高速公路隧道通信信号增强技术研究

余昌桃

（广西交通投资集团玉林高速公路运营有限公司，广西玉林，537000）

0 引言

在信号的传输过程中，高速公路隧道通信信号很容易受到影响，一般对信号造成实质影响的是随机噪声干扰，这个时候通信信号的质量会大幅减弱，严重影响到接收端的信号接收与还原，造成通信质量下降甚至断网。针对这一技术性难题，尽可能提高信噪比，即减少通信信号中混杂的噪声干扰，实现从根本上解决信号接受不良的问题，是高速公路通信网络覆盖设计的常用解决思路[1]。传统加强信号的方法一般是先行监测噪声所造成的干扰，然后采用诸如带通滤波等转换方法，将这些干扰信号投射到可以变换或是分离开的频域进行转换[2]。但在现实情况中，由于噪声干扰存在随机不可控性，因此需要预先进行人工噪声和干扰的强先检验，效果仍不理想[3]。本文基于公路隧道的通信信号增强技术，提取和学习其中的先进方法，提出了增强高速公路隧道信号强度的研究，直接将信号中的噪声干扰抹除，将信号与噪声干扰的可分离度做出变换，以这样的技术路径实现增强信号的目的。

1 高速公路隧道通信生成对抗网络的信号增强设计

生成逆境网络(Generative Adversarial Networks，GAN)是近年来公路隧道中最有效的通信信号增强技术之一[4]。例如，GAN用来生成图像系统，可以高效的学习以像素级分布的高维复杂内容，并且映射高清效果明显。使用GAN还可以实现语音效果增强。不仅如此，GAN还能够在频谱感应中做出特定类型信号的合成，通过这样的方式来增加数据集合[5]。受此技术功能启发，尝试打造一个以GAN为根基，用来增强信号的网络，以此实现微弱信号增强以及信号降噪的目的，主要应用方向涵盖了自动消除交通隧道内的动态噪音干扰。目前，还没有任何无线通信信号增强任务中应用到GAN，所以这属于初次尝试使用，此构造进行逆向框架来实现无线信号增强[6]。这种网络暂时被称作是―无线信号增强生成逆向网络(WSEGAN)。和学习噪声的各项分布和各种干扰特征不一样，从伴随相生的信号中消灭噪声的信号加强方法，所描述的WSEGAN发生器学习信号发布一般是用拮抗的方式实现信号增强[7]。其主要优点有以下几点：

(1)先使用最初始的信号时域，直接以端口连接到端口的模式进行工作，手动对特征进行提取已经没有必要，这样就可以省去相对复杂繁琐的计算，也为增强过程提供了更加快速的途径。前提是确保符号信息不会发生变化，这时采用最初始的信号当做初始GAN的生成准则，获取目前为止最高效的性能增强。

(2)信号发生抖动或是偏差的时候，要具备良好的控制能力。即便是信号的频率、带宽或幅值有了明显的不同波动，网络已然可以很大程度上的存在认知能力，方便跟踪目标信号所需要掌握的特征。

(3)因为网络目前只在意最初始的信号，在数据统计下，这就会使外部环境的特性每时每刻都在变化，是完全不可进行预测的，如此以往，增强系统的性能不会轻易提高，实现了实际意义上的时变系统信号加强。

生成式对抗网络是一种基于实际分布式数据集，是通过训练和学习产生伪样本的网络。在这样的构建模型中，感知器的多层网络达成了以下的几个模型：由一个生成模型G和一个判别模型D组成的的区间训练，判别模型主要是用来对生成模型的虚假样本和实际产生的真实样本进行区分，G的训练目的就是让D产生最大程度上的误差，因此不能区分真实性。所以，整个框架可以是一个实验过程。如果判别模型D地对真样本和假样本成功进行了分类，那么当G收到此回馈时，会提示它主动生成与真样本更接近的样本。在所有的系统训练结束时，样本彻底平衡，判别网络样本D是真样本还是G生成的伪样本只能随机判别。网络的目标函数总体为以下公式1：

式中，D (x)表示真实可靠的数据分布，在训练G最小化log (l-D (G (z)))时，训练D分配正确标签的最大化概率时。G是完成输入结束输出的，而不是一味地传递内容，以数据分布特征为标准，投射到之前信号通道的定义里。另一个则是在判别网络D之间，还有一个典型的二元分类器，输出为0。输出为1的 G和生成的伪样本的实际样本数据集G是相互模仿的。WSEGAN的基本学习过程如图1所示。

图1 WSEGAN的基本过程

G的目标是生成一个与真实样本看起来极度相似的信号G，以此来对D进行欺骗，将G(SW)从真实样本中分离是D的主要目标。最终理想的结果是G可以产生一个很强烈的增强信号，而D失去了分辨它真假的能力。

2 生成对抗增强信号网络的增强效果实验分析

为了展示WSEGAN的优越性，挑出三种典型的增强系统当做基准方法做对比。首先是LMS算法，这是最常用的传统线性方法。二是阈值小波变换，它是一种非线性方法。目前许多传统的非线性方法都是对阈值小波变换的改进。最后，残差网络是新近提出的一种基于深度学习的方法，在现有的高速公路隧道通信信号增强的方法中增强效果最好。利用Adam优化器训练卷积神经分类网络的权值和滤波系数，并通过优化训练对象为网络输出的交叉熵损失函数。

发送到网络中的信号共计五种，由于在分类时不知道接收到的是哪一种信号。与之前不同的是，发送到增强网络的信号类型单一。

这里的网络训练同时关注5种信号。为了显示在这个时间，提高网络的增强效果，针对单一物种信号训练后的网络进行比较，给出了表1和表2，BPSK不同信噪比下，16 qam调制信号后错误率前后两种网络的增强情况如表2所示，其中G2代表为混合型调制信号网络，Gl代表为单类型调制信号网络。

表1 不同信噪比下BPSK调制信号经过两种网络增强前后的误码率

表2 不同信噪比下16QAM调制信号经过两种网络增强前后的误码率

G2相比较而言信号有一定的增强，但效果却比不上G1的效果，因为网络混杂很多的调制信号的提取特征，在这之后进行监督训练得出的结果不达标是可以理解的，这样很容易失去其单一信号的特殊性。可现实中，对比一个节点，通过增强不同网络在识别前后的识别准确率，可以观察到没有奇异点对分类网络最终真正调制识别的影响不大。

为了评价三种识别网络的性能，在包含10000个样本的测试集上进行测试和验证来观察结论。

结果表明，无增强模块的网络在混合信噪比测试集达到了74.5%的分类准确率，基于卷积的侧链可以嵌入到调制识别的自适应滤波器中，增强单元网络达到了93.5%，针对网络产生的无线信号增强模型，对G2网络的调制识别率达到96.8%。对每种调制类型进行降噪，并通过内容进行分类，分类准确率为95.5%。虽然这样的G1网络在当前应用程序的意义不大，但我们可以看到，在G1和G2网络来增强信号分类准确率是0.7%，这种同一性是错过了最后的调制识别分类网络相对较小，网络的影响实际上仍然可以提取成一个不同于调制信号的另一个主要特征。图2为不同信噪比信号在不同网络增强处理前后的误码率曲线。显然，几乎绝大部分的增强系统在信噪比较高时都是有价值的。但在低信噪比的情况下，WSEGAN的增强效果是最好的方法。

图2 不同信噪比信号在不同增强网络处理前后的误码率曲线

3 结束语

在高速公路隧道通信信号增强调制技术识别研究中，通过研究发现采用WSEGAN网络的生成网络对信号增强进行处理是很合理的，需要做的就是先进行网络嵌入，之后再输入到分类网络中。通过时频分析和误码率分析，分析对比了这两种增强模式的效果。未来，要尝试更加深入的理论研究，分析高速公路隧道通道内卷积和生成对抗网络对信号的增强效果，并继续发现更有效的研究和技术。将来在高速公路隧道环境中采集无线信号，通过实验进一步积累经验，验证模型的可行性，使信号增强技术有很更大的进步和发展。