利用無(wú)線通信鏈路進(jìn)行基于深度學(xué)習(xí)的大霧天氣監(jiān)測(cè)

程 倩，伍忠東，鄭 禮，敏 捷

（1.蘭州交通大學(xué) 電子與信息工程學(xué)院，蘭州 730070；2.甘肅省無(wú)線電監(jiān)測(cè)及定位行業(yè)技術(shù)中心，蘭州 730070）

1 引 言

霧是在空氣中水氣達(dá)到一定含量時(shí)，懸浮在地球表面附近空氣中的水滴將能見度降到1 km 以下的狀態(tài)［1］。 霧，尤其是能見度較低的濃霧，會(huì)嚴(yán)重影響人類的各種活動(dòng)。 據(jù)統(tǒng)計(jì)，霧對(duì)航空、海洋和陸地運(yùn)輸?shù)目傮w經(jīng)濟(jì)影響可以比得上龍卷風(fēng)甚至颶風(fēng)的影響［2］。 因此，對(duì)大霧天氣進(jìn)行識(shí)別與實(shí)時(shí)監(jiān)測(cè)對(duì)防止因霧造成的事故和損失的發(fā)生具有重要意義。

目前，氣象業(yè)務(wù)中對(duì)霧及其能見度的探測(cè)方式主要有人工觀測(cè)［3］、霧滴譜儀［4］、能見度儀［5］、微波輻射計(jì)［6］、氣象衛(wèi)星［7］等。 然而，人工觀測(cè)依賴于觀察員的主觀判斷，誤差較大。 其他監(jiān)測(cè)方法雖然能夠在大多數(shù)情況下提供可靠的監(jiān)測(cè)結(jié)果，但它們所能覆蓋的空間范圍小、安裝成本高、需要定期維護(hù)且對(duì)安裝環(huán)境的要求高。

隨著5G 時(shí)代的到來(lái)，無(wú)線電技術(shù)的應(yīng)用也更加廣泛，而較高頻段的電磁波在通過(guò)雨霧等傳播介質(zhì)時(shí)會(huì)受到影響使得電磁波產(chǎn)生衰減［8］，并且當(dāng)電磁波通過(guò)的霧區(qū)中含水量越大時(shí)，產(chǎn)生的衰減也會(huì)隨之增大［9，10］。 Noam David［11－15］根據(jù)霧對(duì)無(wú)線通信鏈路產(chǎn)生的衰減，研究了使用通信網(wǎng)絡(luò)進(jìn)行霧監(jiān)測(cè)的新方法。 由于霧對(duì)毫米波通信系統(tǒng)有較大影響，Hitesh Singh 等［16］提出了一種計(jì)算毫米波霧衰減的模型。 雖然有研究者提出當(dāng)電磁波頻率是10GHz 以下的較低頻率時(shí)，傳輸過(guò)程中的雨霧等傳播介質(zhì)對(duì)信號(hào)影響較?。?7］，但是通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)雨霧等傳播介質(zhì)對(duì)于10 GHz 以下的信號(hào)產(chǎn)生的衰減雖然沒(méi)有表現(xiàn)為信號(hào)幅度的變化，在接收到的IQ 數(shù)據(jù)中還是留有了傳輸鏈路中的雨霧等傳播介質(zhì)的特征。 因此，可以通過(guò)提取分析不同傳播介質(zhì)下接收到的無(wú)線電信號(hào)IQ 數(shù)據(jù)的特征達(dá)到監(jiān)測(cè)不同傳播介質(zhì)的目的。

卷積神經(jīng)網(wǎng)絡(luò)［18］可以通過(guò)卷積核不斷地提取特征。 因此，采用深度神經(jīng)網(wǎng)絡(luò)提取接收到的無(wú)線電信號(hào)中留有的傳播介質(zhì)的特征。 由于殘差網(wǎng)絡(luò)［19］可以改變因加深網(wǎng)絡(luò)層數(shù)導(dǎo)致的梯度消失問(wèn)題，且不會(huì)產(chǎn)生過(guò)擬合的現(xiàn)象。 所以，選擇ResNet50網(wǎng)絡(luò)作為基本網(wǎng)絡(luò)來(lái)提取特征，并且引入了注意力機(jī)制［20，21］，減少模型對(duì)背景等干擾信息的學(xué)習(xí)；其次，在模型中使用了特征融合［22］，使其能夠提取到不同的特征。 最終得到了改進(jìn)后的網(wǎng)絡(luò)模型。 然后將不同濃度霧的環(huán)境中采集到的無(wú)線電信號(hào)放入改進(jìn)后的神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，捕捉不同濃度霧的環(huán)境在無(wú)線電信號(hào)中留有的不同特征，進(jìn)而根據(jù)這種特征對(duì)霧的有無(wú)以及不同濃度的霧進(jìn)行判斷，這樣，就可以直接通過(guò)接收到的無(wú)線電信號(hào)進(jìn)行大霧天氣的實(shí)時(shí)監(jiān)測(cè)，而且監(jiān)測(cè)所用到的無(wú)線電信號(hào)數(shù)據(jù)可以來(lái)源于現(xiàn)有的商用無(wú)線基站。 這些數(shù)據(jù)具有高時(shí)空分辨率，無(wú)需安裝任何設(shè)備等特點(diǎn)，所以相比傳統(tǒng)監(jiān)測(cè)方法，這種方法不存在成本高、維護(hù)困難等問(wèn)題，節(jié)省了大量的人力、物力，并且具有重要的軍事和民用意義。

2 無(wú)線電波相關(guān)理論基礎(chǔ)

2.1 無(wú)線電波的云霧衰減

國(guó)際電聯(lián)（ITU）所提出的云霧衰減預(yù)測(cè)模式［23］中，云霧的具體衰減量可表示為式（1）：

式中：γc——云中比衰減量，dB／km；Kl——云中液態(tài)水比衰減系數(shù)，（dB／km）（g／m3）；M——云或霧中的液態(tài)水密度，g／m3；f——頻率，GHz；T——云中液態(tài)水溫度，K。

對(duì)于中等霧，霧中液態(tài)水密度通常約為0.05 g／m3，濃霧則為0.5 g／m3。

云中液態(tài)比衰減系數(shù)Kl值可以通過(guò)式（2）計(jì)算：

2.2 IQ 信號(hào)

I（in?phase）表示同相，Q（quadrature）表示正交，其與I的相位相差90°。I和Q是完全正交的，利用正交數(shù)字下變頻技術(shù)將接收到的信號(hào)轉(zhuǎn)換成IQ 信號(hào)。 對(duì)接收信號(hào)的轉(zhuǎn)換如式（8）和式（9）所示：

式中：s（t）——接收到的信號(hào)；f——傳輸信號(hào)的載波頻率；hLP——低通濾波器的系統(tǒng)功能。

3 深度學(xué)習(xí)網(wǎng)絡(luò)模型

本節(jié)將詳細(xì)介紹利用無(wú)線通信鏈路進(jìn)行基于深度學(xué)習(xí)的大霧天氣監(jiān)測(cè)方法中的深度學(xué)習(xí)網(wǎng)絡(luò)模型。 網(wǎng)絡(luò)模型的整體框架如圖1 所示。 在該方法中，首先在傳統(tǒng)的ResNet50 網(wǎng)絡(luò)中的輸入部分增加一個(gè)卷積層并且在網(wǎng)絡(luò)最后一層中使用多頭自注意力機(jī)制替換掉3 × 3 卷積形成A?ResNet50（Attention?ResNet50），然后將在不同濃度霧的環(huán)境下接收到的無(wú)線電信號(hào)轉(zhuǎn)換為IQ 信號(hào)輸入A?ResNet50 網(wǎng)絡(luò)中。 由A?ResNet50 提取的IQ 信號(hào)的特征作為局部特征a，將其進(jìn)行全局平均池化得到全局特征b。 同時(shí)，利用CBAM（Convolutional Block Attention Module）［24］對(duì)由A?ResNet50 提取的局部特征a 進(jìn)行處理，得到局部特征c。 最后，融合特征b 和c，得到最后的特征d。 然后輸入后續(xù)網(wǎng)絡(luò)中，采用全連接層以及Softmax 激活函數(shù)對(duì)有無(wú)霧以及不同濃度的大霧天氣進(jìn)行分類，Softmax 分類器將各個(gè)類別的概率表示出來(lái)，取概率值最大者作為一組數(shù)據(jù)的最終類別，進(jìn)行分類。

圖1 網(wǎng)絡(luò)模型整體框架圖Fig.1 Overall framework of the network model

3.1 改進(jìn)的ResNet50 網(wǎng)絡(luò)

3.1.1 在網(wǎng)絡(luò)輸入部分增加一個(gè)卷積層

由于本次實(shí)驗(yàn)的輸入數(shù)據(jù)是IQ 信號(hào)，因此，它的通道數(shù)是一維的，而傳統(tǒng)的ResNet50 的輸入通道數(shù)是三通道的，但是如果直接在ResNet50 的輸入部分第一組卷積中將輸入通道數(shù)改為1，這樣網(wǎng)絡(luò)的計(jì)算量會(huì)由0.3GFLOPs 變?yōu)?.04GFLOPs，網(wǎng)絡(luò)的計(jì)算量增大，所以會(huì)增加網(wǎng)絡(luò)負(fù)擔(dān)，拖慢網(wǎng)絡(luò)訓(xùn)練速度，增加網(wǎng)絡(luò)的訓(xùn)練時(shí)長(zhǎng)。 因此，在ResNet50 網(wǎng)絡(luò)的輸入部分又加入了一個(gè)卷積層，包括輸入、卷積、最大池化、輸出。 這一層的輸入通道數(shù)為1，輸出通道數(shù)為3。 這樣會(huì)減輕網(wǎng)絡(luò)運(yùn)行負(fù)擔(dān)，加快運(yùn)行速度。

3.1.2 加入多頭自注意力機(jī)制（MHSA）

注意力機(jī)制可以不受順序方式的限制從全局捕獲相關(guān)的信息，這樣，就可以從多方面捕獲到更多有效的信息。 而且，ResNet50 網(wǎng)絡(luò)前面幾個(gè)卷積層的參數(shù)量很大，而自注意力機(jī)制消耗的顯存和計(jì)算量與輸入成倍增長(zhǎng)，因此，為了學(xué)習(xí)多樣化的特征并且不讓網(wǎng)絡(luò)變得復(fù)雜，Aravind Srinivas 等［25］提出了一種BotNet（Bottleneck Transformer）網(wǎng)絡(luò)，只在ResNet50 網(wǎng)絡(luò)的最后一個(gè)卷積層中使用全局多頭自注意力機(jī)制（Multi?Head Self?Attention，MHSA）［26］替換掉3 ×3 的卷積。

MHSA 首先使用縮放點(diǎn)積注意力（Scaled Dot?product Attention，SDA）通過(guò)向量點(diǎn)積進(jìn)行相似度計(jì)算，得到Attention 值。 如式（10）所示：

式中：Q——查詢向量序列；K——鍵向量序列；V——值向量序列；dK——縮放因子。

然后，把Q，K，V通過(guò)參數(shù)矩陣進(jìn)行線性變換，每個(gè)head 都進(jìn)行變換，且每個(gè)head 的參數(shù)矩陣不共享，再做Attention 運(yùn)算。 重復(fù)h次Attention 運(yùn)算后將結(jié)果拼接并進(jìn)行線性變換。 如式（11）和式（12）所示：

式中：X——輸入序列。

多頭自注意力機(jī)制中Q＝K＝V＝X，其結(jié)構(gòu)如圖2 所示。

圖2 多頭自注意力機(jī)制結(jié)構(gòu)圖Fig.2 Structure of multi head self attention mechanism

改進(jìn)后的ResNet50 網(wǎng)絡(luò)配置如表1 所示。

表1 改進(jìn)后的ResNet50 網(wǎng)絡(luò)配置Tab.1 Improved resnet50 network configuration

3.2 局部特征的處理

將經(jīng)過(guò)改進(jìn)后的ResNet50 提取的特征進(jìn)一步細(xì)化，以得到更加精細(xì)的特征。 使用CBAM 模塊對(duì)局部特征進(jìn)一步細(xì)化，得到細(xì)化后的局部特征c。

CBAM 注意力機(jī)制中包括了空間注意力模塊MSpatial和通道注意力模塊MChannel。 通道注意力模塊如圖3 所示，首先，輸入特征經(jīng)過(guò)最大池化層和平均池化層，然后將得到的結(jié)果分別經(jīng)過(guò)共享的全連接層，將得到的兩個(gè)輸出結(jié)果進(jìn)行加和，再經(jīng)過(guò)sigmoid 函數(shù)就可以得到通道注意力權(quán)值。 空間注意力模塊的輸入是將通道注意力模塊得到的通道注意力權(quán)值與原始輸入特征進(jìn)行乘法操作得到的，然后將該輸入進(jìn)行全局最大池化操作和全局平均池化操作，其得到的結(jié)果再進(jìn)行基于通道的加和操作。 將加和操作后的結(jié)果再進(jìn)行一次卷積操作，然后經(jīng)過(guò)sigmoid 之后就可以得到空間注意力模塊的權(quán)值，如圖4 所示。 最后將該權(quán)值與輸入特征做乘法，得到最終生成的特征，其結(jié)構(gòu)如圖5 所示。

圖3 通道注意力模塊框圖Fig.3 Block diagram of channel attention module

圖4 空間注意力模塊圖Fig.4 Module of spatial attention

圖5 CBAM 結(jié)構(gòu)圖Fig.5 Structure of CBAM

最終輸出結(jié)果的計(jì)算公式如式（13）和式（14）所示：

式中：a——輸入的由改進(jìn)的ResNet50 網(wǎng)絡(luò)提取的局部特征；a′CBAM——通道注意力模塊輸出的結(jié)果；c——經(jīng)過(guò)CBAM 處理后最終的輸出結(jié)果；?——數(shù)組元素依次相乘。

3.3 特征融合

采用加和方法將CBAM 處理后的局部特征c和全局特征b融合，最終形成融合特征d如式（15）所示：

4 實(shí)驗(yàn)與分析

4.1 數(shù)據(jù)來(lái)源及預(yù)處理

所用實(shí)驗(yàn)數(shù)據(jù)均為實(shí)測(cè)數(shù)據(jù)，無(wú)線電信號(hào)接收機(jī)采用的是AV－3900A 無(wú)線電監(jiān)測(cè)接收機(jī)。 由于民用廣播信號(hào)具有易接收、應(yīng)用廣泛等特點(diǎn)。 因此，實(shí)驗(yàn)采集了相對(duì)濕度21 %天線干燥環(huán)境無(wú)霧、相對(duì)濕度21 %天線濕潤(rùn)環(huán)境無(wú)霧、相對(duì)濕度85 %天線濕潤(rùn)環(huán)境有霧、飽和狀態(tài)下天線濕潤(rùn)環(huán)境有霧這樣4 種不同濃度大霧天氣下的88.3 MHz，93.4 MHz，96.0 MHz，102.2 MHz，103.5 MHz，104.8 MHz 這6個(gè)民用廣播信號(hào)頻點(diǎn)下的數(shù)據(jù)。 將所采集的數(shù)據(jù)分為四類：21 %相對(duì)濕度下天線干燥環(huán)境無(wú)霧、21 %相對(duì)濕度下天線濕潤(rùn)環(huán)境無(wú)霧、85 %相對(duì)濕度下天線濕潤(rùn)環(huán)境有霧、飽和狀態(tài)下的天線濕潤(rùn)環(huán)境有霧［27］。 每個(gè)分類中包括這6 個(gè)頻點(diǎn)的數(shù)據(jù)。

數(shù)據(jù)采集過(guò)程如圖6 所示。

圖6 數(shù)據(jù)采集過(guò)程圖Fig.6 Process of data collection

在劃分訓(xùn)練集、驗(yàn)證集和測(cè)試集時(shí)，是將采集到的數(shù)據(jù)按照8 ∶1 ∶1 的比例進(jìn)行劃分的。 在劃分?jǐn)?shù)據(jù)時(shí)，對(duì)數(shù)據(jù)進(jìn)行歸一化，保證數(shù)據(jù)集中在一個(gè)共同的范圍。 然后放入前文所提到的網(wǎng)絡(luò)中訓(xùn)練。

4.2 實(shí)驗(yàn)環(huán)境及評(píng)價(jià)指標(biāo)

本實(shí)驗(yàn)環(huán)境為Windows 系統(tǒng)，使用Pytorch 框架實(shí)現(xiàn)。 硬件配置為GPU：NVIDIA GeForce RTX 2080 Ti， Intel（R） CoreTMi9－9820X CPU＠3.30 GHz 的CPU。 實(shí)驗(yàn)數(shù)據(jù)為實(shí)際采集的四類不同濃度霧的情況下的IQ 數(shù)據(jù)。 實(shí)驗(yàn)采用的評(píng)價(jià)指標(biāo)是準(zhǔn)確率（Accuracy）、損失函數(shù)（Loss），準(zhǔn)確率計(jì)算公式如式（16）所示：

式中：x——網(wǎng)絡(luò)的輸出；class——對(duì)應(yīng)的標(biāo)簽。

4.3 實(shí)驗(yàn)結(jié)果

4.3.1 有無(wú)霧的監(jiān)測(cè)

首先，對(duì)無(wú)線通信鏈路中霧的有無(wú)進(jìn)行監(jiān)測(cè)，使用本方法對(duì)采集的相對(duì)濕度21 %天線濕潤(rùn)環(huán)境無(wú)霧、飽和狀態(tài)下天線濕潤(rùn)環(huán)境有霧兩個(gè)類別中的信號(hào)數(shù)據(jù)進(jìn)行分類識(shí)別。 其混淆矩陣如圖7 所示。

圖7 有無(wú)霧監(jiān)測(cè)的混淆矩陣圖Fig.7 Confusion matrix for fog monitoring

其中，橫坐標(biāo)表示的是真實(shí)類別，縱坐標(biāo)表示的是預(yù)測(cè)類別。 0 代表相對(duì)濕度21 %天線濕潤(rùn)環(huán)境無(wú)霧，1 代表飽和狀態(tài)下天線濕潤(rùn)環(huán)境有霧。 從混淆矩陣可以看出，基本能夠分類正確，說(shuō)明了本方法對(duì)有無(wú)霧監(jiān)測(cè)的有效性。

對(duì)有無(wú)霧進(jìn)行監(jiān)測(cè)訓(xùn)練過(guò)程中的準(zhǔn)確率和損失值變化曲線如圖8 和圖9 所示。 最終達(dá)到了95.28 %的識(shí)別準(zhǔn)確率，損失函數(shù)值為0.008 9。

圖8 訓(xùn)練過(guò)程準(zhǔn)確率折線圖Fig.8 Line chart of accuracy in training process

圖9 訓(xùn)練過(guò)程損失函數(shù)值變化折線圖Fig.9 Line chart of loss in training process

提出網(wǎng)絡(luò)模型與傳統(tǒng)ResNet50 網(wǎng)絡(luò)、ResNet152

4.3.2 不同濃度霧的監(jiān)測(cè)

為了進(jìn)一步測(cè)試本算法對(duì)構(gòu)建數(shù)據(jù)集中的不同濃度霧的識(shí)別性能，分別使用傳統(tǒng)的ResNet50 網(wǎng)絡(luò)、ResNet152 和VGG16 與本網(wǎng)絡(luò)模型對(duì)采集到的21 %相對(duì)濕度下天線干燥環(huán)境無(wú)霧相對(duì)濕度21 %有水無(wú)霧、相對(duì)濕度85 %有水有霧、飽和狀態(tài)下有水有霧這4 個(gè)分類下的信號(hào)的識(shí)別進(jìn)行對(duì)比分析。表2 中比較了這四個(gè)模型的準(zhǔn)確率、損失函數(shù)值以及計(jì)算量大小，從表中可以看出，本網(wǎng)絡(luò)模型的分類效果明顯優(yōu)于其他幾個(gè)模型，其準(zhǔn)確率達(dá)到86.18 %，損失函數(shù)值為0.052，且計(jì)算量也最小。和VGG16［28］、VGG19 這些近幾年被廣泛研究的深度神經(jīng)網(wǎng)絡(luò)模型分別用于對(duì)所采集數(shù)據(jù)集進(jìn)行分類的對(duì)比分析，如圖10 所示。 結(jié)果顯示，本模型的準(zhǔn)確率最高，實(shí)驗(yàn)結(jié)果表明了本方法對(duì)霧的有無(wú)監(jiān)測(cè)的有效性。

表2 不同模型識(shí)別結(jié)果對(duì)比Tab.2 Comparison of different model

圖10 不同網(wǎng)絡(luò)識(shí)別性能對(duì)比圖Fig.10 Performance comparison of different models

對(duì)無(wú)線通信鏈路中4 種不同濃度的霧進(jìn)行識(shí)別的混淆矩陣如圖11 所示。 其中，橫坐標(biāo)表示的是預(yù)測(cè)類別，縱坐標(biāo)表示的是真實(shí)類別。 0 代表相對(duì)濕度21 %天線干燥環(huán)境無(wú)霧，1 代表相對(duì)濕度21 %天線濕潤(rùn)環(huán)境無(wú)霧，2 代表相對(duì)濕度85 %天線濕潤(rùn)環(huán)境有霧、3 代表飽和狀態(tài)下天線濕潤(rùn)環(huán)境有霧。 從混淆矩陣可以看出，基本能夠分類正確，說(shuō)明了本方法對(duì)不同濃度霧進(jìn)行監(jiān)測(cè)的有效性。

圖11 四種不同濃度霧監(jiān)測(cè)的混淆矩陣圖Fig.11 Confusion matrix for four different concentrations of fog monitoring

5 結(jié)束語(yǔ)

利用無(wú)線信號(hào)在通過(guò)不同傳播介質(zhì)時(shí)會(huì)留有傳播介質(zhì)特征這一特點(diǎn)，通過(guò)改進(jìn)的ResNet50 網(wǎng)絡(luò)提取在充滿不同濃度霧的信道中接收到的IQ 數(shù)據(jù)中留有傳播介質(zhì)的特征，然后使用注意力機(jī)制處理特征，最后將不同特征融合起來(lái)作為最終提取到的特征來(lái)進(jìn)行不同濃度霧的識(shí)別。 應(yīng)用本霧的監(jiān)測(cè)方法，不僅可以作為傳統(tǒng)氣象監(jiān)測(cè)設(shè)備的補(bǔ)充方法對(duì)霧進(jìn)行有效監(jiān)測(cè)，還能協(xié)助交通部門做好道路大霧天氣監(jiān)測(cè)與預(yù)警工作。 可以應(yīng)用在氣象部門、交通部門等領(lǐng)域，具有較高的研究?jī)r(jià)值。 研究中使用實(shí)測(cè)數(shù)據(jù)集，然后基于ResNet50 模型提出了改進(jìn)的深度學(xué)習(xí)算法，與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型在采集數(shù)據(jù)集上的準(zhǔn)確率相比，改進(jìn)的ResNet50 網(wǎng)絡(luò)模型的分類準(zhǔn)確率提升了4.01 %，取得了最高86.18 %的分類精度。 實(shí)驗(yàn)結(jié)果表明，本方法能夠較準(zhǔn)確地監(jiān)測(cè)大霧天氣，為該方向的進(jìn)一步研究提供了思路。

由于一個(gè)高質(zhì)量的大樣本數(shù)據(jù)集對(duì)深度學(xué)習(xí)算法非常重要，因此，在后續(xù)數(shù)據(jù)集方面的研究工作中，將實(shí)際采集更大樣本、更高質(zhì)量的數(shù)據(jù)集。在深度學(xué)習(xí)網(wǎng)絡(luò)模型方面，將使用更先進(jìn)的算法對(duì)模型進(jìn)行不斷改進(jìn)和優(yōu)化。 提高算法的泛化能力，爭(zhēng)取能夠進(jìn)一步提升監(jiān)測(cè)準(zhǔn)確率。