CN108566257A - 一种基于反向传播神经网络的信号恢复方法 - Google Patents

Abstract

本发明公开了一种基于反向传播神经网络的信号恢复方法，包括以下步骤：S1.获取未知信道中，信号发送端的插入导频信息和信号接收端的接收导频信息，并据此构建训练样本集；S2.建立由输入层、隐含层和输出层构成的反向传播神经网络模型；S3.将训练样本集中的各组样本信息依次输入反向传播神经网络模型进行训练，得到训练成熟的反向传播神经网络模型；S4.信号接收端从未知信道中接收信号，输入到训练成熟的反向传播神经网络模型中，恢复出信号发射端发送的原始信号。本发明能够根据信号接收端从未知信道中的接收信号，恢复出信号发射端发送的原始信号，避免未知信道带来的信号失真，提高了信号传输的准确性和稳定性。

Description

一种基于反向传播神经网络的信号恢复方法

技术领域

本发明涉及无线通信领域，特别是涉及一种基于反向传播神经网络的信号恢复方法。

背景技术

在基于物理信道特性的安全通信模型中，信道信息是关键点，因此，更准确的信道信息能够恢复更准确的信息信号，理论上，给定完美的信道信息(CSI)，发射机可以执行更合理的安全编码和其他先进的信号处理技术，以确保安全性；通常情况下在物理信道特性的安全通信模型中信道估计过程假设是完美的。然而实际的信道估计存在估计误差，高的信道估计误差严重影响接收信号的准确性。

因此，信道估计对于物理信道的通信安全非常重要，神经网络是学习，反馈和追踪的强大工具；特别地，神经网络可以在信道估计故障情况下恢复信道信息，为传输信号的准确率，因此神经网络在信道估计过程中有着广泛的应用；但是，目前信道建模中所利用的神经网络主要是实值神经网络，与实际信道之间存在着较大的差异，不利于信道信息的准确估计，在实际应用中还存在着一些不足。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于反向传播神经网络的信号恢复方法，能够根据信号接收端从未知信道中的接收信号，恢复出信号发射端发送的原始信号，避免未知信道带来的信号失真，提高了信号传输的准确性和稳定性。

本发明的目的是通过以下技术方案来实现的：一种基于反向传播神经网络的信号恢复方法，包括以下步骤：

S1.获取未知信道中，信号发送端的插入导频信息和信号接收端的接收导频信息，并据此构建训练样本集；

S2.建立由输入层、隐含层和输出层构成的反向传播神经网络模型；

S3.将训练样本集中的各组样本信息依次输入反向传播神经网络模型进行训练，得到训练成熟的反向传播神经网络模型；

S4.信号接收端从未知信道中接收信号，输入到训练成熟的反向传播神经网络模型中，恢复出信号发射端发送的原始信号。

其中，所述步骤S1包括以下子步骤：

在未知信道的信息发送端依次插入导频信号其中，C^N表示N维复值向量；

在未知信道的信息接收端提取对应的接收导频信号Z₁,Z₂,...,Z_q,...,Z_T；其中，Z_q∈C^M,q＝1,2,3,...,T；C^M表示M维复值向量；

将每一个接收导频信号Z_q与对应的插入导频信号作为一组样本数据 构建信号接收端到信号发射端的训练样本集

其中，所述步骤S2包括以下子步骤：

S201.建立由输入层、隐含层和输出层构成的反向传播神经网络模型：输入层包含M个神经元节点，隐含层包含L个神经元节点，输出层包括N个神经元节点,所述隐含层的激活函数为f_a(z)＝e^z；

S202.建立连接输入层和隐含层的权重矩阵V⁰：

建立连接隐含层和输出层的权重矩阵V¹：

建立隐含层各个神经元的偏置向量b：

b＝[b₁,...b_L]^T；

设反向传播神经网络模型输入z_i,i＝1,2,...,M；其中i表示输入层中第i个神经元的输入；则反向神经网络模型输出y_k为：

其中，k表示输出层中第k个神经元的输出；表示隐含层中第l个神经元得到的输出值：

即

其中，所述步骤S3包括以下子步骤：

S301.依次提取训练样本集中的各组样本数据作为训练数据；

S302.将当前训练数据中的接收导频信号输入反向传播神经网络模型，计算反向传播神经网络模型的输出信号，并计算输出信号与插入导频信号的均方误差；具体地，所述步骤S302包括：

将当前训练数据中接收导频信号的M维复值与反向传播神经网络模型输入层的M个神经元一一对应，进行信号输入，由反向传播神经网络模型计算输出信号：设输入层中第i个神经元的输入为z_i,i＝1,2,...,M；则输出层中第k个神经元的输出为：

式中，

计算反向传播神经网络模型输出信号与当前训练数据中插入导频信号的均方误差E：

式中， 表示当前训练数据中插入导频信号的第k维数据，y_k表示反向传播神经网络模型输出层中第k个神经元的输出。

S303.判断均方误差是否小于预设阈值，若是，训练完成，得到成熟的反向传播神经网络模型；若否，进入步骤S304；

S304.利用梯度下降学习算法,对反向传播神经网络模型的权值矩阵和偏置矩阵进行更新；具体地，所述步骤S304包括以下步骤：

计算输入层与隐含层的权重矩阵增量隐含层与输出层的权重矩阵增量以及隐含层的偏置向量增量Δb_j(n+1)：

式中，f_a′(·)为f_a(·)的一阶导数，η₁，η₂和η₃表示学习速率，θ₁,θ₂和θ₃是动量系数，n是表示学习时间的时间步长，n+1表示当前学习周期；

计算更新后输入层与隐含层的权重矩阵更新后隐含层与输出层的权重矩阵以及更新后的偏置向量b_j(n+1)：

b_j(n+1)＝b_j(n)+Δb_j(n)。

S305.返回步骤S301，重复进行步骤S301～S304，直至均方误差小于预设阈值为止。

本发明的有益效果是：(1)本发明基于反向传播神经网络，构建信号接收端到信号发射端的未知信道模型，并利用信号发送端的插入导频信息和信号接收端的接收导频信息构成的训练样本集对信道模型进行训练，在模型训练成熟后，能够根据信号接收端从未知信道中接收到的信号，恢复出信号发射端发送的原始信号，避免未知信道带来的信号失真，提高了信号传输的准确性和稳定性。

(2)本发明基于复值下的反向传播神经网络进行信道建模，考虑一个复数无线通信信号的实部和虚部之间的关系，与常用实值神经网络相比，更加贴近与实际信道，信道模型准确性更高，降低了信道估计误差对信号传输带来的不利影响。

(3)本发明基于反向传播神经网络的建模和训练，能够有效地存储信道信息，进而有利于跟踪和预测信道变化。

(4)本发明中，虽然反向传播神经网络不断迭代优化，但是每次迭代的计算复杂度低，占用的计算资源不多，并且与传统的最小二乘(LS)信道估计方法相比，本发明大大降低了比特错误率(BER)，提高了系统的性能。

附图说明

图1为本发明的方法流程图；

图2为反向传播神经网络模型示意图；

图3为不同信道估计系统在各信噪比下的误比特率示意图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

如图1所示，一种基于反向传播神经网络的信号恢复方法，包括以下步骤：

S1.获取未知信道中，信号发送端的插入导频信息和信号接收端的接收导频信息，并据此构建训练样本集；

S2.建立由输入层、隐含层和输出层构成的反向传播神经网络模型；

S3.将训练样本集中的各组样本信息依次输入反向传播神经网络模型进行训练，得到训练成熟的反向传播神经网络模型；

S4.信号接收端从未知信道中接收信号，输入到训练成熟的反向传播神经网络模型中，恢复出信号发射端发送的原始信号。

其中，所述步骤S1包括以下子步骤：

在未知信道的信息发送端依次插入导频信号其中，C^N表示N维复值向量；

在未知信道的信息接收端提取对应的接收导频信号Z₁,Z₂,...,Z_q,...,Z_T；其中，Z_q∈C^M,q＝1,2,3,...,T；C^M表示M维复值向量；

将每一个接收导频信号Z_q与对应的插入导频信号作为一组样本数据 构建信号接收端到信号发射端的训练样本集

如图2所示，所述步骤S2包括以下子步骤：

S201.建立由输入层、隐含层和输出层构成的反向传播神经网络模型：输入层包含M个神经元节点，隐含层包含L个神经元节点，输出层包括N个神经元节点,所述隐含层的激活函数为f_a(z)＝e^z；

S202.建立连接输入层和隐含层的权重矩阵V⁰：

建立连接隐含层和输出层的权重矩阵V¹：

建立隐含层各个神经元的偏置向量b：

b＝[b₁,...b_L]^T；

设反向传播神经网络模型输入z_i,i＝1,2,...,M；其中i表示输入层中第i个神经元的输入；则反向神经网络模型输出y_k为：

其中，k表示输出层中第k个神经元的输出；表示隐含层中第l个神经元得到的输出值：

即

其中，所述步骤S3包括以下子步骤：

S301.依次提取训练样本集中的各组样本数据作为训练数据；

S302.将当前训练数据中的接收导频信号输入反向传播神经网络模型，计算反向传播神经网络模型的输出信号，并计算输出信号与插入导频信号的均方误差；具体地，所述步骤S302包括：

将当前训练数据中接收导频信号的M维复值与反向传播神经网络模型输入层的M个神经元一一对应，进行信号输入，由反向传播神经网络模型计算输出信号：设输入层中第i个神经元的输入为z_i,i＝1,2,...,M；则输出层中第k个神经元的输出为：

式中，

计算反向传播神经网络模型输出信号与当前训练数据中插入导频信号的均方误差E：

式中， 表示当前训练数据中插入导频信号的第k维数据，y_k表示反向传播神经网络模型输出层中第k个神经元的输出。

S303.判断均方误差是否小于预设阈值，若是，训练完成，得到成熟的反向传播神经网络模型；若否，进入步骤S304；

S304.利用梯度下降学习算法,对反向传播神经网络模型的权值矩阵和偏置矩阵进行更新；具体地，所述步骤S304包括以下步骤：

计算输入层与隐含层的权重矩阵增量隐含层与输出层的权重矩阵增量以及隐含层的偏置向量增量Δb_j(n+1)：

式中，f_a′(·)为f_a(·)的一阶导数，η₁，η₂和η₃表示学习速率，θ₁,θ₂和θ₃是动量系数，n是表示学习时间的时间步长，n+1表示当前学习周期；在本申请的实施例中，学习速率η₁，η₂和η₃，以及动量系数θ₁,θ₂和θ₃均为给定的已知实数。

计算更新后输入层与隐含层的权重矩阵更新后隐含层与输出层的权重矩阵以及更新后的偏置向量b_j(n+1)：

b_j(n+1)＝b_j(n)+Δb_j(n)。

如图3所示，在本申请的实施例中，给出了一个发射天线和四个接收天线的信道估计系统在各信噪比下的误比特率，该实施例中比较了实数值信道估计，最小二乘(LS)信道估计和本发明中的反向传播神经网络信道估计(BPNN)三种方法的误比特率性能，可见，本发明大大降低了比特错误率(BER)，提高了系统的性能。

综上所述，本发明基于反向传播神经网络，构建信号接收端到信号发射端的未知信道模型，并利用信号发送端的插入导频信息和信号接收端的接收导频信息构成的训练样本集对信道模型进行训练，在模型训练成熟后，能够根据信号接收端从未知信道中接收到的信号，恢复出信号发射端发送的原始信号，避免未知信道带来的信号失真，提高了信号传输的准确性和稳定性；并且与传统的最小二乘(LS)信道估计方法相比，本发明大大降低了比特错误率(BER)，提高了系统的性能。

Claims (6)

1.一种基于反向传播神经网络的信号恢复方法，其特征在于：包括以下步骤：

S1.获取未知信道中，信号发送端的插入导频信息和信号接收端的接收导频信息，并据此构建训练样本集；

S2.建立由输入层、隐含层和输出层构成的反向传播神经网络模型；

S3.将训练样本集中的各组样本信息依次输入反向传播神经网络模型进行训练，得到训练成熟的反向传播神经网络模型；

S4.信号接收端从未知信道中接收信号，输入到训练成熟的反向传播神经网络模型中，恢复出信号发射端发送的原始信号。

2.根据权利要求1所述的一种基于反向传播神经网络的信号恢复方法，其特征在于：所述步骤S1包括以下子步骤：

在未知信道的信息发送端依次插入导频信号其中，q＝1,2,3,...,T；C^N表示N维复值向量；

在未知信道的信息接收端提取对应的接收导频信号Z₁,Z₂,...,Z_q,...,Z_T；其中，Z_q∈C^M,q＝1,2,3,...,T；C^M表示M维复值向量；

将每一个接收导频信号Z_q与对应的插入导频信号作为一组样本数据q＝1,2,3,...,T，构建信号接收端到信号发射端的训练样本集q＝1,2,3,...,T。

3.根据权利要求1所述的一种基于反向传播神经网络的信号恢复方法，其特征在于：所述步骤S2包括以下子步骤：

S201.建立由输入层、隐含层和输出层构成的反向传播神经网络模型：输入层包含M个神经元节点，隐含层包含L个神经元节点，输出层包括N个神经元节点,所述隐含层的激活函数为f_a(z)＝e^z；

S202.建立连接输入层和隐含层的权重矩阵V⁰：

建立连接隐含层和输出层的权重矩阵V¹：

建立隐含层各个神经元的偏置向量b：

b＝[b₁,...b_L]^T；

设反向传播神经网络模型输入z_i,i＝1,2,...,M；其中i表示输入层中第i个神经元的输入；则反向神经网络模型输出y_k为：

其中，k表示输出层中第k个神经元的输出；表示隐含层中第l个神经元得到的输出值：

即

4.根据权利要求1所述的一种基于反向传播神经网络的信号恢复方法，其特征在于：所述步骤S3包括以下子步骤：

S301.依次提取训练样本集中的各组样本数据作为训练数据；

S302.将当前训练数据中的接收导频信号输入反向传播神经网络模型，计算反向传播神经网络模型的输出信号，并计算输出信号与插入导频信号的均方误差；

S303.判断均方误差是否小于预设阈值，若是，训练完成，得到成熟的反向传播神经网络模型；若否，进入步骤S304；

S304.利用梯度下降学习算法,对反向传播神经网络模型的权值矩阵和偏置矩阵进行更新；

S305.返回步骤S301，重复进行步骤S301～S304，直至均方误差小于预设阈值为止。

5.根据权利要求4所述的一种基于反向传播神经网络的信号恢复方法，其特征在于：所述步骤S302包括以下子步骤：

将当前训练数据中接收导频信号的M维复值与反向传播神经网络模型输入层的M个神经元一一对应，进行信号输入，由反向传播神经网络模型计算输出信号：设输入层中第i个神经元的输入为z_i,i＝1,2,...,M；则输出层中第k个神经元的输出为：

式中，

计算反向传播神经网络模型输出信号与当前训练数据中插入导频信号的均方误差E：

式中， 表示当前训练数据中插入导频信号的第k维数据，y_k表示反向传播神经网络模型输出层中第k个神经元的输出。

6.根据权利要求4所述的一种基于反向传播神经网络的信号恢复方法，其特征在于：所述步骤S304包括以下步骤：

计算输入层与隐含层的权重矩阵增量隐含层与输出层的权重矩阵增量以及隐含层的偏置向量增量Δb_j(n+1)：

式中，f_a′()为f_a(·)的一阶导数，η₁，η₂和η₃表示学习速率，θ₁，θ₂和θ₃是动量系数，n是表示学习时间的时间步长，n+1表示当前学习周期；

计算更新后输入层与隐含层的权重矩阵更新后隐含层与输出层的权重矩阵以及更新后的偏置向量b_j(n+1)：