基于條件GAN的無人機智能光通信

牟 迪,蒙 文,趙尚弘,王 翔,劉文亞

(空軍工程大學信息與導航學院,陜西 西安 710077)

1 引 言

無人駕駛飛機簡稱無人機(Unmanned Aerial Vehicle,UAV),最早于20世紀20年代生產,且由于其造價與維護費用低、地勤保障要求低、安全風險系數小等優點很快引起了美國軍方的興趣,隨著無人機在通信、偵查和搜索等方面的應用和突出的表現,迅速受到廣泛關注,進而產生了對無人機井噴式的投入。在無人機通信領域,大量原始數據需要以無損的方式進行傳輸,部分設備對傳輸速率的要求已經達到了3～5 Gbps,然而,以微波為傳輸方式可以達到的最高傳輸速率僅僅Gbps量級,因此無法利用現有的微波傳輸系統對這些圖像和數據進行無損的實時傳輸,進而大大限制了無人機的偵察能力,除此之外,對定向隱秘傳輸、空間高速組網、輕小型、低功率和技術發展推動的需求也在迫使無人機通信方式的更新換代。

現有通信鏈路中,激光通信鏈路具有帶寬容量大、傳輸隱蔽性強、傳輸速率快、具有較好的抗干擾能力、鏈路組網形式靈活且終端尺寸小,重量輕,功耗低,是無人機通信方式更新換代的一個重要方向。但無人機激光通信技術最大的問題在于無人機在遂行通信任務時主要飛行在大氣層內,由于大氣介質是非均勻的,其密度和溫度會發生不均勻變化,會導致大氣中的折射率發生隨機變化,信道狀態不穩定,很難進行預測,很難保證通信的質量。智能通信是指在通信的基礎上,將深度神經網絡(DNN)應用于開發端到端通信系統,主要用來訓練發射器和接收器,但DNN需要精確的瞬時信道狀態信息(CSI)來優化發射機的梯度,才能完成較高質量的模型訓練。本文將提出一種基于條件生成對抗網(GAN)的DNN方法,利用條件生成對抗網實現在無準確信道狀態信息情況下,開發無線端到端通信系統。

2 條件GAN建模通道

現有激光通信系統大多采用數字通信技術,其框圖如圖1所示。雖然該系統中的技術非常成熟,但其中的每個模塊是分開設計的,通常具有不同的假設和目標,很難確保系統的全局最優性。另外,信道傳播以嵌入在設計中的假設數學模型表示,假定的模型可能無法準確地反映實際的傳輸場景,進而極大程度地影響系統整體傳輸性能。最近,深度學習被用于改善傳統塊結構通信系統的性能,包括多輸入多輸出(MIMO)檢測[1],信道解碼[2]和信道估計[3]。此外,基于深度學習的方法還通過聯合優化處理塊來顯示潛在的改進,包括聯合信道估計和檢測[4],聯合信道編碼和源編碼[5]。但傳統的DNN必須在有確定的信道狀態信息(CSI)的條件下才能很好地進行學習和訓練,但無人機激光通信穿過復雜的大氣信道,信道狀態信息(CSI)不穩定且變化極快[6]。

端到端通信系統使用DNN學習發送器和接收器的實現,其系統框圖如圖2所示,信源通過自動編碼器進入信道,在自動解碼器處反饋梯度信息進行DNN權重訓練。然而,用于訓練DNN權重的反向傳播被信道阻塞,阻止了端到端網絡的整體學習[7]。為了解決這個問題,我們使用條件GAN來學習通道效應。在本節中,介紹了條件GAN,并介紹了如何使用條件GAN來模擬通道效應[8]。

圖1 經典通信系統框圖

圖2 應用DNN的通信系統框圖

2.1 條件GAN

GAN是一種新的分布式學習生成方法,其目標是學習一種能夠生成接近某些目標-pdata分布的樣本模型。在系統中,應用GAN來模擬信道輸出的分布,然后在訓練發射機時將學習的模型用作實際信道的替代,使得梯度可以傳遞到發射機[9-10]。

GAN的結構如圖3所示,其中在發生器G和鑒別器D之間引入了最小-最大兩個玩家游戲[11]。鑒別器D學習區分由發生器產生的數據和來自真實數據集的數據,而生成器G學習生成樣本以欺騙判別網絡使其出現誤判。在訓練期間,生成器將輸入噪聲z與先前分布PZ(Z)映射到樣本,然后收集來自真實數據的樣本和從生成器G生成的樣本以訓練鑒別器D,以最大化增強生成鑒別器的能力。如果鑒別器D成功地對兩個源的樣本進行分類,則其成功可用于生成反饋到發生器G,使得生成器G將學習生成更類似于真實樣本。訓練過程將在達到平衡時結束,平衡時鑒別器D不能比隨機猜測更好地區分真實樣本和生成的假樣本。發生器G和鑒別器D均由DNN表示,分別帶有參數G和D,優化的目標是:

圖3 GAN結構圖

Ez～px(z)[log(1-DD(GG(z)))]

(1)

鑒別器D的目的是當輸入屬于真實數據集時給出高值,當輸出由發生器G生成時給出低值,而生成器G的目的是最大化輸出類似真實樣本的生成樣本,鑒別器D的值為G(z)。如果發生器G和鑒別器D都以某些額外信息m為條件,則GAN可以擴展到條件GAN模型。條件GAN的結構如圖4所示。只需要將調節信息m作為附加輸入發生器G和鑒別器D中。因此,發生器的輸出G將是G(x|m),鑒別器的輸出D將是D(x|m)。最小-最大優化目標變為[12]:

(2)

圖4 條件GAN結構圖

在端到端系統中采用條件GAN,利用編碼信號和接收的導頻數據的給定調節信息對信道輸出分布進行建模。

2.2 信道建模

GAN是學習分布和通道輸出的強大工具,給定信道輸入x,輸出y由條件分布p(y|x)決定。因此,通過將x作為條件信息,可以采用條件GAN來學習信道的輸出分布。發生器將嘗試產生類似于實際信道輸出的樣本,而鑒別器將試圖區分來自真實信道的數據和來自發生器的數據。在瞬時CSI中,h可以被視為來自大信道集H的樣本,并且也是接收機處的數據的重要相干檢測。為了獲得CSI,通常的做法是向接收器發送一些導頻信息,以便基于接收的導頻信息yp推斷信道信息。在我們提出的方法中,可以將接收的導頻信息yp作為調節信息的一部分添加,使得輸出y的樣本遵循給出的給出的x的信息和接收的導頻數據yp。

3 端到端通信系統

利用條件GAN,梯度可以反向傳播到發射機。在之前的工作[6]之后,從有限離散的大小為M的集合中繪制的發送信號被轉換為長度為M的單熱矢量s,端到端傳輸被視為M級分類的問題。接收器的輸出s是M個可能類的概率向量。在接收器處計算交叉熵損失,其被定義為[13]:

(3)

所提出的端到端通信系統的訓練和測試如圖5所示。在訓練期間,隨機生成發送信號,并且從信道集中隨機采樣獲得瞬時CSI?；谟柧殧祿?可以迭代地訓練條件GAN中的發射器,接收器和信道發生器,并且當訓練一個組件時,其他組件的參數保持固定[14]。

圖5 接收機、發射機、生成器訓練結構圖

在訓練接收器和發射器時,目標是最小化端到端損耗。目的是在訓練用于生成信道的條件GAN時最小化最小-最大優化目標。測試階段在學習的發射器和具有真實信道的接收器上評估端到端重建性能。

3.1 訓練接收機

由于在接收器處計算損耗函數,因此可以容易地訓練接收器,進而可以容易地獲得損耗的梯度。DNN的輸入將是接收信號y和接收導頻數據yp。對于時變信道,通過直接將接收信號y和接收導頻數據yp一起作為輸入,接收機可以自動推斷信道條件并同時執行信道估計和檢測,而無需明確估計信道。

3.2 訓練發射機

由于信道發生器是模擬信道,發射機的訓練類似于接收機的訓練。在接收器處計算端到端交叉熵損失,并且梯度通過條件GAN傳播回發送器。將基于隨機梯度下降(SGD)更新發射機的權重,同時保持條件GAN和接收機的權重。

3.3 訓練信道生成器

用鑒別器和發射機一起訓練信道發生器。利用來自發射機的編碼信號通過實際信道獲得實際數據,同時從通過信道發生器的編碼數據獲得偽數據。優化的目標函數如等式(2)所示。

4 仿真實驗

本節提供了信號在加性高斯白噪聲(AWGN)信道和對數正態信道中傳播輸出的仿真結果。將基于通道無關學習條件GAN的方法與基于通道傳遞函數設計的傳統方法進行比較。每種模型的結構和參數列于表1權重由Adam更新,培訓的批量大小為320。

表1 模型參數

4.1 AWGN信道

首先在AWGN信道中應用條件GAN方法,其中信道的輸出y是輸入信號x和高斯噪聲w的總和,即y=x+w。在這種情況下,調節信息僅是來自發射器的編碼信號,不需要信道估計。

首先測試條件GAN學習通道輸出分布的能力。圖6表示具有標準16 QAM調制的信道發生器的輸出作為調節信息。從圖中可以看出,發生器產生的合成信號與AWGN通道的輸出非常相似,即在AWGN信道中,通過條件GAN對信號的訓練達到預期目標。

圖6 由條件GAN表示的AWGN信道的輸出處的信號星座

AWGN信道上的端到端誤碼性能如圖7所示。發送器發送漢明(7,4)碼,從圖中可以看出,基于學習的方法的塊誤碼率(BLER)與具有最大似然解碼(MLD)的漢明(7,4)碼誤碼率十分接近,即通過條件GAN對無確定端到端信道的訓練誤碼性能通傳統方法保持相同水準,但應用了條件GAN的DNN可以在無確切CSI情況下應用,泛用性更強。

圖7 高斯信道條件GAN方法BLER和傳統方法BER比較

4.2 對數正態(Lognormal)信道

對數正態信道屬于大氣湍流信道中的一種,其信道輸出由yn=hn·xn+n確定,其中hn表示信道衰落系數,n～CN(0,1)。由于信道是時變的,噪聲是隨機的,因此附加的條件信息被添加到信道發生器和接收器?？梢詫崝礹用于相干檢測任務或接收導頻數據yp,用于聯合信道估計和檢測(假設導頻為1)。我們首先測試條件GAN在學習標準16 QAM作為編碼符號的信道分布方面的有效性。圖8表示生成的樣本,其具有添加到調節信息的不同信道值。從圖中可以看出,條件GAN能夠根據條件信息以各種方式產生樣本。

圖8 由條件GAN表示的瑞利衰落信道的輸出處的信號星座

對數信道上的端到端誤碼率性能如圖9所示,從圖中可以看出,基于深度學習的方法得到的塊誤碼率(BLER)與傳統方法的信號誤碼性能相差無幾,即基于條件GAN的DNN方法在對數正態信道條件下可以獲得很好的端到端通信性能。

圖9 對數正態信道條件GAN方法BLER和傳統方法BER比較

5 結 論

無人機作為通信載體具有無與倫比的優勢,而無人機激光通信具有機動性強、帶寬容量大、傳輸隱蔽性強、傳輸速率快、具有較好的抗干擾能力、鏈路組網形式靈活且終端尺寸小,重量輕,功耗低等優點更是被寄予厚望。智能通信是指在通信的基礎上,將DNN應用于開發端到端通信系統,主要被用來訓練發射器和接收器,但DNN需要精確的瞬時信道狀態信息(CSI)來優化發射機的梯度,才能完成較高質量的模型訓練。然而,在許多通信系統中,信道狀態信息(CSI)很難獲得并且隨時間和位置發生變化。本文中提出了基于條件GAN方法,完成了無明確信道狀態信息(CSI)條件下的通信系統端到端學習。通過對AWGN和對數正態信道的仿真表明:基于條件GAN的DNN方法可以有效的完成無明確信道狀態信息(CSI)的通信系統端到端學習,且其誤碼性能可以達到傳統方法的性能。

本文提出的方法使得無人機智能光通信的實現變成可能,雖然模擬僅基于AWGN和對數正態信道,但它可以很容易地擴展到其他信道,為構建智能通信系統開辟了新的思路。但應用DNN時隱藏層數量、學習率是否達到最佳等問題仍需更多的研究。