基于改进DnCNN 的机车信号抗干扰算法

杨世武，楚少童，刘淑贤，刘 倡，熊奇慧

（1.北京交通大学 电子信息工程学院，北京 100044；2.中国银行股份有限公司软件中心（合肥），合肥 230061）

机车信号设备作为CTCS 各级列控系统中的重要组成部分，承担着接收轨道电路信号并准确解码生成行车凭证或检查轨道占用的重要任务［1］，机车信号解码的实时性和准确性在列车安全运行中举足轻重.目前机车信号移频信息的检测方式主要有：EMD 同态去噪法［2］、时频结合的自适应滤波法［3］、相位推算法［4］等，这些算法已在大量应用中被证明具有很好的解码效果.随着铁路向重载化、高速化方向发展，信号设备电磁环境也愈发复杂和严峻.其中，轨道电路信号在传输过程中受到多种类型的电磁干扰，虽然机车信号硬件和软件设计对常规噪声及电磁骚扰有一定的滤波效果，但在某些机车类型含有较强50 Hz 工频谐波、分相区瞬态干扰等环境下，骚扰成分和能量可能无法被滤波器或相应去噪算法有效滤除，导致既有解码方法难以解析出正确信号，造成机车信号掉码、误上码、延迟上码甚至升级显示等故障的出现，给列车运行质量和安全带来隐患［5］.典型案例有：2015 年5 月，HXD3 某型机车在北京局某区段运行时，由于受到牵引电流瞬态脉冲干扰，导致机车信号译出了一个周期的50 Hz 交流计数红黄（HU）码，触发紧急制动；2017 年4 月至8 月，在郑州局某咽喉区无码区段，车载ATP 多次收到无低频信息的1 700 Hz、2 000 Hz 载频，导致ATP 输出制动［6］.同时，随着时速400 km 动车组及28 800 kW 超级重载电力机车组的下线，牵引电流干扰强度和形式将带来更大挑战，进一步研究具有高抗干扰能力的机车信号算法是非常必要的.

国内针对机车信号降噪及抗干扰方面有长期扎实研究和较成熟的工程应用，邢玉龙等［7］提出基于全卷积神经网络的机车信号降噪，但仅对通带内存在单频噪声的情况进行了讨论，未对宽频脉冲等复杂组合噪声进行分析和处理，亦未对降噪实时性做出分析.袁蕾［8］提出了基于变分模态分解方法的信号去噪方法，但由于模态数需要初期设定，故无法自适应地进行信号的分解与重构.轩春霞［9］提出基于稀疏分解的轨道电路信号降噪，但相关算法可能导致恢复信号中的局部不平滑，丧失调制信号的部分特征.但上述研究均采用降噪处理后的信号输入至TCR（Track Circuit Reader）主机完成解码，而并未对完整的解码算法进行优化.在这一方面，吴添［10］提出了基于机器学习的数字信号解码，利用残差网络与长短期记忆网络（Long Short-Term Memory，LSTM）在低信噪比下识别2FSK 等信号.徐卓君等［11］提出了基于改进残差网络的雷达调制信号识别算法，通过提取雷达时域信号特征进行识别，在低信噪比条件下对2FSK 信号的识别有良好的表现，体现了残差网络在信号去噪中的优越性.目前常见的机车信号去噪方法多从时域出发，例如采用自适应方法分解时域信号波形，滤除无用噪声，但此类方法仅针对白噪声进行处理，并未对较复杂的谐波干扰做进一步分析；或采用经验模态法分解时域信号，但这种方法存在端点效应和模态混叠等问题；或采用全卷积神经网络，但这种方法未对宽频脉冲噪声做降噪效果分析，亦未对网络中超参数的配置进行讨论分析.在深度学习应用于信号去噪研究方面，已有基于深度残差网络对重力数据去噪的相关研究［12］、基于SNDGMM 网络对低剂量CT 投影数据去噪的相关研究等［13］；但由于铁路信号系统安全苛求特性以及机车信号现场数据和软件开发的封闭性，目前尚未检索到针对深度学习应用于机车信号消除牵引电流引发复杂噪声的方法.

本文作者基于牵引电流谐波干扰幅度变化具有随机性的特点，利用卷积神经网络可以自动提取特征的优势，采用堆叠而成的去噪卷积神经网络（Denoising Convolutional Neural Network，DnCNN）估计噪声分布，有效滤除机车信号有效频带附近的骚扰能量，提高信噪比.另一方面，考虑到DnCNN 存在对输入信号特征提取不足的缺陷，同时网络深度的增加会导致算法运行缓慢和实时性差，故采用多尺度卷积替代单一尺度卷积核以及深度分离卷积的卷积形式，在减少网络深度的同时保证模型的去噪性能，使网络对输入信号中目标的尺度具有更强自适应性的同时提高运算速度，兼顾降噪算法的实时性和准确性.

1 机车信号工作原理及主要参数

机车信号是车载设备，其与地面轨道电路配合，通过电磁感应完成列车控制信息从地面到列车的传输，并通过机车信号主机解码行车信息，为车载设备生成行车许可提供决策依据.

机车信号接收线圈安装在机车转向架后，处于钢轨正上方，呈左右对称分布，天线线圈回路采用双路冗余设计，实现对钢轨中差模电流信号的可靠获取.其连接方式如图1 所示，L12A、L34A 同名端方向串联作为一路输入，L12B、L34B 同名端方向串联作为另一路的输入，钢轨电流中的共模电流部分由于线圈同名端串联的接法相互抵消，差模部分将通过电磁感应耦合至机车信号接收线圈中.但在钢轨中存在不平衡牵引电流条件下，牵引电流差模干扰与信号电流叠加后耦合至机车信号接收线圈中，影响正常的机车信号解码［14］；若谐波频率处于FSK 信号的有用频带内或附近，幅度接近甚至超过机车信号电压阈值时，可能导致机车信号无法有效滤除骚扰而错误解码.

图1 机车信号干扰耦合途径Fig.1 Coupling approach of interference in cab signalling

我国高铁和重载铁路主要采用ZPW-2000 系列轨道电路.其传输的信号制式为相位连续的FSK 信号，其时域表达式如下［1］

式中：A0为振幅；f0.为载频；Δf为频偏；fd为低频（调制信号）.

ZPW-2000 系列轨道电路的频谱图如图2 所示，特征参数典型示例设置如下：载频分别为1 701.4、1 998.7、2 298.7、2 598.7、1 698.7、2 001.4、2 301.4、2 601.4，频偏为±11 Hz，低频为10.3+1.1*n（n=0～17）.

图2 ZPW-2000 系列FSK 信号的频谱图示例Fig.2 Spectrum of the FSK signal in ZPW-2000 series

如图2 所示，FSK 信号频谱呈现以载频为轴的对称性.对于远离信号有用频带的骚扰，一般通过硬件或数字滤波等方法可以消除；而当骚扰能量过大或骚扰频率落在信号通带（载频±45 Hz）内或附近时，则该信号难以被滤波器有效滤除，其幅度足够高时会影响信号解码准确性，甚至造成错误判别.本文提出的机车信号抗干扰算法的应用场景主要为具有上述骚扰特性的FSK 信号.

2 改进DnCNN的机车信号抗干扰算法

由于FSK 信号具有显著的频域特征，故常见的解码方法通常从频域出发，或者采用时频结合的技术.随着机车种类和运营场景复杂性的增加，FSK 信号由于谐波骚扰等使得频谱特征被破坏，此类干扰无法通过提高地面发码入口电流等方式来增强抗干扰能力，应在信号接收端进行有效的降噪处理.FSK 信号降噪目的在于还原时域信号上下边频，提取时域信号的深层次特征，将低频调制信号从受扰信号中解析出来.由于卷积神经网络具有强大的特征提取能力，同时结合残差学习和批归一化学习以显著提高神经网络性能，探究噪声规律，得到预估的噪声分布而进行有效去除，采用端到端处理方式得到特征明显的FSK 信号.去噪卷积神经网络（DnCNN）是通过实际输入噪声与预测噪声之间的均方差估计，反向传递误差调整神经网络权值与偏置值，训练好的模型对噪声水平未知的信号进行盲降噪时表现良好［15］.当损失函数收敛时，认为该网络可以在最后一层输出表征预测噪声，从而通过对消的方法去除信号频带附近的骚扰，提取有用信号频率特征.

2.1 基于数据增强的含噪信号预处理

本文中处理的数据样本包括现场采集的真实受扰信号以及依据相应规范和现场电磁环境模拟生成的仿真受扰信号.考虑信号最高载频2 600 Hz 以及频偏±11 Hz，根据某机车信号产品的技术参数，选择采样频率为12 500 Hz，易知该频率满足采样定理要求.DnCNN 为有监督学习算法，模型训练需要标签化数据集，而现场采集数据未经过标签化处理，无法直接用于模型训练.为获取标签化数据集，且使模型更具有一般性，同时防止过拟合的产生，本文对模型训练所用数据进行了数据增强处理以构成训练集和测试集，并将现场采集数据作为验证集.由于铁路现场的电磁环境复杂，机车信号设备接收到的移频信号可能会出现上下边频通带特性不对称、载频偏移、低频偏移等现象.根据信号维规，将载频频率上下边频偏差不大于±0.15 Hz、低频调制频率的偏差不大于±0.03 Hz 的信号均认作合格信号［16］，故在生成受扰信号数据集的过程中，随机混入上述偏差信号并将其作为正常移频信号进行后续加噪处理.

对于骚扰频率的选取，主要考虑列车运行环境中由于工频基波漂移（谐波按相应比例变化）带来的信号带内随机单频骚扰、牵引电流不平衡导致的工频谐波骚扰［17］、列车在经过分相区时的冲击电流产生的复杂谐波成分［18］等常见形式.通过对现场掉码、误译码、延迟上码等具有代表性的受扰信号分类，由牵引电流引起的复杂噪声，可分解为以下三种常见形式，仿真信号频谱图见图3.

1）工频谐波干扰［18］，在各有用频带附近随机叠加0～3 个单频骚扰，谐波频率分别为1 650、1 700、1 750 Hz，用以模拟受到牵引电流谐波影响的FSK机车信号，骚扰幅值为纯净信号的0.5～5 倍。

2）随机单频干扰，模拟由于工频频率漂移带来的谐波漂移，在有用信号频率区间附近任意频率点随机叠加，骚扰个数为0～3 个，相邻谐波间距为50 Hz，幅值为纯净信号的0.5～2 倍。

3）瞬态宽频干扰.这类信号频谱丰富，此处仅随机选取5～10个移频信号频率附近可能造成干扰的敏感频率骚扰，其幅值为纯净信号的0.5～2倍，用以模拟列车运行受到冲击电流影响时的受扰移频信号.

图3 受扰信号示意图Fig.3 Diagram of the interfered signal

随机选取载频、低频，叠加仿真产生的3 种噪声，分别取每类各18 000条作为训练集，并同时生成等量的随机组合含噪数据集.为了保证数据一般性，对数据进行随机重排序后作为DnCNN 的输入.随机抽取其中80%作为训练集，剩余的20%作为测试集，算法基于GeForce MX250的GPU 驱动的Pytorch框架，处理器为Inter Core i5，CUDA版本为10.1.

2.2 去噪卷积神经网络

DnCNN 相比常见的卷积神经网络，去除了池化 层（Pooling），由 卷 积 层（Convolutional layer，Conv）、归一化层（Batch Normalization，BN）、激活层（Rectifier Liner Unit，ReLU）堆叠形成深度卷积神经网络.其中卷积层模拟人类的视觉特征，以移动卷积核的方式共享权值减少网络负载量，降低网络复杂度，使用滤波器对上层输入通道进行卷积操作，生成新的特征映射，通过激活函数处理非线性输入至下一神经网络层［19］.激活层ReLU 可解决使用其他激活函数时可能出现的梯度消失问题，使网络稀疏，加快神经网络收敛速度，缓解网络过拟合［20］.批归一化层的设置主要用于减少内部协变量转移现象的出现，将预处理数据根据均值和方差及逆行规范化处理，防止模型拟合过慢，为训练非线性模型提供便利［21］.其结构如图4 所示.

DnCNN 输入是一个含噪信号y=x+v，与常见的降噪算法直接去除噪声、学习F(y)≈x来预测潜在纯净信号不同，其跳过手动提取特征部分，利用残差学习公式训练噪声映射R(y)≈v，以此得到纯净信号x=y-R(y).预测输出的噪声估计X（i）与实际噪声S（i）之间的均方误差（Mean Square Error，MSE）为

图4 DnCNN 结构图Fig.4 Structure diagram of DnCNN

该参数作为损失函数对神经网络中的参数θ={w，b}进行参数调优训练，w为权重，b为偏置值.损失函数为

式中：(xi，yi)代表输入至网络的第i条噪声-纯净信号对组，当loss 值收敛时即可视为达到了特定参数下的最优结果.去噪卷积神经网络能解决网络过深引起的性能退化问题，因此可以构建更深的网络以达到更优的性能.考虑到实际应用中FSK 机车信号处理对实时性和准确性都有较高要求，故不能盲目加深网络深度，同时重复堆叠同尺度的卷积核会造成提取的特征较为单一，使得网络自适应性差.

2.3 改进的去噪卷积神经网络

由于机车信号解码对实时性的要求，为保证网络性能的前提下应尽可能提高运算速度，本文提出一种改进的去噪卷积神经网络，利用加深网络宽度的方式替代深度堆叠卷积层来提升网络性能.原始的降噪神经网络中采用3*3 的卷积核提取图像特征，而本文中研究的一维时序信号与图像信号有较大差异，因此需要对去噪卷积神经网络中的参数进行调整优化.

决定网络性能的主要参数有：网络层数、卷积核的大小与数量.首先对未优化的去噪卷积网络参数进行讨论，其中网络的性能通过提升信号的信噪比来衡量，信噪比的计算公式为

网络中其他参数的具体设置为：训练数据大小为每批128 条，dropout概率为0.001，动量为0.095，学习率为0.000 1，采用自适应矩估计（Adaptive Moment Estimation，Adam）优化器优化参数，其中网络深度、卷积核大小和深度等参数通过控制变量法，固定其余超参数以观测网络去噪性能变化趋势.如图5、图6 所示，卷积核大小为1*7 和1*5、卷积核个数为64 时，模型去噪性能优良；卷积神经网络深度在15～25 层时，信噪比提升超过13 dB（22.3倍）.

图5 不同卷积核个数与去噪性能关系Fig.5 Relationship between denoising performance and number of convolution kernels

图6 不同神经网络深度与去噪性能关系Fig.6 Relationship between denoising performance and depth of DnCNN

为解决堆叠单一尺度的卷积核对特征提取不利［22］问题，采用多尺度卷积核代替单一的卷积核进行多尺度并行卷积.鉴于卷积核大小为1*7 和1*5 时去噪性能良好，故选择在同一层级上使用相同大小的卷积核进行并行卷积，使网络在不同滤波器下提取特征，有效提高自适应性.经过改良后的卷积层如图7 所示，卷积层后连接批归一化层和激活层以加速网络收敛，故将这三层视为一个模块定义为最小计算单元进行后续计算.

图7 多尺度并行卷积结构Fig.7 Structure of the multiscale parallel convolution algorithm

由于神经网络参数量较大，受算力限制，运算时间通常较长.目前常用的对策是设计轻量化网络架构以减少神经网络的权值参数，MobileNet 是主流网络之一［23］，其核心思想是以深度可分离卷积代替常规卷积.即把标准卷积分解成一个深度卷积和逐点卷积，前者对每个通道进行单独卷积操作，后者将各个通道深度卷积后的结果组合起来.为提高算法实时性和可用性，本文将普通卷积核拆分成深度可分离卷积，使改进的卷积层体积更小.对于标准的一维卷积来说，若输入的时序信号是1×DI×M，卷积核大小为1×DO×M×N，考虑padding 操作，输出特征信号大小为1×DI×N，则其对应的计算量为M×N×DO；当使用深度可分离卷积代替时，对于输入的M个通道分别用1×DO×1 的卷积核做卷积操作，得到M个1×DO×1 的相互独立的特征信号，进行逐点卷积操作，再将M个特征信号输入至网络中，用N个1×1×M的卷积核做标准卷积操作，得到1×DI×N的输出特征信号，则其对应的计算量为M×DO+N×M，因此，相比标准卷积，深度可分离卷积的计算量更小，二者关系为

改进的去噪卷积神经网络具体结构如图8 所示.

图8 改进的去噪卷积神经网络结构图Fig.8 Structure diagram of the improved DnCNN

3 抗干扰算法性能验证

3.1 数据集及环境配置

为验证基于改进去噪卷积神经网络抗干扰解码算法的有效性，仿真数据集的生成为随机选取载频、低频，随机叠加仿真产生的第一种、第二种、第三种噪声，共计72 000 条数据作为DnCNN 的输入，且输入数据中对数据进行重新排列以保证数据稀疏性.随机抽取其中80%作为训练集，剩余20%作为测试集.

模型训练过程中，采用Adam 优化器做参数调优处理，并设置动量为0.095，学习率为0.000 1，训练数据大小为每批32 条；将时域信号切割为1*20 的小序列，步长为5，重复切割，将划分后的时间序列作为神经网络的输入，dropout 概率为0.001.

为实现对FSK 机车信号快速降噪处理，在保证提升信噪比尽量高的情况下，对每条信号的降噪处理用时越少，则越有利于其在实际运营中的可用性.ZPW-2000 系列信号应变时间表如表1 所示，由表1知，信号在最不利条件下要求应变时间小于0.8 s，将该参数作为实时性参考要求.

表1 ZPW-2000 系列信号应变时间表Tab.1 Response time table of ZPW-2000 series

3.2 模型性能比较

当神经网络的深度在15～25 层时，信噪比提升超过13 dB，故本文分别将含有15 层和8 层卷积神经网络、8 层多尺度可分离卷积核的改进DnCNN 三种情况样本进行降噪，并对每种网络的降噪效果和处理实时性进行对比，后续实验均基于同一数据集进行上述指标比较.分别用P0、P1、P2 代表以上三种网络，其中P0、P1 网络中卷积核大小为1*7，P2 网络中多尺度卷积核尺寸分别为1*7 和1*5.

由于铁路信号系统高安全性和管理规范要求，模型性能暂时难以在现场实际环境中进行测试验证，而仿真平台的硬件条件与机车信号设备处理器存在差异，故后续试验仅在理论研究层面对降噪效果进行分析.

使用同一组数据对P0、P1 和P2 进行反复训练并取均值，结果如表2所示.已知输入的受扰信号信噪比为-2.241 5 dB，同时，机车信号接收ZPW-2000 系列信息时，应变时间应不大于上述参考值0.8 s 的要求.虽然P2 的去噪性能略逊于堆叠较深的P0，但对比P1网络仍然具有明显的性能优势，且实时性更强.

表2 改进后与未改进模型性能对比Tab.2 Denoising performance comparison between the improved and the original model

3.3 算法对比及实测数据验证

由于基于深度学习的方法尚未应用于机车信号设备对牵引电流骚扰的滤除，故选择现有成熟的算法进行去噪性能对比.常见信号降噪算法有小波降噪算法［24］、EMD 降噪算法等［25］.根据以上仿真噪声生成方法，从某机车信号厂家现场数据记录库中随机选取4 组、每组100 条各类信号，测试去噪算法的性能，结果如表3 所示.

图9 为HXD3 某型机车发生的信号掉码案例，故障现象为列车在绿灯行驶过程中，机车信号译码输出受扰突变为白灯（无码）.如频谱所示，由于牵引电流在信号有用频带附近两个奇次谐波幅度偏高，未能被原有抗干扰措施有效抑制，正常码型在骚扰分量叠加下，导致机车信号对载频为1 700 Hz、低频为11.4 Hz 的绿灯信号出现解码错误.经本文算法实际处理后的信号频谱如图10 所示，去噪后的信号中所含牵引电流谐波骚扰的幅度大幅降低，FSK 信号特征清晰，信噪比明显提高.

表3 各算法SNR 结果对比Tab.3 Comparison of SNR results of each algorithms dB

图9 信号掉码故障实例Fig.9 Code missing failure case in field

图10 现场信号去噪频谱Fig.10 Spectrum of the denoised field signal

4 结论

针对电气化铁路中的机车信号受牵引电流耦合干扰的场景，提出了一种基于改进的去噪卷积神经网络的抗干扰算法，采用多尺度并行深度卷积核代替单一尺度的卷积核大量堆叠，提高算法适应性；通过采用深度可分离卷积代替传统的标准卷积，减少网络复杂度，提高算法实时性.通过对仿真生成模拟含噪信号及现场实测含噪信号的去噪实验验证表明：

1）改进后的算法适应性强，消除电气化铁道牵引电流引起的组合复杂噪声性能良好，根据对仿真含噪信号以及现场实际含噪信号的分析处理对比表明，该算法可将信噪比提升约13 dB，机车信号抗干扰性能明显增强.

2）算法在保证网络去噪性能的前提下，对网络复杂度进行优化，充分考虑了机车信号设备实时性要求.

本文提出的改进的DnCNN 算法为工程应用中进一步提高机车信号抗干扰性能提供了参考.