論文題目：Improved Deep Neural Network for OFDM signal recognition using Hybrid Grey Wolf Optimization

期刊名稱(chēng)：IEEE Access（SCI檢索，JCR：Q1）

原文DOI：https://doi.org/10.1109/ACCESS.2020.3010589

作者列表：

（1）張妍 中國(guó)石油大學(xué)（北京）信息科學(xué)與工程學(xué)院 電子信息工程系 研18

（2）劉得軍 中國(guó)石油大學(xué)（北京） 信息科學(xué)與工程學(xué)院 電子信息工程系

（3）劉家琳 中國(guó)石油大學(xué)（北京）信息科學(xué)與工程學(xué)院 電子信息工程系 研18

（4）咸沂軒 中國(guó)石油大學(xué)（北京）信息科學(xué)與工程學(xué)院 電子信息工程系 研18

（5）王旭 中國(guó)石油大學(xué)（北京）信息科學(xué)與工程學(xué)院 電子信息工程系 研19

論文簡(jiǎn)介：

正交頻分復(fù)用(OFDM)是一種高頻譜利用率的多載波調(diào)制技術(shù)，具有很強(qiáng)的抗多徑干擾和抗衰落能力。本文針對(duì)多徑信道下復(fù)雜信號(hào)中OFDM信號(hào)的識(shí)別問(wèn)題，提出了一種基于混合灰狼算法優(yōu)化深度神經(jīng)網(wǎng)絡(luò)模型的的OFDM識(shí)別方法，采用該算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，該混合算法將差分進(jìn)化算法融入到灰狼優(yōu)化算法中，解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)易陷入局部極小值和GWO算法后期易陷入停滯狀態(tài)的缺點(diǎn)，該模型在識(shí)別性能和優(yōu)化穩(wěn)定性方面都具有很強(qiáng)的競(jìng)爭(zhēng)力。

背景與動(dòng)機(jī)

隨著現(xiàn)代通信技術(shù)的迅速發(fā)展，以及用戶(hù)對(duì)信息的傳輸速度以及可靠性要求的不斷提高，信號(hào)的調(diào)制方式也在不斷變更。由于通信業(yè)務(wù)種類(lèi)和業(yè)務(wù)量的不斷增加，充分利用帶寬資源成為通信領(lǐng)域中一個(gè)亟需解決的問(wèn)題。正交頻分復(fù)用技術(shù)是一種具有高頻帶利用率的多載波調(diào)制技術(shù)，得到了廣泛的應(yīng)用。此外，OFDM 信號(hào)的顯著優(yōu)勢(shì)在于抗多徑效應(yīng)，所以 OFDM 信號(hào)的應(yīng)用環(huán)境多為多徑衰落信道。因此，研究多徑信道條件下 OFDM 信號(hào)的識(shí)別問(wèn)題具有重要意義。

設(shè)計(jì)與實(shí)現(xiàn)

本文的目標(biāo)為從多個(gè)單載波信號(hào)和多載波信號(hào)中識(shí)別OFDM信號(hào)。調(diào)制信號(hào)集由WPM、OFDM、PSK、FSK、QAM信號(hào)組成，其中WPM、OFDM為多載波信號(hào)，其余為單載波信號(hào)。在調(diào)制器中，首先將二進(jìn)制數(shù)據(jù)流轉(zhuǎn)換成長(zhǎng)度為N的低速子數(shù)據(jù)流，然后經(jīng)過(guò)各種調(diào)制方式得到相應(yīng)的調(diào)制信號(hào)。為模擬實(shí)際的信道，我們將信號(hào)通過(guò)模擬的多徑信道并疊加高斯白噪聲得到更接近實(shí)際情況的調(diào)制信號(hào)。然后對(duì)接收到的信號(hào)進(jìn)行特征提取，以減小運(yùn)算量和降低數(shù)據(jù)的維度，之后根據(jù)DNN的輸入規(guī)則來(lái)對(duì)特征值進(jìn)行歸一化，最后將數(shù)據(jù)送入優(yōu)化后的DNN識(shí)別模型中進(jìn)行分類(lèi)輸出，示意圖如圖1。其中，v20為混合階矩, R為功率譜包絡(luò)的均值和方差的比值，Nc為求得的子載波個(gè)數(shù)。

圖1 基于深度神經(jīng)網(wǎng)絡(luò)的數(shù)字調(diào)制識(shí)別模型

在訓(xùn)練DNN之前，針對(duì)DNN存在的易陷入局部最優(yōu)值問(wèn)題，我們采用灰狼優(yōu)化算法來(lái)優(yōu)化DNN的初始權(quán)值和閾值，它具有較強(qiáng)的收斂性能、參數(shù)少、易實(shí)現(xiàn)等特點(diǎn)，而由于GWO算法后期易陷入停滯狀態(tài)，因此將差分進(jìn)化算法引入灰狼優(yōu)化算法中，增強(qiáng)了種群的多樣性，避免了算法后期易陷入局部最優(yōu)的缺點(diǎn)，HGWO算法優(yōu)化DNN的過(guò)程介紹如下：

圖2 灰狼的等級(jí)制度

種群初始化：首先對(duì)算法參數(shù)進(jìn)行初始化，在可行域內(nèi)隨機(jī)初始化得到父代種群，然后將父代種群代入DNN算法計(jì)算得到父代目標(biāo)函數(shù)值，重復(fù)初始化操作得到變異種群和子代種群。

社會(huì)等級(jí)分層：計(jì)算種群每個(gè)個(gè)體的適應(yīng)度并進(jìn)行排序得到狼群中適應(yīng)度最好的三匹灰狼依次標(biāo)記為 α、β、γ 。

狩獵過(guò)程：灰狼具有識(shí)別潛在獵物（最優(yōu)解）位置的能力，搜索過(guò)程主要靠 α、β、γ 灰狼的指引來(lái)完成，在每次迭代過(guò)程中，保留當(dāng)前種群中的最好三只灰狼，然后根據(jù)它們的位置信息來(lái)更新其它個(gè)體的位置。

迭代結(jié)束后，將所有種群的位置向量帶入DNN算法，得到父代目標(biāo)值，然后確定我們是否得到最好的父代目標(biāo)值。

DE算法通過(guò)個(gè)體變異獲得變異種群， 然后在父代種群和變異種群之間進(jìn)行交叉操作以增強(qiáng)種群的多樣性進(jìn)而得到新一代種群， 將新種群代入DNN算法，得到子代種群的目標(biāo)值。將子代種群與父代種群進(jìn)行比較選擇，利用貪婪算法得到下一代個(gè)體。迭代完成后，使用回歸算法對(duì)結(jié)果進(jìn)行預(yù)測(cè)。

以上步驟結(jié)合了HGWO和DNN各自的優(yōu)勢(shì)，有效地解決了神經(jīng)網(wǎng)絡(luò)算法存在的問(wèn)題。我們通過(guò)傳統(tǒng)的DNN識(shí)別方法以及單一的智能算法優(yōu)化的DNN模型來(lái)和HGWO-DNN方法相比較，如圖3所示。

圖3  本文方法與三種方法的對(duì)比方法對(duì)比

實(shí)驗(yàn)結(jié)果表明,在低信噪比的條件下,算法的識(shí)別精度相比于傳統(tǒng)的DNN方法提高了9.95%，相比于其他兩種單一的智能優(yōu)化算法提高了近4.5%，因此證明了我們提出的方法在多徑信道環(huán)境中具備有效性和可靠性，同時(shí)也為無(wú)線(xiàn)通信領(lǐng)域的OFDM信號(hào)調(diào)制識(shí)別提供了一種簡(jiǎn)單有效的新方法。

關(guān)于作者

張妍，碩士，中國(guó)石油大學(xué)（北京），信息科學(xué)與工程學(xué)院信息與通信工程專(zhuān)業(yè)。研究方向：通信原理、調(diào)制解調(diào)方法、數(shù)字調(diào)制識(shí)別、OFDM系統(tǒng)以及深度學(xué)習(xí)技術(shù)在通信系統(tǒng)中的應(yīng)用。聯(lián)系方式：Email: [email protected]

劉得軍，教授，中國(guó)石油大學(xué)（北京），信息科學(xué)與工程學(xué)院電子信息工程系，博士生導(dǎo)師，中共黨員。研究方向：電磁測(cè)量方法與數(shù)值模擬技術(shù)、電纜高速數(shù)據(jù)傳輸理論與技術(shù)、機(jī)電測(cè)量系統(tǒng)虛擬樣機(jī)設(shè)計(jì)等?？傆?jì)發(fā)表科學(xué)論文140余篇。聯(lián)系方式：Email: [email protected]