CN110061946B - 一种面向高铁的深度信号检测方法 - Google Patents
一种面向高铁的深度信号检测方法 Download PDFInfo
- Publication number
- CN110061946B CN110061946B CN201910242525.9A CN201910242525A CN110061946B CN 110061946 B CN110061946 B CN 110061946B CN 201910242525 A CN201910242525 A CN 201910242525A CN 110061946 B CN110061946 B CN 110061946B
- Authority
- CN
- China
- Prior art keywords
- neural network
- speed rail
- scene
- signal detection
- signals
- 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
Images
Classifications
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
- H04L27/2647—Arrangements specific to the receiver only
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提出了一种面向高铁的深度信号检测方法,首先,收集数据,依据高铁沿线不同环境类型,在高铁沿线各个场景内收集若干发送信号和接收信号;其次,划分场景,通过数据分析将每个场景进一步划分为多个区域以满足神经网络的兼容性;再次,建立深度高铁信号检测神经网络模型;接着,离线训练高铁信号检测神经网络;最后,进行在线实时检测信号,高铁在行驶过程中先通过GPS确定其位置信息,判断其所在的区域,并选择相应的神经网络模型,接着将实时接收到信号输入训练好的神经网络中,实时输出基站端发送信号。本发明的系统性能有了很大的提高,信号检测误比特率降低,算法更具鲁棒性。本发明所使用的方法无需对信道进行估计,节省了导频开销。
Description
技术领域
本发明涉及一种面向高铁的深度信号检测方法,具体是将深度学习和高铁通信结合起来,提供了一种高铁场景下基于大数据深度学习的信号检测方法,属于无线通信技术领域。
背景技术
高铁作为我国人民现代出行的重要交通工具,其快速性、安全性、舒适性是人们选择的主要原因,但是对高铁通信技术的要求也越来越高。高铁通信技术的建立不但是为了满足顾客的移动通信需求,还为高铁在行车过程中提供安全可靠的数据信息分析,减小出行风险,可以说,高铁的通信技术是整个高铁的灵魂所在。同时,随着最近几年来设备计算能力的提升,机器学习凭借其优越的性能受到大家的广泛关注。深度学习作为机器学习的一个分支,基于大数据训练优化神经网络模型,已经被成功运用于信道均衡,信道编译码以及基于位置的信道状态信息评估等无线通信相关领域。
经对现有技术文献的检索发现,X.Wang,L.Gao,S.Mao等人在《IEEE Internet ofThings Journal(电气电子工程师协会无线通信领域期刊)》上发表了题为“CSI PhaseFingerprinting for Indoor Localization with a Deep Learning Approach(使用深度学习方法进行室内定位的CSI相位指纹识别)”一文,该文提出了一种基于深度学习的室内指纹识别系统,称为DeepFi,该系统使用信道状态信息,可以有效的减少定位误差。另经检索发现,J.C.Patra R.N.Pal等人在《Signal Process(信号处理期刊)》上发表了题为“Afunctional link artificial neural network for adaptive channel equalization(一种用于自适应信道均衡的功能链路人工神经网络)”一文,该文考虑了人工神经网络(ANN)结构在数字通信系统中信道均衡问题的应用,并且提出了基于功能链路人工神经网络(FLANN)的方案,克服了均衡器与信道非线性相关的问题,在误码率性能方面得到很大的提升。H.Ye,G.Y.Li and B.Juang等人在《IEEE Wireless Communications Letters》上发表了题为“Power of Deep Learning for Channel Estimation and Signal Detectionin OFDM Systems(深度学习在OFDM信道估计和信号检测系统中的优势)”一文,该文运用深度学习算法进行信道估计和信号检测,进一步降低了信号检测的误码率。以上文献不足之处在于没有考虑高铁这种高移动性的场景。
发明内容
本发明所要解决的技术问题是,克服现有技术的不足而提供一种面向高铁的深度信号检测方法,该方法通过在离线阶段训练深度神经网络,无需对信道进行估计,能在线直接检测发送端信号。
本发明提供一种面向高铁的深度信号检测方法,包括以下步骤:
第一步、数据收集,依据高铁沿线不同的环境类型,在高铁沿线各个场景内收集若干发送信号和接收信号,用于训练高铁信号检测神经网络;
第二步、场景划分,通过数据分析将每个场景进一步划分为多个区域以满足神经网络的兼容性;
第三步、建立深度高铁信号检测神经网络模型;
第四步、离线训练高铁信号检测神经网络,采用梯度下降算法结合BP反向传播的方法对各个区域所属神经网络的参数θ进行优化;
第五步、在线实时检测信号,高铁在行驶过程中先通过GPS确定其位置信息,判断其所在的区域,并选择相应的神经网络模型,接着将实时接收到信号输入训练好的神经网络中,实时输出基站端发送信号。
由于高铁路线的固定性,列车总是在周期性地行驶,因此利用历史大数据辅助高铁无线信号检测是非常有意义的。在本发明中,提出了一种深度学习算法来检测高铁场景下MIMO信号。整个算法分为两个阶段:离线训练阶段和在线检测阶段。在离线训练阶段,首先分析各铁路沿线数据,并基于列车与基站之间的通信距离进一步将单个场景划分为多个区域;然后,为每个划分好的区域构建对应深度神经网络并加以训练。在线检测阶段,列车根据GPS获取的位置信息定位当前区域,并选择相应的神经网络模型实时检测信号。此外,该网络结构融合了信道估计和信号检测。因此,高铁深度信号检测方法不需要信道估计即可直接检测MIMO信号。最后,仿真结果表明,深度学习检测算法比传统检测算法具有更好的精度,如最小二乘(LS)算法和最小均方误差(MMSE)算法。
作为本发明的进一步技术方案,第一步中,数据收集的具体方法如下:
(11)定义Xt和Yt分别为场景t内的发送信号和接受信号,Ht为场景t内的信道矩阵,Wt为场景t内的高斯白噪声,且0<t≤T,T表示场景的总数目,即总共T个场景;
(12)发送端和接收端均采用8*8的天线组成MIMO,则第k根接收天线所接收的信号可以表示为
其中,(0<k≤64),此处i表示发送端第i根发送天线,t表示第t个场景;
(13)将X={X1,X2,...,XT}、Y={Y1,Y2,...,YT}作为高铁各个场景下的发送和接收信号被存入数据库中。
进一步的,第二步中,场景划分的具体方法为:首先,选取某个场景中位置A的数据集训练神经网络,再用该场景位置B中数据对该网络进行测试,根据基站与列车之间的通信距离将单个场景划分为多个区域。
进一步的,第三步中,为每个划分好的区域都建立一个对应的高铁信号检测神经网络模型,每个神经网络包含6个隐藏层,层与层之间采用全连接的方式传递信息,其中输入层和输出层各有64个节点,对应8*8的MIMO输入天线和输出天线,隐藏层采用sigmoid激活函数,即这样由第i层的输出yi即可得到第i+1层的输出yi+1=f(yi,θ),其中θ为神经网络第i+1层的参数。
进一步的,第四步中,离线训练高铁信号检测神经网络的具体方法如下:
首先,将对应各个区域所收集到的高铁相关数据导入进构建好属于本场景的高铁信号检测神经网络模型中,其中接收信号Y={Y1,Y2,...,YT}作为神经网络算法的输入,发送信号X={X1,X2,...,XT}作为算法的输出标签,神经网络输出的发送信号估计值即为
最后,在数据集中选出一部分作为测试数据,对训练好的神经网络进行测试,若误差在所设阈值范围之内,则训练结束,否则,继续对参数进行优化直到误差满足要求为止。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:系统性能有了很大的提高,信号检测误比特率降低,算法更具鲁棒性。此外,本发明所使用的检测方法不需要对信道进行估计,节省了导频开销。
附图说明
图1为本发明的系统模型示意图。
图2为本发明的区域划分示意图。
图3为本发明的高铁深度检测算法网络框图。
图4为本发明的区域划分仿真图,其中图4a为当d0=20m时区域划分仿真图,图4b为当d0=50m时区域划分仿真图,图4c为当d0=100m时区域划分仿真图,图4d为当d0=300m时区域划分仿真图,图4e为当d0=800m时区域划分仿真图,图4f为当d0=1900m时区域划分仿真图。
图5为本发明中深度学习与其他传统算法检测性能对比图。
图6为本发明在不同参数下深度学习检测性能方案对比图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
图1所示为系统模型示意图,图中将深度神经网络与OFDM传输系统相结合,不需要进行信道估计,在接收端通过神经网络模型直接检测发送信号。
图2所示为区域划分示意图,图中根据基站与列车之间的通信距离,将一个基站覆盖范围划分为多个区域。
图3所示是深度高铁信号检测算法网络框图,将整个算法分为离线和在线两个阶段,离线训练神经网络,在线实时检测信号。
图4是区域划分仿真图,使用同一个网络模型对不同位置点的数据进行仿真,将误比特率较低的点划分为一个区域。
图5是深度检测算法与其他传统算法检测性能对比图,结果显示深度检测算法收敛更快,性能更好。
图6是不同参数下深度检测性能对比图,显示了不同参数对算法性能的影响。
为便于本领域的普通技术人员实施本发明,现提供一个实施例,步骤如下:
第一步,数据收集。本实施例依据高铁沿线不同的环境类型,在高铁沿线各个场景内收集若干发送信号和接收信号,用于训练高铁信号检测神经网络。定义Xt和Yt为场景t(0<t≤T)内的发送信号和接受信号,Ht为场景t内的信道矩阵,Wt为场景t内的高斯白噪声。发送端和接收端均采用8*8的天线组成MIMO,则第k(0<k≤64)根接收天线所接收的信号可以表示为此处i表示发送端第i根发送天线,t表示第t个场景。X={X1,X2,...,XT}、Y={Y1,Y2,...,YT}作为高铁各个场景下的发送和接收信号被存入数据库中,其中T表示场景的总数目,即总共T个场景。
第二步,场景划分。本实施例通过数据分析将每个场景进一步划分为多个区域以满足神经网络的兼容性。首先,选取某个场景中位置A的数据集训练神经网络,再用该场景位置B中数据对该网络进行测试,根据基站与列车之间的通信距离将单个场景划分为多个区域。
第三步,建立深度高铁信号检测神经网络模型。本实施例为每个划分好的区域都建立一个对应的高铁信号检测神经网络模型。每个神经网络包含6个隐藏层,层与层之间采用全连接的方式传递信息。其中输入层和输出层各有64个节点,对应8*8的MIMO输入天线和输出天线,隐藏层采用sigmoid激活函数,即(e-x表示数学上一种映射函数)由第i层的输出yi即可得到第i+1层的输出yi+1=f(yi,θ),其中θ为神经网络第i+1层的参数。
第四步,离线训练高铁信号检测神经网络。本实施例采用梯度下降算法结合BP反向传播的方法对各个区域所属神经网络的参数θ进行优化。首先,将对应各个区域所收集到的高铁相关数据导入进构建好属于本场景的高铁信号检测神经网络模型中,接收信号Y={Y1,Y2,...,YT}作为神经网络算法的输入,发送信号X={X1,X2,...,XT}作为算法的输出标签,神经网络输出的发送信号估计值即为接着,构建损失函数(N=64为算法网络输出节点的个数),并对参数θ求偏导,参数θ更新为其中α为学习速率,从后往前逐层对参数进行优化;最后,在数据集中选出一部分作为测试数据,对训练好的神经网络进行测试,若误差在所设阈值范围之内,则训练结束,否则,继续对参数进行优化直到误差满足要求为止。
第五步,在线实时检测信号。高铁在行驶过程中先通过GPS确定其位置信息,判断其所在的区域,并选择相应的神经网络模型。接着,将实时接收到信号输入训练好的神经网络中,实时输出基站端发送信号。
仿真参数如表I:
表I仿真场景主要参数
仿真结果表明,深度学习检测算法比传统检测算法具有更好的精度,如最小二乘(LS)算法和最小均方误差(MMSE)算法。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (5)
1.一种面向高铁的深度信号检测方法,其特征在于,包括以下步骤:
第一步、数据收集,依据高铁沿线不同的环境类型,在高铁沿线各个场景内收集若干发送信号和接收信号,用于训练高铁信号检测神经网络;
第二步、场景划分,通过数据分析将每个场景进一步划分为多个区域以满足神经网络的兼容性;
第三步、建立深度信号检测神经网络模型;
第四步、离线训练高铁信号检测神经网络,采用梯度下降算法结合BP反向传播的方法对各个区域所属神经网络的参数θ进行优化;
第五步、在线实时检测信号,高铁在行驶过程中先通过GPS确定其位置信息,判断其所在的区域,并选择相应的神经网络模型,接着将实时接收到信号输入训练好的神经网络中,实时输出基站端发送信号。
3.根据权利要求1所述一种面向高铁的深度信号检测方法,其特征在于,第二步中,场景划分的具体方法为:首先,选取某个场景中位置A的数据集训练神经网络,再用该场景位置B中数据对该网络进行测试,根据基站与列车之间的通信距离将单个场景划分为多个区域。
5.根据权利要求1所述一种面向高铁的深度信号检测方法,其特征在于,第四步中,离线训练高铁信号检测神经网络的具体方法如下:
首先,将对应各个区域所收集到的高铁相关数据导入进构建好属于本场景的高铁信号检测神经网络模型中,其中接收信号Y={Y1,Y2,...,YT}作为神经网络算法的输入,发送信号X={X1,X2,...,XT}作为算法的输出标签,神经网络输出的发送信号估计值即为
最后,在数据集中选出一部分作为测试数据,对训练好的神经网络进行测试,若误差在所设阈值范围之内,则训练结束,否则,继续对参数进行优化直到误差满足要求为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910242525.9A CN110061946B (zh) | 2019-03-28 | 2019-03-28 | 一种面向高铁的深度信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910242525.9A CN110061946B (zh) | 2019-03-28 | 2019-03-28 | 一种面向高铁的深度信号检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110061946A CN110061946A (zh) | 2019-07-26 |
CN110061946B true CN110061946B (zh) | 2021-11-16 |
Family
ID=67317929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910242525.9A Active CN110061946B (zh) | 2019-03-28 | 2019-03-28 | 一种面向高铁的深度信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110061946B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112838908B (zh) * | 2019-11-22 | 2022-10-25 | 华为技术有限公司 | 基于深度学习的通信方法、装置及系统 |
CN111314255B (zh) * | 2020-02-13 | 2021-06-08 | 南京航空航天大学 | 一种低复杂度siso和mimo接收机生成方法 |
CN115606157A (zh) * | 2020-05-14 | 2023-01-13 | 诺基亚技术有限公司(Fi) | 天线阵列的信道估计 |
CN113765830B (zh) * | 2020-06-03 | 2022-12-27 | 华为技术有限公司 | 获取信道信息的方法及通信装置 |
CN114764610A (zh) * | 2021-01-15 | 2022-07-19 | 华为技术有限公司 | 一种基于神经网络的信道估计方法及通信装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108390705A (zh) * | 2018-03-29 | 2018-08-10 | 东南大学 | 基于bp算法构建的深度神经网络大规模mimo系统检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9036745B2 (en) * | 2013-06-21 | 2015-05-19 | Kelquan Holdings Ltd. | Use of neural network based matched filter for fast response time in high-speed communications channels |
-
2019
- 2019-03-28 CN CN201910242525.9A patent/CN110061946B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108390705A (zh) * | 2018-03-29 | 2018-08-10 | 东南大学 | 基于bp算法构建的深度神经网络大规模mimo系统检测方法 |
Non-Patent Citations (1)
Title |
---|
Spatial Characterization for High-Speed Railway Channels Based on Moving Virtual Array Measurement Scheme;Tao Zhou 等;《IEEE》;20171231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110061946A (zh) | 2019-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110061946B (zh) | 一种面向高铁的深度信号检测方法 | |
CN113595666B (zh) | 大规模mimo系统基于时频联合相关性的信道预测方法和系统 | |
CN111049768B (zh) | 一种基于深度学习的位置信息辅助的可见光信道估计方法 | |
CN103428704A (zh) | 一种频谱感知方法及装置 | |
CN111918388A (zh) | 基于深度可分离卷积的csi指纹被动式定位方法 | |
CN112040498B (zh) | 一种基于定点迭代的无线供能传感器网络时间分配方法 | |
CN114462509A (zh) | 一种分布式物联网设备异常检测方法 | |
CN109347532A (zh) | 广义空间调制系统中改进的gomp检测算法 | |
CN108600002B (zh) | 一种基于半监督学习的移动边缘计算分流决策方法 | |
CN111417124A (zh) | 在认知无线网络环境下频谱感知的方法 | |
CN106301627B (zh) | 一种认知自组织网络中分布式协作频谱感知方法 | |
CN112839311B (zh) | 一种基于动态监测的csi室内定位方法 | |
CN110113084A (zh) | Mimo闭环传输系统的信道预测方法 | |
CN113596757A (zh) | 一种基于集成宽度学习的快速高精度室内指纹定位方法 | |
CN102185808B (zh) | 一种快速收敛的免疫克隆正交小波变换盲均衡方法 | |
CN110971546B (zh) | 一种大规模mimo系统信道跟踪方法 | |
Ngo et al. | Deep learning-based adaptive beamforming for mmWave wireless body area network | |
CN106559364A (zh) | 一种迭代信道估计方法及装置 | |
CN107342797B (zh) | 信号检测方法及装置 | |
CN115378467B (zh) | 一种基于分集信号抵消的电力线噪声样本提取方法 | |
CN108234010B (zh) | 一种低复杂度的信号检测算法 | |
Li et al. | An Unsupervised Transfer Learning Method for UWB Ranging Error Mitigation | |
CN116340849B (zh) | 一种基于度量学习的非接触式跨域人体活动识别方法 | |
Ma et al. | Enhanced deep residual shrinkage network based channel estimation in RIS communication system | |
CN113608211B (zh) | 一种基于通信流量信息辅助的雷达组网方式识别方法 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room 201, building 2, phase II, No.1 Kechuang Road, Yaohua street, Qixia District, Nanjing City, Jiangsu Province Applicant after: NANJING University OF POSTS AND TELECOMMUNICATIONS Address before: 210003 Gulou District, Jiangsu, Nanjing new model road, No. 66 Applicant before: NANJING University OF POSTS AND TELECOMMUNICATIONS |
|
GR01 | Patent grant | ||
GR01 | Patent grant |