基于BP神经网络的GSM-R抗同频干扰方法研究*

2015-03-25孙鸣蔚韩思远

通信技术 2015年9期

关键词：校正神经元神经网络

孙鸣蔚，韩思远

(兰州交通大学教育部重点实验室，甘肃兰州 730070)

基于BP神经网络的GSM-R抗同频干扰方法研究*

孙鸣蔚，韩思远

(兰州交通大学教育部重点实验室，甘肃兰州 730070)

在GSM-R通信网络中，同频干扰是影响通信质量的一个因素。由于被训练的BP神经网络可以不断校正误差，使输出误差不断减小。为解决GSM-R同频干扰问题，提出了用BP神经网络及其算法对GSM-R通信信号进行校正，通过构建GSM-R通信系统和BP神经网络系统的模型，阐述了GSM-R通信系统抗同频干扰的原理，并对GSM-R进行了数据采集和仿真。

GSM-R；同频干扰；BP神经网络；BP网络仿真

0 引言

GSM-R(Global System For Mobile Communication For Railway)是基于移动通信网，应用于铁路调度通信[1]的一种非常有效快捷的通讯方式，大大提高了铁路的运营效率、降低了事故发生率。我国铁路GSM-R使用的频段是：885～889 MHz(上行)、930～934 MHz(下行)[2]。由于该频段有与全球移动通信公用的部分，非常容易受到干扰，严重影响了调度人员的正常工作和车辆安全行驶[3]。

本文主要根据神经网络在军事雷达抗干扰方面的理论研究，用BP人工神经网络良好的非线性函数逼近性来解决干扰问题[4,5]，在导弹引信抗干扰中，通过设计干扰检测统计量和判断准则，进行了神经网络辅助的干扰检测算法[6]研究，结合GSM-R的本身特殊性，提出了基于BP神经网络的GSM-R抗干扰方法研究，更具有可行性和可靠性，并对其进行了建模和仿真实验。

人工神经网络自1943年由心理学家McCulloch和数学家Pittsburgh共同提出MP模型以来，已经在很多工程领域得到了显著的应用成效。人工神经网络是一种非线性大规模处理系统，具有自学习和自适应能力。BP算法是由Rumelhart1986年提出的，BP网络是前向网络的核心部分，能使人工神经网络具有更好的非线性映射能力[7,8]。

1 BP神经网络

BP网络是采用误差逆传播算法进行误差校正的多层前馈网络。其基本结构如图1所示。

图1 BP神经网络基本结构

BP网络是一种3层或者3层以上的神经网络，包括输入层、隐含层(若干层)和输出层构成，W表示层与层之间关系强弱的连接权值，每层间的神经元没有连接。BP算法是实现神经网络精确度高的关键，该算法采用梯度搜索技术，不断调整各层的连接权重及每个单元的阈值，经过大量样本的训练，使神经网络最终的实际输出值和期望输出值的均方差最小。

在BP网络建模中，输入层有n个神经元，隐含层p个神经元，输出层q个神经元。隐含层的输入公式如(1)所示：

(1)

其中，隐含层的第h个神经元阈值为bh，从输入层的第i个神经元到隐含层的第h个神经元的权值为wit，xi(k)为第i个输入值，n=1,2,…,p。

输出层的输入公式如(2)所示：

(2)

其中，who表示隐含层第h个神经元到输出层第o个神经元的权值，hoh(k)表示隐含层第o个神经元的输出值，bo表示输出层第o个神经元的阈值，o=1,2，…，q。

隐含层的输出公式如(3)所示：

hoh(k)=f(hih(k))

(3)

输出层的输出公式如(4)所示：

yoo(k)=f(yio(k))

(4)

其中公式(3)、(4)函数f()是BP常用的函数sigmoid型的对数或正切函数。

全局误差公式如(5)所示：

(5)

其中，m表示样本号，do(k)表示期望输出值，yo(k)表示输出层的输出值。

通过误差计算，神经网络反复的对权值进行衡量和比较，当误差达到预设精度或学习次数大于设定的最大次数时，运算结束。否则选取下一个学习样本及对应的期望输出，进行下一轮的学习。

2 GSM-R抗干扰的问题分析

由于GSM-R网络和GSM网络有公用频段，当GSM网络在通信过程中进行调频转换时，可能会与GSM-R网络公用一个频段，带来同频干扰[9,10]。GSM-R也可能受到不法分子的人为干扰，对铁路通信网络造成破坏，还可能受到大自然(如雷电、辐射等)电磁干扰。

把BP神经网络用于GSM-R抗干扰中应用，模型的大量输入参数是经过严格分析获得的，是能对GSM-R产生干扰的关键因素，大量的输出值是综合衡量之后的综合数据[11]。把大量的输入参数输入到BP神经网络中进行训练，神经网络通过BP算法的运算不断调整权值，以达到要求的精度[12,13]，这样的GSM-R信号质量才能达到不被干扰或减少被干扰的程度，以增大网络的可靠连接和通话质量等，减少掉话率和紧急情况下无法接通带来的重大隐患。

3 BP神经网络抗同频干扰的原理

BP神经网络有盲学习的特性，通过对少量样本的学习，就能得到其反函数，通过这个原理对GSM-R干扰信号进行非线性校正[14,15]。

实现数据采集和校正的原理图如图2所示，f(x)是GSM-R的信号输入，经过信号采集系统后，产生离散信号x(t)和s(t)，其中x(t)是GSM-R的没有受过干扰的正常信号，s(t)是其同频的干扰信号。首先，信号采集系统对f(x)正常信号进行采集，令x(t)=u，f(ni)=v,其中ni=hi+w表示在相同时间间隔内不同时间点，i=1,…,n，w是采集数据时间间隔。首先，BP神经网络输入正常状态下的数据，对BP神经网络的自适应训练；其次，通过MATLAB搭建干扰源，把正常信号和干扰信号进行叠加，用训练好的神经网络来校正受到通信干扰的，使输出值y在误差范围之内，以达到抗干扰的目的。

图2 BP神经网络抗干扰原理

4 BP网络对GSM-R的仿真实验

如图2所示，系统通过信号采样器分别对受干扰的GSM-R信号和没有收到干扰的GSM-R信号采集数据。用没有收到干扰的GSM-R信号对BP神经网络进行训练，如果信号经过网络的结果误差太大，神经网络就会用用BP算法返回去继续拟合校正。然后用训练好的BP神经网络对受干扰的GSM-R信号进行校正分析，使GSM-R信号误差不断接近设定好的误差值，信号质量非常接近理想值。经过对诸多干扰因素的分析，选用了如下五个指标作为BP网络的输入信号，来训练BP神经：基站识别码BSIC(P1)；载干比C/I(P2)；业务信道TCH(P3)；误帧率FER(P4)；接收信号电平(P5)。

(1)基站识别码BSIC：用于移动台识别相同载频的不同基站，特别用于区别在不同国家的边界地区采用相同载频且相临的基站；

(2)载干比C/I：指接收到的有用信号电平与所有非有用信号电平的比值，值越大，对信号的干扰相对越小；

(3)业务信道TCH：传输话音和数据，话音业务信道按速率的不同，可分为全速率话音业务信道(TCH/FS)和半速率话音业务信道(TCH/HS)；

(4)误帧率FER：是呼叫质量的简要统计，值越小误帧率越少，通信质量也就越高。

FER=100*(1-(1-PJ)182)%

其中，PJ为解码后的误码率。

经过现场对信号的采集和测试，得出了9组BP神经网络的输入数据，其中1～6六组是采集没有被同频干扰的数据，7～9是采集的受到同频干扰的数据，如表1 所示。其中p3中，1代表业务信道正常，3代表业务信道不正常。

表1 BP神经网络输入数据

5 实验结果分析

利用MATLAB提供的BP神经网络工具箱，对以上数据进行了仿真分析，其中前六组是GSM-R正常的数据，作为输入量，后三组是受干扰，需要校正的GSM-R数据。BP网络采用了两个隐含层，第一个隐含层有6个神经元，第二个隐含层有3个神经元，分别设定了MSE≤10-3、MSE≤10-4和MSE≤10-5三种情况，对数据的误差值进行分析对比。

以下样本测试图中，双点画线、散虚线、密虚线、实线、点画线分别代表p1、p2、p3、p4、p5三组受干扰信号的矫正误差。

图3 和图4是均方误差MSE≤10-3的数据训练图和数据误差图。此训练图的特点是，训练速度非常快，在1epochs情况下，训练时间为1秒。从图(3)中可以看出，在样本训练到359次时，已经非常接近设定的MSE范围，可是误差图中第一组被校正的基站识别码BSIC(P1)的误差达到0.041，其图形数据波动值为0.02。载干比C/I 误差为0.068，其数据波动为0.03。由于基站识别码BSIC(P1)和载干比C/I误差过大，说明BP神经网络没能对GSM-R干扰的同频信号进行有效校正。

图3 MSE≤10-3的数据训练图

图4 MSE≤10-3的样本误差图

图5和图6是均方误差MSE≤10-4的数据训练图和数据误差图，从图中可以看出，当网络训练到3248次时，已经达到MSE≤10-4标准，此时所有数据的误差都在0.02以内，大部分都在0.01以内。已经较好的完成了对GSM-R受干扰信号的有效校正，已达到了抗干扰的目的。

图5 MSE≤10-4的数据

图6 MSE≤10-4的样本误差图

图7和图8是均方误差MSE≤10-5的数据训练图和数据误差图，当训练次数为19998时，误差精度已经非常接近MSE≤10-5，而且三组受干扰数据的样本误差都在0.01以内，可以说具有非常良好的校正抗干扰效果，可是由于训练的次数过于多，拟合的时间过于长，不适合实际的应用，理论分析上非常有效。

图7 MSE≤10-5的数据训练图

图8 MSE≤10-5的样本误图

6 结束语

GSM-R通信中，同频干扰占据着相当一部分比例，而且一直困扰着研究人员。本文利用BP神经网络对GSM-R进行校正，对抗干扰的效果还是比较好的，而且设计简单，精度较高。但是其运算比较复杂，而且需要微机对GSM-R 信号进行处理，多处用到A/D和D/A转换，系统对数据采集系统要求比较高。

[1] Baldini G，Nai F 1,Masera M,et al. Early Warning System for Detecting GSM-R Wireless Interference in the High-Speed Railway Infrastructure [J]. International Journal of Critical Infrastructure Protection,2010,3:140-156.

[2] 钟章队，李旭，蒋文怡等.铁路GSM-R数字移动通信系统[M].北京:中国铁道出版社,2007. ZHONG Zhang-dui, LI Xu, JIANG Wen-yi, et al. Railways GSM-R Digital MobiLe Communication System[M]. Beijing: China Railway Publishing House,2007.

[3] ZHAO Liu-jun, CHEN Xin, DING Jian-wen. Interference Clearance Process of GSM-R Network in China[C]//2010 2nd International Conference on Mechanical and Electronics Engineering. Piscataway: IEEE Computer Society, 2010:424-428.

[4] 杨志强，何芳，谢虹.基于BP神经网络的雷达网抗干扰性能综合评估[J].火力与指挥控制，2005,30(2):41-44. YANG Zhi-qiang, HE Fang, XIE Hong. Comprehensive Assessment of Anti Jamming Performance of Radar Net based on BP Neural Network[J].Fire Control & Command Control, 2005, 30(2): 41-44.

[5] 孙卓光，熊家军.基于改进BP网络的雷达网抗干扰性能评估[J].微计算机信息，2009,25(8):243-244. SUN Zhuo-guang, XIONG Jia-jun. Assessment of Anti-Jamming Capability of Radar Network based on Improved BP Network[J].Control & Automation, 2009, 25(8): 243-244.

[6] 赵俊岩，刘泽乾，侯满义等.神经网络辅助的北斗/INS组合制导系统抗干扰方法研究[J].弹箭和制导学报，2013,33(4):33-36. ZHAO Jun-yan, LIU Ze-qian, HOU Man- yi, et al. Study on the Anti-Jamming Method of Neural Network-Assisted Beidou/INS Integrated Guidance System[J].Journal of Projectiles, Rockets, Missiles and Guidance,2013,33(4):33-36.

[7] 丛爽.面向MATLAB工具箱的神经网络理论与应用[M].第3版.合肥:中国科学技术大学出版社，2009. CONG Shuang. Third Edition of Netural Network Theory and Applications with MATLAB Toolboxes[M]. Hefei:Press of University of Science and Technology of China,2009.

[8] 闵惜琳，刘国华.用MATLAB神经网络工具箱开发BP网络应用[J].计算机应用，2001，21(8):163-164. MIN Xi-lin, LIU Guo-hua. Development of BP Network Application using MATLAB Neural Network Toolbox[J]. Journal of Computer Applications,2001,21(8):163-164.

[9] 赵武元.GSM-R移动通信系统干扰分析及查找[J].铁道通信信号，2009,45(12):55-57. ZHAO Wu-yuan. Interference Analysis and Search of GSM-R System[J]. Railway Signalling & Communication, 2009, 45(12):55-57.

[10] 高晨亮，朱刚，钟章队等.GSM-R电磁干扰及测试问题研究[J].铁道通信信号,2007,43(10):50-52. GAO Chen-liang, ZHU Gang, ZHONG Zhang-dui, et al. Research on the Electromagnetic Interference and Testing of GSM-R[J]. Railway Signalling & Communication, 2007, 43(10): 50-52.

[11] 李有科.神经网络在通信干扰中的应用[J].计算机与网络,1998，108(4)：17. LI You-ke. Application of Neural Network Communication Interference[J]. Computer & Network1998，108(4)：17.

[12] 孙德保，高超.BP网络的抗干扰性能研究及误差分析[J].华中理工大学学报，1994,22(8):32-34. SUN De-bao, GAO Chao. Anti-Jamming Performance Study and Error Analysis of BP Network[J]. Journal of Huazhong University of Science and Technology 1994,22(8):32-34.

[13] 史泽林，康娇，孙锐.基于BP神经网络的大视场成像畸变校正方法[J].光学精密工程，2005,13(2):349-352. SHI Ze-lin, KANG Jiao, SUN Yue. Distortion Correction Method of Wide-Fild Imaging based on BP Neural Network[J]. Optics and Precision Engineering, 2005, 13(2):349-352.

[14] 刘冰，郭海霞. MATLAB神经网络超级学习手册[M].第1版.北京:人民邮电出版社，2014. LIU Bing, GUO Hai-xia. First Edition of MATLAB Neural Network Learning Manual[M]. Beijing: Posts &Telecom Press. 2014.

[15] 马曾，赵时，汪拥军. BP神经网络在通信中的应用[J].电脑知识与技术，2009,5(9):2193-2194. MA Zeng, ZHAO Shi, WANG Yong-jun. Application of BP Neural Network in Communication[J].Computer Knowledge and Technology,2009,5(9):2193-2194.

GSM-R Resisting Same-Frequency Interference based on BP Neural Network

SUN Ming-wei, HAN Si-yuan

(Key Laboratory of Opto-Electronic Technology and Intelligent Control of the MoE, Lanzhou Jiaotong University, Lanzhou Gansu 730070, China)

In GSM-R communication network, the same-frequency interference is an important factor in affecting the communication quality. As the trained BP neural network could constantly correct the errors and thus make the output error constantly decrease. For solving the problem of the same-frequency interference in GSM-R, BP neural network and its algorithm are proposed to correct GSM-R communication signals. The model for GSM-R communication system and BP neural network is constructed. The principle for resisting the same-frequency interference in GSM-R communication system is discussed and the data of GSM-R is simulated and collected.

GSM-R; same-frequency interference; BP neural network; BP network SIMULINK

2015-05-01；

2015-08-01 Received date:2015-05-01；Revised date：2015-08-01

U285.2

1002-0802(2015)09-0999-05