基于改進DnCNN 的機車信號抗干擾算法

楊世武，楚少童，劉淑賢，劉 倡，熊奇慧

（1.北京交通大學 電子信息工程學院，北京 100044；2.中國銀行股份有限公司軟件中心（合肥），合肥 230061）

機車信號設備作為CTCS 各級列控系統(tǒng)中的重要組成部分，承擔著接收軌道電路信號并準確解碼生成行車憑證或檢查軌道占用的重要任務［1］，機車信號解碼的實時性和準確性在列車安全運行中舉足輕重.目前機車信號移頻信息的檢測方式主要有：EMD 同態(tài)去噪法［2］、時頻結合的自適應濾波法［3］、相位推算法［4］等，這些算法已在大量應用中被證明具有很好的解碼效果.隨著鐵路向重載化、高速化方向發(fā)展，信號設備電磁環(huán)境也愈發(fā)復雜和嚴峻.其中，軌道電路信號在傳輸過程中受到多種類型的電磁干擾，雖然機車信號硬件和軟件設計對常規(guī)噪聲及電磁騷擾有一定的濾波效果，但在某些機車類型含有較強50 Hz 工頻諧波、分相區(qū)瞬態(tài)干擾等環(huán)境下，騷擾成分和能量可能無法被濾波器或相應去噪算法有效濾除，導致既有解碼方法難以解析出正確信號，造成機車信號掉碼、誤上碼、延遲上碼甚至升級顯示等故障的出現，給列車運行質量和安全帶來隱患［5］.典型案例有：2015 年5 月，HXD3 某型機車在北京局某區(qū)段運行時，由于受到牽引電流瞬態(tài)脈沖干擾，導致機車信號譯出了一個周期的50 Hz 交流計數紅黃（HU）碼，觸發(fā)緊急制動；2017 年4 月至8 月，在鄭州局某咽喉區(qū)無碼區(qū)段，車載ATP 多次收到無低頻信息的1 700 Hz、2 000 Hz 載頻，導致ATP 輸出制動［6］.同時，隨著時速400 km 動車組及28 800 kW 超級重載電力機車組的下線，牽引電流干擾強度和形式將帶來更大挑戰(zhàn)，進一步研究具有高抗干擾能力的機車信號算法是非常必要的.

國內針對機車信號降噪及抗干擾方面有長期扎實研究和較成熟的工程應用，邢玉龍等［7］提出基于全卷積神經網絡的機車信號降噪，但僅對通帶內存在單頻噪聲的情況進行了討論，未對寬頻脈沖等復雜組合噪聲進行分析和處理，亦未對降噪實時性做出分析.袁蕾［8］提出了基于變分模態(tài)分解方法的信號去噪方法，但由于模態(tài)數需要初期設定，故無法自適應地進行信號的分解與重構.軒春霞［9］提出基于稀疏分解的軌道電路信號降噪，但相關算法可能導致恢復信號中的局部不平滑，喪失調制信號的部分特征.但上述研究均采用降噪處理后的信號輸入至TCR（Track Circuit Reader）主機完成解碼，而并未對完整的解碼算法進行優(yōu)化.在這一方面，吳添［10］提出了基于機器學習的數字信號解碼，利用殘差網絡與長短期記憶網絡（Long Short-Term Memory，LSTM）在低信噪比下識別2FSK 等信號.徐卓君等［11］提出了基于改進殘差網絡的雷達調制信號識別算法，通過提取雷達時域信號特征進行識別，在低信噪比條件下對2FSK 信號的識別有良好的表現，體現了殘差網絡在信號去噪中的優(yōu)越性.目前常見的機車信號去噪方法多從時域出發(fā)，例如采用自適應方法分解時域信號波形，濾除無用噪聲，但此類方法僅針對白噪聲進行處理，并未對較復雜的諧波干擾做進一步分析；或采用經驗模態(tài)法分解時域信號，但這種方法存在端點效應和模態(tài)混疊等問題；或采用全卷積神經網絡，但這種方法未對寬頻脈沖噪聲做降噪效果分析，亦未對網絡中超參數的配置進行討論分析.在深度學習應用于信號去噪研究方面，已有基于深度殘差網絡對重力數據去噪的相關研究［12］、基于SNDGMM 網絡對低劑量CT 投影數據去噪的相關研究等［13］；但由于鐵路信號系統(tǒng)安全苛求特性以及機車信號現場數據和軟件開發(fā)的封閉性，目前尚未檢索到針對深度學習應用于機車信號消除牽引電流引發(fā)復雜噪聲的方法.

本文作者基于牽引電流諧波干擾幅度變化具有隨機性的特點，利用卷積神經網絡可以自動提取特征的優(yōu)勢，采用堆疊而成的去噪卷積神經網絡（Denoising Convolutional Neural Network，DnCNN）估計噪聲分布，有效濾除機車信號有效頻帶附近的騷擾能量，提高信噪比.另一方面，考慮到DnCNN 存在對輸入信號特征提取不足的缺陷，同時網絡深度的增加會導致算法運行緩慢和實時性差，故采用多尺度卷積替代單一尺度卷積核以及深度分離卷積的卷積形式，在減少網絡深度的同時保證模型的去噪性能，使網絡對輸入信號中目標的尺度具有更強自適應性的同時提高運算速度，兼顧降噪算法的實時性和準確性.

1 機車信號工作原理及主要參數

機車信號是車載設備，其與地面軌道電路配合，通過電磁感應完成列車控制信息從地面到列車的傳輸，并通過機車信號主機解碼行車信息，為車載設備生成行車許可提供決策依據.

機車信號接收線圈安裝在機車轉向架后，處于鋼軌正上方，呈左右對稱分布，天線線圈回路采用雙路冗余設計，實現對鋼軌中差模電流信號的可靠獲取.其連接方式如圖1 所示，L12A、L34A 同名端方向串聯作為一路輸入，L12B、L34B 同名端方向串聯作為另一路的輸入，鋼軌電流中的共模電流部分由于線圈同名端串聯的接法相互抵消，差模部分將通過電磁感應耦合至機車信號接收線圈中.但在鋼軌中存在不平衡牽引電流條件下，牽引電流差模干擾與信號電流疊加后耦合至機車信號接收線圈中，影響正常的機車信號解碼［14］；若諧波頻率處于FSK 信號的有用頻帶內或附近，幅度接近甚至超過機車信號電壓閾值時，可能導致機車信號無法有效濾除騷擾而錯誤解碼.

圖1 機車信號干擾耦合途徑Fig.1 Coupling approach of interference in cab signalling

我國高鐵和重載鐵路主要采用ZPW-2000 系列軌道電路.其傳輸的信號制式為相位連續(xù)的FSK 信號，其時域表達式如下［1］

式中：A0為振幅；f0.為載頻；Δf為頻偏；fd為低頻（調制信號）.

ZPW-2000 系列軌道電路的頻譜圖如圖2 所示，特征參數典型示例設置如下：載頻分別為1 701.4、1 998.7、2 298.7、2 598.7、1 698.7、2 001.4、2 301.4、2 601.4，頻偏為±11 Hz，低頻為10.3+1.1*n（n=0～17）.

圖2 ZPW-2000 系列FSK 信號的頻譜圖示例Fig.2 Spectrum of the FSK signal in ZPW-2000 series

如圖2 所示，FSK 信號頻譜呈現以載頻為軸的對稱性.對于遠離信號有用頻帶的騷擾，一般通過硬件或數字濾波等方法可以消除；而當騷擾能量過大或騷擾頻率落在信號通帶（載頻±45 Hz）內或附近時，則該信號難以被濾波器有效濾除，其幅度足夠高時會影響信號解碼準確性，甚至造成錯誤判別.本文提出的機車信號抗干擾算法的應用場景主要為具有上述騷擾特性的FSK 信號.

2 改進DnCNN的機車信號抗干擾算法

由于FSK 信號具有顯著的頻域特征，故常見的解碼方法通常從頻域出發(fā)，或者采用時頻結合的技術.隨著機車種類和運營場景復雜性的增加，FSK 信號由于諧波騷擾等使得頻譜特征被破壞，此類干擾無法通過提高地面發(fā)碼入口電流等方式來增強抗干擾能力，應在信號接收端進行有效的降噪處理.FSK 信號降噪目的在于還原時域信號上下邊頻，提取時域信號的深層次特征，將低頻調制信號從受擾信號中解析出來.由于卷積神經網絡具有強大的特征提取能力，同時結合殘差學習和批歸一化學習以顯著提高神經網絡性能，探究噪聲規(guī)律，得到預估的噪聲分布而進行有效去除，采用端到端處理方式得到特征明顯的FSK 信號.去噪卷積神經網絡（DnCNN）是通過實際輸入噪聲與預測噪聲之間的均方差估計，反向傳遞誤差調整神經網絡權值與偏置值，訓練好的模型對噪聲水平未知的信號進行盲降噪時表現良好［15］.當損失函數收斂時，認為該網絡可以在最后一層輸出表征預測噪聲，從而通過對消的方法去除信號頻帶附近的騷擾，提取有用信號頻率特征.

2.1 基于數據增強的含噪信號預處理

本文中處理的數據樣本包括現場采集的真實受擾信號以及依據相應規(guī)范和現場電磁環(huán)境模擬生成的仿真受擾信號.考慮信號最高載頻2 600 Hz 以及頻偏±11 Hz，根據某機車信號產品的技術參數，選擇采樣頻率為12 500 Hz，易知該頻率滿足采樣定理要求.DnCNN 為有監(jiān)督學習算法，模型訓練需要標簽化數據集，而現場采集數據未經過標簽化處理，無法直接用于模型訓練.為獲取標簽化數據集，且使模型更具有一般性，同時防止過擬合的產生，本文對模型訓練所用數據進行了數據增強處理以構成訓練集和測試集，并將現場采集數據作為驗證集.由于鐵路現場的電磁環(huán)境復雜，機車信號設備接收到的移頻信號可能會出現上下邊頻通帶特性不對稱、載頻偏移、低頻偏移等現象.根據信號維規(guī)，將載頻頻率上下邊頻偏差不大于±0.15 Hz、低頻調制頻率的偏差不大于±0.03 Hz 的信號均認作合格信號［16］，故在生成受擾信號數據集的過程中，隨機混入上述偏差信號并將其作為正常移頻信號進行后續(xù)加噪處理.

對于騷擾頻率的選取，主要考慮列車運行環(huán)境中由于工頻基波漂移（諧波按相應比例變化）帶來的信號帶內隨機單頻騷擾、牽引電流不平衡導致的工頻諧波騷擾［17］、列車在經過分相區(qū)時的沖擊電流產生的復雜諧波成分［18］等常見形式.通過對現場掉碼、誤譯碼、延遲上碼等具有代表性的受擾信號分類，由牽引電流引起的復雜噪聲，可分解為以下三種常見形式，仿真信號頻譜圖見圖3.

1）工頻諧波干擾［18］，在各有用頻帶附近隨機疊加0～3 個單頻騷擾，諧波頻率分別為1 650、1 700、1 750 Hz，用以模擬受到牽引電流諧波影響的FSK機車信號，騷擾幅值為純凈信號的0.5～5 倍。

2）隨機單頻干擾，模擬由于工頻頻率漂移帶來的諧波漂移，在有用信號頻率區(qū)間附近任意頻率點隨機疊加，騷擾個數為0～3 個，相鄰諧波間距為50 Hz，幅值為純凈信號的0.5～2 倍。

3）瞬態(tài)寬頻干擾.這類信號頻譜豐富，此處僅隨機選取5～10個移頻信號頻率附近可能造成干擾的敏感頻率騷擾，其幅值為純凈信號的0.5～2倍，用以模擬列車運行受到沖擊電流影響時的受擾移頻信號.

圖3 受擾信號示意圖Fig.3 Diagram of the interfered signal

隨機選取載頻、低頻，疊加仿真產生的3 種噪聲，分別取每類各18 000條作為訓練集，并同時生成等量的隨機組合含噪數據集.為了保證數據一般性，對數據進行隨機重排序后作為DnCNN 的輸入.隨機抽取其中80%作為訓練集，剩余的20%作為測試集，算法基于GeForce MX250的GPU 驅動的Pytorch框架，處理器為Inter Core i5，CUDA版本為10.1.

2.2 去噪卷積神經網絡

DnCNN 相比常見的卷積神經網絡，去除了池化 層（Pooling），由 卷 積 層（Convolutional layer，Conv）、歸一化層（Batch Normalization，BN）、激活層（Rectifier Liner Unit，ReLU）堆疊形成深度卷積神經網絡.其中卷積層模擬人類的視覺特征，以移動卷積核的方式共享權值減少網絡負載量，降低網絡復雜度，使用濾波器對上層輸入通道進行卷積操作，生成新的特征映射，通過激活函數處理非線性輸入至下一神經網絡層［19］.激活層ReLU 可解決使用其他激活函數時可能出現的梯度消失問題，使網絡稀疏，加快神經網絡收斂速度，緩解網絡過擬合［20］.批歸一化層的設置主要用于減少內部協(xié)變量轉移現象的出現，將預處理數據根據均值和方差及逆行規(guī)范化處理，防止模型擬合過慢，為訓練非線性模型提供便利［21］.其結構如圖4 所示.

DnCNN 輸入是一個含噪信號y=x+v，與常見的降噪算法直接去除噪聲、學習F(y)≈x來預測潛在純凈信號不同，其跳過手動提取特征部分，利用殘差學習公式訓練噪聲映射R(y)≈v，以此得到純凈信號x=y-R(y).預測輸出的噪聲估計X（i）與實際噪聲S（i）之間的均方誤差（Mean Square Error，MSE）為

圖4 DnCNN 結構圖Fig.4 Structure diagram of DnCNN

該參數作為損失函數對神經網絡中的參數θ={w，b}進行參數調優(yōu)訓練，w為權重，b為偏置值.損失函數為

式中：(xi，yi)代表輸入至網絡的第i條噪聲-純凈信號對組，當loss 值收斂時即可視為達到了特定參數下的最優(yōu)結果.去噪卷積神經網絡能解決網絡過深引起的性能退化問題，因此可以構建更深的網絡以達到更優(yōu)的性能.考慮到實際應用中FSK 機車信號處理對實時性和準確性都有較高要求，故不能盲目加深網絡深度，同時重復堆疊同尺度的卷積核會造成提取的特征較為單一，使得網絡自適應性差.

2.3 改進的去噪卷積神經網絡

由于機車信號解碼對實時性的要求，為保證網絡性能的前提下應盡可能提高運算速度，本文提出一種改進的去噪卷積神經網絡，利用加深網絡寬度的方式替代深度堆疊卷積層來提升網絡性能.原始的降噪神經網絡中采用3*3 的卷積核提取圖像特征，而本文中研究的一維時序信號與圖像信號有較大差異，因此需要對去噪卷積神經網絡中的參數進行調整優(yōu)化.

決定網絡性能的主要參數有：網絡層數、卷積核的大小與數量.首先對未優(yōu)化的去噪卷積網絡參數進行討論，其中網絡的性能通過提升信號的信噪比來衡量，信噪比的計算公式為

網絡中其他參數的具體設置為：訓練數據大小為每批128 條，dropout概率為0.001，動量為0.095，學習率為0.000 1，采用自適應矩估計（Adaptive Moment Estimation，Adam）優(yōu)化器優(yōu)化參數，其中網絡深度、卷積核大小和深度等參數通過控制變量法，固定其余超參數以觀測網絡去噪性能變化趨勢.如圖5、圖6 所示，卷積核大小為1*7 和1*5、卷積核個數為64 時，模型去噪性能優(yōu)良；卷積神經網絡深度在15～25 層時，信噪比提升超過13 dB（22.3倍）.

圖5 不同卷積核個數與去噪性能關系Fig.5 Relationship between denoising performance and number of convolution kernels

圖6 不同神經網絡深度與去噪性能關系Fig.6 Relationship between denoising performance and depth of DnCNN

為解決堆疊單一尺度的卷積核對特征提取不利［22］問題，采用多尺度卷積核代替單一的卷積核進行多尺度并行卷積.鑒于卷積核大小為1*7 和1*5 時去噪性能良好，故選擇在同一層級上使用相同大小的卷積核進行并行卷積，使網絡在不同濾波器下提取特征，有效提高自適應性.經過改良后的卷積層如圖7 所示，卷積層后連接批歸一化層和激活層以加速網絡收斂，故將這三層視為一個模塊定義為最小計算單元進行后續(xù)計算.

圖7 多尺度并行卷積結構Fig.7 Structure of the multiscale parallel convolution algorithm

由于神經網絡參數量較大，受算力限制，運算時間通常較長.目前常用的對策是設計輕量化網絡架構以減少神經網絡的權值參數，MobileNet 是主流網絡之一［23］，其核心思想是以深度可分離卷積代替常規(guī)卷積.即把標準卷積分解成一個深度卷積和逐點卷積，前者對每個通道進行單獨卷積操作，后者將各個通道深度卷積后的結果組合起來.為提高算法實時性和可用性，本文將普通卷積核拆分成深度可分離卷積，使改進的卷積層體積更小.對于標準的一維卷積來說，若輸入的時序信號是1×DI×M，卷積核大小為1×DO×M×N，考慮padding 操作，輸出特征信號大小為1×DI×N，則其對應的計算量為M×N×DO；當使用深度可分離卷積代替時，對于輸入的M個通道分別用1×DO×1 的卷積核做卷積操作，得到M個1×DO×1 的相互獨立的特征信號，進行逐點卷積操作，再將M個特征信號輸入至網絡中，用N個1×1×M的卷積核做標準卷積操作，得到1×DI×N的輸出特征信號，則其對應的計算量為M×DO+N×M，因此，相比標準卷積，深度可分離卷積的計算量更小，二者關系為

改進的去噪卷積神經網絡具體結構如圖8 所示.

圖8 改進的去噪卷積神經網絡結構圖Fig.8 Structure diagram of the improved DnCNN

3 抗干擾算法性能驗證

3.1 數據集及環(huán)境配置

為驗證基于改進去噪卷積神經網絡抗干擾解碼算法的有效性，仿真數據集的生成為隨機選取載頻、低頻，隨機疊加仿真產生的第一種、第二種、第三種噪聲，共計72 000 條數據作為DnCNN 的輸入，且輸入數據中對數據進行重新排列以保證數據稀疏性.隨機抽取其中80%作為訓練集，剩余20%作為測試集.

模型訓練過程中，采用Adam 優(yōu)化器做參數調優(yōu)處理，并設置動量為0.095，學習率為0.000 1，訓練數據大小為每批32 條；將時域信號切割為1*20 的小序列，步長為5，重復切割，將劃分后的時間序列作為神經網絡的輸入，dropout 概率為0.001.

為實現對FSK 機車信號快速降噪處理，在保證提升信噪比盡量高的情況下，對每條信號的降噪處理用時越少，則越有利于其在實際運營中的可用性.ZPW-2000 系列信號應變時間表如表1 所示，由表1知，信號在最不利條件下要求應變時間小于0.8 s，將該參數作為實時性參考要求.

表1 ZPW-2000 系列信號應變時間表Tab.1 Response time table of ZPW-2000 series

3.2 模型性能比較

當神經網絡的深度在15～25 層時，信噪比提升超過13 dB，故本文分別將含有15 層和8 層卷積神經網絡、8 層多尺度可分離卷積核的改進DnCNN 三種情況樣本進行降噪，并對每種網絡的降噪效果和處理實時性進行對比，后續(xù)實驗均基于同一數據集進行上述指標比較.分別用P0、P1、P2 代表以上三種網絡，其中P0、P1 網絡中卷積核大小為1*7，P2 網絡中多尺度卷積核尺寸分別為1*7 和1*5.

由于鐵路信號系統(tǒng)高安全性和管理規(guī)范要求，模型性能暫時難以在現場實際環(huán)境中進行測試驗證，而仿真平臺的硬件條件與機車信號設備處理器存在差異，故后續(xù)試驗僅在理論研究層面對降噪效果進行分析.

使用同一組數據對P0、P1 和P2 進行反復訓練并取均值，結果如表2所示.已知輸入的受擾信號信噪比為-2.241 5 dB，同時，機車信號接收ZPW-2000 系列信息時，應變時間應不大于上述參考值0.8 s 的要求.雖然P2 的去噪性能略遜于堆疊較深的P0，但對比P1網絡仍然具有明顯的性能優(yōu)勢，且實時性更強.

表2 改進后與未改進模型性能對比Tab.2 Denoising performance comparison between the improved and the original model

3.3 算法對比及實測數據驗證

由于基于深度學習的方法尚未應用于機車信號設備對牽引電流騷擾的濾除，故選擇現有成熟的算法進行去噪性能對比.常見信號降噪算法有小波降噪算法［24］、EMD 降噪算法等［25］.根據以上仿真噪聲生成方法，從某機車信號廠家現場數據記錄庫中隨機選取4 組、每組100 條各類信號，測試去噪算法的性能，結果如表3 所示.

圖9 為HXD3 某型機車發(fā)生的信號掉碼案例，故障現象為列車在綠燈行駛過程中，機車信號譯碼輸出受擾突變?yōu)榘谉簦o碼）.如頻譜所示，由于牽引電流在信號有用頻帶附近兩個奇次諧波幅度偏高，未能被原有抗干擾措施有效抑制，正常碼型在騷擾分量疊加下，導致機車信號對載頻為1 700 Hz、低頻為11.4 Hz 的綠燈信號出現解碼錯誤.經本文算法實際處理后的信號頻譜如圖10 所示，去噪后的信號中所含牽引電流諧波騷擾的幅度大幅降低，FSK 信號特征清晰，信噪比明顯提高.

表3 各算法SNR 結果對比Tab.3 Comparison of SNR results of each algorithms dB

圖9 信號掉碼故障實例Fig.9 Code missing failure case in field

圖10 現場信號去噪頻譜Fig.10 Spectrum of the denoised field signal

4 結論

針對電氣化鐵路中的機車信號受牽引電流耦合干擾的場景，提出了一種基于改進的去噪卷積神經網絡的抗干擾算法，采用多尺度并行深度卷積核代替單一尺度的卷積核大量堆疊，提高算法適應性；通過采用深度可分離卷積代替?zhèn)鹘y(tǒng)的標準卷積，減少網絡復雜度，提高算法實時性.通過對仿真生成模擬含噪信號及現場實測含噪信號的去噪實驗驗證表明：

1）改進后的算法適應性強，消除電氣化鐵道牽引電流引起的組合復雜噪聲性能良好，根據對仿真含噪信號以及現場實際含噪信號的分析處理對比表明，該算法可將信噪比提升約13 dB，機車信號抗干擾性能明顯增強.

2）算法在保證網絡去噪性能的前提下，對網絡復雜度進行優(yōu)化，充分考慮了機車信號設備實時性要求.

本文提出的改進的DnCNN 算法為工程應用中進一步提高機車信號抗干擾性能提供了參考.