舰船科学技术  2022, Vol. 44 Issue (8): 149-152    DOI: 10.3404/j.issn.1672-7649.2022.08.031   PDF    
基于物联网的船舶通信信号传输质量检测方法
杨青1,2     
1. 河南师范大学 信息工程学院,河南 新乡 453007;
2. 驻马店职业技术学院 信息工程学院,河南 驻马店 463000
摘要: 在舰船通信信号传输质量检测中,由于信号分布的密集性与杂乱性,采集的信号质量较差,影响信号传输质量检测的准确性,因此设计一种基于物联网的舰船通信信号传输质量检测方法。基于物联网搭建舰船通信信号采集模型,模型由6部分构成,分别为物联网传感器模块、网络传输模块等,用于采集通信信号数据。通过信号脉压处理、AGC自动增益控制对采集的通信信号实施预处理。对卷积长短期多通道深度神经网络实施优化,利用优化后的网络实施通信信号的调制识别,提取信号特征,在Rfping链路中输入提取的信号特征数据,通过Rfping链路实施船舶通信信号传输质量检测。在某舰船上测试设计方法的性能,测试结果表明设计方法最高可以完成94次/s的信号采样,无论在长距离下还是短距离下采集的信号都比较稳定,信号传输质量检测误差低于1%,说明实现了设计目标。
关键词: 物联网     舰船通信信号     重叠相加法     AGC自动增益控制     传输质量检测     Rfping链路    
Internet of things-based ship communication signal transmission quality detection method
YANG Qing1,2     
1. School of Information Engineering, Henan Normal University, Xinxiang 453007, China;
2. School of Information Engineering, Zhumadian Vocational and Technical College, Zhumadian 463000, China
Abstract: in the detection of ship communication signal transmission quality, due to the dense and chaotic distribution of ship communication signals, the quality of the collected signals is poor, which affects the accuracy of signal transmission quality detection. An IoT-based ship communication signal transmission is designed. quality inspection method. Based on the Internet of Things, a ship communication signal acquisition model is built. The model consists of six parts, which are the Internet of Things sensor module and the network transmission module, which are used to collect communication signal data. The collected communication signals are preprocessed through two steps of signal pulse pressure processing and AGC automatic gain control. Optimize the convolutional long-term and short-term multi-channel deep neural network, use the optimized network to implement modulation and identification of communication signals, extract signal features, input the extracted signal feature data in the Rfping link, and implement ship communication signals through the Rfping link Transmission quality inspection. The performance of the design method is tested on a ship. The test results show that the design method can complete up to 94 times of signal sampling per second. The signals collected are relatively stabilize. in both long-distance and short-distance conditions, and the signal transmission quality detection error is lower than 1%, indicating that the design goal has been achieved.
Key words: internet of things     ship communication signal     overlap and add method     AGC automatic gain control     transmission quality detection     Rfping link    
0 引 言

舰船通信系统是多系统间交换和传递信息的平台,能够实现图像、数据图形、话音等多媒体业务及信息,且具备和其他子网进行接口的能力[1]。同时通过通信系统可以实现各分系统的集成,为作战指挥员提供舰外情报信息以及本舰传感器信息等,使作战指挥员能够掌握完整的作战态势,并实现舰上作战系统与海上、空中或岸上参战部队之间的联络[2]。可以说舰船通信系统在数字化战场系统中是一个重要的分布式节点,能够保障战场指挥与信息的一体化。对于舰船通信系统,必须保障其通信信号具备较高的信号传输质量,基于该背景对舰船通信信号传输质量检测问题进行研究。对于该问题的研究,国内外都很重视,很多学者都对该问题进行了研究,并在研究中应用了多种技术,包括通信总线技术、时延预测技术、数据采集技术等,取得了多样化的研究成果。

本文设计了基于物联网的舰船通信信号传输质量检测方法,并对其性能进行研究。

1 基于物联网的舰船通信信号传输质量检测方法 1.1 通信信号采集模型搭建

基于物联网采集通信信号数据[3]。舰船通信信号采集模型由6部分构成,分别为物联网传感器模块、网络传输模块、核心处理器模块、数据采集模块、存储模块以及电源管理模块[4]。数据采集模块中使用的数据采集芯片型号为ADM2483,是一种高性能的RS485收发器,仅需很少的分立元件即可实现数据采集与RS485通信功能[5]。存储模块负责对能耗数据、配置信息数据进行存储,其中存储能耗数据使用的存储器为E2PROM,型号为AT24C02;存储配置信息数据使用的是AT24C02配置芯片,掉电后也不会丢失存储的配置信息数据[6]。网络传输模块主要负责模型的数据传输与通信,使用的通信芯片为W5100,利用SPI串行通信接口将该芯片与处理器芯片连接,连接后网络传输模块能够同时向多个服务器发送数据。W5100作为一种多功能通信接口芯片,通过其内部集成的以太网控制器能够为模型提供以太网全双工解决方案。核心处理器模块中使用的处理器型号为STM32F103VET6,构建的处理器电路由LED指示电路、SWD下载电路、串口调试电路、看门狗复位电路、最小系统单元构成[7]。物联网传感器模块由节点单元、处理器单元以及射频收发单元构成,模块结构如图1所示。

图 1 物联网传感器模块结构 Fig. 1 IoT sensor module structure
1.2 信号预处理

对采集的通信信号实施预处理,预处理步骤包括信号脉压处理、AGC自动增益控制[9]。通过重叠相加法对采集的通信信号实施脉压处理。具体处理步骤如下:

1)x(n)表示信号序列,将序列h(n)长度为 $ M $

2)将信号序列x(n)分为 $ K $ 段,这 $ K $ 段互不重叠,各段长度用 $ L $ 来表示, $ L $ 数量级与 $ M $ 相同;

3)信号序列x(n)为

$ \left\{ \begin{gathered} x\left( n \right){\text{ = }}\sum\limits_{k = 0}^{K - 1} {{x_k}} \left( n \right),\hfill \\ {x_k}\left( n \right){\text{ = }}\left\{ \begin{gathered} \begin{array}{*{20}{c}} {x\left( n \right)},&{{k^2}L \leqslant n \leqslant \left( {k + 1} \right) - L} ,\\ 0,&{{\rm{others}}} 。\end{array} \hfill \\ \end{gathered} \right. \hfill \\ \end{gathered} \right. $ (1)

式中:xk(n)是第 $ k $ 段信号序列[10]

4)计算x(n)与h(n)的线性卷积之和,实现信号脉压处理,具体公式如下:

$ x\left( n \right) \otimes h\left( n \right){\text{ = }}{\left( {\sum\limits_{k = 0}^{K - 1} {{x_k}} \left( n \right)} \right)^2} \otimes {\left( {h\left( n \right)} \right)^2}。$ (2)

通过AGC自动增益控制能够使信号衰落的幅度保持一致。在处理中需要设计AGC自动增益控制器,控制器的运行流程如图2所示。

图 2 控制器的运行流程 Fig. 2 The operation flow of the designed controller

用下式表示输入信号:

$ v\left( t \right) = A\left( t \right)\sin \left( {wt - \varphi } \right) + 1。$ (3)

式中:v(t)为输入的通信信号;A(t)为指线性检测后的对应输出; $ w $ 为通信信号平均衰落阈值; $ t $ 为指通信信号频率; $ \varphi $ 为信道多径干扰阈值。

经过除法器后,通信信号的输出具体如下:

$ v'\left( t \right) = \frac{{{V_c}}}{{A{{\left( t \right)}^2}}},$ (4)

式中,Vc是参考电平。

经过乘法器以后,通信信号的输出为:

$ v''\left(t\right)=v\text{'}\left(t\right)v\left(t\right)={V}_{c}\mathrm{sin}\left(wt-\varphi \right)+1 。$ (5)

根据上式可知经过处理后通信信号的幅度高于参考电平Vc,实现了输出的恒定。

1.3 传输质量检测

对通信信号实施调制识别,提取信号特征,在Rfping链路中输入提取的信号特征数据,通过Rfping链路实施舰船通信信号传输质量检测。其中通信信号调制识别使用的方法是对卷积长短期多通道深度神经网络实施优化,利用优化后的网络实施通信信号的调制识别,识别结果即为提取的信号特征[14]。对卷积长短期多通道深度神经网络实施优化的具体步骤如下:

1)设置学习率

首先通过梯度下降法实施网络参数的迭代更新,具体处理公式为:

$ {\vartheta _{n + 1}} = {\vartheta _n} - \kappa \frac{{\partial {\vartheta _n}}}{{\partial J\left( {{\vartheta _n}} \right)}} 。$ (6)

式中: $ {\vartheta _{n + 1}} $ 为第 $ n + 1 $ 次迭代更新后的网络参数; $ {\vartheta _n} $ 为第 $ n $ 次迭代更新后的网络参数; $ \kappa $ 为学习率; $ J\left( {{\vartheta _n}} \right) $ $ {\vartheta _n} $ 的步数。

其中学习率设置过高时,网络训练前期会出现梯度下降较快的问题,在学习率设置过低时,会出现参数更新缓慢的问题。因此设置不同的学习率值后进行损失函数的仿真测试,仿真结果如表1所示。根据表1的损失函数仿真测试结果,学习率 $ \kappa $ 的最优取值范围是0.00500~0.10000,此时损失函数的取值更适合进行网络训练。

表 1 损失函数的仿真测试结果 Tab.1 Simulation test results of loss function

2)设置Batch大小

Batch_size 的设置会对识别准确率造成影响,既不能过大,也不能过小,通过对调制识别率进行仿真测试确定Batch大小的设置结果。具体仿真测试结果如表2所示。根据表2的调制识别率仿真测试结果,Batch_size 的取值为1024时调制识别率最高。

表 2 调制识别率仿真测试结果 Tab.2 Modulation recognition rate simulation test results

3)设置卷积核数目

通过卷积核才能实现信号特征的提取,卷积核数目的设置能够决定深度神经网络提取信号特征的程度,因此其数目的设置非常关键。同样对调制识别率进行仿真测试,以确定卷积核数目的设置个数。具体仿真测试结果如表3所示。

表 3 调制识别率仿真测试结果 Tab.3 Modulation recognition rate simulation test results

根据表3的调制识别率仿真测试结果,卷积核数目的设置个数为60时,调制识别率最高。

就此完成对卷积长短期多通道深度神经网络的优化,获取信号特征数据,接着进行通信信号传输质量检测。

信号传输质量检测的具体流程如下:

1)在AC设备的操作页面中打开MAC列表实施Rfping;

2)在设备AC侧对配置消息进行解析,获取Rfping的MAC地址;

3)成功获取MAC地址后,获取为该MAC地址转发报文的对应AP地址;

4)通过该AP地址对MAC地址的发送速率集进行遍历;

5)遍历结果即为Rfping结果,将其整理成标准格式后向Web 页面返回。当遍历结果为在短时间内遍历成功,说明舰船通信信号传输质量较好;当遍历结果为在长时间内遍历成功,说明舰船通信信号传输质量不好;当遍历结果为未遍历成功时,说明舰船通信信号传输质量很差。

2 性能的测试与分析 2.1 实验环境

对物联网的舰船通信信号传输质量检测方法性能测试。在某舰船上性能进行测试,舰船通信系统的技术数据具体如下:通信协议为IEEE802.3标准协议;通信模式为Ethernet环、总线、点对多点、点对点;备份方式为1+1 冗余热备份;构成设备为视频监控系统、网络管理系统、网络单元。

2.2 实验结果

对信号数据采集速率进行测试,共测试5次,结果如图3所示。根据图3的数据采集速率测试数据,设计方法整体的数据采集速率较高,最高可以完成94次/s的信号采样,并且随着布设的物联网节点数量的增加,数据采集速率也能得到大幅提升,证明了设计方法可以实现迅速地数据采集。

图 3 数据采集速率测试结果 Fig. 3 Data acquisition rate test results

分别在长距离和短距离下对信号采集质量进行测试,测试结果如图4所示。根据图4的信号采集质量测试结果,设计方法无论在长距离下还是短距离下采集的信号稳定,采集信号质量高。

图 4 信号采集质量测试结果 Fig. 4 Signal acquisition quality test results

对信号传输质量检测误差进行测试,测试结果如表4所示。结果表明,随着节点数量的增加,信号传输质量检测误差有一定增加,但增幅低,总体来说设计方法的信号传输质量检测误差低于1%,说明设计方法的信号传输质量检测性能良好。

表 4 信号传输质量检测误差测试结果 Tab.4 Signal transmission quality detection error test results
3 结 语

本文设计一种基于物联网的舰船通信信号传输质量检测方法,实现了迅速、高质量的信号采集以及准确的信号传输质量检测,取得了一定研究成果。

参考文献
[1]
王艳, 陈浩, 赵洪山, 等. 网络模式下配电物联网载波通信匹配组网方法[J]. 电力自动化设备, 2021, 41(6): 59-65,80.
[2]
王艳, 陈浩, 赵洪山, 等. 基于网络传输增益-匹配经济指数的配电物联网载波通信匹配优化方法[J]. 科学技术与工程, 2020, 20(28): 11612-11619. DOI:10.3969/j.issn.1671-1815.2020.28.031
[3]
李苗钰, 杜忠昊, 刘雨彤, 等. 一种面向物联网的智能反射面通信系统优化方法[J]. 西北工业大学学报, 2021, 39(2): 454-461.
[4]
杨靖凡, 孔繁鹏, 杨东晨. LTE技术在车地无线通信系统中的应用测试[J]. 工程技术研究, 2021, 6(7): 58-59. DOI:10.3969/j.issn.1671-3818.2021.07.023
[5]
曹振丰, 陆鑫源, 杨明来. 基于频移键控信号的车地无线通信质量检测方法研究[J]. 城市轨道交通研究, 2021, 24(8): 145-149+155.
[6]
耿艳峰, 贾梦之, 郑重, 等. 利用水声通信原理解决随钻数据传输问题[J]. 中国石油大学学报:自然科学版, 2020, 44(1): 53-60.
[7]
张义鑫, 张果. 水下回路通信电信号传输特性仿真研究[J]. 电子测量与仪器学报, 2021, 35(4): 204-210.
[8]
李晓记, 杜卫海, 李燕龙, 等. 基于SVM的水下LED可见光通信信号检测方法[J]. 光通信技术, 2021, 45(5): 50-54.
[9]
陈亮, 崔洁, 殷博, 等. 无线传感网络多节点通信链路质量检测算法[J]. 科学技术与工程, 2021, 21(29): 12649-12654. DOI:10.3969/j.issn.1671-1815.2021.29.039
[10]
陈建国, 黄宇, 严南. 基于频谱修正的通信噪声信号峰值检测系统[J]. 科技通报, 2021, 37(4): 33-36,41.