CN109194446A - 基于神经网络的极化码盲检测方法和装置 - Google Patents

Abstract

本发明实施例提供了一种基于神经网络的极化码盲检测方法和装置，所述方法包括：通过计算接收信号与重新编码调制后的信号序列的欧式距离和接收信号与全0序列的欧式距离的比值，输入预设的神经网络模型，得到数据特征值，与预存的有用信号的数据特征值阈值作比较，从而得到接收信号是有用信号还是无用噪声信号的结论。应用本发明实施例，提高了接收端检测模型确定接收信号是有用信号还是无用噪声信号的准确性，也就是说降低了收端检测的虚警率。

Description

基于神经网络的极化码盲检测方法和装置

技术领域

本发明涉及极化码检测技术领域，特别是涉及一种基于神经网络的极化码盲检测方法和装置。

背景技术

近几年来，极化码(Polar Code)被确定为第5代通信系统中增强移动宽带(eMBB，Enhance Mobile Broadband)场景的编码方案，在使用极化码时，需要对极化码进行盲检测，即收端对接收信息的检测。

目前，极化码的盲检测使用的是传统的盲检测模型，对接收信号进行CRC(CyclicRedundancy Check，循环冗余检验)辅助的串行抵消列表(CA-SCL，CRC-aided successivecancellation list)译码，得到L条候选路径，对L条候选路径进行循环冗余检验，判断是否存在通过循环冗余检验的路径，如果存在通过循环冗余检验的路径，则所述接收信号是有用信号；如果不存在通过循环冗余检验的路径，则所述接收信号是无用噪声信号。然而，使用这种方法往往会出现对接收信号类型确定错误的现象，降低了接收端检测模型确定接收信号是有用信号还是无用噪声信号的准确性，即提高了接收端检测的虚警率。

发明内容

本发明实施例的目的在于提供一种基于神经网络的极化码盲检测方法和装置，以降低接收端检测的虚警率。

为达到上述目的，本发明实施例公开了一种基于神经网络的极化码盲检测方法，包括：

获得接收信号；

对所述接收信号译码，获得候选路径；

对所述候选路径进行循环冗余检验CRC校验，判断候选路径中是否存在通过CRC校验的路径；

如果存在通过CRC校验的候选路径，则对该路径重新进行极化码编码和二进制相移键控BPSK调制，得到新的序列；

计算所述接收信号与新的序列的欧式距离和所述接收信号与全0序列的欧式距离的比值；

将欧氏距离的比值输入预设的神经网络模型；所述神经网络模型包含预设的欧氏距离的比值与输出的数据特征值之间的关系；

获得预设的神经网络模型输出的欧氏距离比值的数据特征值；

将输出的欧氏距离比值的数据特征值与预存的有用信号的数据特征值阈值进行比较；如果输出的欧氏距离比值的数据特征值大于预存的有用信号的数据特征值阈值，则所述接收信号是有用信号，否则所述接收信号是无用噪声信号。

可选的，所述获得接收信号的步骤，包括：

获得发送端发送到接收端的信号；所述发送端将待发送信息序列进行极化码编码，BPSK调制后，通过加性高斯白噪声AWGN信道发送到接收端。

可选的，所述预设的神经网络模型，采用如下步骤训练获得：

获取样本接收信号和样本接收信号对应的正确的检测结果a；

对所述样本接收信号译码，获得样本候选路径；

对所述样本候选路径进行CRC校验，判断样本候选路径中是否存在通过CRC校验的路径；

如果存在通过CRC校验的样本候选路径，则对该样本路径重新进行极化码编码和BPSK调制，得到新的样本序列；

如果不存在通过CRC校验的样本候选路径，则返回获取下一个样本接收信号和样本接收信号对应的正确的检测结果a的步骤；对所述下一个样本接收信号译码，获得样本候选路径；

计算所述样本接收信号与新的样本序列的欧式距离和所述样本接收信号与全0序列的欧式距离的比值；

将所述由样本接收信号计算所得的欧式距离的比值，输入当前待训练的神经网络模型；

获得当前待训练的神经网络模型的输出层输出结果；

根据当前待训练的神经网络模型的输出层输出结果、预设的交叉熵损失函数和所述样本接收信号对应的正确的检测结果，判断当前训练的神经网络是否收敛；

如果是，则完成训练，保存当前训练的神经网络模型的参数值，作为预设的神经网络模型的参数值；

如果否，则调整当前训练的神经网络模型的参数，返回获取下一个样本接收信号和样本接收信号对应的正确的检测结果a的步骤，对所述下一个样本接收信号译码，获得样本候选路径。

可选的，所述当前待训练的神经网络模型包括1个输入层，1个输出层，H_L个隐藏层，其中输入层和输出层都只包含1个神经元，每个隐藏层有N_l个神经元，其中l＝1,2,...,H_L，所述当前待训练的神经网络模型的参数包括：权重为w，偏执为b；

其中，第l隐藏层第i个神经元的输出为O_l,i，

l＝1,2,...,H_L，i＝1,2,...,N_l，ReLU是隐藏层激活函数，ReLU(x)＝max(0,x)；

输出层输出为out，则

其中Sigmoid是输出层激活函数，Sigmoid(x)是欧式距离比值的数据特征值，当x＝0时，得到所述有用信号的数据特征值阈值Sigmoid(0)＝0.5；

所述当前待训练的神经网络模型预设的交叉熵损失函数为：

loss＝outlna+(1-out)ln(1-a)。

可选的，所述调整当前训练的神经网络模型的参数w和b值的步骤，包括：

采用随机梯度下降算法调整当前训练的神经网络模型的参数w和b值。

可选的，所述将输出的欧氏距离比值的数据特征值与预存的有用信号的数据特征值阈值进行比较的步骤，包括：

判断输出的欧氏距离比值的数据特征值是否大于0.5；

所述如果输出的欧氏距离比值的数据特征值大于预存的有用信号的数据特征值阈值，则所述接收信号是有用信号，否则所述接收信号是无用噪声信号的步骤，包括：

如果输出的欧氏距离比值的数据特征值大于0.5，则所述接收信号是有用信号；

如果输出的欧氏距离比值的数据特征值不大于0.5，则所述接收信号是无用噪声信号。

可选的，在所述对所述候选路径进行CRC校验，判断候选路径中是否存在通过CRC校验的路径的步骤之后，还包括：

如果候选路径中不存在通过CRC校验的路径，则所述接收信号为无用噪声信号。

为了达到上述目的，本发明实施例还公开了一种基于神经网络的极化码盲检测装置，包括：

第一获取模块，用于获得接收信号；

译码模块，用于对所述接收信号译码，获得候选路径；

第一判断模块，用于对所述候选路径进行循环冗余检验CRC校验，判断候选路径中是否存在通过CRC校验的路径；

第二获取模块，用于对通过CRC校验的路径重新进行极化码编码和二进制相移键控BPSK调制，得到新的序列；

计算模块，用于计算所述接收信号与新的序列的欧式距离和所述接收信号与全0序列的欧式距离的比值；

输入模块，用于将欧氏距离的比值输入预设的神经网络模型；所述神经网络模型包含预设的欧氏距离的比值与输出的数据特征值之间的关系；

第三获取模块，用于获得预设的神经网络模型输出的欧氏距离比值的数据特征值；

比较模块，用于将输出的欧氏距离比值的数据特征值与预存的有用信号的数据特征值阈值进行比较，如果输出的欧氏距离比值的数据特征值大于预存的有用信号的数据特征值阈值时，确定所述接收信号是有用信号，否则所述接收信号是无用噪声信号。

本发明实施例提供的一种基于神经网络的极化码盲检测方法和装置，通过计算接收信号与重新编码调制后的信号序列的欧式距离和接收信号与全0序列的欧式距离的比值，输入预设的神经网络模型，得到数据特征值，与预存的有用信号的数据特征值阈值作比较，从而得到接收信号是有用信号还是无用噪声信号的结论，相对于现有技术，通过欧式距离的比值，对信号是否为有用信号做了进一步的确认，因此，提高了接收端检测模型确定接收信号是有用信号还是无用噪声信号的准确性，也就是说降低了收端检测的虚警率。

当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。

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。

图1为本发明实施例提供的基于神经网络的极化码盲检测方法的一种流程图；

图2a为本发明实施例提供的训练神经网络模型的流程图；

图2b为本发明实施例提供的基于神经网络的极化码盲检测方法的另一种流程图；

图3为1个神经元的神经网络模型示意图；

图4为本发明实施例提供的基于神经网络的极化码盲检测装置的示意图；

图5为接收端盲检测系统架构图，其中CA-SCL译码模型的列表大小为4；

图6为码长为216，信息位长度为56，不同CRC长度条件下，本发明盲检测方案和传统盲检测方案BLER和FAR性能对比图。

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。

为了解决现有技术问题，本发明实施例提供了一种基于神经网络的极化码盲检测方法和装置。下面首先对本发明实施例提供的一种基于神经网络的极化码盲检测方法进行介绍。

如图1所示，图1为本发明实施例提供的基于神经网络的极化码盲检测方法的一种流程示意图，可以包括：

S101：获得接收信号；

S102：对所述接收信号译码，获得候选路径；

S103：对所述候选路径进行CRC校验，判断候选路径中是否存在通过CRC校验的路径；

上述步骤S101～S103可以与现有技术相同，例如，可以对接收信号进行CA-SCL译码，获得L条候选路径，对所述候选路径进行CRC校验，判断候选路径中是否存在通过CRC校验的路径。

S104：如果存在通过CRC校验的候选路径，则对该路径重新进行极化码编码和BPSK调制，得到新的序列；

S105：计算所述接收信号与新的序列的欧式距离和所述接收信号与全0序列的欧式距离的比值；

S106：将欧氏距离的比值输入预设的神经网络模型；所述神经网络模型包含预设的欧氏距离的比值与输出的数据特征值之间的关系；

S107：获得预设的神经网络模型输出的欧氏距离比值的数据特征值；

S108：将输出的欧氏距离比值的数据特征值与预存的有用信号的数据特征值阈值进行比较；如果输出的欧氏距离比值的数据特征值大于预存的有用信号的数据特征值阈值，则所述接收信号是有用信号，否则所述接收信号是无用噪声信号。

应用图1所示的实施例，通过计算接收信号与重新编码调制后的信号序列的欧式距离和接收信号与全0序列的欧式距离的比值，输入预设的神经网络模型，得到数据特征值，与预存的有用信号的数据特征值阈值作比较，从而得到接收信号是有用信号还是无用噪声信号的结论，相对于现有技术，通过欧式距离的比值，对信号是否为有用信号做了进一步的确认，因此，提高了接收端检测模型确定接收信号是有用信号还是无用噪声信号的准确性，也就是说降低了收端检测的虚警率。

更进一步的，本发明实施例提供了基于神经网络的极化码盲检测方法的另一种实现方式。

首先训练待训练的神经网络模型，得到训练好的神经网络模型，作为预设的神经网络模型，然后使用预设的神经网络模型进行极化码盲检测，得到检测结果。

具体的，先对该实现方式中神经网络模型的训练过程进行详细说明。需要说明的是图1所示的实施例，也可以采用该流程进行神经网络模型的训练。如图2a所示，图2a为本发明实施例提供的训练神经网络模型的流程图，可以包括：

S201：获取样本接收信号和样本接收信号对应的正确的检测结果a；

在实际应用中，发送端发送多个样本发送信号，接收端接收到多个样本接收信号，一一检测样本接收信号，得到检测结果。由此，可以得知发送端发送的样本信号是有用信号还是无用噪声信号，也可以得知接收端接收的样本信号的检测结果代表的是有用信号还是无用噪声信号。

在实际应用中，发送端将待发送样本信息序列进行极化码编码，二进制相移键控(BPSK，Binary Phase Shift Keying)调制后，通过加性高斯白噪声(AWGN，Additive WhiteGaussian Noise)信道发送到接收端，接收端接收到样本信号。

其中，编码的极化码码长为N＝2ⁿ，设N位极化码中信息位数量为K，则K位信息位u_i的序号集合为A，即i∈A，极化码码率为R＝K/N，如果发送端未发送样本信号，则i∈A为全0序列。

编码后的极化码为其中n表示n次克罗内克积，对编码后的极化码进行BPSK调制，得到调制后的样本序列将调制后的样本序列通过AWGN信道发送，接收端接收到样本信号其中表示AWGN噪声序列。

S202：对所述样本接收信号译码，获得样本候选路径；

在实际应用中，对样本接收信号译码，可以是对样本接收信号进行列表大小为L的CA-SCL译码，获得L条样本候选路径。

S203：对所述样本候选路径进行CRC校验，判断样本候选路径中是否存在通过CRC校验的路径；如果存在通过CRC校验的样本候选路径，则执行S204，如果不存在通过CRC校验的样本候选路径，则返回执行S201步骤；

在实际应用中，对获得的L条样本候选路径进行CRC校验，判断L条样本候选路径中是否有某一条样本路径通过CRC校验，如果有某一条样本候选路径通过了CRC校验，则对该路径重新进行极化码编码，然后进行BPSK调制，得到新的样本序列，如果L条样本候选路径均没有通过CRC校验，则所返回执行S201步骤，获取下一个样本接收信号和样本接收信号对应的正确的检测结果a，对所述下一个样本接收信号译码，获得样本候选路径。

S204：对该样本路径重新进行极化码编码和BPSK调制，得到新的样本序列；

在实际应用中，对通过了CRC校验的样本路径重新进行极化码编码和BPSK调制，得到新的样本序列

S205：计算所述样本接收信号与新的样本序列的欧式距离和所述样本接收信号与全0序列的欧式距离的比值；

在实际应用中，所述样本接收信号与新的样本序列的欧式距离为所述样本接收信号与全0序列的欧式距离为则所述样本接收信号与新的样本序列的欧式距离和所述样本接收信号与全0序列的欧式距离的比值为d₀/d₁。

S206：将所述由样本接收信号计算所得的欧式距离的比值，输入当前待训练的神经网络模型；

在实际应用中，神经网络模型如图3所示，图3是1个神经元的神经网络模型示意图；

当前待训练的神经网络模型包括1个输入层，1个输出层，H_L个隐藏层，其中输入层和输出层都只包含1个神经元，每个隐藏层有N_l个神经元，其中l＝1,2,...,H_L，所述当前待训练的神经网络模型的参数包括：权重为w，偏执为b；

其中，第l隐藏层第i个神经元的输出为O_l,i，

l＝1,2,...,H_L，i＝1,2,...,N_l，ReLU是隐藏层激活函数，ReLU(x)＝max(0,x)；

输出层输出为out，则

其中Sigmoid是输出层激活函数，Sigmoid(x)是欧式距离比值的数据特征值，当x＝0时，得到所述有用信号的数据特征值阈值Sigmoid(0)＝0.5；

所述当前待训练的神经网络模型预设的交叉熵损失函数为：

loss＝outlna+(1-out)ln(1-a)。

S207：获得当前待训练的神经网络模型的输出层输出结果；

S208：判断当前训练的神经网络是否收敛；如果是，则执行S209，如果否，则执行S210；

在实际应用中，根据当前待训练的神经网络模型的输出层输出结果、预设的交叉熵损失函数和所述样本接收信号对应的正确的检测结果，判断当前训练的神经网络是否收敛，如果当前训练的神经网络模型是收敛的，则完成训练，保存当前训练的神经网络模型的参数w和b值，作为预设的神经网络模型的参数值；如果当前训练的神经网络模型未收敛，则采用随机梯度下降算法调整当前训练的神经网络模型的参数w和b值，获取下一个样本接收信号和样本接收信号对应的正确的检测结果a，对所述下一个样本接收信号译码，获得样本候选路径。

S209：保存当前训练的神经网络模型的参数值，作为预设的神经网络模型的参数值；

S210：采用随机梯度下降算法调整当前训练的神经网络模型的参数w和b值，返回S201的步骤。

然后，对该实现方式中，使用预设的神经网络模型进行极化码盲检测，得到检测结果的过程进行详细说明。

图2b为本发明实施例提供的使用预设的神经网络模型进行极化码盲检测的流程图，可以包括：

S211：获得发送端发送到接收端的信号；

在实际应用中，发送端将待发送信息序列进行极化码编码，BPSK调制后，通过AWGN信道发送到接收端，接收端接收到信号

S212：对所述接收信号译码，获得候选路径；

在实际应用中，对接收信号译码，可以是对接收信号进行列表大小为L的CA-SCL译码，获得L条候选路径。

S213：对所述候选路径进行CRC校验，判断候选路径中是否存在通过CRC校验的路径；如果候选路径中存在通过CRC校验的路径，则执行S204；如果候选路径中不存在通过CRC校验的路径，则所述接收信号为无用噪声信号；

在实际应用中，对获得的L条候选路径进行CRC校验，判断L条候选路径中是否有某一条路径通过CRC校验，如果有某一条候选路径通过了CRC校验，则对该路径重新进行极化码编码，然后进行BPSK调制，得到新的序列，如果L条候选路径均没有通过CRC校验，则所述接收信号为无用噪声信号。

S214：对该路径重新进行极化码编码和BPSK调制，得到新的序列；

在实际应用中，对通过了CRC校验的路径重新进行极化码编码和BPSK调制，得到新的序列

S215：计算所述接收信号与新的序列的欧式距离和所述接收信号与全0序列的欧式距离的比值；

在实际应用中，所述接收信号与新的序列的欧式距离为所述接收信号与全0序列的欧式距离为则所述接收信号与新的序列的欧式距离和所述接收信号与全0序列的欧式距离的比值为d₀/d₁。

S216：将欧氏距离的比值输入预设的神经网络模型；

在实际应用中，将接收信号与新的序列的欧式距离和所述接收信号与全0序列的欧氏距离的比值d₀/d₁，输入预设的神经网络模型，所述神经网络模型包含预设的欧氏距离的比值与输出的数据特征值之间的关系；

S217：获得预设的神经网络模型输出的欧氏距离比值的数据特征值；

在实际应用中，根据神经网络模型的输出层激活函数，得到输出结果，该输出结果就是预设的神经网络模型输出的欧式距离比值的数据特征值，而数据特征值的阈值为0.5。

S218：判断输出的欧氏距离比值的数据特征值是否大于0.5；如果是，则接收信号是有用信号，否则接收信号是无用噪声信号。

应用图2所示的实施例，通过图2a所示的流程进行神经网络模型的训练，得到训练好的神经网络模型，作为预设的神经网络模型，然后通过图2b所示的流程获得接收信号译码得到的候选路径，对候选路径进行CRC校验后，对通过校验的路径重新编码和调制，计算接收信号与重新编码调制后的信号序列的欧式距离和接收信号与全0序列的欧式距离的比值，输入预设的神经网络模型，得到欧式距离比值的数据特征值，与预存的有用信号的数据特征值阈值作比较，从而得到接收信号是有用信号还是无用噪声信号的结论，相对于现有技术，通过欧式距离的比值，对信号是否为有用信号做了进一步的确认，因此，提高了接收端检测模型确定接收信号是有用信号还是无用噪声信号的准确性，也就是说降低了收端检测的虚警率。

相应于图1所示的方法实施例，本发明实施例还提供了一种基于神经网络的极化码盲检测装置，如图4所示，所述装置包括：

第一获取模块401，用于获得接收信号；

译码模块402，用于对所述接收信号译码，获得候选路径；

第一判断模块403，用于对所述候选路径进行循环冗余检验CRC校验，判断候选路径中是否存在通过CRC校验的路径；

第二获取模块404，用于对通过CRC校验的路径重新进行极化码编码和二进制相移键控BPSK调制，得到新的序列；

计算模块405，用于计算所述接收信号与新的序列的欧式距离和所述接收信号与全0序列的欧式距离的比值；

输入模块406，用于将欧氏距离的比值输入预设的神经网络模型；所述神经网络模型包含预设的欧氏距离的比值与输出的数据特征值之间的关系；

第三获取模块407，用于获得预设的神经网络模型输出的欧氏距离比值的数据特征值；

比较模块408，用于将输出的欧氏距离比值的数据特征值与预存的有用信号的数据特征值阈值进行比较，如果输出的欧氏距离比值的数据特征值大于预存的有用信号的数据特征值阈值时，确定所述接收信号是有用信号，否则所述接收信号是无用噪声信号。

在实际应用中，接收端基于神经网络的极化码盲检测系统的架构，如图5所示，其中CA-SCL译码模型的列表大小为4，接收信号y经过CA-CRC译码后，得到4条候选路径，对4条候选路径进行CRC校验，将通过CRC校验的路径重新编码和调制，得到新的序列，计算接收信号与新的序列的欧式距离和接收信号与全0序列的欧式距离的比值，将欧氏距离的比值输入已训练好的神经网络模型，得到欧式距离比值的数据特征值，从而得到接收信号是有用信号还是无用噪声信号的结论。

应用图4所示的实施例，通过计算接收信号与重新编码调制后的信号序列的欧式距离和接收信号与全0序列的欧式距离的比值，输入预设的神经网络模型，得到数据特征值，与预存的有用信号的数据特征值阈值作比较，从而得到接收信号是有用信号还是无用噪声信号的结论，相对于现有技术，通过欧式距离的比值，对信号是否为有用信号做了进一步的确认，因此，提高了接收端检测模型确定接收信号是有用信号还是无用噪声信号的准确性，也就是说降低了收端检测的虚警率。

具体实际应用中，可以将极化码码长设为216，信息位长度为56，得到不同CRC长度条件下，本发明实施例盲检测方案和传统盲检测方案误块率(BLER，Block Error Rate)和虚警率(FAR，False Alarm Rate)性能对比图，如图6所示，横坐标Es/N0(dB)表示接收信号信噪比，单位是dB，纵坐标BLER or FAR表示误块率或虚警率，图例中CRC-11表示采用11位CRC校验，Conv.(Conventional)表示传统盲检测方法，Prop.(Propose)表示本发明提出的盲检测方法，那么，图例中FAR,CRC-11,Conv.表示对接收信号进行11位CRC校验，使用传统盲检测方法得到的虚警率，FAR,CRC-11,Prop.表示对接收信号进行11位CRC校验，使用本发明提出的盲检测方法得到的虚警率。对比图中FAR,CRC-11,Conv.代表的曲线和FAR,CRC-11,Prop.代表的曲线，在Es/N0(dB)值相同的情况下，FAR,CRC-11,Prop.曲线代表的值比FAR,CRC-11,Conv.曲线代表的值小。可见，相对于传统盲检测方案，本发明实施例提供的基于神经网络的极化码盲检测方法和装置，降低了收端检测的虚警率。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非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作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (8)

1.一种基于神经网络的极化码盲检测方法，其特征在于，所述方法包括：

获得接收信号；

对所述接收信号译码，获得候选路径；

对所述候选路径进行循环冗余检验CRC校验，判断候选路径中是否存在通过CRC校验的路径；

如果存在通过CRC校验的候选路径，则对该路径重新进行极化码编码和二进制相移键控BPSK调制，得到新的序列；

计算所述接收信号与新的序列的欧式距离和所述接收信号与全0序列的欧式距离的比值；

将欧氏距离的比值输入预设的神经网络模型；所述神经网络模型包含预设的欧氏距离的比值与输出的数据特征值之间的关系；

获得预设的神经网络模型输出的欧氏距离比值的数据特征值；

将输出的欧氏距离比值的数据特征值与预存的有用信号的数据特征值阈值进行比较；如果输出的欧氏距离比值的数据特征值大于预存的有用信号的数据特征值阈值，则所述接收信号是有用信号，否则所述接收信号是无用噪声信号。

2.根据权利要求1所述的方法，其特征在于，

所述获得接收信号的步骤，包括：

获得发送端发送到接收端的信号；所述发送端将待发送信息序列进行极化码编码，BPSK调制后，通过加性高斯白噪声AWGN信道发送到接收端。

3.根据权利要求1所述的方法，其特征在于，

所述预设的神经网络模型，采用如下步骤训练获得：

获取样本接收信号和样本接收信号对应的正确的检测结果a；

对所述样本接收信号译码，获得样本候选路径；

对所述样本候选路径进行CRC校验，判断样本候选路径中是否存在通过CRC校验的路径；

如果存在通过CRC校验的样本候选路径，则对该样本路径重新进行极化码编码和BPSK调制，得到新的样本序列；

如果不存在通过CRC校验的样本候选路径，则返回获取下一个样本接收信号和样本接收信号对应的正确的检测结果a的步骤；对所述下一个样本接收信号译码，获得样本候选路径；

计算所述样本接收信号与新的样本序列的欧式距离和所述样本接收信号与全0序列的欧式距离的比值；

将所述由样本接收信号计算所得的欧式距离的比值，输入当前待训练的神经网络模型；

获得当前待训练的神经网络模型的输出层输出结果；

根据当前待训练的神经网络模型的输出层输出结果、预设的交叉熵损失函数和所述样本接收信号对应的正确的检测结果，判断当前训练的神经网络是否收敛；

如果是，则完成训练，保存当前训练的神经网络模型的参数值，作为预设的神经网络模型的参数值；

如果否，则调整当前训练的神经网络模型的参数，返回获取下一个样本接收信号和样本接收信号对应的正确的检测结果a的步骤，对所述下一个样本接收信号译码，获得样本候选路径。

4.根据权利要求3所述的方法，其特征在于，

所述当前待训练的神经网络模型包括1个输入层，1个输出层，H_L个隐藏层，其中输入层和输出层都只包含1个神经元，每个隐藏层有N_l个神经元，其中l＝1,2,...,H_L，所述当前待训练的神经网络模型的参数包括：权重为w，偏执为b；

其中，第l隐藏层第i个神经元的输出为O_l,i，

l＝1,2,...,H_L，i＝1,2,...,N_l，ReLU是隐藏层激活函数，ReLU(x)＝max(0,x)；

输出层输出为out，则

其中Sigmoid是输出层激活函数，Sigmoid(x)是欧式距离比值的数据特征值，当x＝0时，得到所述有用信号的数据特征值阈值Sigmoid(0)＝0.5；

所述当前待训练的神经网络模型预设的交叉熵损失函数为：

loss＝out ln a+(1-out)ln(1-a)。

5.根据权利要求4所述的方法，其特征在于，

所述调整当前训练的神经网络模型的参数w和b值的步骤，包括：

采用随机梯度下降算法调整当前训练的神经网络模型的参数w和b值。

6.根据权利要求4所述的方法，其特征在于，

所述将输出的欧氏距离比值的数据特征值与预存的有用信号的数据特征值阈值进行比较的步骤，包括：

判断输出的欧氏距离比值的数据特征值是否大于0.5；

所述如果输出的欧氏距离比值的数据特征值大于预存的有用信号的数据特征值阈值，则所述接收信号是有用信号，否则所述接收信号是无用噪声信号的步骤，包括：

如果输出的欧氏距离比值的数据特征值大于0.5，则所述接收信号是有用信号；

如果输出的欧氏距离比值的数据特征值不大于0.5，则所述接收信号是无用噪声信号。

7.根据权利要求1所述的方法，其特征在于，

在所述对所述候选路径进行CRC校验，判断候选路径中是否存在通过CRC校验的路径的步骤之后，还包括：

如果候选路径中不存在通过CRC校验的路径，则所述接收信号为无用噪声信号。

8.一种基于神经网络的极化码盲检测装置，其特征在于，所述装置包括：

第一获取模块，用于获得接收信号；

译码模块，用于对所述接收信号译码，获得候选路径；

第一判断模块，用于对所述候选路径进行CRC校验，判断候选路径中是否存在通过CRC校验的路径；

第二获取模块，用于对通过CRC校验的路径重新进行极化码编码和BPSK调制，得到新的序列；

计算模块，用于计算所述接收信号与新的序列的欧式距离和所述接收信号与全0序列的欧式距离的比值；

输入模块，用于将欧氏距离的比值输入预设的神经网络模型；所述神经网络模型包含预设的欧氏距离的比值与输出的数据特征值之间的关系；

第三获取模块，用于获得预设的神经网络模型输出的欧氏距离比值的数据特征值；

比较模块，用于将输出的欧氏距离比值的数据特征值与预存的有用信号的数据特征值阈值进行比较，如果输出的欧氏距离比值的数据特征值大于预存的有用信号的数据特征值阈值时，确定所述接收信号是有用信号，否则所述接收信号是无用噪声信号。