基于深度学习算法的HPLC通信信号自动调制识别研究

张 磊，吴 颖

（1.北京合众伟奇科技有限公司，河南 郑州 450000；2.中原工学院 信息商务学院，河南 郑州450000）

0 引 言

当HPLC通信信号经过多分辨率的分析和分解后，各个离散形式的信号均可以有效代表原始信号中不同频率的组成[1]。由于产生的化学信号通常是具有峰状信号分布的，因此通过对HPLC通信信号进行调制识别可以准确找出峰尖与峰谷之间的频率差，并利用相关技术得到分辨强度更高的信号成分。传统HPLC通信信号的调制识别方法通常采用复杂算法进行，因此得到的结果与实际相差较大，且操作过程繁琐，增加了调制识别的时间[2]。对此，本文基于深度学习算法的高精度、推理速度快、算法简单等优势，提出了一种全新的HPLC通信信号自动调制识别方法。

1 HPLC通信信号自动调制识别方法设计

HPLC通信最大的困扰是电力线上的杂波干扰。因此，在通信信号自动调制与识别研究中，将抗干扰性能作为首要解决问题，在维持通信带宽不变的前提下，努力降低通信误码率。基于深度学习算法的强大分析能力与纠错功能，在HPLC通信中可实现对信号的智能分解与动态调制，并在接收端能够自动纠正误码，实现智能化识别。基于这一设计思想，提出了对通信信号隐含特征的分析与提取，利用深度学习算法计算通信信号的深层次信息熵值，实现自动调制与识别。基本模型可描述为“设定信号处理参数—深度学习算法解算低层信号隐含特征—迭代计算高层隐含特征—建立目标特征映射集—信息预测与识别—信号输出”。

1.1 HPLC通信信号参数设定及处理

针对HPLC通信信号的自动调制识别方法，首先应当设定信号参数，保证通信信号的采集量能够充分满足调制识别要求，并对信号进行处理，使其具备正确的信号标注方式。本文方法中的信号是针对高效液相色谱HPLC产生的通信信号，因此需要设定信号频率范围。选择的设定方式是将信号统一化处理为中频信号，即信号的载波频率与采集频率的比值控制在1/4的定值，即将采集速率设置为84.4 kHz，则载波的频率值为84.4 kHz。

采集信号时可能产生的测量误差通常在±4.3%的符号速率范围以内，因此对产生的HPLC通信信号中的载波频率上随机增加±9%的符号速率随机值，实现对信号频率采集的校正[3]。通常情况下，采集信号速率与符号速率之间的比值在3～18倍，因此设置信号的符号速率范围在3.7～23.5 kHz范围内，完成对信号采集频率的范围设定。此外，根据载噪比范围等其他信号采集要求，完成信号各项参数设定。

在信号采集过程中，通常信号的强弱是不统一的。因此，根据采集的信号设置信号振幅无法得到固定数值。为了保证调制识别方法的泛化能力，将信号赋值也进行归一化处理。采用0均值标准化的归一化方法，表达式为：

式中，g表示归一化处理后的HPLC通信信号数据；i表示采集到的HPLC通信信号；α表示HPLC通信信号的均值；ς表示均值标准差。将采集的原始数据集按照式（1）统一成为均值为0、方差为1的数据集合，完成信号数据的归一化处理。

1.2 基于深度学习算法的信号隐含特征提取

完成参数设定及归一化处理后的HPLC通信信号，还需要利用深度学习算法提取信号中多层隐含特征。低隐含层通常为5～6层，高隐含层可高达10多层。设置信号的低隐含层、高隐含层节点都是随机的二进制变量节点，取值为0或1，同时设置其特征的概率分布充分满足Boltaman分布特点。

低隐含层与高隐含层均不与外界环境直接接触，主要作用是从数据中提取相应调制识别特征。低隐含层与高隐含层之间是双向连接的，但高隐含层内部和低隐含层内部之间无连接。因此，本文采用无监督深层学习算法对HPLC通信信号的高隐含层和低隐含层进行训练，计算公式为：

式中，x(t)表示无监督深层学习训练后得到的隐含层特征参数；N表示叠加平均次数；si(t)表示第i层隐含层的原信号；ni(t)表示第i层隐含层的干扰噪声，以此类推完成对高隐含层和低隐含层的特征提取。

1.3 隐含特征到调制识别目标映射

通过深度学习算法提取HPLC通信信号隐含层特征后，根据输出的不同特征的信号阈值对其进行调制识别目标映射。采用决策树的分类方式，将具备不同隐含特征的HPLC通信信号划分为根节点、中间节点和叶节点3个基本构造。比较输出信号样本的特征及阈值，确定其是否可进入到下一等级。采用隐含特征X1阈值判断多进制数字振幅调制信号和正交振幅调制信号，再采用隐含特征X2阈值判断二进制振幅调制信号和载波调制信号，以此类推完成对多个隐含特征阈值在不同调制识别目标中的映射。通过决策树结构不断调整隐含特征阈值，实现更高的识别率。在实际应用中，应根据信号不同的判定特征数值对其进行调制识别。

1.4 通信信号信息预测与识别

在HPLC通信中，受功率载波发生机理的限制，信号中存在固定频率或随机离散频率的干扰源，通信载波会受到干扰信号N次谐波的影响，造成频率抖动或码位错乱，抬升了通信的误码率，甚至会引发信息错误。深度学习算法在提取通信信号的隐含特征后，通过识别目标映射集限定条件的判断，发现并剔除其中的干扰频率，并整合信息全文预测信号对应的码位值，实现对信息的复原。在深度学习算法的HPLC通信信道中，具有时间相关性的信息作为一个整体处理，在信息的每一帧数据中增加数据提取与分析，结合振幅调制信号中附加的校验信息完成对信息正确性的判断，并通过先验数据对数据帧中发现的错误予以修正。HPLC通信在有线传输方式下所占用的带宽相对较宽，而收端又采用深度学习相关性检测的办法解调，使有用宽带信息信号恢复成窄带信号，而把非所需信号扩展成宽带信号，然后通过窄带滤波技术提取有用信号。基于这样的工作原理，对于系统干扰信号和线路随机干扰信号，因其在接收端的非相关性特征，解调后窄带信号中只有很微弱的成份，信噪比很高，此时利用深度学习算法可以快速检测和识别，因此抗干扰性强。基于深度学习算法的智能处理能力，提升了HPLC通信的抗干扰能力，在通信带宽不变条件下降低了信道误码率。

2 实验论证分析

2.1 实验准备

选择某智能小区中的骨干HPLC网络作为本文实验的硬件配置平台。在仿真实验平台上构建一个虚拟的仿真HPLC通信信号网，并设置通信信号的传输速率为1 220 b/s，信号采集速率为84.4 kHz。通过仿真实验软件，随机产生1 000路HPLC通信信号，分别利用本文方法与传统方法对不同通信协议下的1 000路HPLC通信信号进行调制识别，对比两种方法的性能。

2.2 实验结果及分析

根据上述实验准备，完成本文方法与传统方法的对比实验。为了方便比较，设置本文方法为实验组，传统方法为对照组，根据两组方法的调制识别结果，绘制如图1所示的实验结果对比图。

图1 实验结果对比图

由图1可以看出，实验组在对HPLC通信信号进行自动调制识别时，错误个数明显小于对照组，且随着HPLC通信信号个数的增加，对照组的错误个数呈现逐渐陡峭的递增趋势，而实验组随着深度学习算法的逐渐熟练，错误个数的增加趋势明显得到缓解。实验证明，本文提出的基于深度学习算法的HPLC通信信号自动调制识别方法可有效提高调制识别的准确性，减少错误识别的产生数量，从而保证通信信号的稳定传输。另外，本文选取的信号来自不同通信协议下，由此也可对比两种方法对通信协议的兼容程度。可以看出，本文方法兼容性较强。

3 结 论

本文基于深度学习算法的HPLC通信信号的自动调制识别方法进行探究和研究，结合深度学习算法中的无监督深层学习提高信号调制识别的准确性，并通过对比实验对比了该方法与传统信号调制识别方法的性能，从实验结果得出该方法可行性更高，具有更好的调制识别效果。