%(單信噪比)，測試集準確率如圖6所示。可以看出，用于波形識別的兩種模型曲線變化軌跡相似，隨著信噪比逐漸改善，預測準確率提高，二者都沒有過擬合問題，在5 dB信噪比條件下，準確率最高可達到98.2%。模型Mten在低信噪比情況下優(yōu)于模型Mone，證明訓練集中存在低信噪比樣本時，權值共享的卷積層通過運算使Mten模型學習到低信噪比信號中的抽象特征，并應用在新數(shù)據(jù)集中實現(xiàn)正確分類。

圖6 Flat衰落信道測試結果

實驗2 Rayleigh衰落條件。為了進一步驗證訓練模型對經快衰落信道干擾后波形識別魯棒性，采用具有頻率選擇性衰落的Rayleigh信道作為測試仿真信道。鑒于多徑傳輸條件影響，分別生成兩類信噪比條件下各30000個測試樣本，加載實驗1中訓練好的Mten和Mone進行泛化性能測試。結果如圖7所示，訓練好的兩種模型對通過Rayleigh信道后的接收數(shù)據(jù)依然具有很好的識別效果，并且在所有信噪比點處多信噪比模型準確率均大于單信噪比。在10 dB信噪比條件下，多信噪比模型預測準確率達到94.4 %，這進一步說明本文提出的IWR-Net能有效地提取信號特征，具有較強的抗信道衰落能力。

圖7 Rayleigh衰落信道測試結果

5.2 不同調制方式下波形識別測試實驗

實驗3 64QAM和256QAM調制。通信業(yè)務中不同的調制方式能以不同速率傳輸數(shù)據(jù)。為了更深入地驗證模型魯棒性，測試在高階數(shù)調制中不同波形的識別性能，使用16QAM調制作為訓練集，64QAM和256QAM調制作為測試集。加載實驗1中模型在線預測，圖8、圖9分別給出Mten和Mone對兩種高階調制方式的測試結果?？梢钥闯?，3種調制方式測試曲線變化趨勢基本一致，多信噪比模型在各信噪比點處具有更好的預測效果，在信噪比大于5 dB條件下，多信噪比模型對高階調制的最高識別準確率達97.5%，能精確預測同一種多載波波形在不同調制方式下的類別。

圖8 多信噪比調制方式下測試結果

圖9 單信噪比調制方式下測試結果

5.3 完整智能收發(fā)系統(tǒng)的實現(xiàn)及測試

實驗4 完整智能收發(fā)系統(tǒng)。本實驗激活波形集成發(fā)送模塊，根據(jù)不同業(yè)務類型中的需求發(fā)送多載波波形，接收端加載模型進行智能化識別。為了保證仿真結果的全面性，依次生成信噪比為1～10 dB的OFDM, FOFDM, UFMC波形樣本各10000個，送入模型Mten中預測發(fā)送波形種類，實驗混淆矩陣如圖10，統(tǒng)計正確預測波形的數(shù)量分別為9588, 9633,8828；接著，依次生成信噪比為10 dB的OFDM,FOFDM, UFMC波形樣本各10000個，送入模型Mone中得到混淆矩陣如圖11，正確預測的數(shù)量分別為9628, 9611, 9760。仿真結果顯示，所提兩種模型都能在隨機噪聲干擾的情況下對波形種類準確識別，滿足實驗預期效果。

圖10 多信噪比模型混淆矩陣圖

圖11 單信噪比模型混淆矩陣圖

5.4 復雜度分析

經典的通信系統(tǒng)通過改變發(fā)送模塊的結構產生不同波形，但設計和實現(xiàn)復雜度將隨業(yè)務種類不斷增長，部署成本也隨之增加。本文提出的集成化波形發(fā)送模塊能有效地解決以上問題。在發(fā)送端，根據(jù)業(yè)務需求配置波形激活因子，集成化發(fā)送模塊在不增加系統(tǒng)實現(xiàn)復雜度的情況下實現(xiàn)不同波形的發(fā)送。這種遵循模塊化合并原則的設計結構合理地將不同調制模塊中相同功能的硬件結構實現(xiàn)共用化，大大降低硬件部署成本，緩解了多場景通信中因改變發(fā)送模塊的結構而造成系統(tǒng)部署復雜度增加的問題。

在DL模型應用研究領域，神經網絡模型的計算復雜度使用浮點運算數(shù)量來描述。模型的計算復雜度決定了它的訓練和預測時間。文中所提IWR-Net是一種卷積神經網絡，針對卷積神經網絡計算復雜度由式(9)和式(10)表示為[17]

其中D, l, M分別表示網絡深度、當前卷積層數(shù)、卷積核輸出特征圖邊長，K表示卷積核邊長，Cin和Cout分別為卷積核輸入通道數(shù)和輸出通道數(shù)；X, P adding,Stride 分別表示輸入矩陣尺寸、特征圖填充數(shù)、卷積步長。通過計算最壞情況下的復雜度：(1)卷積運算共消耗的浮點數(shù)運算數(shù)量為1.28×105；(2)全連接層共消耗浮點運算數(shù)量為8.192×105，模型總的計算復雜度為 9.472×105。為了更全面分析時間復雜度，本文接著對模型訓練和預測時間進行統(tǒng)計[18]。訓練多信噪比模型Mten和單信比模型Mone的時間、測試實驗4中3種波形預測所耗費的時間如表3所示，雖然DL模型離線訓練階段花費了一定的時間成本，但訓練好的模型對新數(shù)據(jù)集進行預測時可直接調用，快速預測發(fā)送波形種類。

表3 模型訓練及測試運行時間(s)

6 結束語

本文提出一種融合DL的智能化波形調制系統(tǒng)。在發(fā)送端，根據(jù)通信業(yè)務需求配置波形激活因子，集成波形發(fā)送模塊發(fā)送合適的多載波波形。在接收端，首先由波形識別網絡自動提取接收信號特征，識別波形類別，然后將對應類別波形數(shù)據(jù)送入離線訓練的解調網絡中實現(xiàn)信號恢復。仿真結果表明，訓練模型在5 dB信噪比下超過98%的測試準確率，模型魯棒性檢驗方面，中信噪比條件下對Rayleigh信道衰落條件和高階調制產生的新數(shù)據(jù)測試準確率均超過94%。在利用人工智能技術研究通信系統(tǒng)的工作中，該方案保留了多載波產生和發(fā)送裝置，可以在信息傳輸過程中保留多載波通信技術的優(yōu)點。本文將接收端工作分解為識別和解碼，因受篇幅限制，沒有詳細介紹解碼部分。在后續(xù)工作中，接收端的設計重點是研究多載波的識別和解碼的同步完成。