CN112532548B - 一种信号优化方法及装置 - Google Patents
一种信号优化方法及装置 Download PDFInfo
- Publication number
- CN112532548B CN112532548B CN202011536530.XA CN202011536530A CN112532548B CN 112532548 B CN112532548 B CN 112532548B CN 202011536530 A CN202011536530 A CN 202011536530A CN 112532548 B CN112532548 B CN 112532548B
- Authority
- CN
- China
- Prior art keywords
- signal
- neural network
- convolutional neural
- training sample
- channel estimation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005457 optimization Methods 0.000 title claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 165
- 238000012545 processing Methods 0.000 claims abstract description 78
- 238000004891 communication Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 177
- 230000005540 biological transmission Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 125000004122 cyclic group Chemical group 0.000 claims description 9
- 238000000926 separation method Methods 0.000 claims description 8
- 230000003111 delayed effect Effects 0.000 claims description 4
- 230000001629 suppression Effects 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03165—Arrangements for removing intersymbol interference using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Noise Elimination (AREA)
Abstract
本发明实施例公开了一种信号优化方法，通过第一卷积神经网络和第二卷积神经网络对信号进行优化处理，第一卷积神经网络实现了对非线性干扰的抑制，降低了非线性干扰对信号的影响，第二卷积神经网络实现了对线性损失的弥补以及非线性干扰的抑制，这样进一步的处理了信号中包含的非线性干扰，也弥补了线性处理造成的损失，由此提升了信号的质量，提升了通信性能。
Description
技术领域
本发明涉及信号处理领域，尤其涉及一种信号优化方法及装置。
背景技术
目前5G技术在电力行业开始广泛应用，如发电/变电园区监测、输电线路巡检、用采信息上报、超低时延生产控制等。但是，在实际应用中发现，在变电园区或输电线路沿线等有较多电力辐射电磁场、电晕放电、高压开关操作的区域，这就使得信号的收发性能变差，严重影响通信的性能。
发明内容
有鉴于此，本发明实施例公开了一种信号优化方法，提升了信号的质量，提升了通信性能。
本发明实施例公开了一种信号优化方法，包括：
将第一信号输入到第一卷积神经网络中，得到第二信号；所述第一卷积神经网络是通过第一训练样本进行训练后得到的；所述第一训练样本包括：包含非线性干扰的信号和抑制了非线性干扰的信号；
对所述第二信号进行线性处理，得到第一信道估计信号；
将第一信道估计信号输入到第二卷积神经网络中，得到第二信道估计信号；所述第二卷积神经网络是通过第二训练样本进行训练后得到的；所述第二训练样本包括：经过线性处理且包含非线性干扰的信道估计信号以及抑制了非线性干扰且弥补了线性损失的信道估计信号。
可选的，还包括：
获取第三训练样本；所述第三训练样本包括：输入到第一卷积神经网络之前的第一信号和第一卷积神经网络输出的第二信号；
判断所述第三训练样本是否符合预设的训练条件；
在所述第三训练样本符合预设的训练条件的情况下，将所述输入到第一卷积神经网络之前的第一信号作为输入，将第一卷积神经网络输出的抑制了非线性干扰的第二信号作为输出对所述第一卷积神经网络进行训练。
可选的，还包括：
获取第四训练样本；所述第四训练样本包括第一信道估计信号和第二卷积神经网络输出的抑制了非线性干扰的第二信道估计信号；
判断所述第四训练样本是否符合预设的训练条件；
在所述第四训练样本符合预设的训练条件的情况下，将所述第一信道估计信号作为输入，将第二卷积神经网络输出的抑制了非线性干扰的第二信道估计信号作为输出，对所述第四卷积神经网络进行训练。
可选的，所述预设的训练条件包括：
当前信号对应的MAC媒体访问控制层发送传输的传输块数据为首次传输的数据，且数据在信道译码后的循环冗余校验为0。
可选的，还包括：
获取第五训练样本；所述第五训练样本包括：信号帧中GP保护间隔段包含的纯干扰信号和全0信号；所述纯干扰信号中包括非线性干扰；
将所述信号帧中的GP段包含的纯干扰信号标记输入，将所述全0信号标记为输出，对所述第一卷积神经网络进行训练。
可选的，所述纯干扰信号的获取方法包括：
当终端侧接收信号时，延迟一个符号关闭，并将接收的GP段中第一个OFDM符号数据作为纯干扰数据；
当基站侧接收信号时，提前一个符号接收，并将接收到的GP段的最后一个OFDM符号数据作为纯干扰数据。
可选的，所述对所述第二信号进行线性处理，得到第一信道估计信号，包括：
对所述第二信号进行信号分离处理，得到导频信号和业务数据信号；
对所述导频信号进行信道估计计算，得到初始信号估计信号；
对所述初始信道估计信号进行插值计算，得到第一信道估计信号。
本发明实施例公开了一种信号优化装置，包括：
第一非线性处理单元，用于将第一信号输入到第一卷积神经网络中，得到第二信号；所述第一卷积神经网络是通过第一训练样本进行训练后得到的；所述第一训练样本包括：包含非线性干扰的信号和抑制了非线性干扰的信号；
线性处理单元，用于对所述第二信号进行线性处理，得到第一信道估计信号；
第二非线性处理单元，用于将第一信道估计信号输入到第二卷积神经网络中，得到第二信道估计信号；所述第二卷积神经网络是通过第二训练样本进行训练后得到的；所述第二训练样本包括：经过线性处理且包含非线性干扰的信道估计信号以及抑制了非线性干扰且弥补了线性损失的信道估计信号。
本发明实施例公开了一种信号优化系统，包括：
线性处理模块、第一卷积神经网络模块和第二卷积神经网络模块；
所述第一卷积神经网络模块，用于对输入的第一信号进行处理，得到第二信号；所述第一卷积神经网络是通过第一训练样本进行训练后得到的；所述第一训练样本包括：包含非线性干扰的信号和抑制了非线性干扰的信号；
所述线性处理模块用于对所述第二信号进行处理，得到第一信道估计信号；
所述第二卷积神经网络模块，用于对所述第一信道估计信号进行处理；所述第二卷积神经网络为通过第二训练样本进行训练后得到的；所述第二训练样本包括：经过线性处理且包含非线性干扰的信道估计信号以及抑制了非线性干扰且弥补了线性损失的信道估计信号。
可选的，还包括：
IRC智能通信控制模块，用于：
获取第一卷积神经网络的第一训练样本，以及获取第二卷积神经网络的第二训练样本。
可选的，所述IRC智能通信控制模块还包括：
若所述IRC智能通信控制模块属于基站侧，则所述控制基站侧接收信号时，提前一个符号接收。
可选的，所述IRC智能通信控制模块还包括：
若所述IRC智能通信控制模块属于终端侧，则所述控制终端侧接收信号时，延迟一个符号关闭。
本发明实施例公开了一种信号优化方法，其中，通过第一卷积神经网络和第二卷积神经网络对信号进行优化处理，第一卷积神经网络实现了对非线性干扰的抑制，降低了非线性干扰对信号的影响，第二卷积神经网络实现了对线性损失的弥补以及非线性干扰的抑制，这样进一步的处理了信号中包含的非线性干扰，也弥补了线性处理造成的损失，由此提升了信号的质量，提升了通信性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1示出了现有技术中信号处理的流程；
图2示出了本发明实施例提供的一种信号优化方法的流程示意图；
图3示出了本发明实施例提供的一种信号结构的示意图；
图4示出了本发明实施例提供的一种信号优化的示意图；
图5示出了本发明实施例提供的一种对第一卷积神经网络进行训练的方法的流程示意图；
图6示出了本发明实施例提供的一种对第二卷积神经网络进行训练的方法的流程示意图；
图7示出了本发明实施例提供了一种对第一卷积神经网络进行训练的另一方法流程图；
图8示出了本发明实施例公开的一种信号优化装置的结构示意图；
图9示出了本发明实施例提供的一种信号优化系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
申请人经研究发现，在电力应用场景中5G无线通信链路性能下降，主要是当前5G通信模组里的信号处理机制，仅仅是考虑面向公网用户的普通应用，其处理过程如图1所示。也就是说当前信号的处理机制没有考虑到电力行业的特殊应用场景，对信号的处理仅仅是线性的处理，但是对于电力行业的通信，会有很多非线性干扰，例如：电磁干扰等，从而影响了通信性能。
参考图2，示出了本发明实施例提供的一种信号优化方法的流程示意图，在本实施例中，该方法包括：
S201：将第一信号输入到第一卷积神经网络中，得到第二信号；所述第一卷积神经网络是通过第一训练样本进行训练后得到的；所述第一训练样本包括：包含非线性干扰的信号和抑制了非线性干扰的信号；
本实施例中，第一卷积神经网络是经过训练后得到的，其中，第一卷积神经网络的训练样本是包含非线性干扰的信号和抑制了非线性干扰的信号，在对第一卷积神经网络进行训练时，将包含非线性干扰的信号标记为输入、抑制了非线性干扰的信号标记为输出。
其中，对第一卷积神经网络进行训练的训练样本可以包括如下几类：纯干扰信号和全零信号，其中，纯干扰信号中包括非线性干扰；存在非线性干扰的业务信号和抑制了非线性干扰的业务信号；存在非线性干扰的业务信号和完全无非线性干扰的业务信号。
由此可知，包含非线性干扰的信号可以为：纯干扰信号、存在非线性干扰的业务信号；抑制了非线性干扰的信号可以包括：全零信号、抑制了干扰的业务信号和完全无非线性干扰的业务信号。
其中，纯干扰信号为不包含业务数据的信号，只包含干扰的信号。
本实施例中，第一训练样本的获取方式包括多种，本实施例中不进行限定，优选的，对于纯干扰信号的获取方法可以包括：
对于终端侧：接收信号时，延迟一个符号关闭，并将接收的GP(英文全称：GuardPeriod,中文全称：保护间隔)中第一个OFDM符号数据作为纯干扰数据；
对于基站侧：接收信号时，提前一个符号接收，并将接收到的GP中的最后一个OFDM符号数据作为纯干扰数据。
上述接收到的纯干扰信号作为第一训练样本中包含干扰的信号。
需要知道的是，典型配置下，5ms的TDD帧结构如图3所示，其中包括7个下行时隙，1个特殊时隙，2个上行时隙；特殊时隙的14个OFDM符号，前面是下行部分，占6个符号，中间是GP，用于收发机的上下行切换，占4个符号，后面是上行部分，占4个符号长度。
其中，终端侧接收下行信号，下行信号在常规D时隙+特殊时隙Downlink部分发送，在GP段中基站下行没有发送信号，此时终端延后接收的数据为各种干扰信号，例如全时段的电磁干扰信号，远端干扰信号等。
其中，基站侧接收上行信号，上行信号在常规U时隙+特殊时隙的Uplink部分发送，在GP中，终端上行没有发送信号，此时基站提前接收的数据为各种干扰信号，如全时段的电磁干扰信号，远端干扰信号。
基于上述方式，可以获取到第一训练样本中的纯干扰信号。
除此之外，第一卷积神经网络的初始参数，可以通过仿真模拟的方式确定，模型仿真训练时，可以将获取到的包含干扰的信号作为输入层信号，将抑制了干扰的信号作为输出层信号，以此对第一卷积神经网络进行训练，得到第一卷积神经网络的初始参数。
本实施例中，接收机接收到的信号为时域信号，需要对时域信号进行时频变换，并将信号经过时频变换后发送给第一卷积神经网络。由此,第一信号可以是经过时频变换后得到的信号。
S202：对所述第二信号进行线性处理，得到第一信道估计信号；
其中，对第二信号进行线性处理的方法包括很多，本实施例中不进行限定，优选的，可以包括：
将该第二信号进行信号分离处理，得到导频信号和业务数据信号
对所述导频信号进行信道估计计算，得到初始信号估计信号；
对所述初始信道估计信号进行插值计算，得到第一信道估计信号。
S204：将第一信道估计信号输入到第二卷积神经网络中，得到第二信道估计信号；所述第二卷积神经网络是通过第二训练样本进行训练后得到的；所述第二训练样本包括：经过线性处理且包含非线性干扰的信道估计信号以及抑制了非线性干扰且弥补了线性损失的信道估计信号。
本实施例中，第二卷积神经网络是经过训练后得到的，其中，第二卷积神经网络的第二训练样本为经过线性处理且包含非线性干扰的信道估计信号以及抑制了非线性干扰且弥补了线性损失的信道估计信号，在对卷积神经网络进行训练时，将经过线性处理且包含非线性干扰的信道估计信号标记为输入、抑制了非线性干扰且弥补了线性损失的信道估计信号标记为输出。
本实施例中，在对信号进行线性处理的过程中，会产生一些损失，例如在对信号进行插值处理时，会带来插值损失。
进一步的，所述第二训练样本包括：经过插值处理且包含非线性干扰的信道估计信号以及抑制了非线性干扰且弥补了插值损失的信道估计信号。
其中，第二训练样本中，抑制了非线性且弥补了线性损失的信道估计信号包括两种类别：不包含非线性干扰且不存在线性损失的信道估计信号，或者经过噪声处理以及线性损失弥补处理后的信道估计信号。
本实施例中，通过第一卷积神经网络和第二卷积神经网络对信号进行优化处理，第一卷积神经网络实现了对非线性干扰的抑制，降低了非线性干扰对信号的影响，第二卷积神经网络实现了对线性损失的弥补以及非线性干扰的抑制，这样进一步的处理了信号中包含的非线性干扰，也弥补了线性处理造成的损失，由此提升了信号的质量，提升了通信性能。
举例说明：针对图1中的信号处理流程，对本发明提供的信号优化方法进行解释，参考图4示出了本发明实施例提供的一种信号优化方法的另一流程示意图，该方法包括：
无线收发机接收到基带信号后，将基带信号发送给基带接收模块，基带接收模块将时域信号转换为频域信号，然后再经过第一卷积神经网络(CNN1)进行处理，对第一卷积神经网络输出后的信号进行信号分离处理，得到导频信号和业务数据；将导频信号通过LS算法(英文全称：Least Square，中文全称：最小二乘法)进行处理，得到原始信道估计信号，并对原始信道估计信号进行插值处理，将插值处理后的信道估计信号输入到第二卷积神经网络中，将第二卷积神经网络输出的信道估计信号和业务数据进行均衡处理，然后对均衡后得到的信号进行解调和译码。
除此之外，本实施例中，还包括智能通信控制功能，该功能是通过IRC(英文全称：Intelligent Radio Control，中文全称：智能通信控制)模块实现的，通过该IRC模块可以实现如下的功能：
配置第一卷积神经网络与第二卷积神经网络的结构，包括层数、类型、各层大小；周期性更新训练第一卷积神经网络和第二卷积神经网络的参数、并将这些参数更新配置给第一卷积神经网络和第二卷积神经网络模块进行计算使用；
除此之外，若所述IRC智能通信控制模块属于基站侧，还可以控制基站侧接收信号时，提前一个符号接收；若所述IRC智能通信控制模块属于终端侧，控制终端侧接收信号时，延迟一个符号关闭。
进一步的，为了得到抑制效果更好的信号，需要不断的对第一卷积神经网络进行优化，本实施例中，在对信号优化的过程中，通过获取非线性干扰处理之前的信号和非线性干扰处理之后的信号对第一卷积神经网络进行优化，具体的，参考图5，示出了本发明实施例提供的一种对第一卷积神经网络进行训练的方法的流程示意图，本实施例中，包括：
S501：获取第三训练样本；所述第三训练样本包括：输入到第一卷积神经网络之前第一信号和第一卷积神经网络输出的第二信号；
S502：判断第三训练样本是否符合预设的训练条件；
本实施例中，为了提升第一卷积神经网络训练的质量，对于质量不好的训练样本需要丢弃，选择质量好的训练样本。
其中，预设的训练条件为：当前信号对应的MAC媒体访问控制层发送传输的传输块数据为首次传输的数据，且数据在信道译码后的循环冗余校验为0。
需要知道的是，信号在传输过程中，可能会出现信号传输错误，在此情况下，可以通过HARQ(英文全称：Hybrid Automatic Repeat reQuest，中文全称：混合自动重传请求)技术，对信号的数据进行重传，在信号处理的过程中会对重传的数据和之前传错的数据一同进行处理。在该情况下，处理的信号为数据叠加后的，且得到的处理结果也是数据叠加后的，数据叠加后的信号无法反应单次传输的真实信号的情况，会影响对非线性干扰的处理。基于此，为了进一步提升训练的质量，只选择信号输出结果比较好的，例如信号译码后的循环冗余校验为0。
因此，为了保障训练样本的质量，只筛选当前信号对应的MAC媒体访问控制层发送传输的传输块数据(英文全称：Transport Block英文简称：TB)为首次传输的数据，且数据在信道译码后的循环冗余校验为0，对于不符合预设训练条件的信号则丢弃。
S503:在所述第三训练样本符合训练条件的情况下，将所述输入到第一卷积神经网络之前第一信号作为输入，将第一卷积神经网络输出的第二信号作为输出对所述第一卷积神经网络进行训练。
本实施例中，通过获取非线性干扰处理之前的信号和非线性干扰处理之后的信号对第一卷积神经网络进行优化，得到了能够更加有效抑制非线性干扰的第一卷积神经网络。
进一步的，为了得到非线性干扰抑制效果更好、且插值损失弥补更好的信号，需要不断的对第一卷积神经网络进行优化，具体的，参考图6，示出了本发明实施例提供的一种对第二卷积神经网络进行训练的方法的流程示意图，本实施例中，包括：
S601：获取第四训练样本；所述第四训练样本包括第一信道估计信号和第二卷积神经网络输出的抑制了非线性干扰的第二信道估计信号；
S602：判断所述第四训练样本是否符合预设的训练条件；
本实施例中，为了提升第二卷积神经网络训练的质量，对于质量不好的训练样本需要丢弃，选择质量好的训练样本。
其中，预设的训练条件为：当前信号对应的MAC媒体访问控制层发送传输的传输块数据为首次传输的数据，且数据在信道译码后的循环冗余校验为0。
需要知道的是，信号在传输过程中，可能会出现信号传输错误，在此情况下，可以通过HARQ(英文全称：Hybrid Automatic Repeat reQuest，中文全称：混合自动重传请求)技术，对信号的数据进行重传，在信号处理的过程中会对重传的数据和之前传错的数据一同进行处理。在该情况下，处理的信号为数据叠加后的，且得到的处理结果也是数据叠加后的，数据叠加后的信号无法反应单次传输的真实信号的情况，会影响对非线性干扰的处理。基于此，为了进一步提升训练的质量，只选择信号输出结果比较好的，例如信号译码后的循环冗余校验为0。
因此，为了保障训练样本的质量，只筛选当前信号对应的MAC媒体访问控制层发送传输的传输块数据为首次传输的数据，且数据在信道译码后的循环冗余校验为0，对于不符合预设训练条件的信号则丢弃。
S603：在所述第四训练样本符合预设的训练条件的情况下，将所述第一信道估计信号作为输入，将第二卷积神经网络输出的抑制了非线性干扰的第二信道估计信号作为输出，对所述第四卷积神经网络进行训练。
本实施例中，通过获取插值处理之后得到的第一信号估计信号和第二卷积神经网络输出的抑制了干扰的第二信道估计信号对第二卷积神经网络进行优化，得到了能够更加有效抑制非线性干扰、且更好弥补插值损失的第二卷积神经网络。
本实施例中，为了获取非线性干扰的特性，从而得到抑制非线性干扰较好的第一卷积神经网络，本实施例中，可以采用纯干扰的信号和全零信号对第一卷积神经网络进行训练，具体的，参考图7，示出了本发明实施例提供了一种对第一卷积神经网络进行训练的另一方法流程图，在本实施例中，该方法包括：
S701：获取第五训练样本；所述第五训练样本包括：信号帧中GP保护间隔段中包含的纯干扰信号和全0信号；所述纯干扰信号中包括非线性干扰；
S702：将所述信号帧中的GP段包含的纯干扰信号标记输入，将所述全0信号标记为输出，对所述第一卷积神经网络进行训练。
优选的，对于纯干扰信号的获取方法可以包括：
对于终端侧：接收信号时，延迟一个符号关闭，并将接收的GP中第一个OFDM符号数据作为纯干扰数据；
对于基站侧：接收信号时，提前一个符号接收，并将接收到的GP中的最后一个OFDM符号数据作为纯干扰数据。
上述接收到的纯干扰信号作为第一训练样本中包含干扰的信号。
需要知道的是，典型配置下，5ms的TDD帧结构如图2所示，其中包括7个下行时隙，1个特殊时隙，2个上行时隙；特殊时隙的14个OFDM符号，前面是下行部分，占6个符号，中间是GP保护间隔，用于收发机的上下行切换，占4个符号，后面是上行部分，占4个符号长度。
其中，终端侧接收下行信号，下行信号在常规D时隙+特殊时隙Downlink部分发送，在GP中基站下行没有发送信号，此时终端延后接收的数据为各种干扰信号，例如全时段的电磁干扰信号，远端干扰信号等。
其中，基站侧接收上行信号，上行信号在常规U时隙+特殊时隙的Uplink部分发送，在GP中，终端上行没有发送信号，此时基站提前接收的数据为各种干扰信号，如全时段的电磁干扰信号，远端干扰信号。
基于上述方式，可以获取到第一训练样本中的纯干扰信号。
本实施例中，通过纯干扰的信号和全零信号对第一卷积神经网络进行训练，从而能够更加了解非线性干扰的特性，进而得到能够更加有效抑制非线性干扰的第一卷积神经网络。
参考图8，示出了本发明实施例公开的一种信号优化装置的结构示意图，在本实施例中，该装置包括：
第一非线性处理单元801，用于将第一信号输入到第一卷积神经网络中，得到第二信号；所述第一卷积神经网络是通过第一训练样本进行训练后得到的；所述第一训练样本包括：包含非线性干扰的信号和抑制了非线性干扰的信号；
线性处理单元802，用于对所述第二信号进行线性处理，得到第一信道估计信号；
第二非线性处理单元804，用于将第一信道估计信号输入到第二卷积神经网络中，得到第二信道估计信号；所述第二卷积神经网络是通过第二训练样本进行训练后得到的；所述第二训练样本包括：经过线性处理且包含非线性干扰的信道估计信号以及抑制了非线性干扰且弥补了线性损失的信道估计信号。
可选的，还包括：
第一卷积神经网络优化单元，用于：
获取第三训练样本；所述第三训练样本包括：输入到第一卷积神经网络之前的第一信号和第一卷积神经网络输出的第二信号；
判断所述第三训练样本是否符合预设的训练条件；
在所述第三训练样本符合预设的训练条件的情况下，将所述输入到第一卷积神经网络之前的第一信号作为输入，将第一卷积神经网络输出的抑制了非线性干扰的第二信号作为输出对所述第一卷积神经网络进行训练。
可选的，还包括：
第二卷积神经网络优化单元，用于
获取第四训练样本；所述第四训练样本包括第一信道估计信号和第二卷积神经网络输出的抑制了非线性干扰的第二信道估计信号；
判断所述第四训练样本是否符合预设的训练条件；
在所述第四训练样本符合预设的训练条件的情况下，将所述第一信道估计信号作为输入，将第二卷积神经网络输出的抑制了非线性干扰的第二信道估计信号作为输出，对所述第四卷积神经网络进行训练。
可选的，所述预设的训练条件包括：
当前信号对应的MAC媒体访问控制层发送传输的传输块数据为首次传输的数据，且数据在信道译码后的循环冗余校验为0。
可选的，还包括：
第一卷积神经网络训练单元，用于
获取第五训练样本；所述第五训练样本包括：信号帧中GP段包含的纯干扰信号和全0信号；所述纯干扰信号中包括非线性干扰；
将所述信号帧中的GP段包含的纯干扰信号标记输入，将所述全0信号标记为输出，对所述第一卷积神经网络进行训练。
可选的，还包括：纯干扰信号获取模块，所述纯干扰信号获取模块包括：
第一纯干扰信号获取子模块，用于当终端侧接收信号时，延迟一个符号关闭，并将接收的GP中第一个OFDM符号数据作为纯干扰数据；
第二纯干扰信号获取子模块，用于当基站侧接收信号时，提前一个符号接收，并将接收到的GP中的最后一个OFDM符号数据作为纯干扰数据。
可选的，所述线性处理单元，包括：
信号分离单元，用于对所述第二信号进行信号分离处理，得到导频信号和业务数据信号；
初始信道估计单元，用于对所述导频信号进行信道估计计算，得到初始信号估计信号；
插值单元，用于对所述初始信道估计信号进行插值计算，得到第一信道估计信号。
本实施例的装置，通过第一卷积神经网络和第二卷积神经网络对信号进行优化处理，第一卷积神经网络实现了对非线性干扰的抑制，降低了非线性干扰对信号的影响，第二卷积神经网络实现了对线性损失的弥补以及非线性干扰的抑制，这样进一步的处理了信号中包含的非线性干扰，也弥补了线性处理造成的损失，由此提升了信号的质量，提升了通信性能。
参考图9，示出了本发明实施例提供的一种信号优化系统的结构示意图，在本实施例中，该系统包括：
线性处理模块901、第一卷积神经网络模块902和第二卷积神经网络模块903；
所述第一卷积神经网络模块，用于对输入的第一信号进行处理；所述第一卷积神经网络是通过第一训练样本进行训练后得到的；所述第一训练样本包括：包含非线性干扰的信号和抑制了非线性干扰的信号；
线性处理模块，用于对所述第二信号进行线性处理，得到第一信道估计信号；
所述第二卷积神经网络模块，用于将第一信道估计信号输入到第二卷积神经网络中，得到第二信道估计信号；所述第二卷积神经网络是通过第二训练样本进行训练后得到的；所述第二训练样本包括：经过线性处理且包含非线性干扰的信道估计信号以及抑制了非线性干扰且弥补了线性损失的信道估计信号。
其中，线性处理模块，用于对所述第二信号进行线性处理，得到第一信道估计信号时，的处理过程包括：信号分离、LS算法处理、插值处理。
除此之外，线性处理模块的处理过程还包括：
时频变换、均衡滤波、解调处理和译码处理。
其中，第一卷积神经网络的处理过程设置于频域转换之后和信号分离之前；第二卷积神经网络的处理过程可以设置在插值处理之后和均衡滤波之前。
可选的，还包括：
IRC智能通信控制模块，用于：
获取第一卷积神经网络的第一训练样本，以及获取第二卷积神经网络的第二训练样本。
IRC的功能还包括配置第一卷积神经网络与第二卷积神经网络的结构，包括层数、类型、各层大小等。
IRC的功能还包括周期性更新训练第一卷积神经网络和第二卷积神经网络的参数、并将这些参数更新配置给第一卷积神经网络和第二卷积神经网络模块进行计算使用。
可选的，所述IRC智能通信控制模块还包括：
若所述IRC智能通信控制模块属于基站侧，则所述控制基站侧接收信号时，提前一个符号接收。
可选的，所述IRC智能通信控制模块还包括：
若所述IRC智能通信控制模块属于终端侧，则所述控制终端侧接收信号时，延迟一个符号关闭。
本实施例的系统，通过第一卷积神经网络和第二卷积神经网络对信号进行优化处理，第一卷积神经网络实现了对非线性干扰的抑制，降低了非线性干扰对信号的影响，第二卷积神经网络实现了对插值损失的弥补以及非线性干扰的抑制，这样进一步的处理了信号中包含的非线性干扰，也弥补了插值处理造成的损失，由此提升了信号的质量，提升了通信性能。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (11)
1.一种信号优化方法，其特征在于，包括：
将第一信号输入到第一卷积神经网络中，得到第二信号；所述第一卷积神经网络是通过第一训练样本进行训练后得到的；所述第一训练样本包括：包含非线性干扰的信号和抑制了非线性干扰的信号；
对所述第二信号进行线性处理，得到第一信道估计信号；
将第一信道估计信号输入到第二卷积神经网络中，得到第二信道估计信号；所述第二卷积神经网络是通过第二训练样本进行训练后得到的；所述第二训练样本包括：经过线性处理且包含非线性干扰的信道估计信号以及抑制了非线性干扰且弥补了线性损失的信道估计信号；
其中，还包括：
获取第三训练样本；所述第三训练样本包括：输入到第一卷积神经网络之前的第一信号和第一卷积神经网络输出的第二信号；
判断所述第三训练样本是否符合预设的训练条件；
在所述第三训练样本符合预设的训练条件的情况下，将所述输入到第一卷积神经网络之前的第一信号作为输入，将第一卷积神经网络输出的抑制了非线性干扰的第二信号作为输出对所述第一卷积神经网络进行训练。
2.根据权利要求1所述的方法，其特征在于，还包括：
获取第四训练样本；所述第四训练样本包括第一信道估计信号和第二卷积神经网络输出的抑制了非线性干扰的第二信道估计信号；
判断所述第四训练样本是否符合预设的训练条件；
在所述第四训练样本符合预设的训练条件的情况下，将所述第一信道估计信号作为输入，将第二卷积神经网络输出的抑制了非线性干扰的第二信道估计信号作为输出，对所述第二卷积神经网络进行训练。
3.根据权利要求1或2所述方法，其特征在于，所述预设的训练条件包括：
当前信号对应的MAC媒体访问控制层发送传输的传输块数据为首次传输的数据，且数据在信道译码后的循环冗余校验为0。
4.根据权利要求1所述的方法，其特征在于，还包括：
获取第五训练样本；所述第五训练样本包括：信号帧中GP保护间隔段包含的纯干扰信号和全0信号；所述纯干扰信号中包括非线性干扰；
将所述信号帧中的GP段包含的纯干扰信号标记输入，将所述全0信号标记为输出，对所述第一卷积神经网络进行训练。
5.根据权利要求4所述的方法，其特征在于，所述纯干扰信号的获取方法包括：
当终端侧接收信号时，延迟一个符号关闭，并将接收的GP段中第一个OFDM符号数据作为纯干扰数据；
当基站侧接收信号时，提前一个符号接收，并将接收到的GP段的最后一个OFDM符号数据作为纯干扰数据。
6.根据权利要求1所述的方法，其特征在于，所述对所述第二信号进行线性处理，得到第一信道估计信号，包括：
对所述第二信号进行信号分离处理，得到导频信号和业务数据信号；
对所述导频信号进行信道估计计算，得到初始信道估计信号；
对所述初始信道估计信号进行插值计算，得到第一信道估计信号。
7.一种信号优化装置，其特征在于，包括：
第一非线性处理单元，用于将第一信号输入到第一卷积神经网络中，得到第二信号；所述第一卷积神经网络是通过第一训练样本进行训练后得到的；所述第一训练样本包括：包含非线性干扰的信号和抑制了非线性干扰的信号；
线性处理单元，用于对所述第二信号进行线性处理，得到第一信道估计信号；
第二非线性处理单元，用于将第一信道估计信号输入到第二卷积神经网络中，得到第二信道估计信号；所述第二卷积神经网络是通过第二训练样本进行训练后得到的；所述第二训练样本包括：经过线性处理且包含非线性干扰的信道估计信号以及抑制了非线性干扰且弥补了线性损失的信道估计信号；
还包括：获取第三训练样本；所述第三训练样本包括：输入到第一卷积神经网络之前的第一信号和第一卷积神经网络输出的第二信号；判断所述第三训练样本是否符合预设的训练条件；在所述第三训练样本符合预设的训练条件的情况下，将所述输入到第一卷积神经网络之前的第一信号作为输入，将第一卷积神经网络输出的抑制了非线性干扰的第二信号作为输出对所述第一卷积神经网络进行训练。
8.一种信号优化系统，其特征在于，包括：
线性处理模块、第一卷积神经网络模块和第二卷积神经网络模块；
所述第一卷积神经网络模块，用于对输入的第一信号进行处理，得到第二信号；所述第一卷积神经网络是通过第一训练样本进行训练后得到的；所述第一训练样本包括：包含非线性干扰的信号和抑制了非线性干扰的信号；还包括：获取第三训练样本；所述第三训练样本包括：输入到第一卷积神经网络之前的第一信号和第一卷积神经网络输出的第二信号；判断所述第三训练样本是否符合预设的训练条件；在所述第三训练样本符合预设的训练条件的情况下，将所述输入到第一卷积神经网络之前的第一信号作为输入，将第一卷积神经网络输出的抑制了非线性干扰的第二信号作为输出对所述第一卷积神经网络进行训练；
所述线性处理模块用于对所述第二信号进行处理，得到第一信道估计信号；
所述第二卷积神经网络模块，用于对所述第一信道估计信号进行处理；所述第二卷积神经网络为通过第二训练样本进行训练后得到的；所述第二训练样本包括：经过线性处理且包含非线性干扰的信道估计信号以及抑制了非线性干扰且弥补了线性损失的信道估计信号。
9.根据权利要求8所述的系统，其特征在于，还包括：
IRC智能通信控制模块，用于：
获取第一卷积神经网络的第一训练样本，以及获取第二卷积神经网络的第二训练样本。
10.根据权利要求9所述的系统，其特征在于，所述IRC智能通信控制模块还包括：
若所述IRC智能通信控制模块属于基站侧，则控制所述基站侧接收信号时，提前一个符号接收。
11.根据权利要求9所述的系统，其特征在于，所述IRC智能通信控制模块还包括：
若所述IRC智能通信控制模块属于终端侧，则控制所述终端侧接收信号时，延迟一个符号关闭。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011536530.XA CN112532548B (zh) | 2020-12-23 | 2020-12-23 | 一种信号优化方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011536530.XA CN112532548B (zh) | 2020-12-23 | 2020-12-23 | 一种信号优化方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112532548A CN112532548A (zh) | 2021-03-19 |
| CN112532548B true CN112532548B (zh) | 2024-02-27 |
Family
ID=74976546
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011536530.XA Active CN112532548B (zh) | 2020-12-23 | 2020-12-23 | 一种信号优化方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112532548B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220239510A1 (en) * | 2021-01-25 | 2022-07-28 | Marvell Asia Pte Ltd | Ethernet physical layer transceiver with non-linear neural network equalizers |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108599880A (zh) * | 2018-03-26 | 2018-09-28 | 西安电子科技大学 | 基于卷积神经网络的民航地空对讲系统干扰预警方法 |
| CN108599809A (zh) * | 2018-03-14 | 2018-09-28 | 中国信息通信研究院 | 全双工自干扰信号数字消除方法及装置 |
| CN108650201A (zh) * | 2018-05-10 | 2018-10-12 | 东南大学 | 基于神经网络的信道均衡方法、译码方法及对应设备 |
| CN109921822A (zh) * | 2019-02-19 | 2019-06-21 | 哈尔滨工程大学 | 基于深度学习的非线性数字自干扰消除的方法 |
| CN110717405A (zh) * | 2019-09-17 | 2020-01-21 | 平安科技（深圳）有限公司 | 人脸特征点定位方法、装置、介质及电子设备 |
| US10581469B1 (en) * | 2017-04-17 | 2020-03-03 | DeepSig Inc. | Machine learning-based nonlinear pre-distortion system |
| CN111200470A (zh) * | 2020-01-10 | 2020-05-26 | 东南大学 | 一种适用于受非线性干扰的高阶调制信号传输控制方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7969857B2 (en) * | 2003-08-07 | 2011-06-28 | Nortel Networks Limited | OFDM system and method employing OFDM symbols with known or information-containing prefixes |
| RU2631667C2 (ru) * | 2013-05-22 | 2017-09-26 | Телефонактиеболагет Л М Эрикссон (Пабл) | Подавление интерференции сигналов в беспроводной сети |
| US20160071009A1 (en) * | 2014-09-10 | 2016-03-10 | Qualcomm Incorporated | Methods and Systems for Banked Radial Basis Function Neural Network Based Non-Linear Interference Management for Multi-Technology Communication Devices |
| US20160072543A1 (en) * | 2014-09-10 | 2016-03-10 | Qualcomm Incorporated | Methods and Systems for Multi-Model, Multi-Layer Perceptron Based Non-Linear Interference Management in Multi-Technology Communication Devices |
-
2020
- 2020-12-23 CN CN202011536530.XA patent/CN112532548B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10581469B1 (en) * | 2017-04-17 | 2020-03-03 | DeepSig Inc. | Machine learning-based nonlinear pre-distortion system |
| CN108599809A (zh) * | 2018-03-14 | 2018-09-28 | 中国信息通信研究院 | 全双工自干扰信号数字消除方法及装置 |
| CN108599880A (zh) * | 2018-03-26 | 2018-09-28 | 西安电子科技大学 | 基于卷积神经网络的民航地空对讲系统干扰预警方法 |
| CN108650201A (zh) * | 2018-05-10 | 2018-10-12 | 东南大学 | 基于神经网络的信道均衡方法、译码方法及对应设备 |
| CN109921822A (zh) * | 2019-02-19 | 2019-06-21 | 哈尔滨工程大学 | 基于深度学习的非线性数字自干扰消除的方法 |
| CN110717405A (zh) * | 2019-09-17 | 2020-01-21 | 平安科技（深圳）有限公司 | 人脸特征点定位方法、装置、介质及电子设备 |
| CN111200470A (zh) * | 2020-01-10 | 2020-05-26 | 东南大学 | 一种适用于受非线性干扰的高阶调制信号传输控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于神经网络的OFDM信道补偿与信号检测;刘步花;丁丹;杨柳;;北京航空航天大学学报(07);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112532548A (zh) | 2021-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101059276B1 (ko) | Ｏｆｄｍ 시스템에 있어서의 채널 추정기 | |
| JP4150591B2 (ja) | 可変の基準パターンを抽出する方法 | |
| US7688907B2 (en) | Method for channel estimation in orthogonal frequency division multiplexing system and device thereof | |
| EP2787703B1 (en) | Downlink channel estimation method and system, and mobile terminal | |
| US9780915B2 (en) | Method and system of cyclic prefix overhead reduction for enabling cancellation of inter-symbol and inter-carrier interferences in OFDM wireless communication networks | |
| KR101047369B1 (ko) | 입력 노이즈 백색화필터의 적응형 동작에 의해 수신 신호를필터링하는 장치 및 관련 방법 | |
| CN106685867B (zh) | 一种lte分布式中继系统中具有自适应噪声门限的上行噪声抑制方法 | |
| US20080151985A1 (en) | Network-assisted bts receiver performance optimization | |
| Miah et al. | Performance comparison of AWGN, flat fading and frequency selective fading channel for wireless communication system using 4QPSK | |
| KR101220717B1 (ko) | 채널 이퀄라이제이션을 위한 방법 및 시스템 | |
| Korki et al. | Block-sparse impulsive noise reduction in OFDM systems—A novel iterative Bayesian approach | |
| US8737309B2 (en) | Data packet transmission process based on a HARQ scheme for minimizing transmission power | |
| CN112532548B (zh) | 一种信号优化方法及装置 | |
| US20220311584A1 (en) | RF Adaptive Diversity and Method for Maximizing Capacity in A Wireless Transmission | |
| KR100931118B1 (ko) | 등화 제어를 위한 방법 및 장치 | |
| US6947449B2 (en) | Apparatus, and associated method, for communication system exhibiting time-varying communication conditions | |
| KR20070058271A (ko) | 직교 주파수 분할 다중 접속 시스템의 수신기에서 인접 셀간섭 신호를 제거하는 방법 및 장치 | |
| CN1350406A (zh) | 块形联合解码均衡器 | |
| JP2014187418A (ja) | 受信機および受信方法 | |
| Lopez et al. | Measurement and prediction of turbo-SIC receiver performance for LTE | |
| KR101932991B1 (ko) | 무선 통신 시스템에서 신호 수신 장치 및 방법 | |
| CN102281224B (zh) | Ofdm接收机及其实现方法 | |
| Polgar et al. | OFDM Transceiver with Adaptive Modulation Implemented in GNU Radio | |
| US6999539B2 (en) | Linear derivative equalizer, and associated method, for a radio communication system | |
| CN101764769B (zh) | 基于lra算法的信道均衡方法及无线通信系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |