利用无线通信链路进行基于深度学习的大雾天气监测

程 倩，伍忠东，郑 礼，敏 捷

（1.兰州交通大学 电子与信息工程学院，兰州 730070；2.甘肃省无线电监测及定位行业技术中心，兰州 730070）

1 引 言

雾是在空气中水气达到一定含量时，悬浮在地球表面附近空气中的水滴将能见度降到1 km 以下的状态［1］。 雾，尤其是能见度较低的浓雾，会严重影响人类的各种活动。 据统计，雾对航空、海洋和陆地运输的总体经济影响可以比得上龙卷风甚至飓风的影响［2］。 因此，对大雾天气进行识别与实时监测对防止因雾造成的事故和损失的发生具有重要意义。

目前，气象业务中对雾及其能见度的探测方式主要有人工观测［3］、雾滴谱仪［4］、能见度仪［5］、微波辐射计［6］、气象卫星［7］等。 然而，人工观测依赖于观察员的主观判断，误差较大。 其他监测方法虽然能够在大多数情况下提供可靠的监测结果，但它们所能覆盖的空间范围小、安装成本高、需要定期维护且对安装环境的要求高。

随着5G 时代的到来，无线电技术的应用也更加广泛，而较高频段的电磁波在通过雨雾等传播介质时会受到影响使得电磁波产生衰减［8］，并且当电磁波通过的雾区中含水量越大时，产生的衰减也会随之增大［9，10］。 Noam David［11－15］根据雾对无线通信链路产生的衰减，研究了使用通信网络进行雾监测的新方法。 由于雾对毫米波通信系统有较大影响，Hitesh Singh 等［16］提出了一种计算毫米波雾衰减的模型。 虽然有研究者提出当电磁波频率是10GHz 以下的较低频率时，传输过程中的雨雾等传播介质对信号影响较小［17］，但是通过实验发现雨雾等传播介质对于10 GHz 以下的信号产生的衰减虽然没有表现为信号幅度的变化，在接收到的IQ 数据中还是留有了传输链路中的雨雾等传播介质的特征。 因此，可以通过提取分析不同传播介质下接收到的无线电信号IQ 数据的特征达到监测不同传播介质的目的。

卷积神经网络［18］可以通过卷积核不断地提取特征。 因此，采用深度神经网络提取接收到的无线电信号中留有的传播介质的特征。 由于残差网络［19］可以改变因加深网络层数导致的梯度消失问题，且不会产生过拟合的现象。 所以，选择ResNet50网络作为基本网络来提取特征，并且引入了注意力机制［20，21］，减少模型对背景等干扰信息的学习；其次，在模型中使用了特征融合［22］，使其能够提取到不同的特征。 最终得到了改进后的网络模型。 然后将不同浓度雾的环境中采集到的无线电信号放入改进后的神经网络中进行训练，捕捉不同浓度雾的环境在无线电信号中留有的不同特征，进而根据这种特征对雾的有无以及不同浓度的雾进行判断，这样，就可以直接通过接收到的无线电信号进行大雾天气的实时监测，而且监测所用到的无线电信号数据可以来源于现有的商用无线基站。 这些数据具有高时空分辨率，无需安装任何设备等特点，所以相比传统监测方法，这种方法不存在成本高、维护困难等问题，节省了大量的人力、物力，并且具有重要的军事和民用意义。

2 无线电波相关理论基础

2.1 无线电波的云雾衰减

国际电联（ITU）所提出的云雾衰减预测模式［23］中，云雾的具体衰减量可表示为式（1）：

式中：γc——云中比衰减量，dB／km；Kl——云中液态水比衰减系数，（dB／km）（g／m3）；M——云或雾中的液态水密度，g／m3；f——频率，GHz；T——云中液态水温度，K。

对于中等雾，雾中液态水密度通常约为0.05 g／m3，浓雾则为0.5 g／m3。

云中液态比衰减系数Kl值可以通过式（2）计算：

2.2 IQ 信号

I（in⁃phase）表示同相，Q（quadrature）表示正交，其与I的相位相差90°。I和Q是完全正交的，利用正交数字下变频技术将接收到的信号转换成IQ 信号。 对接收信号的转换如式（8）和式（9）所示：

式中：s（t）——接收到的信号；f——传输信号的载波频率；hLP——低通滤波器的系统功能。

3 深度学习网络模型

本节将详细介绍利用无线通信链路进行基于深度学习的大雾天气监测方法中的深度学习网络模型。 网络模型的整体框架如图1 所示。 在该方法中，首先在传统的ResNet50 网络中的输入部分增加一个卷积层并且在网络最后一层中使用多头自注意力机制替换掉3 × 3 卷积形成A⁃ResNet50（Attention⁃ResNet50），然后将在不同浓度雾的环境下接收到的无线电信号转换为IQ 信号输入A⁃ResNet50 网络中。 由A⁃ResNet50 提取的IQ 信号的特征作为局部特征a，将其进行全局平均池化得到全局特征b。 同时，利用CBAM（Convolutional Block Attention Module）［24］对由A⁃ResNet50 提取的局部特征a 进行处理，得到局部特征c。 最后，融合特征b 和c，得到最后的特征d。 然后输入后续网络中，采用全连接层以及Softmax 激活函数对有无雾以及不同浓度的大雾天气进行分类，Softmax 分类器将各个类别的概率表示出来，取概率值最大者作为一组数据的最终类别，进行分类。

图1 网络模型整体框架图Fig.1 Overall framework of the network model

3.1 改进的ResNet50 网络

3.1.1 在网络输入部分增加一个卷积层

由于本次实验的输入数据是IQ 信号，因此，它的通道数是一维的，而传统的ResNet50 的输入通道数是三通道的，但是如果直接在ResNet50 的输入部分第一组卷积中将输入通道数改为1，这样网络的计算量会由0.3GFLOPs 变为4.04GFLOPs，网络的计算量增大，所以会增加网络负担，拖慢网络训练速度，增加网络的训练时长。 因此，在ResNet50 网络的输入部分又加入了一个卷积层，包括输入、卷积、最大池化、输出。 这一层的输入通道数为1，输出通道数为3。 这样会减轻网络运行负担，加快运行速度。

3.1.2 加入多头自注意力机制（MHSA）

注意力机制可以不受顺序方式的限制从全局捕获相关的信息，这样，就可以从多方面捕获到更多有效的信息。 而且，ResNet50 网络前面几个卷积层的参数量很大，而自注意力机制消耗的显存和计算量与输入成倍增长，因此，为了学习多样化的特征并且不让网络变得复杂，Aravind Srinivas 等［25］提出了一种BotNet（Bottleneck Transformer）网络，只在ResNet50 网络的最后一个卷积层中使用全局多头自注意力机制（Multi⁃Head Self⁃Attention，MHSA）［26］替换掉3 ×3 的卷积。

MHSA 首先使用缩放点积注意力（Scaled Dot⁃product Attention，SDA）通过向量点积进行相似度计算，得到Attention 值。 如式（10）所示：

式中：Q——查询向量序列；K——键向量序列；V——值向量序列；dK——缩放因子。

然后，把Q，K，V通过参数矩阵进行线性变换，每个head 都进行变换，且每个head 的参数矩阵不共享，再做Attention 运算。 重复h次Attention 运算后将结果拼接并进行线性变换。 如式（11）和式（12）所示：

式中：X——输入序列。

多头自注意力机制中Q＝K＝V＝X，其结构如图2 所示。

图2 多头自注意力机制结构图Fig.2 Structure of multi head self attention mechanism

改进后的ResNet50 网络配置如表1 所示。

表1 改进后的ResNet50 网络配置Tab.1 Improved resnet50 network configuration

3.2 局部特征的处理

将经过改进后的ResNet50 提取的特征进一步细化，以得到更加精细的特征。 使用CBAM 模块对局部特征进一步细化，得到细化后的局部特征c。

CBAM 注意力机制中包括了空间注意力模块MSpatial和通道注意力模块MChannel。 通道注意力模块如图3 所示，首先，输入特征经过最大池化层和平均池化层，然后将得到的结果分别经过共享的全连接层，将得到的两个输出结果进行加和，再经过sigmoid 函数就可以得到通道注意力权值。 空间注意力模块的输入是将通道注意力模块得到的通道注意力权值与原始输入特征进行乘法操作得到的，然后将该输入进行全局最大池化操作和全局平均池化操作，其得到的结果再进行基于通道的加和操作。 将加和操作后的结果再进行一次卷积操作，然后经过sigmoid 之后就可以得到空间注意力模块的权值，如图4 所示。 最后将该权值与输入特征做乘法，得到最终生成的特征，其结构如图5 所示。

图3 通道注意力模块框图Fig.3 Block diagram of channel attention module

图4 空间注意力模块图Fig.4 Module of spatial attention

图5 CBAM 结构图Fig.5 Structure of CBAM

最终输出结果的计算公式如式（13）和式（14）所示：

式中：a——输入的由改进的ResNet50 网络提取的局部特征；a′CBAM——通道注意力模块输出的结果；c——经过CBAM 处理后最终的输出结果；⊗——数组元素依次相乘。

3.3 特征融合

采用加和方法将CBAM 处理后的局部特征c和全局特征b融合，最终形成融合特征d如式（15）所示：

4 实验与分析

4.1 数据来源及预处理

所用实验数据均为实测数据，无线电信号接收机采用的是AV－3900A 无线电监测接收机。 由于民用广播信号具有易接收、应用广泛等特点。 因此，实验采集了相对湿度21 %天线干燥环境无雾、相对湿度21 %天线湿润环境无雾、相对湿度85 %天线湿润环境有雾、饱和状态下天线湿润环境有雾这样4 种不同浓度大雾天气下的88.3 MHz，93.4 MHz，96.0 MHz，102.2 MHz，103.5 MHz，104.8 MHz 这6个民用广播信号频点下的数据。 将所采集的数据分为四类：21 %相对湿度下天线干燥环境无雾、21 %相对湿度下天线湿润环境无雾、85 %相对湿度下天线湿润环境有雾、饱和状态下的天线湿润环境有雾［27］。 每个分类中包括这6 个频点的数据。

数据采集过程如图6 所示。

图6 数据采集过程图Fig.6 Process of data collection

在划分训练集、验证集和测试集时，是将采集到的数据按照8 ∶1 ∶1 的比例进行划分的。 在划分数据时，对数据进行归一化，保证数据集中在一个共同的范围。 然后放入前文所提到的网络中训练。

4.2 实验环境及评价指标

本实验环境为Windows 系统，使用Pytorch 框架实现。 硬件配置为GPU：NVIDIA GeForce RTX 2080 Ti， Intel（R） CoreTMi9－9820X CPU＠3.30 GHz 的CPU。 实验数据为实际采集的四类不同浓度雾的情况下的IQ 数据。 实验采用的评价指标是准确率（Accuracy）、损失函数（Loss），准确率计算公式如式（16）所示：

式中：x——网络的输出；class——对应的标签。

4.3 实验结果

4.3.1 有无雾的监测

首先，对无线通信链路中雾的有无进行监测，使用本方法对采集的相对湿度21 %天线湿润环境无雾、饱和状态下天线湿润环境有雾两个类别中的信号数据进行分类识别。 其混淆矩阵如图7 所示。

图7 有无雾监测的混淆矩阵图Fig.7 Confusion matrix for fog monitoring

其中，横坐标表示的是真实类别，纵坐标表示的是预测类别。 0 代表相对湿度21 %天线湿润环境无雾，1 代表饱和状态下天线湿润环境有雾。 从混淆矩阵可以看出，基本能够分类正确，说明了本方法对有无雾监测的有效性。

对有无雾进行监测训练过程中的准确率和损失值变化曲线如图8 和图9 所示。 最终达到了95.28 %的识别准确率，损失函数值为0.008 9。

图8 训练过程准确率折线图Fig.8 Line chart of accuracy in training process

图9 训练过程损失函数值变化折线图Fig.9 Line chart of loss in training process

提出网络模型与传统ResNet50 网络、ResNet152

4.3.2 不同浓度雾的监测

为了进一步测试本算法对构建数据集中的不同浓度雾的识别性能，分别使用传统的ResNet50 网络、ResNet152 和VGG16 与本网络模型对采集到的21 %相对湿度下天线干燥环境无雾相对湿度21 %有水无雾、相对湿度85 %有水有雾、饱和状态下有水有雾这4 个分类下的信号的识别进行对比分析。表2 中比较了这四个模型的准确率、损失函数值以及计算量大小，从表中可以看出，本网络模型的分类效果明显优于其他几个模型，其准确率达到86.18 %，损失函数值为0.052，且计算量也最小。和VGG16［28］、VGG19 这些近几年被广泛研究的深度神经网络模型分别用于对所采集数据集进行分类的对比分析，如图10 所示。 结果显示，本模型的准确率最高，实验结果表明了本方法对雾的有无监测的有效性。

表2 不同模型识别结果对比Tab.2 Comparison of different model

图10 不同网络识别性能对比图Fig.10 Performance comparison of different models

对无线通信链路中4 种不同浓度的雾进行识别的混淆矩阵如图11 所示。 其中，横坐标表示的是预测类别，纵坐标表示的是真实类别。 0 代表相对湿度21 %天线干燥环境无雾，1 代表相对湿度21 %天线湿润环境无雾，2 代表相对湿度85 %天线湿润环境有雾、3 代表饱和状态下天线湿润环境有雾。 从混淆矩阵可以看出，基本能够分类正确，说明了本方法对不同浓度雾进行监测的有效性。

图11 四种不同浓度雾监测的混淆矩阵图Fig.11 Confusion matrix for four different concentrations of fog monitoring

5 结束语

利用无线信号在通过不同传播介质时会留有传播介质特征这一特点，通过改进的ResNet50 网络提取在充满不同浓度雾的信道中接收到的IQ 数据中留有传播介质的特征，然后使用注意力机制处理特征，最后将不同特征融合起来作为最终提取到的特征来进行不同浓度雾的识别。 应用本雾的监测方法，不仅可以作为传统气象监测设备的补充方法对雾进行有效监测，还能协助交通部门做好道路大雾天气监测与预警工作。 可以应用在气象部门、交通部门等领域，具有较高的研究价值。 研究中使用实测数据集，然后基于ResNet50 模型提出了改进的深度学习算法，与传统神经网络模型在采集数据集上的准确率相比，改进的ResNet50 网络模型的分类准确率提升了4.01 %，取得了最高86.18 %的分类精度。 实验结果表明，本方法能够较准确地监测大雾天气，为该方向的进一步研究提供了思路。

由于一个高质量的大样本数据集对深度学习算法非常重要，因此，在后续数据集方面的研究工作中，将实际采集更大样本、更高质量的数据集。在深度学习网络模型方面，将使用更先进的算法对模型进行不断改进和优化。 提高算法的泛化能力，争取能够进一步提升监测准确率。