一种基于BP神经网络的车载通信设备性能评估方法

孟晓姣，张世巍，李小健，李敏玥，宋丙鑫，路宏敏

(1.西安电子科技大学 电子工程学院,陕西 西安 710071;2.中国北方车辆研究所 电磁兼容实验室,北京 100072)

随着现代通信科学技术的高速发展和广泛应用，电子及通信设备越来越密集，构成了极其复杂的电磁环境。对于车载通信系统而言，尽管车内空间非常有限，却需要同时安装多种电子及通信设备，诱发了车辆内部日益严重的电磁干扰问题[1]。通信设备在复杂的电磁环境中受到严峻的考验，可能会产生通信距离缩短、话音质量变差、误码率提高等问题，严重威胁到整个通信系统工作性能。车载通信设备的工作性能在一定程度上直接影响着车辆整体通信系统的稳定性，因此对车载通信设备进行性能评估具有重要意义[2]。目前，研究者对性能评估问题已做出大量工作，并提出了一些经典性能评估方法。常用的方法有理想点排序法(Technique for Order Preference by Similarity to an Ideal Solution，TOPSIS)、层次分析法(Analytic Hierarchy Process，AHP)和ADC(Available Dependability Capability)效能评估法等。TOPSIS是通过检测评价对象与最优解、最劣解的距离来进行排序，若评价对象最靠近最优解，同时又最远离最劣解则为最好，否则为最劣[3]。AHP是将与评估结果有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析[4]。ADC效能评估法是通过建立一个关于可用度、可信赖度和能力的评估模型进行设备性能评估[5]。这些评估方法大都需要建立复杂的隶属结构，而且评估时存在较大的主观性，增加了评估系统的不确定性。

本文将BP神经网络(Back Propagation Network)应用到车载通信设备的性能评估当中，提出了一种基于神经网络的通信设备性能评估方法[6]。BP神经网络由于其强大的非线性拟合能力以及自适应、自调节功能备受关注，已被应用于目标识别、系统控制、土木工程等多个领域的预测评估[7-9]。BP神经网络能够结合问题的输入、输出属性来确定评估网络结构，使得预测结果在误差精度范围内[10]。本文首先针对车载通信设备选取了关键评估指标，并且进一步建立了包括发射、传输、接收的链路评估体系；再根据所建立的评估体系，运用BP神经网络结构，构建车载通信设备性能评估模型；最后使用训练样本对模型进行训练，训练完成的模型可用于评估预测。

1 车载通信设备性能评估方法

1.1 选取评估指标

设备评估指标的选取是建立评估体系的前提，指标的选取直接影响评估结果的准确性。无线通信借助无线电通信设备和无线电波在空间的传播来传递消息。完整的无线通信系统结构一般包括发射设备、传输介质和接收设备3部分，如图1所示。

图1 无线通信系统

依照无线通信系统的结构，本文从车载通信设备的接收、发射和传输性能三方面入手选取关键技术指标[11]。

1.1.1 接收性能评估指标

接收机的接收灵敏度是评价通信设备接收到有用信息效率的关键指标，其指接收机能够接收到的，并且还能正常工作的最低电平强度。通信距离的大小会影响通信设备正常进行通信时相互间的距离。邻道选择性是用来衡量存在相邻信道信号时，接收机在其指定信道频率上接收有用信号的能力。

1.1.2 发射性能评估指标

发射设备的作用是用来产生适合在信道中传输的信号，具有抗干扰的能力，并且应该有足够的功率以满足远距离传输的需要。发射设备的关键技术指标包括载波功率、杂散射频分量、互调衰减等。

1.1.3 传输性能评估指标

通信系统传输质量的度量准则主要是错误判决的概率，接收设备收到的是发送信号和信道噪声之和，而噪声会使接收到的信息发生错误。数字误码率和语音清晰度两个指标分别表示的是通信设备在采用数字通信模式和语音通信模式下错误接收信息的概率，可以用来评估通信设备的传输性能。

1.2 建立评估体系

根据前文所确定的车载通信设备评估指标，进一步建立通信设备的评估指标体系，如图1所示。

图2 车载通信设备性能评估体系

由图2可以看出，所建立的评估体系包括3个部分，分别为接收机性能、发射机性能、信息传输性能，并进一步确定了8个二级指标作为关键评估指标。最后，可根据以上建立的评估体系构建评估模型。

1.3 BP神经网络评估模型

BP神经网络结构包括输入层、隐含层、和输出层，通过输入和输出样本集对网络进行训练，即对网络的权值和阈值进行修正和学习，使网络实现给定的输入输出映射关系[12]。本文选择三层神经网络模型来构建评估模型，其中输入层的节点数可由图2中的关键评估指标确定为8，用向量可表示为(x1,x2,x3,…,x8)。输出端的节点数确定为1，表示车载通信设备性能的评估值为y1。隐含节点数可根据经验计算式确定[13]

(1)

式中，a为1～10之间的常数；n为输入层节点数；l为输出层节点；m为隐含层的节点数。根据式(1)可确定该模型的隐含层节点数范围为3～13。

最终得到BP神经网络评估模型结构，如图3所示。

图3 BP神经网络评估模型

(2)

y1表示输出层的输出，计算式为

(3)

(4)

purelin函数的表达式写为式(5)。

y=s，-∞

(5)

最终确定该评估模型的网络结构如图4所示。

图4 网络结构图

若设模型的误差函数为Le[15]，计算式如下

(6)

2 模型训练

2.1 样本数据预处理

2.1.1 样本选取

BP神经网络工作需要两个样本集，一个训练样本，另一个是预测样本。前者用来对网络进行训练以获得一个能够匹配预测需要的网络模型，后者用来预测验证。为了获得准确的评估预测结果，训练样本数据的选取非常重要。数据集过大，计算量增加，浪费内存和时间；数据集过小则不能得到最有效的模型结构。因此在样本数据采集阶段，应保证样本数据的均匀采集，欠采样和过采样都会使训练结果偏离预期。

2.1.2 标准化

在评估体系中，各指标的性质不同，具有不同量纲和数量级。因此，为了保证结果的可靠性就需要对原始数据进行标准化处理。标准化就是将数据按比例进行缩放，使之落入一个特定的小区间，便于对各指标进行比较和运算。最典型的就是对数据的归一化处理。

样本数据中的不同量纲、不同数量级会影响数据分析，可利用最大最小化方法对输入数据进行归一化处理，具体过程如下

所有基桩全部埋设声测管，并进行100%的完整性检测。声测管焊接在钢筋笼内侧，定位等分桩周、互相平行，并埋设至桩底，管口高于桩顶50cm以上。管底封闭，管口加盖，管底、管口及焊接部位要密封，防止混凝土浆液渗漏堵塞声测管。

(7)

式中，x为输入变量，x′j是第j维变量归一化后的值，j=1,2,3,…,m，m是影响设备性能评估的指标个数；xj,min是第j维变量中的最小值；xj,max是第j维变量中的最大值。

2.2 训练流程

本文利用MATLAB中的神经网络工具箱对所构建的车载通信设备性能评估模型进行训练，具体训练流程为：

步骤1设置网络参数。设置训练目标误差为0.001，迭代次数为100，学习率为0.5，设置隐含层的节点数为9，使获得最佳网络结构[16]；

步骤2将经过预处理的训练数据输入评估模型,初始化迭代次数N=0；

步骤3开始训练模型，计算模型输出值y；

步骤4计算模型输出误差Le，迭代次数N=N+1；

步骤5若误差大于0.001，修改网络权值并返回步骤3；

图5 模型训练流程图

2.3 训练结果

训练完成后，得到模型均方误差如图6所示。图中包括模型误差随迭代次数的变化曲线以及设定的目标误差限值线(设定为0.001)。随着训练迭代次数的增加，模型误差曲线逐渐降低，逼近目标误差值，在第44次训练迭代完成后，模型误差达到最佳值0.000 8，完成训练。

图6 均方误差图

3 模型验证

为验证所构建的神经网络评估模型有效性，本文针对某型车载通信电台，获取了10组预测样本数据。本文运用所提出的通信设备性能评估方法，对预测样本进行评估并输出结果。随后，通过比较样本数据与神经网络评估模型输出数据，得到模型误差，结果如表1和图7所示。

表1 神经网络模型误差

图7 模型误差曲线

结合表1和图7可以看出，训练后神经网络模型的输出数据与样本数据能够较好地吻合，模型误差较小，且保持在一定范围内。为定量分析评估模型的精度，使用归一化均方误差(Normalized Mean Squared Error，NMSE)指标[17]进行验证。NMSE计算式为式(8)，计算得到该模型的归一化均方误差为-36 dB。

(8)

综上，本文所提出基于BP神经网络的评估方法能够准确地评估车载通信设备性能。

4 结束语

本文基于BP神经网络模型提出了一种车载通信设备性能评估方法：首先根据车载通信设备，选取设备关键评估指标，建立评估体系；再基于BP神经网络结构，构建车载通信设备性能评估模型；最后获取大量样本数据训练神经网络模型，优化模型结构，提高模型精度。所构建的BP神经网络模型能够利用自己的自调节功能获得最优权值，经过训练能准确地预测评估车载通信设备性能。对某型车载电台性能评估验证发现所构建的神经网络模型输出数据与验证样本数据能够较好地吻合，模型归一化均方误差达到-36 dB。模型验证结果表明，本文提出的基于BP神经网络车载设备性能评估方法可行，且评估误差较小。