超声波穿金属无线通信噪声智能抑制方法研究.pdf

收稿日期:2022-11-15摇 摇 摇 摇 摇 摇 修回日期:2023-03-19基金项目:国家自然科学基金项目(61372044)作者简介:朱晓雨(1998-),女,硕士研究生,通讯作者,研究方向为深度学习;曹自平(1974-),男,教授,研究方向为超声波通信。超声波穿金属无线通信噪声智能抑制方法研究朱晓雨,曹自平,崔红涛(南京邮电大学 通信与信息工程学院,江苏 南京 210003)摘摇 要:超声波是面向密闭金属腔体内外间进行无线通信时一种较为理想的信息传输媒介,回波是超声波穿金属无线通信系统的主要噪声来源。针对现有超声波穿金属无线通信系统中回波消除技术的局限,该文引入深度学习方法来实现一种新的回波消除技术方案进行通信接收端信号信噪比的改善。搭建了由摄像头、发射端 FPGA、发射端超声换能器、金属铝块、接收端超声换能器和接收端 FPGA 组成的试验型超声波穿金属无线通信系统,作为信道的铝块其厚度为 50 mm,基带频率为 10 MHz。使用全卷积时域音频分离网络对超声波穿金属通信系统接收端的信号进行盲源分离,模型经过 45 次训练后较好实现了去除混合信号中的无用噪声而增强超声波信号的信噪比,在通信速率 2 Mbps 条件下实现了 13.57 dB的 SDR 提升量和 39.70 dB 的 SI-SDR 提升量。关键词:神经网络;超声波通信;回波消除;深度学习;盲源分离中图分类号:TP399摇 摇 摇 摇 摇 摇 摇 文献标识码:A摇 摇 摇 摇 摇 摇 文章编号:1673-629X(2023)09-0190-06doi:10.3969/j.issn.1673-629X.2023.09.028Research on Intelligent Noise Suppression Method ofUltrasonic through Metal Wireless CommunicationZHU Xiao-yu,CAO Zi-ping,CUI Hong-tao(School of Communication and Information Engineering,Nanjing University of Posts and Telecommunications,Nanjing 210003,China)Abstract:Ultrasonic wave is a kind of ideal information transmission medium for wireless communication between the inside and outsideof closed metal cavity.Echo is the main noise source of ultrasonic wireless communication system through metal.Aiming at thelimitation of echo cancellation technology in the existing ultrasonic metal-penetrating wireless communication system,we introduce a newecho cancellation technology scheme to improve the signal to noise ratio of communication receiver.An experimental ultrasonic metal-penetrating wireless communication system composed of camera,transmitter FPGA,transmitter ultrasonic transducer,metal-aluminumblock,receiver ultrasonic transducer and receiver FPGA was built.The thickness of the aluminum block as the channel was 50 mm andthe baseband frequency was 10 MHz.The blind source separation of the signals at the receiving end of the ultrasonic metalcommunication system is carried out by using the full convolution time domain audio separation network.After 45 training,the model caneffectively remove the useless noise in the mixed signal and enhance the signal-to-noise ratio of the ultrasonic signal.Under thecondition of communication rate of 2 Mbps,13.57 dB SDR boost and 39.70 dB SI-SDR boost are achieved.Key words:neural network;ultrasonic communication;echo cancellation;deep learning;blind source separation0摇 引摇 言超声波作为一种机械波在金属内传播时能量损失较小,面向密闭金属腔体内外间进行无线通信时,与具有金属屏蔽效应的电磁波相比是一种更为理想的信息传输媒介1。超声波穿金属无线通信系统的主要信道噪声是回波,这主要来自于超声波进出金属时在超声换能器/金属界面产生的反射。随着超声波的工作频率增加,回波会与主脉冲响应信号重叠而导致主脉冲响应波形无法被分辨,严重干扰信号解码,从而极大地限制了通信质量和通信速率。针对超声波金属信道回波干扰问题,近年来国内外学者进行了大量研究。2007 年,Primerano 等人2使用信道建模的方式对信道进行估计,通过预校正滤波器消除回波干扰的措施改善了通信质量。2017 年,田栋3基于系统辨识的办法获得金属信道传递函数,在较好分析回波形成机制的基础上,采用在信道前端添第 33 卷摇 第 9 期2023 年 9 月摇 摇 摇 摇 摇 摇 摇 摇 摇 摇计 算 机 技 术 与 发 展COMPUTER TECHNOLOGY AND DEVELOPMENT摇 摇 摇 摇 摇 摇 摇 摇 摇 摇Vol.33摇 No.9Sep.摇 2023加预校正滤波器的方案来抵消回波。考虑到超声波金属信道对环境条件比较敏感,温度波动以及材料种类和信道长度的变化等都会对回波的幅度和衰减周期产生影响4,因此以上回波“硬消除冶改善通信质量的方法在实际应用中有较多的制约。另一方面,一些学者尝试了使用自适应滤波器算法等的“软消除冶方法来抑制回波干扰。Pujari 等人5使用 LMS 算法设计并实现了一种基于 FPGA 的自适应回声抵消滤波器。田义德等人6提出一种有指导信号的均衡技术,利用基于 LMS 的自适应均衡器辨识出信道回波传递函数,使用软消除方法实现回波的消除。于伟健等人7通过在自适应滤波器中使用 LMS 算法模拟回声路径,然后在输入信号中减去回声信号,从而实现回声消除的目的。需要指出的是,这些自适应的“软消除冶方法仍然存在较多制约,如 LMS 算法会引入误差而导致回声消除不稳定8,而 NLMS、RLS 算 法 的 计 算 复 杂 度 比 较高等9-12。针对现有超声波穿金属无线通信系统中回波消除技术的局限,该文引入深度学习方法来实现一种新的回波消除技术方案,基于全卷积时域音频分离网络(Conv-TasNet)从含有回波信号和各种噪声的混合信号中分离出源信号,从而实现通信接收端信噪比的改善。1摇 Conv-TasNet 理论分析全卷积时域音频分离网络即 Conv-TasNet13,作为一种近年来兴起的盲源分离技术在语音识别领域显示了诸多优势,例如与 TasNet14(Time-domain AudioSeparation Network)即时域音频分离网络相比,极大地减少了参数量和计算成本。超声波尽管和通常意义的语音同属声波,但是它的频率要高于语音至少一个数量级,同时超声波穿金属无线通信的噪声主要来自于回波,因此噪声类型显著不同。为了充分检验 Conv-TasNet 在超声波穿金属无线通信中回波消除的可行性,该文选用的超声波通信频率为 10 MHz,这远高于通常意义的语音近三个数量级。Conv-TasNet 由编码器、分离网络和解码器三个部分组成。编码器将输入信号转换为中间特征空间中的相应表示,解码器模块通过转换掩蔽之后的编码器特征来重建源波形。编码器和解码器之间的分离网络是影响信号重构性能的关键部分。Conv-TasNet 网络使用时域卷积网络(Temporal Convolutional Network,TCN)作为分离网络的特征提取器,然后将提取的特征作为掩膜对分离网络的输入特征进行掩蔽操作,从而估计出源信号的特征。Conv-TasNet 基本框图如图1 所示。EncoderSeparationDecoderLL图 1摇 全卷积时域音频分离网络基本框图1.1摇 编码器将时域信号按照帧长为 L 个采样点,帧移为 M 个采样点分解为交叠信号,记作 x1,xt,xT,其中 T表示帧个数。通过下列一维卷积(1-D conv)算子将 xt转换为高维向量 wt:wt=H(U xt)(1)其中,矩阵 U 是 Conv-TasNet 的网络参数,H()是网络的 ReLU 非线性变换函数。1.2摇 分离网络 TCN假设时域信号是由 C 个源信号混叠的混合信号,则分离网络为每帧语音 xt都估计 C 个掩膜 mt,1,mt,c,mt,C,然后将估计的掩膜应用于 wt,得到分离后的源信号特征 dt,c:dt,c=mt,c已 wt(2)其中,已 表示按元素乘。如图 2(a)所示,分离网络是一种时域卷积网络,TCN 的每一层都是由一组一维卷积块叠构而成的,每个一维卷积算子的内部结构如图2(b)所示。1.3摇 解码器在得到分离后的数据帧 dt,1,dt,c,dt.C以后,通过以下的线性变换将分离后的特征恢复为时域信号波形:xt,c=V dt,c(3)其中,V 是解码器的网络参数。xt,c是重构出的源信号。通过将重叠的重构段加到一起以生成最终的波形。2摇 实验设计2.1摇 数据采集为验证 Conv-TasNet 网络在超声波信号中的分离效果,通过采集超声波通信设备在进行通信时产生的数据进行实验验证。该实验将获取数据的超声波通信设备15分为发送端和接收端两部分。发送端使用摄像头采集图像数据,图像数据经 FPGA 调制电路后,驱191摇 第 9 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 朱晓雨等:超声波穿金属无线通信噪声智能抑制方法研究动发送端超声换能器。发送端超声换能器将电信号转换成易于穿透金属安全壳的超声波信号。接收端超声换能器将超声波信号转换成电信号,经过 FPGA 解调电路后驱动 VGA 显示器显示图像。超声波通信系统框图如图 3 所示。图 4 为超声波通信采集信号过程。摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇(a)Conv-TasNet 网络结构摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇(b)每个一维卷积算子的内部结构图 2摇 Conv-TasNet 网络FPGAD/AFPGAA/D图 3摇 超声通信系统框图图 4摇 超声通信系统采集信号使用 DSOS604A 示波器同时采集超声波通信设备发送端和接收端的超声波信号。其中发送端输出的超声波信号是源信号,用作模型的标签,接收端输入的超声波信号是混合了噪声的待模型分离的信号