CN108599809B - 全双工自干扰信号数字消除方法及装置 - Google Patents
全双工自干扰信号数字消除方法及装置 Download PDFInfo
- Publication number
- CN108599809B CN108599809B CN201810210190.8A CN201810210190A CN108599809B CN 108599809 B CN108599809 B CN 108599809B CN 201810210190 A CN201810210190 A CN 201810210190A CN 108599809 B CN108599809 B CN 108599809B
- Authority
- CN
- China
- Prior art keywords
- training
- neural network
- frame
- sent
- sequence
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/38—Transceivers, i.e. devices in which transmitter and receiver form a structural unit and in which at least one part is used for functions of transmitting and receiving
- H04B1/40—Circuits
- H04B1/50—Circuits using different frequencies for the two directions of communication
- H04B1/52—Hybrid arrangements, i.e. arrangements for transition from single-path two-direction transmission to single-direction transmission on each of two paths or vice versa
- H04B1/525—Hybrid arrangements, i.e. arrangements for transition from single-path two-direction transmission to single-direction transmission on each of two paths or vice versa with means for reducing leakage of transmitter signal into the receiver
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/38—Transceivers, i.e. devices in which transmitter and receiver form a structural unit and in which at least one part is used for functions of transmitting and receiving
- H04B1/40—Circuits
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明提供了一种全双工自干扰信号数字消除方法及装置。该方法包括:根据设定的帧结构和导频序列在全双工系统接收端获取训练序列;在全双工系统的信道相干时间内,利用所述训练序列训练设定的神经网络;利用训练后的神经网络对全双工系统接收端的混合信号进行自干扰信号数字消除。本发明能够克服模型限制并提高消除精度。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种全双工自干扰信号数字消除方法及装置。
背景技术
全双工通信因其可以同时同频发送和接收信号而得到学术界和工业界的广泛研究和关注。相较于频分双工和时分双工技术,全双工通信技术可以提升一倍的频谱利用率。但由于终端节点工作在全双工状态下,其接收天线可以收到自身发送的信号,该信号被称为自干扰信号。自干扰信号能否消除,决定着全双工通信能否实现。因此,自干扰信号的消除方法近期成为研究热点。
图1是现有技术中应用自适应横向滤波器进行自干扰信号数字消除的原理示意图。如图1所示,x(n)为输入信号,y(n)为输出信号,d(n)为期望信号,e(n)=d(n)-y(n)为误差信号,H(z)为自适应滤波器函数。其根据相关自适应算法及误差信号自动调节系数,使输出信号更加接近期望信号。对于全双工无线通信系统中数字消除部分来讲,x(n)可以为发送的信号,该信号已知,y(n)可以为发送的信号经过自干扰信道到达接收端后的基带数字信号,通过自适应滤波器H(z)的自适应调节,希望输出信号d(n)与y(n)尽量一致,以保证在基带能够更好的估计自干扰信道带来的畸变。
自适应滤波器在全双工通信系统中为一个单输入系统,每个z-1单元为一个延迟结构。假设滤波器的长度(即抽头数)为M,故需要个M个延迟单元。输出重建信号d(n)可以表示为:
数字消除算法的重点是对系数wm进行估计(n和m为信号的序号)。系数的估计方法线性普遍有最小均方误差算法(LMS)及递归最小二乘算法(RLS)。
然而,现有的应用自适应横向滤波器的自干扰信号消除方法主要存在三个缺点:其一,自适应滤波器的建模默认为因果系统,即当前时刻的接收到的信号只与当前时刻的发送信号及之前发送的信号有关,并未考虑非因果系统,即之后的发送信号施加影响;其二,该方法仅考虑多径信道对自干扰信号产生的影响,即线性畸变,未考虑非线性因素如相位噪声,功放非线性等造成的影响;其三,该方法依托数学解析的形式来表征,在复杂自干扰信道的环境下建模的准确度低。
现有技术中通过对自干扰信道建模来消除自干扰信号的方法,重点关注自干扰信号收发链路中关键器件对自干扰信号施加的非线性影响,特别是功放的影响。该方法普遍将功放对输入信号x的影响建模为多项式形式,即y=x+a3x3。在同时考虑发送链路非线性及接收链路非线性的情况下,经过自干扰信道后的自干扰信号dn可以被建模如下:
其中为自干扰信道,为发送信道中的三次谐波施加的非线性影响,为接收信道中的三次谐波施加的非线性影响。为输入信号。
建模之后,通过迭代的方式解决非线性问题,估计相关参数,并重建估计信号dn。
然而,现有的通过对自干扰信道建模来消除自干扰信号的方法存在三个缺点:其一,上述方法只考虑了当前发送信号对当前接收信号的影响,并未考虑多径信道带来的时间延展性,即前后发送信号施加影响;其二,该方法仅考虑功放对自干扰信号产生的非线性影响,但事实上,非线性因素还有很多,如相位噪声等;其三,该方法依托数学解析的形式来表征,在复杂自干扰信道的环境下建模的准确度低。
总而言之,现有的自干扰信号消除方法主要存在两大局限性:
1.现有方法普遍将自干扰信道对自干扰信号施加的影响视为因果的,不考虑之后发送的信号对当前信号的影响;
2.现有的建模考虑多径时延、功放非线性、相位噪声非线性等因素,将自干扰信道建模成特定的数学模型。然而,随着毫米波等技术的引入,高频元器件呈现出与低频器件不同的崭新特征。对于复杂环境,解析形式的数学模型已无法很好的拟合自干扰信道的畸变。
发明内容
本发明提供一种全双工自干扰信号数字消除方法及装置,以克服现有技术中存在的一种或多种缺点。
本发明实施例提供一种全双工自干扰信号数字消除方法,包括:根据设定的帧结构和导频序列在全双工系统接收端获取训练序列;在全双工系统的信道相干时间内,利用所述训练序列训练设定的神经网络;利用训练后的神经网络对全双工系统接收端的混合信号进行自干扰信号数字消除。
一个实施例中,在全双工系统的信道相干时间内,利用所述训练序列训练设定的神经网络,包括:对所述训练序列分别取实部与虚部构成向量,得到训练数据;在全双工系统的信道相干时间内,利用所述训练数据训练所述设定的神经网络。
一个实施例中,在全双工系统的信道相干时间内,利用所述训练序列训练设定的神经网络之前,还包括:构建初始神经网络,并设定所述初始神经网络的参数,得到所述设定的神经网络,其中,所述参数包括神经网络层数Nlayer、网络记忆长度Ntrunc及迭代次数Niter_max,满足:
Nlayer=NTx_RFChains*NRx_RFChains;
其中,NTx_RFChains为发送链路中射频链路的个数,NRx_RFChains为接收链路中射频链路的个数;τmax为自干扰信道环境中最大物理多径时延,Tframe为子帧持续时间,为向上取整函数,Nlen为每次迭代处理的数据长度;Npil为导频序列长度,Nframe为帧序列长度,Tframe为帧持续时间,Titr为一次迭代时间。
一个实施例中,所述设定的帧结构和导频序列满足:
Tframe<Tc,Tframe为帧结构持续时间,Tc为信道的相干时间;对于通信链路中的节点A发送的帧A,节点A发送的第一个导频和节点A发送的第二个导频所取序列一致;对于通信链路中的节点B发送的帧B,节点B发送的第二个导频和节点B发送的第三个导频所取序列一致;节点B发送的第一个导频发送完成后,延迟时间Tdelay后发送节点B发送的负载节点A发送的负载发送完成后,延迟时间Tdelay发送导频节点A发送的第三个
一个实施例中,所述设定的神经网络为双向循环神经网络,且所述设定的神经网络在训练时的输入数据为所述训练序列中的混合导频信号,所述设定的神经网络在训练时的输出数据为期望导频信号,所述训练后的神经网络在进行自干扰信号数字消除时的输入数据为所述混合信号中的混合负载信号,所述训练后的神经网络在进行自干扰信号数字消除时的输出数据为期望负载信号。
本发明实施例还提供一种全双工自干扰信号数字消除装置,包括:训练序列获取单元,用于:根据设定的帧结构和导频序列在全双工系统接收端获取训练序列;神经网络训练单元,用于:在全双工系统的信道相干时间内,利用所述训练序列训练设定的神经网络;自干扰信号消除单元,用于:利用训练后的神经网络对全双工系统接收端的混合信号进行自干扰信号数字消除。
一个实施例中,神经网络训练单元,包括:数据预处理模块,用于:对所述训练序列分别取实部与虚部构成向量,得到训练数据;神经网络训练模块,用于:在全双工系统的信道相干时间内,利用所述训练数据训练所述设定的神经网络。
一个实施例中,还包括:神经网络构建单元,用于:构建初始神经网络,并设定所述初始神经网络的参数,得到所述设定的神经网络,其中,所述参数包括神经网络层数Nlayer、网络记忆长度Ntrunc及迭代次数Niter_max,满足:
Nlayer=NTx_RFChains*NRx_RFChains;
其中,NTx_RFChains为发送链路中射频链路的个数,NRx_RFChains为接收链路中射频链路的个数;τmax为自干扰信道环境中最大物理多径时延,Tframe为子帧持续时间,为向上取整函数,Nlen为每次迭代处理的数据长度;Npil为导频序列长度,Nframe为帧序列长度,Tframe为帧持续时间,Titr为一次迭代时间。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述各实施例所述方法的步骤。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述各实施例所述方法的步骤。
本发明实施例的全双工自干扰信号数字消除方法及装置,通过根据设定的帧结构和导频序列在全双工系统接收端获取训练序列,利用训练序列训练设定的神经网络,并利用训练后的神经网络对全双工系统接收端的混合信号实现自干扰信号数字消除。本发明实施例的实现方式不同于传统的先估计再重建后消除的传统数字消除方法,可直接通过神经网络输出消除后的期望信号,不再受制于具体模型的限制,利用神经网络思想进行了自干扰信号的消除,适用于不同频率、多种环境下的自干扰信号消除。可以通过训练数据匹配任何形式引入的畸变,能够解决现有数字消除方法中的数学解析方式在复杂环境及复杂射频链路的精度问题。
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一些实施例,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,还可以根据这些附图获得其他的附图。在附图中:
图1是现有技术中应用自适应横向滤波器进行自干扰信号数字消除的原理示意图。
图2是本发明一实施例的全双工自干扰信号数字消除方法的流程示意图。
图3是本发明一实施例中利用训练序列训练设定的神经网络的方法流程示意图。
图4是本发明另一实施例的全双工自干扰信号数字消除方法的流程示意图。
图5是本发明另一实施例的全双工自干扰信号数字消除方法的流程示意图。
图6是本发明一实施例的全双工自干扰信号数字消除方法的流程框图。
图7是本发明一实施例中帧结构和导频序列的结构示意图。
图8是本发明一实施例中双向循环神经网络的结构示意图。
图9是本发明一实施例的全双工自干扰信号数字消除装置的结构示意图。
图10是本发明一实施例中神经网络训练单元的结构示意图。
图11是本发明另一实施例的全双工自干扰信号数字消除装置的结构示意图。
图12是本发明一实施例的计算机设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
图2是本发明一实施例的全双工自干扰信号数字消除方法的流程示意图。如图2所示,本实施例的全双工自干扰信号数字消除方法,可包括:
步骤S110:根据设定的帧结构和导频序列在全双工系统接收端获取训练序列;
步骤S120:在全双工系统的信道相干时间内,利用所述训练序列训练设定的神经网络;
步骤S130:利用训练后的神经网络对全双工系统接收端的混合信号进行自干扰信号数字消除。
在训练序列中,接收端接收到的导频混合序列可以作为输入序列,接收端的期望序列可以作为输出序列。帧结构和导频序列需要特定地设计,以得到能够训练神经网络的训练序列。
例如,首先:导频同时由通信链路中的A、B节点分别发送,对于节点B而言会接收到导频经过有用信道后的信号,以及导频经过自干扰信道后的信号,这个混合信号作为训练数据中的输入序列;其次:延迟时间内B节点静默,A节点发送导频到B节点,此时B节点接收的信号作为训练数据中的标签(期望信号),原因是导频与导频相同,那么此时(发送2)B端接收的信号就是发送1中的B端的期望信号(没有B端的自干扰信号)。
相干时间可以是信道保持恒定的最大时间差范围,发射端的同一信号在相干时间之内到达接收端,信号的衰落特性完全相似。所以,在全双工系统的信道相干时间内训练设定的神经网络。
目前,全双工自干扰消除主要包括被动消除、主动模拟消除和主动数字消除,而前面两钟干扰主要依靠硬件设备消除,本发明是依赖软件算法的数字消除方法。
本实施例中,通过根据设定的帧结构和导频序列在全双工系统接收端获取训练序列,利用训练序列训练设定的神经网络,并利用训练后的神经网络对全双工系统接收端的混合信号进行自干扰信号数字消除。本实施例不同于传统的先估计再重建后消除的传统数字消除方法,可直接通过神经网络输出消除后的期望信号,不再受制于具体模型的限制(现有技术是通过数学模型重建自干扰信号,而不同频率的情况下,数学模型不同,因此现有技术不适用于不同频率。),利用神经网络思想进行了自干扰信号的消除,适用于不同频率、多种环境下的自干扰信号消除。引入了非因果的因素和信号重建(考虑前一时刻与后一时刻对当前时刻的影响,即非因果,信号重建指的是将混合信号重建为期望信号),可以带来的数字消除性能,能够解决现有数字消除方法中只考虑因果系统下的自干扰信号的畸变。可以通过训练数据匹配任何形式引入的畸变,能够解决现有数字消除方法中的数学解析方式在复杂环境及复杂射频链路的精度问题。
图3是本发明一实施例中利用训练序列训练设定的神经网络的方法流程示意图。如图3所示,在上述步骤S120中,在全双工系统的信道相干时间内,利用所述训练序列训练设定的神经网络,可包括:
步骤S121:对所述训练序列分别取实部与虚部构成向量,得到训练数据;
步骤S122:在全双工系统的信道相干时间内,利用所述训练数据训练所述设定的神经网络。
获得的训练序列为复数数据,直接将实部虚部构成输入向量进行训练。
图4是本发明另一实施例的全双工自干扰信号数字消除方法的流程示意图。如图4所示,在上述步骤S120之前,即,在全双工系统的信道相干时间内,利用所述训练序列训练设定的神经网络之前,还可包括:
步骤S130:构建初始神经网络,并设定所述初始神经网络的参数,得到所述设定的神经网络,其中,所述参数包括神经网络层数Nlayer、网络记忆长度Ntrunc及迭代次数Niter_max,满足:
Nlayer=NTx_RFChains*NRx_RFChains;
其中,NTx_RFChains为发送链路(全双工系统发送端的发送链路)中射频链路的个数,NRx_RFChains为接收链路(全双工系统接收端的接收链路)中射频链路的个数;τmax为自干扰信道环境(自干扰信道指终端节点发送天线至自身接收天线间的信道)中最大物理多径时延,Tframe为子帧(如后续图7的帧结构)持续时间,为向上取整函数(例如,1.4取为2,区别于四舍五入),Nlen为每次迭代处理的数据长度;Npil为导频序列长度,Nframe为帧序列长度,Tframe为帧持续时间,Titr为一次迭代时间。
神经网络的层数决定了神经网络对于非线性的表示程度,层数越大,表达的非线性程度越高。而在通信系统中,收发链路的个数会导致很多非线性因素,信号间的耦合,非线性器件个数的增多等等。网络记忆长度Ntrunc表达了网络的记忆性。对于多径环境来讲,记忆性意味着最大的多径数。而最大的多径数计算公式即为等号右边所述。最大多径时延/帧持续时间。考虑到计算复杂度和实时性的关系,需要在一帧导频传输完成后即完成网络训练。以A节点为例,总迭代次数的应为导频传输时间/迭代一次的时间。而导频传输的时间又为帧传输时间乘以导频长度所占的比例的四分之一。因此可以得到关于迭代次数Niter_max的公式。
一些实施例中,上述步骤S130还可包括:根据经验选取神经网络中的神经元个数、激活函数等。
一些实施例中,上述步骤S130还可包括:进行前向传播计算,定义损失函数计算网络输出误差。
一些实施例中,所述设定的帧结构(帧结构中的导频序列)(如图7的(a)部分和(b)部分对应所示,如步骤S101所述)满足:Tframe<Tc,Tframe为帧结构持续时间,Tc为信道的相干时间;对于通信链路中的节点A发送的帧A,节点A发送的第一个导频(即导频A1)和节点A发送的第二个导频(即导频A2)所取序列一致;对于通信链路中的节点B发送的帧B,节点B发送的第二个导频(即导频B2)和节点B发送的第三个导频(即导频B3)所取序列一致;节点B发送的第一个导频(即导频B1)发送完成后,延迟时间Tdelay后发送节点B发送的负载(即负载B1);节点A发送的负载(即负载A1)发送完成后,延迟时间Tdelay发送节点A发送的第三个导频(即导频A3)。其中,Tx表示发送。
本实施例中,通过上述帧结构和导频序列的设计,能够满足神经网络的训练要求。因为:发送1:导频同时由A、B节点分别发送,对于节点B而言会接收到导频经过有用信道后的信号,以及导频经过自干扰信道后的信号,这个混合信号作为训练数据中的输入序列;发送2:延迟时间内B节点静默,A节点发送导频到B节点,此时B节点接收的信号作为训练数据中的标签(期望信号),原因是导频与导频相同,那么此时(发送2)B端接收的信号就是发送1中的B端的期望信号(没有B端的自干扰信号)。那么,当发送负载A、B时,对于接收节点B将接收混合信号输入训练好的网络即可获得期望信号。
一些实施例中,所述设定的神经网络为双向循环神经网络,且所述设定的神经网络在训练时的输入数据为所述训练序列中的混合导频信号,所述设定的神经网络在训练时的输出数据为期望导频信号,所述训练后的神经网络在进行自干扰信号数字消除时的输入数据为所述混合信号中的混合负载信号,所述训练后的神经网络在进行自干扰信号数字消除时的输出数据为期望负载信号。
以B节点接收链路中的神经网络为例:
在训练阶段:神经网络的输入为接收到的混合导频信号,包括自干扰信号导频(节点B发送的第一个导频信号)和期望信号导频(节点A发送的第一个导频信号)(以B节点为接收链路时自干扰信号导频应该是期望信号导频应该是);神经网络的输出为接收到的期望信号导频(节点A发送的第二个导频信号)。
在干扰信号消除阶段:神经网络的输入为接收到的混合负载信号,包括节点A发送的负载和节点B发送的负载通过已经训练好的网络,可直接输出估计的期望负载信号(节点A发送的负载)。
循环神经网络与传统神经网络的差别在于含有记忆单元,即当前t时刻神经网络的输出与t-1,t-2,t-3…都有关,而双向则意味着当前t时刻神经网络的输出不仅与t-1…相关还与t+1…相关。
一些实施例中,利用双向循环神经网络(bidirectional RNN)进行数字自干扰消除(将混合信号输入训练好的神经网络,然后输出期望信号(不含干扰信号))。图5是本发明另一实施例的全双工自干扰信号数字消除方法的流程示意图。如图5所示,本实施例的全双工自干扰信号数字消除方法,可包括:
步骤S101:设计特定的帧结构。设计特定的帧结构和导频序列,以在终端节点处获得用于训练神经网络的训练数据。
步骤S102:数据预处理。将原始复数的训练数据分别取实部和虚部构成向量后的结果作为后续训练神经网络的输入数据;
步骤S103:确定神经网络参数。可根据相应算法计算数字消除算法中涉及的相应参数,涉及神经网络层数,网络记忆长度,迭代次数;可根据经验选取数字消除算法中涉及的相应参数,涉及神经元个数,激活函数;
步骤S104:进行前向传播计算。确定网络结构,计算前向传播结果,其中输入训练数据为接收端接收到的混合信号,标签训练数据为接收端接收到的期望信号(用来与神经网络的输出进行对比的数据);
步骤S105:定义损失函数计算网络输出误差。计算网络输出值与真实输出值(期望信号)之间的平均平方差作为网络误差值;
步骤S106:进行网络训练。指定学习率,利用BP算法更新网络权值,完成网络训练;
步骤S107:进行自干扰信号数字消除。利用已经训练好的神经网络和接收到的混合信号,进行数字消除。
图6是本发明一实施例的全双工自干扰信号数字消除方法的流程框图。如图6所示,利用双向循环神经网络做数字消除的方法,特别设计了帧结构,进行了相关参数计算等,各部分具体实施步骤如下:
第一步:帧结构设计
设计特定的帧结构和导频序列。一些实施例中,帧结构和导频序列的具体设计方式可如图7所示。帧结构的持续时间Tframe满足Tframe<Tc,Tc为信道的相干时间。设通信链路包含节点A和节点B,节点A发送帧A,节点B发送帧B,其中,对于帧A,导频和导频所取序列该一致,对于帧B,导频和导频所取序列一致。导频发送完成后,延迟Tdelay发送负载负载送完成后,延迟Tdelay发送导频上述设计能够满足神经网络的训练要求。
第二步:输入数据预处理
对于待训练的神经网络,其训练序列中的输入序列为接收端接收到的导频混合序列训练序列中的输出序列为接收端的期望序列不失一般性,可对训练序列进行处理。设输入数据Y=at+bt*i,1≤t≤N,N为总样本数,i代表复数的虚部,t为样本时刻序号。取其实部at与虚部bt构成向量xt=[at,bt],考虑多径对信号的影响,后续输入数据Ntrunc代表多径信道带来影响的时间延展长度,x表示实部at与虚部bt构成向量。
第三步:参数确定
根据算法确定的参数:神经网络层数Nlayer,网络记忆长度Ntrunc(可代表多径信道带来影响的时间延展长度),最大迭代次数Niter_max。其中,Nlayer=NTx_RFChains*NRx_RFChains,其中NTx_RFChains为发送链路中射频链路的个数,NRx_RFChains为接收链路中射频链路的个数;且1≤Ntrunc≤Nlen,其中τmax为自干扰信道环境中最大的物理多径时延,Tframe为子帧持续时间,为向上取整函数;其中Npil为导频序列长度,Nframe为帧序列长度,Tframe为帧持续时间,Titr为一次迭代时间。
可根据经验确定的参数:每层神经元个数Ncell,每次迭代处理的数据长度Nlen,其中参数设置可遵循原则:Ncell<Nlen。
第四步:确定网络结构计算前向传播结果
在确定网络每层神经元个数Ncell、隐藏层数Nlayer以及激活函数后计算训练数据的网络前向传播结果,记t时刻l层隐层后向与前向输出为 ←代表双向中的前向传播参数,→代表双向中的后向传播参数。其中,
则t时刻网络输出 与分别为循环神经网络的前向与后向权重矩阵,f()与g()为激活函数。以三层双向循环神经网络为例,循环神经网络结构可如图3中的(a)图所示,RNN以时间t展开结构图可如图3的(b)图所示,含三个隐层的双向循环神经网络可如图3中的(c)图所示。
第五步:定义损失函数计算网络输出误差
目标为训练网络输出参数可以无限逼近期望序列y。即网络损失函数可定义为计算网络平均平方差其中Nlen一次迭代的训练样本数。
第六步:网络训练
设学习率η,利用反向传播BPTT算法(BPTT算法具体可如文献所述:Pascanu R,Mikolov T,Bengio Y.On the difficulty of training recurrent neural networks[C]//International Conference on Machine Learning.2013:1310-1318)更新网络权值。
反向传播目的是求预测误差E关于所有参数和的梯度,即和用以更新权值,不断逼近最优权值。因为权值共享的原因,每一时刻的梯度不仅仅依赖于当前时刻,还与之前以及之后的时刻有关。利用BPTT(Backpropagation Through Time)可对含序列相关性的网络求解梯度。
参数修正以为例,通过Niter次迭代修正权值,最终得到训练好的双向循环RNN网络参数和
第七步:数字消除
应用训练好的网络进行数字消除。不同于传统的先估计,后重建,再消除的传统数字消除方法。本实施例的方法可以通过训练好的网络直接输出期望信号。
本发明实施例的全双工自干扰信号数字消除方法跳出了先建模再重建后相减的固有套路,利用神经网络的“黑箱”思想,在终端节点的发送链路和接收链路中设计多层级信号处理单元。利用特定的帧结构,利用导频序列,在信道相干时间内对层级信号处理单元的相应参数(神经网络中的参数)进行训练,以达到最佳的自干扰信号消除性能。不同于传统的先估计再重建后消除的传统数字消除方法,该方法可直接通过神经网络输出消除后的期望信号。该方法不再受制于具体模型的限制,利用神经网络思想进行了自干扰信号的消除,适用于不同频率,多种环境(比如室内环境/室外环境的多径情况不同)下的自干扰信号消除。例如,室内多径成分较多,多径分量的功率较大,能影响的多径个数较多,室外则不明显。
基于与图2所示的全双工自干扰信号数字消除方法相同的发明构思,本申请实施例还提供了一种全双工自干扰信号数字消除装置,如下面实施例所述。由于该全双工自干扰信号数字消除装置解决问题的原理与全双工自干扰信号数字消除方法相似,因此该全双工自干扰信号数字消除装置的实施可以参见全双工自干扰信号数字消除方法的实施,重复之处不再赘述。
图9是本发明一实施例的全双工自干扰信号数字消除装置的结构示意图。如图9所示,本实施例的全双工自干扰信号数字消除装置,可包括:训练序列获取单元210、神经网络训练单元220及自干扰信号消除单元230,上述各单元可顺序连接。
训练序列获取单元210,用于:根据设定的帧结构和导频序列在全双工系统接收端获取训练序列;
神经网络训练单元220,用于:在全双工系统的信道相干时间内,利用所述训练序列训练设定的神经网络;
自干扰信号消除单元230,用于:利用训练后的神经网络对全双工系统接收端的混合信号进行自干扰信号数字消除。
图10是本发明一实施例中神经网络训练单元的结构示意图。如图10所示,神经网络训练单元220,可包括:数据预处理模块221和神经网络训练模块222,二者相互连接。
数据预处理模块221,用于:对所述训练序列分别取实部与虚部构成向量,得到训练数据;
神经网络训练模块222,用于:在全双工系统的信道相干时间内,利用所述训练数据训练所述设定的神经网络。
图11是本发明另一实施例的全双工自干扰信号数字消除装置的结构示意图。如图11所示,图9所示的全双工自干扰信号数字消除装置,还可包括:神经网络构建单元240,可与训练序列获取单元210或神经网络训练单元220连接。
神经网络构建单元240,用于:构建初始神经网络,并设定所述初始神经网络的参数,得到所述设定的神经网络,其中,所述参数包括神经网络层数Nlayer、网络记忆长度Ntrunc及迭代次数Niter_max,满足:
Nlayer=NTx_RFChains*NRx_RFChains;
其中,NTx_RFChains为发送链路中射频链路的个数,NRx_RFChains为接收链路中射频链路的个数;τmax为自干扰信道环境中最大物理多径时延,Tframe为子帧持续时间,为向上取整函数,Nlen为每次迭代处理的数据长度;Npil为导频序列长度,Nframe为帧序列长度,Tframe为帧持续时间,Titr为一次迭代时间。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述各实施例所述方法的步骤。
本发明实施例还提供一种计算机设备,如图12所示,计算机设备300可包括存储器310、处理器320及存储在存储器上并可在处理器上运行的计算机程序,所述处理器320执行所述程序时实现上述各实施例所述方法的步骤。
综上所述,本发明实施例的全双工自干扰信号数字消除方法、装置、存储介质及计算机设备,通过根据设定的帧结构和导频序列在全双工系统接收端获取训练序列,利用训练序列训练设定的神经网络,并利用训练后的神经网络对全双工系统接收端的混合信号实现自干扰信号数字消除。本发明实施例的实现方式不同于传统的先估计再重建后消除的传统数字消除方法,可直接通过神经网络输出消除后的期望信号,不再受制于具体模型的限制,利用神经网络思想进行了自干扰信号的消除,适用于不同频率、多种环境下的自干扰信号消除。
在本说明书的描述中,参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本发明的实施,其中的步骤顺序不作限定,可根据需要作适当调整。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种全双工自干扰信号数字消除方法,其特征在于,包括:
根据设定的帧结构和导频序列在全双工系统接收端获取训练序列,其中,所述设定的帧结构和导频序列满足:Tframe<Tc,Tframe为帧结构持续时间,Tc为信道的相干时间;对于通信链路中节点A发送的帧A,节点A发送的第一个导频和节点A发送的第二个导频所取序列一致;对于通信链路中节点B发送的帧B,节点B发送的第二个导频和节点B发送的第三个导频所取序列一致;节点B发送的第一个导频发送完成后,延迟时间Tdelay后发送节点B发送的负载节点A发送的负载发送完成后,延迟时间Tdelay发送节点A发送的第三个导频
在全双工系统的信道相干时间内,利用所述训练序列训练设定的神经网络,其中,所述神经网络的参数包括神经网络层数Nlayer、网络记忆长度Ntrunc及迭代次数Niter_max,满足:Nlayer=NTx_RFChains*NRx_RFChains、(1≤Ntrunc≤Nlen)和其中,NTx_RFChains为发送链路中射频链路的个数,NRx_RFChains为接收链路中射频链路的个数;τmax为自干扰信道环境中最大物理多径时延,Tframe为子帧持续时间,为向上取整函数,Nlen为每次迭代处理的数据长度;Npil为导频序列长度,Nframe为帧序列长度,Tframe为帧持续时间,Titr为一次迭代时间;
利用训练后的神经网络对全双工系统接收端的混合信号进行自干扰信号数字消除。
2.如权利要求1所述的全双工自干扰信号数字消除方法,其特征在于,在全双工系统的信道相干时间内,利用所述训练序列训练设定的神经网络,包括:
对所述训练序列分别取实部与虚部构成向量,得到训练数据;
在全双工系统的信道相干时间内,利用所述训练数据训练所述设定的神经网络。
3.如权利要求1所述的全双工自干扰信号数字消除方法,其特征在于,所述设定的神经网络为双向循环神经网络,且所述设定的神经网络在训练时的输入数据为所述训练序列中的混合导频信号,所述设定的神经网络在训练时的输出数据为期望导频信号,所述训练后的神经网络在进行自干扰信号数字消除时的输入数据为所述混合信号中的混合负载信号,所述训练后的神经网络在进行自干扰信号数字消除时的输出数据为期望负载信号。
4.一种全双工自干扰信号数字消除装置,其特征在于,包括:
训练序列获取单元,用于:根据设定的帧结构和导频序列在全双工系统接收端获取训练序列,其中,所述设定的帧结构和导频序列满足:Tframe<Tc,Tframe为帧结构持续时间,Tc为信道的相干时间;对于通信链路中节点A发送的帧A,节点A发送的第一个导频和节点A发送的第二个导频所取序列一致;对于通信链路中节点B发送的帧B,节点B发送的第二个导频和节点B发送的第三个导频所取序列一致;节点B发送的第一个导频发送完成后,延迟时间Tdelay后发送节点B发送的负载节点A发送的负载发送完成后,延迟时间Tdelay发送节点A发送的第三个导频
神经网络训练单元,用于:在全双工系统的信道相干时间内,利用所述训练序列训练设定的神经网络,其中,所述神经网络的参数包括神经网络层数Nlayer、网络记忆长度Ntrunc及迭代次数Niter_max,满足:Nlayer=NTx_RFChains*NRx_RFChains、(1≤Ntrunc≤Nlen)和其中,NTx_RFChains为发送链路中射频链路的个数,NRx_RFChains为接收链路中射频链路的个数;τmax为自干扰信道环境中最大物理多径时延,Tframe为子帧持续时间,为向上取整函数,Nlen为每次迭代处理的数据长度;Npil为导频序列长度,Nframe为帧序列长度,Tframe为帧持续时间,Titr为一次迭代时间;
自干扰信号消除单元,用于:利用训练后的神经网络对全双工系统接收端的混合信号进行自干扰信号数字消除。
5.如权利要求4所述的全双工自干扰信号数字消除装置,其特征在于,神经网络训练单元,包括:
数据预处理模块,用于:对所述训练序列分别取实部与虚部构成向量,得到训练数据;
神经网络训练模块,用于:在全双工系统的信道相干时间内,利用所述训练数据训练所述设定的神经网络。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至3任一项所述方法的步骤。
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至3任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810210190.8A CN108599809B (zh) | 2018-03-14 | 2018-03-14 | 全双工自干扰信号数字消除方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810210190.8A CN108599809B (zh) | 2018-03-14 | 2018-03-14 | 全双工自干扰信号数字消除方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108599809A CN108599809A (zh) | 2018-09-28 |
CN108599809B true CN108599809B (zh) | 2019-08-16 |
Family
ID=63626481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810210190.8A Active CN108599809B (zh) | 2018-03-14 | 2018-03-14 | 全双工自干扰信号数字消除方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108599809B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021190763A1 (en) * | 2020-03-27 | 2021-09-30 | Nokia Technologies Oy | Self-interference correction |
CN114938232A (zh) * | 2022-06-15 | 2022-08-23 | 北京邮电大学 | 基于lstm的同时同频全双工数字域自干扰抑制方法 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110113119A (zh) * | 2019-04-26 | 2019-08-09 | 国家无线电监测中心 | 一种基于人工智能算法的无线信道建模方法 |
DE102019208903A1 (de) * | 2019-06-12 | 2020-12-17 | Siemens Healthcare Gmbh | Bereitstellen eines Ausgabesignals mittels einer berührungssensitiven Eingabeeinheit und Bereitstellen einer trainierten Funktion |
CN112491442B (zh) * | 2020-11-17 | 2021-12-28 | 中山大学 | 一种自干扰消除方法及装置 |
CN112532548B (zh) * | 2020-12-23 | 2024-02-27 | 国网信息通信产业集团有限公司 | 一种信号优化方法及装置 |
CN113325375B (zh) * | 2021-05-25 | 2022-12-13 | 哈尔滨工程大学 | 一种基于深度神经网络的自适应对消方法 |
CN115842566B (zh) * | 2022-11-28 | 2023-09-15 | 哈尔滨工程大学 | 一种基于CNN-Bi-LSTM的干扰机自干扰数字对消方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980133A (zh) * | 2017-01-18 | 2017-07-25 | 中国南方电网有限责任公司超高压输电公司广州局 | 利用神经网络算法补偿和修正的gps ins组合导航方法及系统 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2863215B2 (ja) * | 1989-10-09 | 1999-03-03 | 正和 仙石 | 移動体通信のチャネル割当方式 |
CN102638296A (zh) * | 2012-03-03 | 2012-08-15 | 天津理工大学 | 一种基于智能天线和神经网络算法的抗干扰方法 |
CN102868432B (zh) * | 2012-09-07 | 2015-08-19 | 天津理工大学 | 一种双阶段神经网络下的盲波束形成装置及其形成方法 |
US20150249554A1 (en) * | 2013-06-21 | 2015-09-03 | Dhadesugoor Vaman | Adaptive demodulation method and apparatus using an artificial neural network to improve data recovery in high speed channels |
WO2015021461A1 (en) * | 2013-08-09 | 2015-02-12 | Kumu Networks, Inc. | Systems and methods for non-linear digital self-interference cancellation |
US9276682B2 (en) * | 2014-05-23 | 2016-03-01 | Kumu Networks, Inc. | Systems and methods for multi-rate digital self-interference cancellation |
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 |
US20160087698A1 (en) * | 2014-09-18 | 2016-03-24 | Electronics And Telecommunications Research Institute | In-band full duplex transceiver and in-band full duplex multi-input multi-output transceiver |
US9893871B2 (en) * | 2014-10-31 | 2018-02-13 | Electronics And Telecommunications Research Institute | In-band full duplex transceiver |
US9742593B2 (en) * | 2015-12-16 | 2017-08-22 | Kumu Networks, Inc. | Systems and methods for adaptively-tuned digital self-interference cancellation |
CN106961684A (zh) * | 2017-03-24 | 2017-07-18 | 厦门大学 | 基于深度强化学习的认知无线电空频二维抗敌意干扰方法 |
-
2018
- 2018-03-14 CN CN201810210190.8A patent/CN108599809B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980133A (zh) * | 2017-01-18 | 2017-07-25 | 中国南方电网有限责任公司超高压输电公司广州局 | 利用神经网络算法补偿和修正的gps ins组合导航方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021190763A1 (en) * | 2020-03-27 | 2021-09-30 | Nokia Technologies Oy | Self-interference correction |
CN114938232A (zh) * | 2022-06-15 | 2022-08-23 | 北京邮电大学 | 基于lstm的同时同频全双工数字域自干扰抑制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108599809A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108599809B (zh) | 全双工自干扰信号数字消除方法及装置 | |
CN109768940B (zh) | 多业务sdn网络的流量分配方法及装置 | |
Holzmann et al. | Echo state networks with filter neurons and a delay&sum readout | |
Panda et al. | A new training strategy for neural network using shuffled frog-leaping algorithm and application to channel equalization | |
DE602005006005T2 (de) | Verfahren und vorrichtung zur unterdrückung von kommunikationssignal-störungen | |
CN112367109A (zh) | 空地网络中由数字孪生驱动的联邦学习的激励方法 | |
CN109510676B (zh) | 一种基于量子计算的无线信道预测方法 | |
US8244787B2 (en) | Optimum nonlinear correntropy filter | |
CN110991483A (zh) | 高阶邻域混合的网络表示学习方法及装置 | |
CN107947761B (zh) | 基于最小均方四阶的变阈值比例更新自适应滤波方法 | |
CN101902416B (zh) | 模糊控制的动态小波神经网络反馈盲均衡方法 | |
CN106411799B (zh) | 低轨卫星移动通信单载波频域均衡方法 | |
CN112491442B (zh) | 一种自干扰消除方法及装置 | |
Wilson et al. | Robust distributed Lorentzian adaptive filter with diffusion strategy in impulsive noise environment | |
CN109635927A (zh) | 一种卷积神经网络训练方法及装置 | |
CN106330219A (zh) | 一种基于递归网络的无源互调干扰对消系统及方法 | |
Sarma et al. | Modeling MIMO channels using a class of complex recurrent neural network architectures | |
Lopes et al. | The MMFxLMS algorithm for active noise control with on-line secondary path modelling | |
CN110768704B (zh) | 基于残差神经网络的混合波束赋形矩阵优化方法 | |
CN114090108B (zh) | 算力任务执行方法、装置、电子设备及存储介质 | |
Zhang et al. | Deep reinforcement learning-empowered beamforming design for IRS-assisted MISO interference channels | |
Li et al. | Distributed functional link adaptive filtering for nonlinear graph signal processing | |
CN107018103B (zh) | 一种基于自适应步长猴群优化的小波常模盲均衡方法 | |
CN114938232B (zh) | 基于lstm的同时同频全双工数字域自干扰抑制方法 | |
CN102299875B (zh) | 引入免疫优化支持向量机的小波多模盲均衡方法 |
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 |