Python 仿真软件在移动通信系统教学中的应用实践论文

SCI论文（www.lunwensci.com）

　　摘 要： 随着移动通信技术的高速发展, 移动通信系统衍生出很多新的功能和服务, 使得在移动通信系统专业课程教学 中,相关技术服务的抽象性和多样化让学生对于该系统功能及服务的理解存在较大困难。为了让学生直观地了解移动通信系统 的技术现状和未来发展趋势,提出将 Python 仿真软件引入移动通信系统教学中,解决移动通信系统教学中理论教学过于抽象 空洞、实验教学又难以实践的问题。

　　【Abstract】： With the rapid development of mobile communication technology, many new functions and services have emerged from mobile communication systems. In the course teaching of mobile communication system courses, the abstraction and diversity of related technical services make it difficult for students to understand the functions and services of the system. In order to provide students with an intuitive understanding of the current status and future development trends of mobile communication system technology, this paper proposed to introduce Python simulation software into mobile communication system teaching to solve the problems of theoretical teaching being too abstract and empty, and experimental teaching being difficult to practice in mobile communication system teaching.

　　【Key words】： Python simulation software;mobile communication system;experimental teaching;teaching reform

　　0 引言

　　随着移动通信系统的快速发展,使其对人们的日常 生活、学习、工作都起到了广泛的影响,改变了人们的 各种行为方式和习惯。高校电子信息类专业开设移动通 信系统专业课程,以适应高速发展变化的移动通信技术 领域对于专业技术人才的需求 [1-3]。现在的移动通信系 统已经进入 5G 时代,并向着 6G 时代发展,如今的移 动通信系统中除了传统的语音通话、短信文本传输,还 出现了很多重要的功能和服务,比如在 5G 移动通信系统中所提出的用户定位服务等。因此,只有掌握移动通 信系统中的这些新功能和服务,才能全面的熟悉目前移 动通信系统运行原理和相关关键技术 [4]。

　　1 教学中引入 Python 仿真软件的必要性

　　在移动通信系统教学中,面临以下问题和挑战 ：首 先,教学内容空洞抽象,理论实践教学困难。对于移动 通信系统,学生往往对于手机终端的设备比较熟悉,但 是对于基站及核心网部分了解很少。在讲授一些空口关 键技术如多址接入、移动性管理等时,由于实验硬件设备昂贵,系统操作复杂,很难让学生在学习中有实际操 作的机会,使得学生难以理解。其次,随着移动通信技 术的发展,系统功能和服务越来越多样化,对仿真实验 的要求也越来越苛刻 [5.6]。伴随着 5G 网络的正式商用, 物联网的飞速发展,包括基站定位在内的多元化服务相 应而生。早期的移动通信系统课程讲授,只需要仿真实 现信号的调制、编码、收发即可,而现在需要实现包括 定位、人工智能等技术,让学生全面了解现在的移动通 信系统。针对以上问题,通过引入一个便于编程实现多 元化功能服务的仿真软件,可以提供直观的实例体验, 将服务性能以可视化的方式展现在学生面前,有利于学 生深入理解专业理论知识。

　　随着计算机技术的发展,各类编程语言层出不穷。 其中 Python 作为一种面向对象的编程语言, 其能提供 高效的高级数据结构,从而提高编程效率。从 2004 年 开始, Python 使用率呈现出明显的线性增长趋势,尤 其是在独立的大规模项目开发中的使用频率增长地尤 为明显。随着使用频率的增长,其应用领域也不断被扩 展。Python 不仅是 Linux 操作系统下的使用范围最广、 使用人数最多的标志性编程语言之一,也是很多开源的 软件系统开发者的首选编程工具 [7.8]。综上所述, 本文 研究探索将 Python 仿真软件应用于移动通信系统的教 学中,帮助学生更好地理解移动通信系统,进一步培养 学生的实践编程能力。

　　2 Python 仿真软件

　　Python 是一种高级的、通用的、解释型的计算机编 程语言,具有简洁性、易读性以及可扩展性等特点。和 传统的高级编程语言, 如 C/C++、Java 等相比, Python 的优越性主要体现简洁性和开源性方面。首先, Python 的语法格式很简洁,没有过多的繁琐要求。除此之外, Python 还可以通过其自带的内容丰富的标准代码库执 行更高级别的抽象操作。除了 Python 的发行版自行附 带的标准库,还有超过 15 万个第三方库, Python 库之 间广泛联系、逐层封装,几乎覆盖了信息技术所有领域, 较为常见的是用于数据可视化的 Matplotlib 和用于数据 分析的 NumPy、Pandas 等 [9]。

　　除了简洁性之外, Python 另一大优点是开源性。 首先,使用 Python 编写的软件代码是开源的。作为一 种解释型语言,用户可以下载某个系统的所有源代码并 对其做出修改。其次, Python 官方开源了解释器和模 块的代码,从而使得所有使用 Python 的开发者都可以 参与到 Python 的性能改进之中,使得用户获得弥补漏 洞、提升代码健壮性的机会,同时也进一步保证了平台的可靠性和组件间互操作性 [8]。

　　目前一般使用 PyCharm 编写 Python 程序。PyCharm 是由捷克JetBrains 公司开发的一种 Python IDE 软件 (Integrated Development Environment)。PyCharm 包含了多种功能与工具去提高用户在 Python 开发中的 效率,旨在满足 Python 开发工作中的各种需求。通过 高级的代码分析程序, PyCharm 简化了 Python 编程 过程, 因此成为了 Python 专业开发者和入门者的有效 工具 [10]。

　　3 教学案例一：5G 基站定位仿真实验分析

　　5G 通 信 的 三 大 应 用 场 景, 包 括 增 强移 动 宽 带 (eMBB)、超高可靠低时延通信 (uRLLC) 和海量机器类 通信 (mMTC)[4]。其中 mMTC 主要面向智慧城市、智 能家居、环境监测等以传感和数据采集为目标的应用需 求,要求在 5G 移动通信网络中除了智能手机以外,还 可以允许更多的智能终端接入,并通过网络控制智能终 端,最终满足物联网通信的需求。然而海量传感器采集 的数据必须以其位置信息作为依托,才具有感知和使 用的价值。因此, 基于位置的服务(Location Based Services, LBS)成为支撑 5G 移动通信网络必不可少的 关键技术之一 [11]。

　　3.1 5G 基站定位

　　随着大规模天线阵列(massive MIMO, mMIMO) 技术和超密集组网(Ultra-Dense Network, UDN) 技术 在 5G 通信网络中的应用, 5G 基站高精度定位成为可能。 5G 基站定位普遍采用基于到达角(Angle of Arrival, AOA)的定位方法,利用估计多基站收发信号的到达角度, 构建定位系统,并实现对于目标的定位处理。mMIMO 技 术的应用可以利用波束赋形使得基站发射具有高指向性 的窄波束信号,使得对信号到达角的估计更为精确 ;而 UDN 技术可以将基站之间距离缩短至几百甚至几十米, 减小因为到达角估计误差所带来的影响。以 5G 基站定 位为教学案例可以使学生直观地体验到 5G 关键技术的 应用对手机定位能力带来的显著提升作用,增强学生对 5G 系统性能的整体认知。

　　3.2 AOA 定位相关仿真内容及结果

　　为了验证 mMIMO 和 UDN 对 AOA 定位性能的影 响,在不同天线数量以及不同基站密度的情况下设计了 仿真实验。

　　如图 1 所示是在实验基站数目和信噪比一定时, 考 虑不同天线数目的情况下对角度估计的影响。从图 1 中 可以看出随着天线数量的增加,角度误差在不断减小 ; 通过 Python 仿真,学生可以直观地发现当 mMIMO天线数量达到 64 后,其角度估计的误差均在 0.05°以 下,可以显著提高定位精度。

　　如图 2 所示是在不同基站个数和天线数目下的 AOA 定位 RMSE 对比。学生可以从图 2 中的观察发现,天线 数目一定时,随着基站个数地增加, AOA 定位 RMSE 在不断下降,这说明了基站之间 LOS 概率在不断提高, 因此由角度误差产生的距离误差范围也在不断缩小,定 位结果更接近于实际目标位置,且定位结果更加精确。

　　如图 3 所示是不同基站密度和天线数目下的 AOA 定 位 RMSE 对比。基站空间分布密度的部署根据 5G UDN 中基站密度部署为 103cell/km。即在 1000×1000m 的 空间布置了 1000 个基站进行仿真定位实验。此实相邻 基站之间的距离大约在十几米到几十米,设定在与目标定位和距离最近的 6 个基站进行定位解算。同时,为了 更加贴近实际情况时的定位情况,对 200、400、600 以 及 800 个基站条件下分别进行了定位仿真。通过仿真结 果, 学生可以看到 UDN 使单位面积内的基站数目急剧 增加,从而令 AOA 定位获得的 LOS 概率也随之提升, 进而对定位精度产生提高。

　　4 教学案例二：运动想象脑电信号分类系统仿真实验分析

　　伴随着人工智能的高速发展和 6G 移动通信网络的 不断研究,未来社会必将变成高度数字化和智能化的空 天地海全无线连接世界,而 6G 移动通信网络性能也将 在各个方面超越现在的 5G 移动通信系统,并成为实现 这一目标的关键推动力之一。人工智能在 6G 网络中的 广泛应用,会将移动通信网络以人为中心慢慢过渡到以 人和机器为中心,并提供包括语音、肢体、脑波信号在 内的多种智能终端通信与交互方式 [12]。

　　4.1 运动想象脑电信号分类系统

　　在多种智能终端通信中,脑波信号可以提取出标识 个人身份的唯一性的脑纹信号、判断个人运动意图的运 动想象脑电信号、刺激视觉和听觉判断思考意图的稳态 视觉诱发电位和 P300 脑电信号等。以运动想象脑电信 号的处理系统为教学案例可以提升学生形成对脑机接口 在智能终端通信应用的具象感知,同时提高学生对脑电 信号分类识别领域的实际动手能力 [13]。

　　教学案例采用经典的竞赛开源数据集 BCI2003 竞 赛的开源数据Ⅲ作为基本数据,该数据集选取了一位 25 岁的女性作为整个实验的受试者,并利用 10 ~ 20 轨迹标准导联系统规定的对运动想象脑波信号有敏感反 应的采集通道收集信号,该采集通道分别是 C3、Cz 和C4.该受试者需要放松地端坐在距离实验显示屏 2m 的 椅子上,通过观看显示屏上播放的向左或者向右的指示 箭头同步用大脑做出相应的想象动作。具体的实验范式 如图 4 所示。

　　整个实验严格按照图 4 的实验范式进行信号采集, 采样频率为 128Hz。实验以 9s 的实验作为一组,一共 进行了 7 轮实验,每轮进行 40 小组实验,每轮实验保 持运动想象左右手标识概率相等。在采集到基本脑波信 号后,利用 0.5Hz ~ 30Hz 的带通滤波器进行信号滤波 的预处理。

　　运动想象分类识别系统通过滤波器共空间模式 (Filter Bank Common Spatial Pattern, FBCSP) 进行 特征提取,将属于 8Hz ~ 48Hz 频段的脑波信号平均 分割成十个频段,随后将每个频段的信号矩阵利用共空 间算法 (Common Spatial Pattern, CSP) 对信号进行 对角化得到特征矩阵,使之得到的矩阵方差最大化。经 过特征提取后的每个特征矩阵组成总特征矩阵,并利用 K- 近邻法 (K-Nearest Neighbors, KNN) 对特征矩阵进 行运动想象二分类。为了降低运算复杂度,系统使用线 性判别分析 (Linear Discriminant Analysis, LDA) 算 法将高纬度的特征矩阵映射到低维度特征矩阵,使得分 类任务中同类的特征距离越小,它类之间的特征距离越 大,从而降低系统的复杂度,提升系统网络运算效率。

　　4.2 运动想象脑电信号分类系统仿真结果与分析

　　由于 Python 语言使用简单便捷,算法函数集成于 库,利用率高,所以选取 Python 语言实现运动想象脑 电信号分类仿真。其中在实现 FBCSP 算法、LDA 算法和 KNN 算法时,使用了算法集成封装库 NumPy 库、Torch 库和 Sklearn 库,引用库中的 LinearDiscriminantAnalysis 函数、KFold 函数和 csp.fit_transform 函数等, 不仅实 现 LDA+KNN 系统仿真,同时减少了代码行数,使得仿 真框架一目了然。如表 1 所示给出了 LDA+KNN 分类 识别系统的具体仿真结果。

　　表 1 描述了该系统在衡量分类优劣的四个分类标准 ：准确率、Kappa 系数、F1-score 和系统运行时间。由表 1 可知, 系统的准确率是 88.57%,Kappa 系数是 0.7714. F1-score 是 0.8806.这三点体现出该系统在脑波信号 分类识别系统分类方面的精确度高。同时 LDA+KNN 系统的运行时间是 2.1817s,系统运行时间较短,满足 分类系统的正常工作需求。

　　如图 5 所示为 LDA+KNN 系统的 ROC 曲线图。ROC 着重突出了样本数据预测正确与否的曲线趋势, LDA+ KNN 系统的 ROC 曲线能较为接近点(0. 1),即曲线 保持着良好的上凸特性。同时图 5 中 AUC 数值代表的 是 ROC 曲线下方的面积,即当面积越接近 1.越能体 现系统分类识别的优越性。LDA+KNN 系统的 AUC 数 值为 0.93.较好地体现了 LDA+KNN 运动想象分类识 别系统的完善程度。通过上述几个评估标准,大大提升 了学生对评判系统优劣的认知和对脑波信号进行智能终 端交互的理解。

　　5 结语

　　移动通信系统的教学存在理论性强、抽象度高、 功能服务多样化等问题,学生不易理解和接受。通过 Python 仿真软件在移动通信系统教学中的运用,可以 适应多样化功能服务仿真的要求,并且可以将抽象理论 知识转化为可视化仿真结果演示给学生。教学实践证 明, Python 仿真软件与移动通信系统教学的结合,可 以显著增强学生对于专业知识内容的理解,帮助学生更 好地了解移动通信系统技术现状和未来发展趋势。

　　参考文献

　　[1] 王晶. “新工科”背景下“移动通信”课程教学探索[J].工 业和信息化教育,2019.80(8):35-37+53.
　　[2] 章国安,朱晓军,金丽,等.移动通信课程教学模式改革研究与 实践[J].高教学刊,2017.67(19):138-140.
　　[3] 谢艳辉,张玉玲,王丽丽.以专业能力为导向的现代移动通信 课程体系优化探索[J].内江科技,2022.43(11):85-86.
　　[4] 杨启青.适应5G技术发展的《移动通信系统》课程的教学 研究[J].轻工科技,2021.37(8):150-151.
　　[5] 胡浪涛,杨瑞,刘全金.移动通信虚拟仿真实验课程建设和实 践[J].福建电脑,2022.38(5):122-124.
　　[6] 张黎,蔡亮,曹艳丽.移动通信系统实训课程的创新教学分析 [J].电子技术,2022.51(5):124-125.
　　[7] 张丽英,张岩,孙玉发.新工科背景下Python课程混合式教学模式的研究[J].计算机时代,2023.368(2):125-127.
　　[8] 王健,刘惠子.基于开源项目的Python程序设计课程混合式 教学模式设计[J].软件导刊,2023.22(2):166-171.
　　[9] 沈杰.基于Python的数据分析可视化研究与实现[J].科技资 讯,2023.21(2):14-17+54.
　　[10] 任夏荔.基于Python+PyECharts的数据可视化应用[J].山 西电子技术,2023(1):83-86.
　　[11] 赵存,肖子玉,韩研,等.面向5G的定位技术发展及融合演进 研究[J].电信工程技术与标准化,2022.35(7):77-82.
　　[12] 徐乙珅,徐瑞俊.6G移动通信的技术应用及发展前景[J].信 息记录材料,2021.22(12):35-36.
　　[13] 王行愚,金晶,张宇,等.脑控:基于脑-机接口的人机融合控制 [J]. 自动化学报,2013.39(3):208-221.
 
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！

文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/63584.html