基于条件GAN的无人机智能光通信

牟 迪,蒙 文,赵尚弘,王 翔,刘文亚

(空军工程大学信息与导航学院,陕西 西安 710077)

1 引 言

无人驾驶飞机简称无人机(Unmanned Aerial Vehicle,UAV),最早于20世纪20年代生产,且由于其造价与维护费用低、地勤保障要求低、安全风险系数小等优点很快引起了美国军方的兴趣,随着无人机在通信、侦查和搜索等方面的应用和突出的表现,迅速受到广泛关注,进而产生了对无人机井喷式的投入。在无人机通信领域,大量原始数据需要以无损的方式进行传输,部分设备对传输速率的要求已经达到了3～5 Gbps,然而,以微波为传输方式可以达到的最高传输速率仅仅Gbps量级,因此无法利用现有的微波传输系统对这些图像和数据进行无损的实时传输,进而大大限制了无人机的侦察能力,除此之外,对定向隐秘传输、空间高速组网、轻小型、低功率和技术发展推动的需求也在迫使无人机通信方式的更新换代。

现有通信链路中,激光通信链路具有带宽容量大、传输隐蔽性强、传输速率快、具有较好的抗干扰能力、链路组网形式灵活且终端尺寸小,重量轻,功耗低,是无人机通信方式更新换代的一个重要方向。但无人机激光通信技术最大的问题在于无人机在遂行通信任务时主要飞行在大气层内,由于大气介质是非均匀的,其密度和温度会发生不均匀变化,会导致大气中的折射率发生随机变化,信道状态不稳定,很难进行预测,很难保证通信的质量。智能通信是指在通信的基础上,将深度神经网络(DNN)应用于开发端到端通信系统,主要用来训练发射器和接收器,但DNN需要精确的瞬时信道状态信息(CSI)来优化发射机的梯度,才能完成较高质量的模型训练。本文将提出一种基于条件生成对抗网(GAN)的DNN方法,利用条件生成对抗网实现在无准确信道状态信息情况下,开发无线端到端通信系统。

2 条件GAN建模通道

现有激光通信系统大多采用数字通信技术,其框图如图1所示。虽然该系统中的技术非常成熟,但其中的每个模块是分开设计的,通常具有不同的假设和目标,很难确保系统的全局最优性。另外,信道传播以嵌入在设计中的假设数学模型表示,假定的模型可能无法准确地反映实际的传输场景,进而极大程度地影响系统整体传输性能。最近,深度学习被用于改善传统块结构通信系统的性能,包括多输入多输出(MIMO)检测[1],信道解码[2]和信道估计[3]。此外,基于深度学习的方法还通过联合优化处理块来显示潜在的改进,包括联合信道估计和检测[4],联合信道编码和源编码[5]。但传统的DNN必须在有确定的信道状态信息(CSI)的条件下才能很好地进行学习和训练,但无人机激光通信穿过复杂的大气信道,信道状态信息(CSI)不稳定且变化极快[6]。

端到端通信系统使用DNN学习发送器和接收器的实现,其系统框图如图2所示,信源通过自动编码器进入信道,在自动解码器处反馈梯度信息进行DNN权重训练。然而,用于训练DNN权重的反向传播被信道阻塞,阻止了端到端网络的整体学习[7]。为了解决这个问题,我们使用条件GAN来学习通道效应。在本节中,介绍了条件GAN,并介绍了如何使用条件GAN来模拟通道效应[8]。

图1 经典通信系统框图

图2 应用DNN的通信系统框图

2.1 条件GAN

GAN是一种新的分布式学习生成方法,其目标是学习一种能够生成接近某些目标-pdata分布的样本模型。在系统中,应用GAN来模拟信道输出的分布,然后在训练发射机时将学习的模型用作实际信道的替代,使得梯度可以传递到发射机[9-10]。

GAN的结构如图3所示,其中在发生器G和鉴别器D之间引入了最小-最大两个玩家游戏[11]。鉴别器D学习区分由发生器产生的数据和来自真实数据集的数据,而生成器G学习生成样本以欺骗判别网络使其出现误判。在训练期间,生成器将输入噪声z与先前分布PZ(Z)映射到样本,然后收集来自真实数据的样本和从生成器G生成的样本以训练鉴别器D,以最大化增强生成鉴别器的能力。如果鉴别器D成功地对两个源的样本进行分类,则其成功可用于生成反馈到发生器G,使得生成器G将学习生成更类似于真实样本。训练过程将在达到平衡时结束,平衡时鉴别器D不能比随机猜测更好地区分真实样本和生成的假样本。发生器G和鉴别器D均由DNN表示,分别带有参数G和D,优化的目标是:

图3 GAN结构图

Ez～px(z)[log(1-DD(GG(z)))]

(1)

鉴别器D的目的是当输入属于真实数据集时给出高值,当输出由发生器G生成时给出低值,而生成器G的目的是最大化输出类似真实样本的生成样本,鉴别器D的值为G(z)。如果发生器G和鉴别器D都以某些额外信息m为条件,则GAN可以扩展到条件GAN模型。条件GAN的结构如图4所示。只需要将调节信息m作为附加输入发生器G和鉴别器D中。因此,发生器的输出G将是G(x|m),鉴别器的输出D将是D(x|m)。最小-最大优化目标变为[12]:

(2)

图4 条件GAN结构图

在端到端系统中采用条件GAN,利用编码信号和接收的导频数据的给定调节信息对信道输出分布进行建模。

2.2 信道建模

GAN是学习分布和通道输出的强大工具,给定信道输入x,输出y由条件分布p(y|x)决定。因此,通过将x作为条件信息,可以采用条件GAN来学习信道的输出分布。发生器将尝试产生类似于实际信道输出的样本,而鉴别器将试图区分来自真实信道的数据和来自发生器的数据。在瞬时CSI中,h可以被视为来自大信道集H的样本,并且也是接收机处的数据的重要相干检测。为了获得CSI,通常的做法是向接收器发送一些导频信息,以便基于接收的导频信息yp推断信道信息。在我们提出的方法中,可以将接收的导频信息yp作为调节信息的一部分添加,使得输出y的样本遵循给出的给出的x的信息和接收的导频数据yp。

3 端到端通信系统

利用条件GAN,梯度可以反向传播到发射机。在之前的工作[6]之后,从有限离散的大小为M的集合中绘制的发送信号被转换为长度为M的单热矢量s,端到端传输被视为M级分类的问题。接收器的输出s是M个可能类的概率向量。在接收器处计算交叉熵损失,其被定义为[13]:

(3)

所提出的端到端通信系统的训练和测试如图5所示。在训练期间,随机生成发送信号,并且从信道集中随机采样获得瞬时CSI。基于训练数据,可以迭代地训练条件GAN中的发射器,接收器和信道发生器,并且当训练一个组件时,其他组件的参数保持固定[14]。

图5 接收机、发射机、生成器训练结构图

在训练接收器和发射器时,目标是最小化端到端损耗。目的是在训练用于生成信道的条件GAN时最小化最小-最大优化目标。测试阶段在学习的发射器和具有真实信道的接收器上评估端到端重建性能。

3.1 训练接收机

由于在接收器处计算损耗函数,因此可以容易地训练接收器,进而可以容易地获得损耗的梯度。DNN的输入将是接收信号y和接收导频数据yp。对于时变信道,通过直接将接收信号y和接收导频数据yp一起作为输入,接收机可以自动推断信道条件并同时执行信道估计和检测,而无需明确估计信道。

3.2 训练发射机

由于信道发生器是模拟信道,发射机的训练类似于接收机的训练。在接收器处计算端到端交叉熵损失,并且梯度通过条件GAN传播回发送器。将基于随机梯度下降(SGD)更新发射机的权重,同时保持条件GAN和接收机的权重。

3.3 训练信道生成器

用鉴别器和发射机一起训练信道发生器。利用来自发射机的编码信号通过实际信道获得实际数据,同时从通过信道发生器的编码数据获得伪数据。优化的目标函数如等式(2)所示。

4 仿真实验

本节提供了信号在加性高斯白噪声(AWGN)信道和对数正态信道中传播输出的仿真结果。将基于通道无关学习条件GAN的方法与基于通道传递函数设计的传统方法进行比较。每种模型的结构和参数列于表1权重由Adam更新,培训的批量大小为320。

表1 模型参数

4.1 AWGN信道

首先在AWGN信道中应用条件GAN方法,其中信道的输出y是输入信号x和高斯噪声w的总和,即y=x+w。在这种情况下,调节信息仅是来自发射器的编码信号,不需要信道估计。

首先测试条件GAN学习通道输出分布的能力。图6表示具有标准16 QAM调制的信道发生器的输出作为调节信息。从图中可以看出,发生器产生的合成信号与AWGN通道的输出非常相似,即在AWGN信道中,通过条件GAN对信号的训练达到预期目标。

图6 由条件GAN表示的AWGN信道的输出处的信号星座

AWGN信道上的端到端误码性能如图7所示。发送器发送汉明(7,4)码,从图中可以看出,基于学习的方法的块误码率(BLER)与具有最大似然解码(MLD)的汉明(7,4)码误码率十分接近,即通过条件GAN对无确定端到端信道的训练误码性能通传统方法保持相同水准,但应用了条件GAN的DNN可以在无确切CSI情况下应用,泛用性更强。

图7 高斯信道条件GAN方法BLER和传统方法BER比较

4.2 对数正态(Lognormal)信道

对数正态信道属于大气湍流信道中的一种,其信道输出由yn=hn·xn+n确定,其中hn表示信道衰落系数,n～CN(0,1)。由于信道是时变的,噪声是随机的,因此附加的条件信息被添加到信道发生器和接收器。可以将实数h用于相干检测任务或接收导频数据yp,用于联合信道估计和检测(假设导频为1)。我们首先测试条件GAN在学习标准16 QAM作为编码符号的信道分布方面的有效性。图8表示生成的样本,其具有添加到调节信息的不同信道值。从图中可以看出,条件GAN能够根据条件信息以各种方式产生样本。

图8 由条件GAN表示的瑞利衰落信道的输出处的信号星座

对数信道上的端到端误码率性能如图9所示,从图中可以看出,基于深度学习的方法得到的块误码率(BLER)与传统方法的信号误码性能相差无几,即基于条件GAN的DNN方法在对数正态信道条件下可以获得很好的端到端通信性能。

图9 对数正态信道条件GAN方法BLER和传统方法BER比较

5 结 论

无人机作为通信载体具有无与伦比的优势,而无人机激光通信具有机动性强、带宽容量大、传输隐蔽性强、传输速率快、具有较好的抗干扰能力、链路组网形式灵活且终端尺寸小,重量轻,功耗低等优点更是被寄予厚望。智能通信是指在通信的基础上,将DNN应用于开发端到端通信系统,主要被用来训练发射器和接收器,但DNN需要精确的瞬时信道状态信息(CSI)来优化发射机的梯度,才能完成较高质量的模型训练。然而,在许多通信系统中,信道状态信息(CSI)很难获得并且随时间和位置发生变化。本文中提出了基于条件GAN方法,完成了无明确信道状态信息(CSI)条件下的通信系统端到端学习。通过对AWGN和对数正态信道的仿真表明:基于条件GAN的DNN方法可以有效的完成无明确信道状态信息(CSI)的通信系统端到端学习,且其误码性能可以达到传统方法的性能。

本文提出的方法使得无人机智能光通信的实现变成可能,虽然模拟仅基于AWGN和对数正态信道,但它可以很容易地扩展到其他信道,为构建智能通信系统开辟了新的思路。但应用DNN时隐藏层数量、学习率是否达到最佳等问题仍需更多的研究。