CN109995449A

CN109995449A - 一种基于深度学习的毫米波信号检测方法

Info

Publication number: CN109995449A
Application number: CN201910199408.9A
Authority: CN
Inventors: 赵成林; 李斌; 许方敏; 刘宏福
Original assignee: Beijing University of Posts and Telecommunications
Current assignee: Beijing University of Posts and Telecommunications
Priority date: 2019-03-15
Filing date: 2019-03-15
Publication date: 2019-07-09
Anticipated expiration: 2039-03-15
Also published as: CN109995449B

Abstract

本发明公开了一种基于深度学习的毫米波信号检测方法，其特征在于，包括：使用特征编码方法对接收信号进行标注，得到标注数据；对所述标注数据进行预处理，得到训练数据和测试数据；将所述训练数据输入神经网络模型进行线下训练并使用所述测试数据对所述神经网络模型进行测试，固化所述神经网络模型，得到毫米波检测神经网络模型；将所述毫米波检测神经网络模型应用于线上毫米波信号检测，解决非线性失真和多径干扰问题。

Description

一种基于深度学习的毫米波信号检测方法

技术领域

本发明涉及5G技术领域，特别是指一种基于深度学习的毫米波信号检测方法。

背景技术

随着人们生活水平的提高，人们对移动通信的信息传输质量和容量需求越来越高，5G网络将会在未来几年取代前几代移动网络。而5G网络通信主要在毫米波频段进行，因此毫米波通信将会成为未来主流的通信方式。毫米波通信非常容易受到发射功率的非线性失真和多径干扰的影响，从而导致接收端误比特率急剧上升，传输性能大幅度下降。

目前解决功率放大器非线性特性的方法主要有如下几种：第一种通过降低发射功率，使其远离功率放大器的饱和点，从而降低信号的非线性失真，该方法实现简单，然而较高的功率回退将导致发射信号功率较小，从而降低接收端信噪比，造成通信性能急剧下降；第二种通过数字预编码的方式来抵抗非线性失真，即预失真技术，该方法主要通过推断功率放大器特性的反函数，在发射端补偿和修复功率放大器的非线性特性，该方法实现较为复杂，对严重的非线性失真不具有鲁棒性。且前两种方法都在发射端对信号进行处理，没有考虑到多径效应带来的影响。

发明内容

有鉴于此，本发明的目的在于提出一种能够综合解决非线性失真和多径干扰问题的毫米波信号检测方法。

基于上述目的，本发明提供了一种基于深度学习的毫米波信号检测方法，包括：

使用特征编码方法对接收信号进行标注，得到标注数据；

对所述标注数据进行预处理，得到训练数据和测试数据；

将所述训练数据输入神经网络模型进行线下训练并使用所述测试数据对所述神经网络模型进行测试，固化所述神经网络模型，得到毫米波检测神经网络模型；

将所述毫米波检测神经网络模型应用于线上毫米波信号检测，解决非线性失真和多径干扰问题。

在一些实施方式中，所述特征编码方法为独热编码。

在一些实施方式中，所述对所述标注数据进行预处理为：把所述接收信号的实部和虚部分别当作两个相互独立的实部特征，将所述标注数据二维化，具体公式为：

y_k＝h^T{G(x_k)οexp[-jθ_k-jψ(x_k)]}＝real(y_k)+i·imag(y_k)

其中，y_k表示第k个接收信号，x_k表示发送信号，h^T表示信道状态，G(x_k)表示非线性功率放大器幅度响应函数，ψ(x_k)非线性功率放大器相位响应函数，θ_k非线性功率放大器初始相位。

在一些实施方式中，所述训练数据的信噪比为7dB，所述测试数据的信噪比为0-12dB。

在一些实施方式中，所述神经网络模型在多径信道模型的网络前端具有一层LSTM层。

在一些实施方式中，所述神经网络模型使用包括四层全连接神经网络。

在一些实施方式中，所述神经网络模型使用softmax作为最后一层的激活函数。

在一些实施方式中，所述神经网络模型的损失函数在1_s和p之间使用交叉熵函数。

在一些实施方式中，所述神经网络模型使用学习率为0.001的自适应动量算法。

另一方面本发明还提供了一种电子设备，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如上实施例任意一项所述的方法。

从上面所述可以看出，本发明提供的一种基于深度学习的毫米波信号检测方法通过在接收端进行信号检测，凭借神经网络强大的非线性表示能力，对接收信号进行解码，获取其完整的非线性特性，同时循环神经网络的时间记忆性能够有效解决短距离毫米波的多径效问题，从而大大提升了系统传输性能。并且在信号检测过程中，本方法不需要获取任何CSI的先验信息，在线上检测过程中，只有若干矩阵运算，降低了时间复杂度。另一方面，本发明首次提出了在接收端基于深度神经网络的方法对受到非线性失真和多径干扰的毫米波信号进行检测，对后来深度神经网络在毫米波信号检测方向上的应用具有开拓意义。

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为本发明一个实施例的基于神经网络的非线性系统模型示意图；

图2为本发明一个实施例的神经网络的总体结构布局示意图；

图3为本发明一个实施例的LSTM层的具体结构示意图；

图4为本发明一个实施例的基于深度学习的毫米波信号检测方法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

信号传输的过程是发射端将目标信号通过信道传输到接收端，并在接收端精确或近似的恢复目标信号的过程。为了解决实际的理论最优解，发射端和接收端被分成若干个模块，每一个模块都要来分别处理一个具体的子问题，包括调制解调，信道编码译码，均衡等。信号接收端需要根据发射端的编码方式和信道状态来最大程度的准确获取发射信号。

随着人们生活水平的提高，人们对移动通信的信息传输质量和容量需求越来越高。5G网络将会在未来几年取代前几代移动网络。5G网络通信主要在毫米波频段进行，因此毫米波通信将会成为未来主流的通信方式。由于需要承载大量的数据信息，因此信号需要进行高阶调制。且因在发射端功率放大器硬件设备的缺陷，以及具有较高峰均功率，毫米波通信非常容易受到发射功率的非线性失真和多径干扰的影响，从而导致接收端误比特率急剧上升，传输性能大幅度下降。目前解决功率放大器非线性特性的方法主要有如下几种：第一种通过降低发射功率，使其远离功率放大器的饱和点，从而降低信号的非线性失真。该方法实现简单，然而较高的功率回退将导致发射信号功率较小，从而降低接收端信噪比，造成通信性能急剧下降；第二种通过数字预编码的方式来抵抗非线性失真，即预失真技术，该方法主要通过推断功率放大器特性的反函数，在发射端补偿和修复功率放大器的非线性特性。该方法实现较为复杂，对严重的非线性失真不具有鲁棒性。且前两种方法都在发射端对信号进行处理，没有考虑到多径效应带来的影响。

为了更好地解决上述问题，本专利提出一种基于深度神经网络的方法来解决毫米波通信的非线性均衡和信号检测问题。该方法通过深度神经网络方法在接收端进行信号检测，凭借神经网络强大的非线性表示能力，对接收信号进行解码，从而提升系统传输性能。同时考虑到短距离毫米波的多径效应，循环神经网络(RNN)的时间记忆性能够有效解决此问题。因此新技术的应用将对毫米波通信系统性能进一步改善。

基于上述目的，本发明提供了一种基于深度学习的毫米波信号检测方法，包括：使用特征编码方法对信号进行标注，得到标注数据；对所述标注数据进行预处理，得到训练数据和测试数据；将所述训练数据输入神经网络模型进行线下训练并使用所述测试数据对所述神经网络模型进行测试，固化所述神经网络模型，得到毫米波检测神经网络模型；将所述毫米波检测神经网络模型应用于线上毫米波信号检测，解决非线性失真和多径干扰问题。

下面结合图1为本发明一个实施例的基于神经网络的非线性系统模型示意图、图2为本发明一个实施例的神经网络的总体结构布局示意图、图3为本发明一个实施例的LSTM层的具体结构示意图和图4为本发明一个实施例的基于深度学习的毫米波信号检测方法的流程图对本发明作进一步的的描述。

考虑到功率放大器的非线性特性和信道的多径效应，在接收端应用了DNN和RNN进行信号检测，具体系统流程图如图1所示，其中，{b_i}(i＝0,1,2…)表示二进制信息源序列，{x_k}(k＝0,1,2…)表示m(m＝log₂M)阶调制信号，是{x_k}通过非线性功率放大器的输出信号，由于传输信道具有多径衰落特性，因此接收信号{y_k}会受到码间干扰的影响，其离散时间基带形式如公式所示：

其中表示第k个信号传输时的第l个信道的特性，n_k表示信号噪声，K表示接收的信号数量，L表示多径的数量，H表示矩阵转置。

将接收信号{y_k}作为训练数据，输入到神经网络中并进行训练，神经网络的输出端输出估计信号通过和{b_i}进行比对，来判别接收信号的误比特率。

如图4所示，为本发明一个实施例的基于深度学习的毫米波信号检测方法的流程图，包括：

S101使用特征编码方法对接收信号进行标注，得到标注数据：由于此神经网络具有监督性，因此需要使用one-hot编码即独热编码对接收信号{y_k}进行标签标注。当对输入数据{b_i}(i＝0,1,2…)进行M阶线性调制时，一个码元包含m(m＝log₂M)比特数据。将m比特数据编码成one-hot向量(第s个元素为1，其它元素为0)，得到的one-hot向量{s_k}(第s个元素为1，其它元素为0)是对应接收信号{y_k}的标签数据。

S102对所述标注数据进行预处理，得到训练数据和测试数据：神经网络的总体结构布局如图2所示，前一层都是数据预处理。由于接收信号{y_k}是复信号，含有幅值和相位信息，由复数特性可知，复数的实部和虚部是相互独立的，因此把接收信号的实部和虚部分别当作是两个相互独立的实部特征，故接收信号可作为具有二维特征的训练数据和测试数据，输入到神经网络中，具体公式如下：

y_k＝h^T{G(x_k)οexp[-jθ_k-jψ(x_k)]}＝real(y_k)+i·imag(y_k)

其中，y_k表示第k个接收信号，x_k表示第k个发送信号，h^T表示信道状态，G(x_k)表示以x_k为输入信号的非线性功率放大器的幅度响应函数，ψ(x_k)表示以x_k为输入信号的非线性功率放大器的相位响应函数，θ_k表示非线性功率放大器的初始相位。

预处理后的标注数据取一部分作为训练数据输入到神经网络中，剩下的数据留作测试数据，在训练后对神经网络进行测试。

S103将所述训练数据输入神经网络模型进行线下训练并使用所述测试数据对所述神经网络模型进行测试，固化所述神经网络模型，得到毫米波检测神经网络模型：

Layer	Output dimension
		Input	2
Dense+ReLU	M
		Dense+ReLU	2M
Dense+ReLU	M
		Dense+softmax	M

(a)单径信道

Layer	Output dimension
		Input	L*2
LSTM+tanh	M
		Dense+ReLU	M
Dense+ReLU	2M
		Dense+ReLU	M
Dense+softmax	M

(b)多径信道

表1：在接收端神经网络检测器的布局

如果信道是L径(L>1)信号传输场景下，需要考虑到码间干扰(ISI)的影响，鉴于RNN能够专门处理与时间相关的数据序列，因此在单径网络前端加一层LSTM层能够很好的处理信号的多径干扰，具体结构如表1(b)所示。LSTM层的具体结构见图3。其中y_t,h_t,o_t分别表示输入值，隐藏状态，输出值。权重矩阵U，权重矩阵W，权重矩阵V分别表示输入到隐藏状态的权重链接，隐藏层到隐藏层的循环权重链接，隐藏层到输出层的权重链接。o_t是一个高维向量能够很好的捕获前L个输入数据的必要信息，并作为下一层的输入将这些有用信息发送到下一层神经网络中进行进一步的学习。当然如果是在单径信道下(L＝1)，不需要考虑码间干扰(ISI)，为了降低计算量，不需要添加LSTM层，具体结构见表1(a)。

本信号检测方法主要分为两个阶段来处理功率放大器的非线性失真和多径干扰。第一阶段，将接收信号{y_k}和对应的标签数据{s_k}作为训练数据输入到神经网络中，进行线下学习；第二阶段，直接将训练好的神经网络在线上进行应用，能够很好的恢复目标数据{b_i}，在这个过程中我们不需要任何的信道状态信息(CSI)。

实验表明，针对该目标训练问题，随机梯度下降(SGD)使用四层全连接神经网络能够收敛到较好的损失函数数值。如果层数太少，维度参数搜索空间太小，收敛到次优最小值的可能性很大，如果层数太大，导致计算量巨大，从而训练时间较长，而且性能没有进一步提升。由于是多分类问题，我们使用softmax作为最后一层的激活函数，具体公式如下：

表示训练的概率，是元素x_i的指数与所有元素指数和的比值。

损失函数在1_s和p之间使用交叉熵函数，具体公式如下：

交叉熵损失函数可以衡量s_i与的相似性，s_i表示训练标签，表示训练的概率，n表示训练样本数量。

神经网络的其他参数配置，使用学习率为0.001自适应动量算法(Adamalgorithm)，训练数据为信噪比(E_b/N₀)7dB的数据，测试数据为信噪比0-12dB的数据。

S104将所述毫米波检测神经网络模型应用于线上毫米波信号检测，解决非线性失真和多径干扰问题。

上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本发明难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本发明难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本发明的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、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

1.一种基于深度学习的毫米波信号检测方法，其特征在于，包括：

使用特征编码方法对接收信号进行标注，得到标注数据；

对所述标注数据进行预处理，得到训练数据和测试数据；

2.根据权利要求1所述的一种基于深度学习的毫米波信号检测方法，其特征在于，所述特征编码方法为独热编码。

3.根据权利要求1所述的一种基于深度学习的毫米波信号检测方法，其特征在于，所述对所述标注数据进行预处理为：把所述接收信号的实部和虚部分别当作两个相互独立的实部特征，将所述标注数据二维化，具体公式为：

4.根据权利要求1所述的一种基于深度学习的毫米波信号检测方法，其特征在于，所述训练数据的信噪比为7dB，所述测试数据的信噪比为0-12dB。

5.根据权利要求1所述的一种基于深度学习的毫米波信号检测方法，其特征在于，所述神经网络模型在多径信道模型的网络前端具有一层LSTM层。

6.根据权利要求1至5任意一项所述的一种基于深度学习的毫米波信号检测方法，其特征在于，所述神经网络模型使用包括四层全连接神经网络。

7.根据权利要求1至5任意一项所述的一种基于深度学习的毫米波信号检测方法，其特征在于，所述神经网络模型使用softmax作为最后一层的激活函数。

8.根据权利要求1至5任意一项所述的一种基于深度学习的毫米波信号检测方法，其特征在于，所述神经网络模型的损失函数在1_s和p之间使用交叉熵函数。

9.根据权利要求1至5任意一项所述的一种基于深度学习的毫米波信号检测方法，其特征在于，所述神经网络模型使用学习率为0.001的自适应动量算法。

10.一种电子设备，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如权利要求1至9任意一项所述的方法。