Research on mine wireless signal detection method based on dual path network
-
摘要: 目前针对矿井无线信号检测的研究大多只考虑了比较理想的加性高斯白噪声信道和瑞利衰落信道，且信号检测误码率高，网络结构复杂。针对上述问题，提出一种基于双路径网络（DPN）的矿井无线信号检测方法，采用双路网络接收机（DPNR）优化正交频分复用（OFDM）接收端的整体性能，解决常规接收机的误差累积问题。首先采用残差（Res）块的shortcut对浅层特征进行一次卷积，将经过一次卷积后的特征图与经过多次卷积后的特征图相加。然后将密集（Dense）块浅层重复利用，并进行Dense块的卷积计算，得到卷积计算后的特征图。最后将两者的特征图融合成新的特征图，在牺牲较少复杂度的情况下，提取更多的特征，从而提高检测性能。 实验结果表明：① 在OFDM系统中，DPNR的误码率比常规接收机低，在信噪比为13时，误码率为零；在信噪比大于7 时，DPNR的误码率较矿井环境下的常规接收机降低1个数量级以上；在信噪比大于11时，DPNR的误码率较加性高斯白噪声下的常规接收机降低 1个数量级以上。② 在通信系统滤波器组多载波/偏置正交幅度调制中，DPNR的误码率较常规接收机的降低2个数量级以上，说明其具有较好的鲁棒性。③ 随着信噪比的增加，DPNR和残差神经网络（ResNet）接收机的误码率较密集连接卷积网络（DenseNet）接收机低，且DPNR的误码率在最后阶段即信噪比大于13时更低。④ 在较高信噪比情况下，DPNR的误码率远远低于深度接收机，在信噪比大于8时，DPNR的误码率较深度接收机降低1个数量级以上。Abstract: At present, most of the research on mine wireless signal detection only considers the ideal additive Gaussian white noise channel and Rayleigh fading channel. The signal detection has high bit error rate and complex network structure. In order to solve the above problems, a mine wireless signal detection method based on dual path network (DPN) is proposed. The method uses dual path network receiver (DPNR) to optimize the overall performance of the orthogonal frequency division multiplexing (OFDM) receiver and solve the problem of error accumulation in conventional receivers. Firstly, the residual (Res) block's shortcut is used to perform a convolution of shallow features, and the feature map after one convolution is added to the feature map after multiple convolutions. Secondly, the shallow layer of the Dense block is reused. The convolution calculation of the Dense block is performed to obtain the feature map after the convolution calculation. Finally, the feature maps of the two are fused into a new feature map, which extracts more features at the expense of less complexity, thereby improving detection performance. The experimental results show the following points. ① In OFDM systems, the bit error rate of DPNR is lower than that of conventional receivers. When the signal-to-noise ratio is 13, the bit error rate is zero. When the signal-to-noise ratio is greater than 7, the error rate of DPNR is reduced by more than one order of magnitude compared to conventional receivers in mine environments. When the signal-to-noise ratio is greater than 11, the bit error rate of DPNR is more than one order of magnitude lower than that of conventional receivers under additive Gaussian white noise. ② In the multi-carrier/offset orthogonal amplitude modulation of communication system filter banks, the error rate of DPNR is reduced by more than two orders of magnitude compared to conventional receivers, indicating its good robustness. ③ As the signal-to-noise ratio increases, the bit error rate of DPNR and residual neural network (ResNet) receivers is lower than that of densely connected convolutional networks (DenseNet) receivers. The bit error rate of DPNR is lower in the final stage when the signal-to-noise ratio is greater than 13. ④ At higher signal-to-noise ratios, the bit error rate of DPNR is much lower than that of deep receivers. When the signal-to-noise ratio is greater than 8, the bit error rate of DPNR is reduced by more than one order of magnitude compared to deep receivers.
-
0. 引言
煤矿井下宽带无线通信系统为煤矿的安全生产和信息化提供了重要支撑。与其他陆地通信相比，煤矿井下粗糙的巷道壁、粉尘和障碍物等易造成煤矿井下信号大幅度衰减，无线信号衰减严重，通信质量下降，从而导致信号检测误码率提高[1]。对信号检测方法进行优化是提高通信系统可靠性的关键[2]。
通常采用常规接收机和深度接收机对接收端的信号进行检测。常规接收机采用载波和符号同步、信道估计、均衡、解调、信道译码等处理模块将接收的畸变信号恢复成与发送端一致的信号。但是局部性能最优不能保证整体性能最优，前面模块的误差会影响后续模块的性能，导致误差累积[3]。深度接收机将深度学习算法应用到接收端，解决了常规接收机的误差累积问题，不依赖于传统通信知识的理论建模，实现了接收端整体性能最优。文献[3]提出了一种密集连接卷积网络(Densely Connected Convolutional Networks，DenseNet)接收机实现信号的检测，在含加性高斯白噪声（Additive White Gaussian Noise，AWGN）的情况下，该接收机的信号检测性能远优于常规接收机的信号检测性能。文献[4]提出了一种适用于瑞利衰落信道和AWGN信道的深度学习检测器,该检测器使用深度神经网络(Deep Neural Networks，DNN)来恢复索引调制正交频分复用（Orthogonal Frequency Division Multiplexing，OFDM）系统中的数据位，检测效果良好。文献[5]提出了一种深度复数卷积网络(Deep Complex-valued Convolutional Networks，DCCN)接收机，该接收机在具有不同时延和迁移率的瑞利衰落信道中，性能优于基于理想和近似线性最小均方误差(Linear Minimum Mean Square Error，LMMSE)估计和传统循环前缀(Cyclic Prefix，CP)增强技术的常规信道估计器。
上述研究大多只考虑了比较理想的AWGN信道和瑞利衰落信道，对复杂矿井环境中的无线信号在接收端的检测研究较少，且信号检测误码率高、网络结构复杂，为了实现信号在矿井下的可靠传输，提高矿井下无线信号检测的误码性能，本文提出了双路网络接收机（Dual Path Network Receiver，DPNR），将其应用到矿井无线信号的接收端来进行检测。DPNR融合了残差神经网络(Residual Neural Network，ResNet )和DenseNet的优点，提取不同层次的特征，丰富特征维度。根据不同双路径网络（Dual Path Network，DPN）块的训练结果，选择最佳DPNR网络架构模型，达到提高无线通信质量、降低误码率的目的。
1. 矿井无线信道模型
矿井无线通信系统包含OFDM、滤波器组多载波（Filter Bank Multi-Carrier，FBMC）2个部分，OFDM和FBMC由发送端、接收端和无线信道组成。矿井环境中OFDM和FBMC的发送端和接收端与常规环境中一致，故本文主要研究矿井无线信道的建立。无线信号在矿井信道传输中易受小尺度衰落和大尺度衰落的影响，导致无线信号衰落。
1.1 小尺度衰落
小尺度衰落主要包括多径衰落和瑞利衰落。多径衰落是指信号在传播过程中会反射、散射和绕射，信号在不同方向传播时具有不同的传播时延，收到的信号由多条路径的信号组成，在幅度和相位上会发生急剧变化，因此信号会失真。瑞利衰落是一种特殊的多径衰落，瑞利衰落只是信号的幅度发生变化。
对信道的小尺度衰落进行概率统计，根据概率统计建立信道的小尺度衰落模型。在众多小尺度衰落模型中，Nakagami−m模型最具代表性。Nakagami−m模型的概率密度函数为
$$ f = \frac{{2{m^m}}}{{\Gamma (m){P^m}}}{s^{2m - 1}}\exp \left( - \frac{m}{P}{s^2}\right) $$ (1) 式中：Γ为伽马函数；m为衰落因子，表示信号衰落强度；P为平均功率；s为接收信号的幅值。
不同m值下Nakagami−m模型的概率密度函数如图1所示。可看出随着m值的增大，图像越来越尖锐，小尺度衰落影响的范围越来越小。当m=1时，Nakagami−m模型描述的衰落是瑞利衰落；当m趋于无限大时，几乎没有衰落；当0.5≤m＜1时，多径衰落比瑞利衰落严重。在矿井环境中，无线信号受多径影响较为严重[6]，故Nakagami−m模型中m值范围为0.5~1。
![]()
图 1 不同m值下Nakagami−m模型的概率密度函数Figure 1. The probability density function of Nakagami-m model under different m values根据文献[7]可知，当Nakagami−m模型的衰落因子m=0.85、平均功率P=1 dBm时，更加符合真实的矿井环境。因此本文采用该参数作为矿井无线信道的小尺度衰落模型的仿真参数。
1.2 大尺度衰落
大尺度衰落包括平均路径损耗和阴影衰落，通过AWGN来实现。平均路径损耗仅与传输路径有关，路径越长，损耗越大。无线信号在信道传播过程中遇到障碍物阻挡时，在障碍物后面会形成阴影区，阴影区内的信号强度较弱[8]。阴影衰落服从正态分布，其概率密度函数为
$$ f\left( {\textit{z}} \right) = \left\{ \begin{array}{l} \dfrac{1}{{\sqrt {2{\text{π }}{\sigma ^2}{\textit{z}}} }}\exp \left( { - \dfrac{{{{\left( {\ln {\textit{z}} - u} \right)}^2}}}{{2{\sigma ^2}}}} \right)\quad {\textit{z}} ＞ 0 \\ 0 \qquad\qquad\qquad\qquad\qquad\quad\,\,\, {\textit{z}} \leqslant 0 \\ \end{array} \right. $$ (2) 式中：σ为ln z的标准差；z为发射功率与接收功率的比值；u为ln z的平均值。
2. 基于DPN的OFDM通信接收机
OFDM通信系统的发送机包含串并转换、调制、快速傅里叶逆变换（Inverse Fast Fourier Transform， IFFT）和插入CP等模块[9-10]。常规接收机是发送机的逆过程，包含信号解调和去除CP等模块，在进行信号检测时，误码性能易受信道的干扰[11-12]。深度接收机采用DNN代替常规接收机的接收过程，如图2所示。深度接收机优化了接收端的整体性能[13-15]，解决了常规接收机的误差累积问题，在对信号进行检测时，检测效果不受信道的干扰。
![]()
图 2 基于深度接收机的OFDM无线通信系统Figure 2. Deep receiver-based OFDM wireless communication system由于DNN提取特征的能力不足，信号检测的误码性能有待提高[16-18]。为了解决这个问题，本文用DPNR来实现OFDM接收端部分。
DPNR的网络架构由输入层、卷积层、4个DPN块和过渡块、全连接层、输出层等组成[19-20]，如图3所示。DPN块是密集(Dense)块浅层的重复利用和残差(Res)块的融合特征[21]，由批标准化、卷积层、线性整流函数和池化层构成。过渡块通过卷积层实现。将样本数据输入到DPNR中，提取的特征在全连接层输出M（M为基带数据的比特流个数）个二分类，在最后的输出层将M个二分类结果串联，作为DPNR的输出结果。
DPNR网络节点的卷积设置见表1，由于全连接层、线性整流函数、最大池化层、扁平层和批标准化都不需要卷积，所以没有卷积的参数设置。
表 1 DPNR网络节点的卷积设置Table 1. Convolution settings for the DPNR network nodes网络块 输出 卷积设置 Cov1 (None,160, 64) [31,64]×1 过渡块 (None,79,128) [5,128]×1 DPN块 (None,79,320) [1,128]×1,[5,128]×1 过渡块 (None,39,64) [5,64]×1 DPN块 (None,39,224) [1,128]×1,[5,128]×2 过渡块 (None,19,64) [5,64]×1 DPN块 (None,19,288) [1,128]×1,[5,128]×3 过渡块 (None,9,64) [5,64]×1 DPN块 (None,9,224) [1,128]×1,[5,128]×2 Cov (None,9,150) [5,150]×1 全连接层 (None,9,150) − DPNR中DPN块的网络如图4所示。首先采用Res块的shortcut(短连接)对浅层的特征进行一次卷积，将经过一次卷积后的特征图与经过多次卷积后的特征图相加。然后将Dense块浅层重复利用，并进行Dense块的卷积计算，得到卷积计算后的特征图。最后将两者的特征图融合成新的特征图，在牺牲较少复杂度的情况下，提取更多的特征，从而提高网络检测性能。
3. 仿真分析
3.1 仿真参数
本文采用Matlab进行仿真，OFDM仿真参数按照IEEE 802.11a WLAN PHY中的参数设置，OFDM使用了52个子载波，由于快速傅里叶变换（Fast Fourier Transform，FFT）算法基于2点，FFT点数的取值为2的n次方，要让这52个子载波的调制符号都能进行IFFT变换，FFT点数要比52大，故设FFT点数为64。OFDM符号长度为4 μs，CP长度为800 ns，它选择的符号长度一般是CP的5倍，它的符号长度为CP长度+FFT点数，所以本文的CP长度为16 chip（码片）。OFDM参数设置见表2。
表 2 OFDM参数的设置Table 2. OFDM parameter settings参数 值 FFT点数 64 CP长度/chip 16 子载波 52 调制 QPSK 信道 Nakagam−m+AWGN 采样间隔为
$$ T_{{\rm{sample}}} = \frac{1}{B} = \frac{N}{{T_{\rm{u}}}} $$ (3) 式中：B为带宽；N为FFT点数；Tu为有效数据部分符号时间。
数据集包含训练集和测试集，每个训练集包含320 000个样本（信噪比为0~15，步长为1 dB），测试集与训练集数据量设置为1∶1。网络模型的构建、训练、测试采用Tensorflow中的各种软件库实现。得到最佳效果的网络架构初始参数见表3。
表 3 网络架构初始参数Table 3. Initial parameters of the network architecture参数 值 优化器 Adam 学习率 10−3 批大小 256 训练次数 15 训练数据集数量 320 000 测试数据集数量 320 000 3.2 仿真分析及结果
为确定DPN块的个数，设置不同数目的DPN块进行误码性能对比，结果如图5所示。可看出4个DPN块的误码率最低，1个DPN块的误码率最高。因此选用4个DPN块进行仿真。
在OFDM系统中，采用常规接收机和DPNR对信号检测性能进行对比，结果如图6所示。可看出DPNR的误码率比常规接收机低，在信噪比为13时，误码率为零。随着信噪比的增加，DPNR误码率的下降速度比常规接收机快，即差距越来越大。这是因为常规接收机易受信道干扰。在信噪比大于7 时，DPNR的误码率较矿井环境下的常规接收机降低1个数量级（1个数量级为10−1）以上。而在信噪比大于11时，DPNR误码率较AWGN的常规接收机降低 1个数量级以上。
为了证明DPNR的鲁棒性，在通信系统FBMC/OQAM(Offset Quadrate Amplitude Modulation, 偏置正交幅度调制 )中，对常规接收机与DPNR的误码性能进行对比，结果如图7所示。可看出DPNR的误码率较常规接收机的降低2个数量级以上，说明其具有较好的鲁棒性。
为了证明DPNR中DPN块在信号检测方面的优势，将DPNR的误码性能与由Dense块组成的DenseNet接收机和由Res块组成的ResNet接收机的误码性能进行对比，结果如图8所示。可看出前期DPNR、ResNet接收机和DenseNet接收机的误码率相差不大。但是随着信噪比的增加，DPNR和ResNet接收机的误码率较DenseNet接收机低，且DPNR的误码率在最后阶段即信噪比大于13时更低。
为了验证DPNR的误码性能，将本文提出的DPNR与文献[9]的深度接收机的误码性能进行对比，结果如图9所示。可看出DPNR在较高信噪比情况下的误码率远远低于文献[9]中的深度接收机。随着信噪比的提高，DPNR的误码率越来越低。在信噪比大于8时，DPNR的误码率较文献[9]中的深度接收机降低1个数量级以上。
![]()
图 9 DPNR与深度接收机的误码性能对比Figure 9. Comparison of BER performance between DPNR and deep receivers4. 结论
1） 在OFDM系统中，随着信噪比的增加，DPNR误码率的下降速度比常规接收机快，即差距越来越大，说明DPNR完全不受信道干扰。
2） 在通信系统FBMC/OQAM中，DPNR的误码率较常规接收机降低2个数量级以上，说明其具有较好的鲁棒性。
3） 在不同网络接收机情况下，前期DPNR，ResNet接收机和DenseNet接收机的误码率相差不大。但是随着信噪比的增加，DPNR和ResNet接收机的误码率较DenseNet接收机低，且DPNR的误码率在最后阶段即信噪比大于13时更低。
4） DPNR在较高信噪比情况下的误码性能远远优于深度接收机。随着信噪比的提高，DPNR的误码率越来越低。在信噪比大于8时，DPNR的误码率较深度接收机降低1个数量级以上。
5） 在后续的研究中，将进一步改进网络模型，使用注意力机制将有限信息处理资源分配给信号中具有重要特征的部分。将计算资源分配给更重要的任务，增加这部分特征的权重。
-
![]()
图 1 不同m值下Nakagami−m模型的概率密度函数
Figure 1. The probability density function of Nakagami-m model under different m values
![]()
图 2 基于深度接收机的OFDM无线通信系统
Figure 2. Deep receiver-based OFDM wireless communication system
![]()
图 9 DPNR与深度接收机的误码性能对比
Figure 9. Comparison of BER performance between DPNR and deep receivers
表 1 DPNR网络节点的卷积设置
Table 1 Convolution settings for the DPNR network nodes
网络块 输出 卷积设置 Cov1 (None,160, 64) [31,64]×1 过渡块 (None,79,128) [5,128]×1 DPN块 (None,79,320) [1,128]×1,[5,128]×1 过渡块 (None,39,64) [5,64]×1 DPN块 (None,39,224) [1,128]×1,[5,128]×2 过渡块 (None,19,64) [5,64]×1 DPN块 (None,19,288) [1,128]×1,[5,128]×3 过渡块 (None,9,64) [5,64]×1 DPN块 (None,9,224) [1,128]×1,[5,128]×2 Cov (None,9,150) [5,150]×1 全连接层 (None,9,150) − 
下载: 导出CSV
表 2 OFDM参数的设置
Table 2 OFDM parameter settings
参数 值 FFT点数 64 CP长度/chip 16 子载波 52 调制 QPSK 信道 Nakagam−m+AWGN
下载: 导出CSV
表 3 网络架构初始参数
Table 3 Initial parameters of the network architecture
参数 值 优化器 Adam 学习率 10−3 批大小 256 训练次数 15 训练数据集数量 320 000 测试数据集数量 320 000
下载: 导出CSV
-
[1] ZHANG Hui,ZHU Mengzhi,LI Xingwang,et al. Very low frequency propagation characteristics analysis in coal mines[J]. IEEE Access,2020(8):95483-95490.
[2] 张帆,李闯,李昊,等. 面向智能矿山与新工科的数字孪生技术研究[J]. 工矿自动化,2020,46(5):15-20. DOI: 10.13272/j.issn.1671-251x.2020040042 ZHANG Fan,LI Chuang,LI Hao,et al. Research on digital twin technology for smart mine and new engineering discipline[J]. Industry and Mine Automation,2020,46(5):15-20. DOI: 10.13272/j.issn.1671-251x.2020040042
[3] ZHENG Shilian,CHEN Shichuan,YANG Xiaoniu. Deepreceiver:a deep learning-based intelligent receiver for wireless communications in the physical layer[J]. IEEE Transactions on Cognitive Communications and Networking,2020,7(1):5-20.
[4] LUONG T V,KO Y,VIEN N A,et al. Deep learning-based detector for OFDM-IM[J]. IEEE Wireless Communications Letters,2019,8(4):1159-1162. DOI: 10.1109/LWC.2019.2909893
[5] ZHAO Zhongyuan,VURAN M C,GUO Fujuan,et al. Deep-waveform:a learned OFDM receiver based on deep complex-valued convolutional networks[J]. IEEE Journal on Selected Areas in Communications,2021,39(8):2407-2420. DOI: 10.1109/JSAC.2021.3087241
[6] 姚善化. 基于镜像法的矿井隧道电磁波多径信道模型[J]. 工矿自动化,2017,43(4):46-49. DOI: 10.13272/j.issn.1671-251x.2017.04.011 YAO Shanhua. Electromagnetic wave multipath channel model based on image method in mine tunnel[J]. Industry and Mine Automation,2017,43(4):46-49. DOI: 10.13272/j.issn.1671-251x.2017.04.011
[7] LIU Boyan, YANG Xiaohui, CHEN Zifeng, et al. The Internet of Things（IoT） system for bolt looseness detection in coal mines[C]. The 3rd International Conference on Big Data, Artificial Intelligence and Internet of Things Engineering （ICBAIE）, Xi'an, 2022: 293-296.
[8] 王安义,李立. 基于高阶累积量和DNN模型的井下信号识别方法[J]. 工矿自动化,2020,46(2):82-87. DOI: 10.13272/j.issn.1671-251x.2019100064 WANG Anyi,LI Li. Underground signal recognition method based on higher-order cumulants and DNN model[J]. Industry and Mine Automation,2020,46(2):82-87. DOI: 10.13272/j.issn.1671-251x.2019100064
[9] HAO Ye,LI G Y,JUANG B H F. Power of deep learning for channel estimation and signal detection in OFDM systems[J]. IEEE Wireless Communications Letters,2018,7(1):114-117. DOI: 10.1109/LWC.2017.2757490
[10] LIU Hongfu,WEI Ziping,ZHANG Hengsheng,et al. Tiny machine learning (Tiny-ML) for efficient channel estimation and signal detection[J]. IEEE Transactions on Vehicular Technology,2022,71(6):6795-6800. DOI: 10.1109/TVT.2022.3163786
[11] YI Xuemei,ZHONG Gaijun. Deep learning for joint channel estimation and signal detection in OFDM systems[J]. IEEE Communications Letters,2020,24(12):2780-2784. DOI: 10.1109/LCOMM.2020.3014382
[12] FELIX A, CAMMERER S, DORNER S, et al. OFDM-autoencoder for end-to-end learning of communications systems[C]. IEEE 19th International Workshop on Signal Processing Advances in Wireless Communications （SPAWC）, Kalamata, 2018: 1-5.
[13] BALEVI E,ANDREWS J G. One-bit OFDM receivers via deep learning[J]. IEEE Transactions on Communications,2019,67(6):4326-4336. DOI: 10.1109/TCOMM.2019.2903811
[14] CHEN Xiaolong, JIANG Qiaowen, SU Ningyuan, et al. LFM signal detection and estimation based on deep convolutional neural network[C]. Asia-Pacific Signal and Information Processing Association Annual Summit and Conference （APSIPA ASC）, Lanzhou, 2019: 753-758.
[15] DONG Yaning, WU Chuanzhang, ZHU Huizhu, et al. A weak signal detection method based on spatial spectrum-LSTM neural network[C]. The 5th International Conference on Information Communication and Signal Processing （ICICSP）, Shenzhen, 2022: 1-6.
[16] NIE Donghu,XIE Kai,ZHOU Feng,et al. A correlation detection method of low SNR based on multi-channelization[J]. IEEE Signal Processing Letters,2020,27:1375-1379. DOI: 10.1109/LSP.2020.3013769
[17] LI Chun, ZHAO Zhijin, CHEN Ying. Detection algorithm of frequency hopping signals based on S transform and deep learning[C]. 16th IEEE International Conference on Signal Processing （ICSP）, Beijing, 2022: 310-313.
[18] GATERA O, SIBOMANA L, LLHAN H, et al. On analysis of signal detection in relays networks over time-varying rayleigh channels[C]. International Conference on Communications, Signal Processing, and their Applications （ICCSPA）, Sharjah, 2019: 1-5.
[19] ZHANG Zhaoming, CHENG Baixiao, YANG Minglei, et al. Target detection of optimum frequencies selection based on time reversal[C]. The 5th International Conference on Frontiers of Signal Processing （ICFSP）, Marseille, 2019: 40-44.
[20] 崔建华,袁正道,王忠勇,等. 基于隐聚类和狄利特雷过程的大规模MIMO-OFDM接收机设计[J]. 电子学报,2019,47(12):2515-2523. CUI Jianhua,YUAN Zhengdao,WANG Zhongyong,et al. Massive MIMO-OFDM receiver design based on hidden cluster hypothesis and dirichlet process[J]. Acta Electronica Sinica,2019,47(12):2515-2523.
[21] YANG Aiping, WANG Haixin, JI Zhong, et al. Dual-path in dual-path network for single image dehazing[C]. Teenty-Eighth International Joint Conference on Artificial Intelligence, 2017: 4627-4634.
-
期刊类型引用(2)
1. 赵志刚，王磊，王兰忠. 基于LoRa通信的无线发射台信号智能监测技术研究. 现代电子技术. 2024(15): 14-18 . 
百度学术
2. 程真惠子. 多传感器融合模型在矿井安全预警中的应用. 矿业装备. 2024(06): 69-71 . 百度学术
其他类型引用(0)
计量
- 文章访问数: 366
- HTML全文浏览量: 70
- PDF下载量: 14
- 被引次数: 2
