文摘
建立高速、可靠的水声网络中multiunmanned水下车辆(UUVs)是基本实现不同UUVs之间的合作和智能控制。然而,不同于地面网络,水声网络的传播速度是1500米/秒,这使得水声网络MAC协议的设计一个巨大的挑战。按照多信道MAC协议、数据包传输和控制数据包通过不同的渠道,降低了水声网络的不利影响,逐渐成为了水声网络MAC协议研究的热门问题。在本文中,我们提出了一个控制分组避碰算法利用时频掩蔽处理控制数据包的碰撞控制通道。该算法是基于非相干水声通信信号的不足,认为碰撞避免分离混合物的不同节点的通信信号。我们第一次测量W-Disjoint MFSK信号的正交性,仿真结果表明存在时频掩模可以独立源信号的混合通信信号。然后我们提出一个双水听器分离系统基于深度网络和节点的位置信息。因此,时频掩模可以估计。
1。介绍
水声网络是实现合作的关键技术和智能控制multi-UUVs [1,2]。然而,与陆地无线网络相比,水声网络的传播速度是唯一的m / s和水声网络的可用带宽是非常有限的。此外,时延、多普勒扩展和噪声干扰不可避免。上述不利因素使水声网络通信的关键技术的改进MAC协议设计的巨大挑战和限制水声网络。目前,大多数研究人员分类水声网络MAC协议分为3种类型:contention-free, contention-based,混合基于多用户访问机制的差异。图1说明了现有水声网络MAC协议及其分类(3,4]。
考虑到长期拖延的水声信道,维护相邻节点之间的实时状态是不同的。简洁contention-free协议首先用于水声网络,其中包括频数的时分多址(FDMA),时分多址(TDMA),和码分多址(CDMA)。FDMA可用频带分为不同的部分波段和分配的部分波段具体节点,这是简单的和可靠的。然而,低带宽可用性比是一个很大的劣势(3- - - - - -5]。为了解决这个问题,引入了正交频分复用(OFDM) FDMA。FDMA的原则是选择合适的频段通信根据不同的通信距离,因此提高了带宽利用率(6,7]。为了从根本上提高信道利用率,研究人员开始研究基于TDMA的MAC协议。ST-MAC协议,这意味着多个关节的问题时间槽vertex-coloring的问题,提出了在8]。文献[9)提出了DSSS协议,利用水声信道的传输延迟,同时安排无冲突传输。树桩协议限制的放松时间同步出现在[10]。不同于TDMA、CDMA协议通过伪噪声区分不同的用户,高信道利用率和简单的算法,但仍不能避免其固有的“远近效应”。
与上述contention-free协议预先分配通道和contention-based协议分配频道基于节点具有较高的信道利用率的需要。contention-based协议的本质是基于渠道预订。节点储备渠道资源通过握手交流消息之前启动数据通信(11,12]。多信道MAC协议传输握手交换信息通过独立的渠道,同时启动多节点对之间的信息传输,利用网络带宽,降低了消费当网络负载很重13- - - - - -15最近,吸引了研究人员的注意。潜在的多信道MAC协议是解决新问题,面临着多通道协议,特别是控制信道的碰撞问题。康涅狄格大学的周等人采用联合检测相邻节点解决三重隐藏终端问题典型的多信道MAC协议(16]。
在本文中,我们提出了一个控制分组避碰算法利用时频掩蔽处理控制数据包的碰撞控制通道。该算法是基于非相干水声通信信号的稀缺性以及作为碰撞避免的分离混合物不同节点的通信信号。剩下的论文的内容组织如下。部分2简要论述了W-Disjoint MFSK信号的正交性和稀缺性。仿真结果表明存在时频掩模可以独立源信号的混合通信信号。部分3大纲提出的分离系统,探讨了低级特性我们起诉,并给出详细的深层网络包括其结构以及训练方法。部分4显示仿真结果对源分离系统在不同条件下,包括不同的限幅比和不同的带宽比例。
2。W-Disjoint MFSK信号的正交性
众所周知,MFSK是一个典型的非相干通信调制方案被认为是一个健壮的复杂水声信道调制。因为它的低带宽比相干调制效率,如相移键控调制、MFSK调制不认为是一个不错的选择的水声网络的物理层。然而,较低的带宽效率意味着MFSK信号在时间和频率域稀疏。中提到的语音信号一样(17),MFSK混合物可以分为几个资源利用时频掩蔽。接收到的信号可以被视为MFSK混合控制数据包碰撞时,稀疏的MFSK信号在时间和频率域提供了潜在的处理控制数据包的碰撞。
在本节中,我们专注于W-Disjoint正交性和MFSK信号的稀疏,表明存在时频掩模可以独立源信号的混合MFSK信号。我们只考虑MFSK调制作为水声网络的物理层。
一样语音混合模型,该模型的MFSK混合物可以写成:
短时傅里叶变换,我们获得的MFSK模型在时间和频率域 在哪里时间和频率点的索引,分别。假设W-Disjoint正交,至少其中一个吗节点将非零对于一个给定的信号。单独的节点信号的混合物,我们为每个节点创建时频掩模,分别应用这些面具的混合物来获取原始节点信号。例如,定义面具为节点, 这实际上是一个指标函数,从节点MFSK信号吗通过提取
然而,MFSK信号的假设关于W-Disjoint正交性不是完全满意。当MFSK信号的稀疏在时间和频率域是考虑,近似W-Disjoint将满足正交性。为了测量W-Disjoint t f掩码的正交性,综合性能标准PSR和先生,Yilmaz提出和理查德在[17》,将使用:
以非常小的概率超过两个数据包的碰撞在控制通道,我们产生了一系列的MFSK混合物只包括两个节点信号,计算了PSR,先生,和输入t f面具的蒙特卡罗方法的使用。其中,t t源分离的面具推导如下:
根据W-Disjoint正交的定义,相应的t f面具变得接近W-Disjoint正交信号更稀疏。MFSK信号的稀疏比率,反映在带宽和信号的带宽比越低,越高其稀疏。
的结论(17),它可以认为混合信号能够通过t f分层面具当输入的值是接近1。根据仿真结果显示在数字2,3,4,我们相信现有的t f面具可以用高质量的来源和MFSK混合物分开时,带宽比大于0.5。
3所示。源分离系统利用网络
在本节中,我们将概述提出分离系统,讨论了我们使用低级特性,并给出详细的深层网络包括其结构和训练方法。
3.1。观察在时间和频率域和低级特征用于深层网络
我们假设由节点和混合物包括几个MFSK信号节点。混合物由水听器接收可以获得 在哪里水听器之间的信道脉冲响应吗和节点,表示卷积。然后利用短时傅里叶变换),我们可以获得信号的时频域映射到混合物 在哪里和是时间和频率的本指标,分别和,,,表示短时傅里叶变换。我们使用代表节点的组件需要在混合物中的水听器接收到吗。因此,
如部分所示2MFSK信号近似W-Disjoint当带宽比例小于正交性。然后,所示(10),混合由水听器接收可以分开使用t f面具相应的。考虑以下:
有一个自然的选择,利用MFSK信号的方向估计相应的t f的面具与成对水听器节点。因此,位置信息的时频掩模与当前输入信号(信道脉冲响应和阵列流形)。也就是说,
显然,对于其他水听器输出,时频掩码对应于同一节点保持不变。当我们得到时频对应节点,我们可以单独节点的单用户通信信号通过ISTFT操作。混合信号由multiarray包括接收单用户的信号节点有不同的位置。一个t f点的概率分布属于一个特定的节点,如,可以被描述为高斯分布的意思和方差。在这里,和方差可以解释为均值和方差的到达方向(DOA)的信号来自节点,分别。根据中心极限定理,为所有t f点,包括混合信号的概率分布节点信号可以被描述的混合物高斯分布,即高斯混合模型(GMM)。因此,我们可以通过GMM描述信号的混合模式基于空间特征。GMM的参数可以获得现有观测数据集的基础上。因此每个t f点属于节点的概率、节点和节点可以被估计。然后,可以通过ISTFT操作恢复源信号。
3.2。源分离系统的轮廓
如图5,系统的输入是两个通道MFSK混合物。我们进行短时傅里叶变换)为每个通道和获得的t f表示输入信号,和在哪里和是时间和频率的本指标,分别。低级特征,即混合向量(MV),两耳水平,相位差(IPD / ILD)可由(12)- (13),然后估计每个t f单元。考虑 在哪里是一个美白矩阵,每一行是一个特征向量的的上标厄密共轭转置,弗罗贝尼乌斯规范: 在哪里需要它的参数的绝对值和发现相角。
接下来,我们组的低级功能块(只在频率垃圾箱)。块包括频率垃圾箱,在那里。我们构建深层网络与每个对应一个块和使用它们来估计到达的方向(DOAs)的来源。深层网络的低层特征作为输入由IPD, ILD和MV;也就是说,。通过无监督学习和稀疏autoencoder [18深陷网络,高级功能(来源)的编码位置信息提取和使用作为输入(即为输出层。,将softmax回归)的网络。softmax回归是一个源的输出职业概率(即。,the time-frequency mask) of each block (through the ungroup operation, T-F units in the same block are assigned with the same source occupation probability) of the mixtures. Then the sources can be recovered applying the T-F mask to the mixtures followed by the inverse STFT (ISTFT). The deep networks are pretrained by using a greedy layer-wise training method.
3.3。深层网络
本节中描述的开始,我们组低层特征块和构建个人深层网络具有相同的体系结构分类的DOAs电流输入t f点在每一块。深层网络用于估计t f面具由两层深autoencoder和一层softmax分类器。
更具体地说,我们将整个空间范围由和单独的目标和基于不同取向的陷范围(DOAs的接收器节点)他们所在的地方。我们应用将softmax分类器进行分类任务,分类器的输入,也就是高级特性,是由autoencoder深处。假设目标的位置在当前输入t f点不变,深层网络估计概率电流的方向输入样本属于取向指数。估计取向(通过选择获得最大概率指数)的每个输入t f,我们集群t f点有相同的取向指数的概率面具,从概率获得t f面具掩盖通过取消组操作。注意,每个t f点在同一块被分配相同的概率。源的数量也可以估计的概率面具使用预定义的概率阈值,一般选为0.2在我们的实验。
3.3.1。深Autoencoder
autoencoder是一种无监督学习算法基于反向传播。它的目的是学习一个近似输入的。它似乎是学习一个简单的恒等函数;但通过一些限制学习过程,如限制数量的神经元被激活,它揭示了一些有趣的关于数据结构。图6显示了单层autoencoder的体系结构。经典的神经网络和autoencoder的区别是培训目标。典型的神经网络的目标是最小化之间的区别的标签输入训练数据和网络的输出。然而,autoencoder的目的是减少输入训练数据集之间的差异,网络的输出。如图6,autoencoders的输出可以被定义为与,函数是逻辑函数,,,,,隐层神经元的数目,是输入层神经元的个数,输出层神经元的一样。是一个矩阵含有输入层神经元之间的连接权重和隐藏层神经元。类似于,包含了隐层神经元之间的连接权重和输出层神经元。是一个向量的偏差值添加到隐层神经元,然后呢是矢量为输出层神经元。指的是权重组成的参数集和偏见。神经元当输出是“积极的”神经元是接近1,这意味着函数。然而,“不活跃”神经元输出接近于0,这意味着函数,在那里表示隐藏层神经元之间的连接权重和输入层神经元,这是矩阵的行。是th元素的向量,这是偏差值添加到隐层神经元。的上标的,,,表示层的网络。
稀疏约束,大部分的神经元都认为是不活跃的。更具体地说,表示激活隐层单元的价值autoencoder。推广单位在隐藏层,平均激活的单位与输入样本可以定义如下: 在哪里训练样本的数量,是输入训练样本。接下来,稀疏约束是强制的,是参数预置在训练之前,通常小,如。实现稀疏约束,我们使用惩罚项的成本函数稀疏autoencoders如下: 惩罚项本质上是一个Kullback-Leibler(吉隆坡)散度。现在的成本函数稀疏的autoencoder可以写成: 在哪里控制体重的惩罚项。在我们提出的系统,成本函数是最小使用有限内存bfg (L-BFGS)优化算法,和单一层稀疏autoencoder利用反向传播算法训练。
完成单层稀疏autoencoder的培训后,我们丢弃的输出层神经元,相对权重和偏见只有保存输入层神经元和。隐层的输出作为下一层稀疏autoencoder输入样本。重复这些步骤,像autoencoders叠加,我们可以从两个或两个以上的单层构建深autoencoder稀疏autoencoders。在我们的系统,我们使用两个单层autoencoders建立autoencoder深处。堆垛过程显示在右边的图的一部分7。
很多研究深autoencoders表明,与深架构(多个隐层),深autoencoder可以从样本建立更复杂的表象底层功能,捕获数据的内在规律,提高品质的认可。这就是为什么我们使用深autoencoder在计划系统。
然而,一些困难与获得的优化权重autoencoders深处。一个挑战是当地最适条件的存在。特别是,训练一个神经网络使用监督学习需要解决一个高度非凸优化问题,即找到一组网络参数训练误差降到最低。深autoencoder,坏的地方最适条件的优化问题是盛行,和培训与梯度下降法不再适用。另一个挑战是“扩散的梯度。“当使用反向传播计算导数,梯度的向后传播(从输出层网络的早期层)迅速减少大小随着网络的深度增加。因此,总体成本的导数对前层的权重很小。因此,当使用梯度下降法,初层的权重变化缓慢。然而,如果已经接近的初始化参数优化值,梯度下降法的工作原理。这是“贪婪的layer-wise”培训的想法,在网络层的训练,如左边所示图的一部分7。
首先,我们使用反向传播算法训练第一稀疏autoencoder(只包括一个隐藏层),与数据标签的输入。在我们建议的系统中,输入数据维特征向量。第一层训练的结果,我们得到一组网络参数(即。,the parameters和第一层稀疏autoencoder),和一个新的数据集(即。,the features I shown in Figure9),这是隐层神经元的输出(隐藏层神经元的活动状态)通过使用该参数集。接下来,我们使用输入第二个稀疏autoencoder。第二个autoencoder训练后,我们可以得到网络参数第二稀疏autoencoder和新的数据集(即。,the feature II in Figure9)下单层神经网络的训练。然后重复上述步骤,直到最后一层(即。,将softmax回归在计划的系统)。最后,我们通过叠加获得pretrained深autoencoder autoencoders和使用和作为这个pretrained深autoencoder的初始化参数。特征二是高级特性,可以用作softmax回归训练数据集下讨论。
3.3.2。Softmax分类器
在我们提出的系统,将softmax分类器,基于softmax回归,被用来估计当前输入t f点的概率属于取向指数,深autoencoder提取的高级特性作为输入。
将softmax回归推广了经典逻辑回归(二进制分类)多类分类问题。不同于逻辑回归,将softmax回归的数据标签是一个整数值和;在这里是数据类的数量。更具体地说,在我们的系统,类,样本数据集被用来训练th深层网络: 在哪里的标签吗th样本并将设置为如果属于类。将softmax分类器的体系结构如图8。
给定一个输入,输出层的神经元给输入的概率属于类。类似于逻辑回归,将softmax回归的输出可以写成:
在这里是将softmax(网络参数是输入的维数,是在输入数据的类的数量)。代表的转置th排和包含参数的神经元之间的连接输出层的输入样本。
将softmax回归和逻辑回归有相同的最小化的目标。成本函数将softmax分类器可以从逻辑回归函数和广义写如下: 在哪里是指标函数,所以呢和。的元素的包含的参数神经元之间的连接输出层的神经元输入层。正则化项,执行成本函数严格凸,是一个体重衰减参数预定义的用户。
在我们的系统,我们扩展标签训练数据集的一个向量并设置th元素的1当输入样本和其他元素为0属于类,如。成本函数通过向量化可以编写如下的:
将softmax分类器可以通过使用L-BFGS算法训练数据集的基础上,为了找到一个最优参数集最小化代价函数。在我们提出的系统,softmax分类器训练的数据集是由两个部分。第一部分是输入样本,(II)的特性,计算出最后一个隐层的深度autoencoder。第二部分是数据标签,,那里的th元素的将被设置为1,当输入样本属于源位于DOAs的索引的范围。
我们一起堆栈将softmax分类器和深autoencoder培训完成后,如图所示图左边的部分9。最后,我们使用训练数据集和L-BFGS算法调整网络的初始化参数,,,,,从稀疏autoencoders获得和softmax分类器训练。训练阶段的稀疏autoencoders和softmax分类器被称为pretraining阶段,和堆积/培训的整体网络,也就是说,深层网络,被称为微调阶段。在pretraining阶段,肤浅的神经网络,即稀疏autoencoders softmax分级机,单独训练,使用当前层的输出作为下一层的输入。在微调阶段,我们使用L-BFGS算法(即。,a gradient descent method) to minimize the difference between the output of the deep network and the label of training dataset. The gradient descent works well because the initialized parameters obtained from the pretraining phase include a significant amount of “prior” information about the input data through unsupervised learning.
4所示。实验
在本节中,我们描述中使用的通信系统仿真系统和显示分离的结果在不同的信噪比和数据率。重要的是要注意,误比特率(BER)是一个非常务实的通信系统的重要性能指标;在本节中,因此,我们将评估数量和务实的分离质量系统作为单用户MFSK通信的误码性能基线相同的条件下。
不需要考虑多路径传播的渠道,因为每个节点之间的距离相对较近,鉴于multi-UUV的沟通。我们因此采用加性高斯白噪声信道模型和蒙特卡罗方法模拟,计算系统的误码率等仿真系统图所示10,我们还以单用户沟通的方方面面为基准。我们模拟的采样率kHz,调制的顺序,没有任何纠错编码。MFSK调制/解调的带宽赫兹,带宽比率从0.625到0.125,相应的比特率来。
首先,假设我们可以获得最优t f面具,也就是说,使用(6)计算t f的面具,然后得到误码率与信噪比变化的仿真结果以及带宽比例与基准进行比较。
如表所示1和2可以看出,从仿真结果,误码率与基线时可以获得t f掩码方法。此外,误码率与t f面具甚至会低于基线相同的条件下,当信噪比很低;也就是说,。上述现象背后的原因是,它可以从(6),某些频率点调整为零的t f面具,客观上促进了信号的信噪比,获得更低的误码率。在实际的系统中,然而,这是一个非常具有挑战性的任务准确估计t f面具如此低信噪比下,也可以在后面的仿真验证。
根据节3面具,我们估计t f通过使用节点的定位信息,也就是说,MFSK信号的DOA接收节点。因此,我们引入了时间延迟模拟双水听器接收的模拟和空间划分为37块沿水平方向同时,为了从90−+ 90水平对应的步长5在水平空间。我们估计t f面具由源分离系统中描述的部分3并比较基线条件下的误码性能不同的信噪比和带宽比例;仿真结果如表所示3。
如表所示3,观察,提出了系统的误码性能基线时一样多和,这是一致的结果在使用最优t f面具。当然而,提出了系统的误码性能开始下降为一个大t f掩模误差估计的低信噪比的信号,从而导致系统性能下降。
5。总结
在这篇文章中,我们点的问题控制数据包碰撞避免现有的多信道MAC协议和广泛的基础上的非相干modulation-MFSK稀疏时频域,独立的来源MFSK数据包碰撞造成的混合物通过使用t f屏蔽方法。首先,我们表明MFSK信号的稀疏与带宽比和演示带宽之间的关系比和PSR,先生,并开始,通过仿真实验。然后,我们建立了基于深源分离系统网络和MFSK通信系统的模型,以单用户MFSK沟通为基准比较,提出了系统的误码性能和不同信噪比条件下基线和带宽比例。仿真结果表明,首先,最优t f掩蔽下可以获得相同的误码性能基线降低带宽比例;其次,该系统可以获得类似的高信噪比下的误码率性能基线;第三,提出了系统的误码性能下降迅速低信噪比条件下,对低信噪比会导致更大的错误估计的t f面具。在未来的工作中,我们将调整深层网络的结构在后续研究工作提升的性能提出了系统条件下的低信噪比和多路径传播呈现在水下通道。作为一个未来的研究课题,它也值得bioinspired的可能性计算模型和算法用于水下多信道MAC协议,如P系统(灵感来自细胞的结构和功能)(19,20.),进化计算(出于达尔文的进化论)21,22]。
相互竞争的利益
作者宣称没有利益冲突有关的出版。
确认
这项研究支持部分陕西省自然科学基础研究计划(项目没有。2014 jq8355)。