CN110071750B - 一种基于机器学习的二维空码索引调制方法 - Google Patents

Abstract

本发明公开了一种基于机器学习的二维空码索引调制方法，主要步骤为：1)对发射端的发送信息比特u进行串并转换。2)建立基于SVM的最优天线子集，并构建标签和天线组合映射表；3)对串并转换后的发送信息比特u进行符号调制和索引调制，从而确定发射天线、调制符号和扩频PN码；4)对调制符号进行扩频，并传输至接收端；5)接收端接收扩频信号，并对扩频信号进行相关特性检测。6)利用CNN对解扩信号进行估计检测；7)对估计出的解调符号和天线与PN码索引值进行解调和解映射，从而还原源信息比特

。本发明结合了空间调制和码索引调制中扩频技术的优势，既利用了多天线信道链路资源，又因为使用了扩频技术从而具有一定的抗干扰和抗多径能力。

Description

一种基于机器学习的二维空码索引调制方法

技术领域

本发明涉及高速无线通信技术领域，具体是一种基于机器学习的二维空码索引调制方法。

背景技术

从上个世纪70年代至今，无线通信系统得到了突飞猛进的发展，从第一代模拟通信系统(First Generation,1G)发展到现在广泛使用的第四代移动通信系统(4thGeneration,4G)，信息的传输速率得到了质的提升。人们的需求也已经从对语音、信息传输的需求逐渐转变为对视频、图像等多媒体大数据传输的需求，并且近些年，人们为了推动物联网技术、车联网技术和智能家居技术的发展，第五代移动通信系统(5th Generation,5G)也应运而生。5G技术能够极大地满足人们对移动通信的需求，进一步提高人们的生活质量，我国也计划在2020年正式启动5G商用服务。但是如何在有限的频谱资源中进一步提高频谱效率的同时，能够在有效的频带内对信息进行稳定可靠的高速率传输成为了5G技术的关键之一，这也成为近些年科研工作者的研究热点。因此，大量新技术被科研工作者们提出，在这些技术中，索引调制技术作为能够提高频谱效率和能量效率的技术而受到了广泛关注。

索引调制是一种具有高频谱效率和能量效率的简单数字调制技术。在传输信息时，与仅依靠正弦载波信号的幅度、相位和频率的调制来进行传输的传统数字调制方案有所不同，索引调制提供了额外的方式来进行传输，具体来说，就是利用传输天线、扩频码或者子载波的索引来传输信息比特。因此，在不增加通信系统硬件复杂度的同时，索引调制可以有效地提高频谱效率和能量效率。这也使得索引调制成为下一代移动通信系统有竞争力的候选技术之一。目前，按维度进行划分，索引调制可以分为一维索引调制和二维索引调制，其中，一维索引调制主要包括空域索引调制技术、频域索引调制技术和码索引调制技术，二维索引调制则主要包括空频索引调制技术和空码索引调制技术。

科研工作者对空域索引调制技术的研究是从空间调制(Spatial Modulation,SM)开始的。在2006年，有学者提出了SM这一技术，它也从此成为MIMO系统中的一种新型传输技术。与传统的MIMO技术相比，SM在每个传输时隙仅激活一根发射天线来发送数字调制符号，其它发射天线均处于静默状态，并且被激活天线的索引也被映射为潜在的信息比特进行隐形传输。这就在有效地避免了传统MIMO技术中存在的发射天线同步和天线间干扰问题的同时，尽可能地提高了信息的传输速率。并且SM适用于发射天线数大于接收天线数的MIMO系统，这就有效地解决了传统MIMO技术中接收天线需大于发射天线数的限制。但SM也存在明显的缺点，由于在每个发送时隙只激活一根发射天线，这就造成了天线资源的浪费，即天线的利用率不高。为了提高天线的利用率，有学者在2010提出了广义空间调制(GeneralizaedSpatial Modulation,GSM)，它是对SM的一种改进，它在每个传输时隙同时激活多根发射天线来传输数据符号，并把被选的多根天线的多个组合映射为信息比特进行隐形传输，因此，相比SM，GSM不仅提高了天线的利用率，还提高了频谱的利用率。此外，在GSM中，同时激活的多根天线可以用来传输相同的数据符号，也可以用来传输不同的数据符号。有所不同的是后者进一步地提高了频谱利用率。在2015年，有学者提出了正交空间调制(QuadratureSpatial Modulation,QSM)。它对SM进行了巧妙地改进，在每个传输时隙将调制符号的实部和虚部分开并分别激活一根天线进行传输，与SM相比，它也提高了频谱效率。

频域索引调制主要指载波索引调制技术，而载波索引调制技术是指在传统的多载波系统中，对其子载波进行索引调制的技术。在2009年，有学者受到空间调制的启发，首次提出将索引调制技术运用在OFDM系统中，其基本思想和空间调制类似，即通过索引比特的信息来选择激活一个子载波用来发送调制符号，其余子载波均保持静默状态。为了解决频谱效率低的问题，在2013年，有学者提出在OFDM系统中将子载波进行分组，并且保证每组中含有相同的子载波数目，然后在每组中选择激活部分子载波用来发送调制符号，剩余子载波则均处于静默状态，这一技术被称为正交频分复用索引调制技术(OFDM with IndexModulation,OFDM-IM)。与传统OFDM技术相比，OFDM-IM技术由于含有许多静默的子载波，可以使得被激活的子载波分布具有稀疏性，这就降低了系统对频率偏移的敏感程度，从而增加了系统的鲁棒性。并且这些处于静默的子载波不需要发送能量，从而提高了系统的能量效率。此外，由于OFDM-IM技术引入了索引调制技术，从而能够通过调整每组包含的子载波数目(子载波块的长度)或者每组激活子载波的数目来灵活地对频谱效率和系统性能进行按需调节。正因为OFDM-IM技术具有的这些优点，从而引起了广大学者对它的研究兴趣。在近些年，学者们逐渐地提出了一些对OFDM-IM技术进行改进的一些技术。在2015年，有学者就提出了两种改进的OFDM-IM技术，第一种技术就是使每组激活的子载波数量不再固定，而是由相应的索引比特信息来决定每组激活的子载波数量，因此，该技术相比OFDM-IM技术而言，提高了频谱效率。第二种技术则是借鉴QSM的基本思想，它首先取出调制符号的实部和虚部，然后由相应的索引信息比特分别选择激活的子载波来传输实部和虚部，这就进一步地提高了频谱效率。以上关于OFDM-IM的相关技术都是基于单输入单输出(Single-InputSingle-Out)系统而言的，不过由于SISO系统所能达到的有限频谱效率，从而使得这些技术不太适用于对频谱效率要求高的应用场景。所以在同年2015年，有学者提出了基于MIMO系统的OFDM-IM技术，被命名为MIMO-OFDM-IM技术，该技术极大地提高了OFDM-IM技术的频谱效率和能量效率。

在2015年，受空间调制技术的启发，有学者提出了一种将索引调制和直接序列扩频相结合的技术，被命名为码索引调制(Code Index Modulation,CIM)技术。该技术将传输信息比特分为多个连续的子块且每个子块包含两比特信息，其中第二个比特信息用于从两个扩频码中选择其中的一个来对第一个比特信息进行扩频。在2016年，为了进一步提高频谱效率，有学者提出了一种广义码索引调制技术，它是对码索引调制技术的一种改进。它同样将传输信息比特分为多个连续的子块，但是每个子块又被分为两个小子块，分别称为调制子块和映射子块。其中，调制子块通过QPSK调制或者QAM调制成为调制符号，而映射子块则选择相应的扩频码对调制符号进行扩频。而在国内，也有对码索引调制技术的研究，研究方向为结合码索引调制技术和差分混沌键控技术的混沌调制方案。

顾名思义，二维索引调制就是结合两种一维索引调制的技术。目前，关于二维索引调制技术的研究成果并不多，相关的研究还处于初始阶段。在2015年，有学者首次提出了广义空频索引调制技术。它是一种将空域的广义空间调制和频域的子载波索引调制相结合的一种技术。在2018年，有学者提出了一种广义频分复用空频索引调制(GeneralizedFrequency Division Multiplexing with Space and Frequency Index Modulation，GFDM-SFIM)技术。受二维空频索引调制技术的启发，在2018年，有学者将空间调制和码索引调制相结合，从而形成了二维空码索引调制技术。相比一维索引调制技术，虽然二维索引调制技术通过增加了索引的维度来提高了隐形传输的信息比特数，从而同时具有更高的频谱效率和能量效率，但是这些优势都是以牺牲系统的复杂度为代价的，尤其是在接收端的复杂度更为突出。因此，如何降低二维索引调制技术在接收端的检测和解调复杂度将成为今后的一个研究热点方向。

近些年，随着大数据信息时代的到来以及计算机硬件设备的飞速发展，越来越多的研究者充满了对人工智能技术的研究热情并展开了积极的研究，从而使得人工智能技术被成功应用于计算机视觉(Computer Vision，CV)、自然语言处理(Natural LanguageProcessing，NLP)和语音识别(Speech Recognition，SR)等方面。这也促使大量通信研究者将人工智能技术应用于无线通信系统中，以解决传统技术所带来的高复杂度问题。人工智能技术主要包括机器学习(Machine Learning，ML)和深度学习(Deep Learning，DL)，下面分别简介ML和DL。

在二十世纪五十年代，ML作为人工智能的一个子领域而被提出，它已经在图像处理、音频处理、社会行为分析等方面得到了广泛应用。ML从严格意义上可以划分为四类：有监督学习、无监督学习、半监督学习和强化学习，它的三要素包括模型、策略和算法。经典的机器学习算法有分类算法、回归算法、聚类算法和降维算法，在无线通信系统中通常使用分类算法，例如逻辑回归(Logistic Regression，LR)、朴素贝叶斯(Naive Bayes，NB)、SVM、K-近邻(K-Nearest Neighbor，KNN)和人工神经网络(Artificial Neural Networks，ANN)。

而DL第一次是在2006年提出。有学者提出了深度信念网络(Deep BeliefNetwork，DBN)这一概念，近些年，DL已被成功应用于CV、NLP和SR等领域，它兴起的原因主要得益于三个方面：大数据时代的出现、计算能力的提高和算法的创新。DL最典型的模型包括自动编码器(Automatic Encoder，AE)、DBN、卷积神经网络(Convolutional NeuralNetwork，CNN)和递归神经网络(Recurrent Neural Network，RNN)，DL在无线通信系统中的应用一般都基于这四种模型，尤其是CNN最为常用。

总的来说，一维索引调制技术的频谱效率要比二维索引调制技术的频谱效率低很多，并且通常只能以增加使用的索引资源量来增加索引映射比特数的方式达到提高一维索引调制技术频谱效率的目的。比如SM需要通过增加发射天线数来提高频谱效率；OFDM-IM则需要通过增加每组的子载波数来提高频谱效率；而CIM则需要通过增加伪随机码(PseudoRandom，PN)的个数来提高频谱效率。因此这种方式需要消耗大量的物理资源且使得接收端的检测复杂度剧增，从而使得这种方式并不那么经济实用。而二维索引调制技术则通过增加索引的维度来提高频谱效率，使得进一步提高频谱效率的方式更加多样灵活，从而更好地达到频谱效率和系统复杂度的折中。这就使得二维索引调制技术更加适用于对频谱效率要求更高的5G。虽然二维索引调制技术增加了系统的复杂度，但是可以考虑用人工智能技术来降低它的系统复杂度，并且同时提高整个系统的比特误码率(Bit Error Rate,BER)性能。目前对二维索引调制技术的研究成果并不多，暂时还没有将人工智能技术融合到二维索引调制技术的研究成果。包括图1在内的现有技术，存在接收端的检测复杂等问题。

发明内容

本发明的目的是解决现有技术中存在的问题。

为实现本发明目的而采用的技术方案是这样的，一种基于机器学习的二维空码索引调制方法，主要包括以下步骤：

1)搭建通信系统。

所述通信系统主要包括发射端和接收端。发射端发送的信息记为发送信息比特u。

发射端的发射天线数记为N_t，接收端的接收天线数记为N_r。

选择出的最优天线子集中含有的天线数记为n_t。

通信系统的信道矩阵记为H。

通信系统中PN码组维度记为N_c。

通信系统基带调制的调制阶数记为M。

2)对发射端的发送信息比特u进行串并转换，转换后发送信息比特

其中，

为同相天线索引子块。

为正交天线索引子块。

为同相PN码索引子块。

为正交PN码索引子块。G_Mod为基带调制部分。

对发送信息比特u进行串并转换的主要步骤如下：

2.1)在传输时隙t，发送信息比特u的长度记为

b_i表示信息比特u中的第i位比特。

对发送信息比特u进行串并转换，得到天线索引部分G_Ant、PN码索引部分G_Code和基带调制部分G_Mod。其中天线索引部分G_Ant对应的长度为2log₂n_t。PN码索引部分G_Code对应的长度为2log₂N_c。基带调制部分G_Mod对应的长度为m。2^m＝M。M为基带调制的调制阶数。

2.2)将天线索引部分G_Ant划分为同相天线索引子块

和正交天线索引子块

同相天线索引子块

和正交天线索引子块

的长度均为log₂n_t。

其中，同相天线索引子块

正交天线索引子块

将PN码索引部分G_Code划分为同相PN码索引子块

和正交PN码索引子块

同相PN码索引子块

和正交PN码索引子块

的长度均为log₂N_c。

其中，同相PN码索引子块

正交PN码索引子块

3)建立基于SVM的最优天线子集，并构建标签和天线组合映射表。标签和天线组合映射表中存储标签集合L和天线组合集合X的映射关系。

建立基于SVM的最优天线子集的主要步骤如下：

3.1)利用基于欧式距离的最优天线选择算法EDAS产生训练数据集，主要步骤为：

3.1.1)以信道矩阵H的复值元素h_ij的弧度为特征，从M个信道矩阵H中提取M个实值特征向量d∈R^1×N，其中d_m表示第m个实值特征向量。m＝1,2,…,M。N为向量维度。

3.1.2)将M个实值特征向量d构成数据矩阵

3.1.3)对数据矩阵D进行归一化处理，得到归一化特征矩阵T。其中，归一化特征矩阵T中的元素t_i,j如下所示：

t_i，j＝(d_i，j-E_i{d_i，j})/(max_i{d_i，j}-min_i{d_i，j}) (1)

式中，E_i{d_i，j}为期望。d_i，j为实值特征向量d中的元素。max_i{d_i，j}为实值特征向量d中元素最大值。min_i{d_i，j}为实值特征向量d中元素最小值。

3.1.4)利用传统的EDAS算法分别从M个信道矩阵H中得到M个天线组合，其中

表示第m个信道矩阵H_m所对应的天线组合，也即第m个实值特征向量d_m所对应的天线组合，天线组合集合记为X。n_t为选定的发射天线数量。

3.1.5)设置标签集合L。标签集合L和天线组合集合X一一对应。根据标签集合L和天线组合集合X的映射关系建立标签和天线组合映射表。

3.1.6)基于标签和天线组合映射表，对M个天线组合贴上对应的标签l，得到标签向量c∈R^M×1，其中c_m为标签向量c中的第m个元素，也即第m个实值特征向量d_m所对应的标签l。l∈L。

3.2)利用基于欧式距离的最优天线选择算法EDAS产生测试数据集，主要包括以下两种方法：

I)以信道矩阵H的复值元素h_ij的弧度为特征，从M个信道矩阵H中提取M个实值特征向量d′∈R^1×N，其中d′_m′表示第m个实值特征向量。m′＝1，2，…，M。N为向量维度。

将M个实值特征向量d′构成数据矩阵

对数据矩阵D′进行归一化处理，得到归一化特征矩阵T′。

利用传统的EDAS算法得到M个天线组合并贴上M个对应的标签。

II)从训练数据集中随机抽取测试数据集。

3.3)基于特征矩阵T和标签向量c，建立SVM学习模型，并设定测试精度阈值ε。利用训练数据集训练SVM学习模型，确立SVM学习模型的学习参数。利用测试数据集测试SVM学习模型，若测试精度

则调整SVM学习模型的学习参数，继续利用训练数据集训练学习模型，直到测试精度

所述学习参数主要包括惩罚因子和核函数。

3.4)实时从信道矩阵H中提取出实值特征向量d，并输入到SVM学习模型中，从而得到实值特征向量d对应的标签l。基于标签和天线组合映射表，选定标签l对应的天线组合。

4)对串并转换后的发送信息比特u进行符号调制和索引调制，从而确定发射天线、调制符号和扩频PN码。

对串并转换后的发送信息比特u进行符号调制和索引调制的主要步骤如下：

4.1)对调制部分G_Mod进行基带调制，得到调制符号s＝s_R+js_I。s_R为调制符号s的同相分量。s_I为调制符号s的正交分量。

4.2)基于同相天线索引子块

和正交天线索引子块

查找天线索引表，得到发射天线Ts_R与发射天线Ts_I。

4.3)基于同相PN码索引子块

和正交PN码索引子块

查找PN码索引表，得到扩频PN码w_i和扩频PN码w_j。

5)对调制符号进行扩频，并传输至接收端。

对调制符号进行扩频传输的主要步骤如下：

5.1)利用扩频PN码w_i扩频调制符号s的同相分量s_R。

利用扩频PN码w_j扩频调制符号s的正交分量s_I。

5.2)对扩频后的同相信号s_Rw_i进行射频调制，并通过发射天线Ts_R向接收端发送。

对扩频后的正交信号js_Iw_j进行射频调制，并通过发射天线Ts_I向接收端发送。

6)接收端接收扩频信号，并对扩频信号进行相关特性检测，得到同相解扩信号y_{I_DS}和正交解扩信号y_{Q_DS}。

对扩频信号进行相关特性检测的主要步骤如下：

6.1)接收端接收到扩频信号后，对扩频信号进行射频下变频处理，将宽带射频信号变频至中频。

6.2)对中频信号进行PN码相关特性检测，检测出同相分量使用的扩频码

和正交分量使用的扩频码

并得到同相解扩信号y_{I_DS}和正交解扩信号y_{Q_DS}。

7)利用CNN对解扩信号进行估计检测。

利用CNN对解扩信号进行估计检测的主要步骤如下：

7.1)利用最大似然估计算法产生解扩训练数据集，主要步骤如下：

7.1.1)在同相解扩信号y_{I_DS}中选定同相学习模型的训练样本，即同相解扩信号y_{I_DS}的模值向量m_I对应的二维图像f_I。

在正交解扩信号y_{Q_DS}中选定正交学习模型的训练样本，即正交解扩信号y_{Q_DS}的模值向量m_Q对应的二维图像f_Q。

7.1.2)设置同相标签集合L₁和正交标签集合L₂。解调符号的同相元素和n_t根发射天线的序号之间的排列组合所构成的集合记为A。解调符号的正交元素和n_t根发射天线的序号之间的排列组合所构成的集合记为B。

同相标签集合L₁与集合A一一对应，并根据对应关系建立标签与估计的发射天线

和解调符号的同相分量

的组合映射表。正交标签集合L₂与集合B一一对应，并根据对应关系建立标签与估计的发射天线

和解调符号的正交分量

的组合映射表。

7.1.3)利用最大似然估计算法确定同相解扩信号y_{I_DS}对应的估计的发射天线

和解调符号的同相分量

正交解扩信号y_{Q_DS}对应的估计的发射天线

和解调符号的正交分量

估计的发射天线

和解调符号的同相分量

如下所示：

式中，real(s_k)为第k根天线发送的调制符号的实部信号。Ω为经过M阶基带调制后所形成的调制符号的集合。I为n_t根发射天线所形成的集合。k为任意发射天线序号。n_t为选定的发射天线数量。h_k为发射天线。

估计的发射天线

和解调符号的正交分量

如下所示：

式中，imag(s_g)为第g根天线发送的调制符号的虚部信号。h_g为发射天线。

7.1.4)基于标签与估计的发射天线

和解调符号的同相分量

的组合映射表，为估计的发射天线

和解调符号的同相分量

的组合贴上标签l₁∈L₁，基于标签与估计的发射天线

和解调符号的正交分量

的组合映射表，为估计的发射天线

和解调符号的正交分量

的组合贴上标签l₂∈L₂。

7.1.5)重复步骤7.1.1至7.1.4，直到得到M个同相训练样本及其对应的M个标签以及M个正交训练样本及其对应的M个标签，从而形成同相训练数据集和正交训练数据集。

7.2)建立测试数据集，主要包括以下两种方法：

I)在同相解扩信号y_{I_DS}中选定同相学习模型的测试样本，即同相解扩信号y_{I_DS}的模值向量m_I对应的二维图像f′_I，并为其所对应的发射天线

和解调符号的同相分量

的组合贴上相应的标签l′₁。

在正交解扩信号y_{Q_DS}中选定正交学习模型的测试样本，即正交解扩信号y_{Q_DS}的模值向量m_Q对应的二维图像f′_Q，并为其所对应的发射天线

和解调符号的正交分量

的组合贴上相应的标签l′₂。

II)从解扩训练数据集中随机抽取。

7.3)基于同相训练数据集和测试数据集建立同相CNN学习模型，并设定测试精度阈值σ₁。利用训练数据集训练同相CNN学习模型，确立同相CNN学习模型的学习参数。利用测试数据集测试同相CNN学习模型，若测试精度η₁＜σ₁，则调整同相CNN学习模型的学习参数，继续利用训练数据集训练同相CNN学习模型，直到测试精度η₁≥σ₁。所述学习参数主要包括卷积层数和步长。

基于正交训练数据集和测试数据集建立正交CNN学习模型，并设定测试精度阈值σ₂。利用训练数据集训练正交CNN学习模型，确立正交CNN学习模型的学习参数。利用测试数据集测试正交CNN学习模型，若测试精度η₂＜σ₂，则调整正交CNN学习模型的学习参数，继续利用训练数据集训练正交CNN学习模型，直到测试精度η₂≥σ₂。所述学习参数主要包括卷积层数和步长。

7.4)基于CNN的估计检测：

实时将同相解扩信号y_{I_DS}的模值向量m_I和正交解扩信号y_{Q_DS}的模值向量m_Q对应的二维图像f′_I和f′_Q分别输入到同相CNN学习模型分类器和正交CNN学习模型分类器中，分别得到同相解扩信号y_{I_DS}对应的标签l₁和正交解扩信号y_{Q_DS}对应的标签l₂。

基于标签l₁，查找标签与估计的发射天线

和解调符号的同相分量

的组合映射表，得到估计的发射天线

和解调符号的同相分量

基于标签l₂，查找标签与估计的发射天线

和解调符号的正交量

的组合映射表，得到估计的发射天线

和解调符号的正交分量

8)对估计出的解调符号和天线与PN码索引值进行解调和解映射，从而还原源信息比特

对估计出的解调符号和天线与PN码索引值进行解调和解映射的主要步骤如下：

8.1)将CNN估计检测到的解调符号的同相分量

和正交分量

合成为解调符号

基于解调符号

通过解调恢复出调制部分所对应的信息比特

8.2)将估计检测到的激活的发射天线

和发射天线

通过反向查找天线索引表，解映射出发射端同相天线索引部分所对应的信息比特

和正交天线索引部分所对应的信息比特

8.3)将估计检测到的激活的PN码

和PN码

通过反向查找PN码索引表，解映射出发送端同相PN码索引部分所对应的信息比特

和正交PN码索引部分所对应的信息比特

8.4)对信息比特

信息比特

信息比特

信息比特

和信息比特

进行并串转换，恢复出源信息比特

本发明的技术效果是毋庸置疑的。本发明的基于机器学习的二维空码索引调制方法，结合了空间调制和码索引调制中扩频技术的优势，既利用了多天线信道链路资源，又因为使用了扩频技术从而具有一定的抗干扰和抗多径能力。此外，本发明采用了正交映射的方式，使得空域和码域中的索引资源得到了重复利用，降低了消耗的成本。并且本发明还同时利用了机器学习算法和深度学习算法，使得在降低系统接收端估计检测复杂度的同时，还提高了系统的BER性能。

本发明在进一步提高索引调制技术频谱效率和误码率性能的同时，尽可能地降低接收端的检测复杂度。与具有相同频谱效率的SM相比，本次提出的二维空码索引调制将使用更少的发射天线数，并且在接收端采用深度学习技术来检测索引的发射天线序号和发送的调制符号的实部和虚部，从而避免了采用最大似然估计检测所带来的高复杂度问题；而与具有相同频谱效率的CIM相比，因采用机器学习技术从所有发射天线中选择出一个最优天线子集，然后再从最优天线子集中选择天线进行索引和发送调制符号，因此，性能较差的发射天线将被淘汰，从而提高了误码率性能，使得本次提出的二维索引调制的误码率性能尽可能地接近CIM的误码率性能。

本发明与现有的一维索引调制技术和二维空码索引调制技术相比，分别具有如下优势：

1)提升系统的频谱效率。因为本发明增加了索引的维度，使得每一个传输时隙所传输的信息比特会更多，所以与一维的索引调制技术相比，本发明提升了系统的频谱效率。

2)消耗更少的索引资源。假设本发明采用的系统配置为：N_t＝6，n_t＝4，N_r＝4，N_c＝4，M＝4，那么系统的频谱效率就为10bits/s/Hz。若要一维的空间调制达到相同的频谱效率，在调制阶数同样为4的条件下，则需要256根发射天线。因此，本发明相比于一维的索引调制技术，更加节约索引资源。

3)更高的能量效率。本发明采用了正交映射的方式，使得天线索引资源和PN码索引资源都得到了重复利用，从而增加了隐形传输的索引映射比特信息，因此与一维的索引调制技术相比，本发明的能量效率得到了提高。

4)具有一定的抗干扰能力。本发明受到一维CIM技术的启发而采用了扩频技术，使得与空域中的一维索引调制技术相比，具有更好的抗干扰能力和抗多径能力。

5)更好的BER性能。本发明利用机器学习算法从所有发射天线中选择出性能最优的发射天线子集来发送信息，因此，与现有的二维空码索引调制技术相比，提高了系统的整体BER性能。

6)更灵活的发射天线设置。由于本发明对发射天线进行了选择，所以只要求被选择出来的发射天线子集中的天线数为二的整数次幂即可，发射天线数的设置可以是大于等于二的任何数。因此，该发明相比空间调制技术和二维空码索引调制技术，具有更灵活的发射天线设置，从而具有更广的应用场景。

7)更低的估计检测复杂度。本发明在接收端利用深度学习算法分别对同相解扩信号和正交解扩信号进行估计检测，避免了每次使用最大似然估计算法都要进行穷搜索所带来的高复杂度问题，因此，本发明极大地降低了接收端的估计检测复杂度。

附图说明

图1为传统算法的系统框图；

图2为基于机器学习的二维空码索引调制方法的系统框图。

具体实施方式

下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。

实施例1：

参见图2，一种基于机器学习的二维空码索引调制方法，主要包括以下步骤：

1)搭建MIMO通信系统。

所述通信系统主要包括发射端和接收端。发射端发送的信息记为发送信息比特u。

发射端的发射天线数记为N_t，接收端的接收天线数记为N_r。

选择出的最优天线子集中含有的天线数记为n_t。

通信系统的信道矩阵记为H。

通信系统中PN码组维度记为N_c。

通信系统基带调制的调制阶数记为M。

2)对发射端的发送信息比特u进行串并转换，转换后发送信息比特

其中，

为同相天线索引子块。

为正交天线索引子块。

为同相PN码索引子块。

为正交PN码索引子块。G_Mod为基带调制部分。

对发送信息比特u进行串并转换的主要步骤如下：

2.1)在传输时隙t，发送信息比特u的长度记为

b_i表示信息比特u中的第i位比特。

对发送信息比特u进行串并转换，得到天线索引部分G_Ant、PN码索引部分G_Code和基带调制部分G_Mod。其中天线索引部分G_Ant对应的长度为2log₂n_t。PN码索引部分G_Code对应的长度为2log₂N_c。基带调制部分G_Mod对应的长度为m。2^m＝M。M为基带调制的调制阶数。

2.2)将天线索引部分G_Ant划分为同相天线索引子块

和正交天线索引子块

同相天线索引子块

和正交天线索引子块

的长度均为log₂n_t。

其中，同相天线索引子块

正交天线索引子块

将PN码索引部分G_Code划分为同相PN码索引子块

和正交PN码索引子块

同相PN码索引子块

和正交PN码索引子块

的长度均为log₂N_c。

其中，同相PN码索引子块

正交PN码索引子块

3)建立基于SVM的最优天线子集，并构建标签和天线组合映射表。标签和天线组合映射表中存储标签集合L和天线组合集合X的映射关系。

建立基于SVM的最优天线子集的主要步骤如下：

3.1)利用基于欧式距离的最优天线选择算法EDAS产生训练数据集，主要步骤为：

3.1.1)以信道矩阵H的复值元素h_ij的弧度为特征，从M个信道矩阵H中提取M个实值特征向量d∈R^1×N，其中d_m表示第m个实值特征向量。m＝1，2，…，M。N为向量维度。R为实数集。

3.1.2)将M个实值特征向量d构成数据矩阵

3.1.3)对数据矩阵D进行归一化处理，得到归一化特征矩阵T。其中，归一化特征矩阵T中的元素t_i，j如下所示：

t_i，j＝(d_i，j-E_i{d_i，j})/(max_i{d_i，j}-min_i{d_i，j}) (1)

式中，E_i{d_i，j}为期望。d_i，j为实值特征向量d中的元素。max_i{d_i，j}为实值特征向量d中元素最大值。min_i{d_i，j}为实值特征向量d中元素最小值。

3.1.4)利用传统的EDAS算法分别从M个信道矩阵H中得到M个天线组合，其中

表示第m个信道矩阵H_m所对应的天线组合，也即第m个实值特征向量d_m所对应的天线组合，天线组合集合记为X。n_t为选定的发射天线数量。

3.1.5)设置标签集合L。标签集合L和天线组合集合X一一对应。根据标签集合L和天线组合集合X的映射关系建立标签和天线组合映射表。

3.1.6)基于标签和天线组合映射表，对M个天线组合贴上对应的标签l，得到标签向量c∈R^M×1，其中c_m为标签向量c中的第m个元素，也即第m个实值特征向量d_m所对应的标签l。l∈L。

3.2)利用基于欧式距离的最优天线选择算法EDAS产生测试数据集，主要包括以下两种方法：

I)以信道矩阵H的复值元素h_ij的弧度为特征，从M个信道矩阵H中提取M个实值特征向量d′∈R^1×N，其中d′_m′表示第m个实值特征向量。m′＝1，2，…，M。N为向量维度。

将M个实值特征向量d′构成数据矩阵

对数据矩阵D′进行归一化处理，得到归一化特征矩阵T′。

利用传统的EDAS算法得到M个天线组合并贴上M个对应的标签。

II)从训练数据集中随机抽取测试数据集。

3.3)基于特征矩阵T和标签向量c，建立SVM学习模型，并设定测试精度阈值ε。利用训练数据集训练SVM学习模型，确立SVM学习模型的学习参数。利用测试数据集测试SVM学习模型，若测试精度

则调整SVM学习模型的学习参数，继续利用训练数据集训练学习模型，直到测试精度

所述学习参数主要包括惩罚因子和核函数。

3.4)实时从信道矩阵H中提取出实值特征向量d，并输入到SVM学习模型中，从而得到实值特征向量d对应的标签l。基于标签和天线组合映射表，选定标签l对应的天线组合。

4)对串并转换后的发送信息比特u进行符号调制和索引调制，从而确定发射天线、调制符号和扩频PN码。

对串并转换后的发送信息比特u进行符号调制和索引调制的主要步骤如下：

4.1)对调制部分G_Mod进行基带调制，得到调制符号s＝s_R+js_I。s_R为调制符号s的同相分量。s_I为调制符号s的正交分量。

4.2)基于同相天线索引子块

和正交天线索引子块

查找天线索引表，得到发射天线Ts_R与发射天线Ts_I。

4.3)基于同相PN码索引子块

和正交PN码索引子块

查找PN码索引表，得到扩频PN码w_i和扩频PN码w_j。

5)对调制符号进行扩频，并传输至接收端。

对调制符号进行扩频传输的主要步骤如下：

5.1)利用扩频PN码w_i扩频调制符号s的同相分量s_R。

利用扩频PN码w_j扩频调制符号s的正交分量s_I。

5.2)对扩频后的同相信号s_Rw_i进行射频调制，并通过发射天线Ts_R向接收端发送。

对扩频后的正交信号js_Iw_j进行射频调制，并通过发射天线Ts_I向接收端发送。

6)接收端接收扩频调制符号，并对扩频调制符号进行相关特性检测，得到同相解扩信号y_{I_DS}和正交解扩信号y_{Q_DS}。

对扩频信号进行相关特性检测的主要步骤如下：

6.1)接收端接收到扩频信号后，对扩频信号进行射频下变频处理，将宽带射频信号变频至中频。

6.2)对中频信号进行PN码相关特性检测，检测出同相分量使用的扩频码

和正交分量使用的扩频码

并得到同相解扩信号y_{I_DS}和正交解扩信号y_{Q_DS}。

7)利用CNN对解扩信号进行估计检测。

利用CNN对解扩信号进行估计检测的主要步骤如下：

7.1)利用最大似然估计算法产生解扩训练数据集，主要步骤如下：

7.1.1)在同相解扩信号y_{I_DS}中选定同相学习模型的训练样本，即同相解扩信号y_{I_DS}的模值向量m_I对应的二维图像f_I。

在正交解扩信号y_{Q_DS}中选定正交学习模型的训练样本，即正交解扩信号y_{Q_DS}的模值向量m_Q对应的二维图像f_Q。

7.1.2)设置同相标签集合L₁和正交标签集合L₂。解调符号的同相元素和n_t根发射天线的序号之间的排列组合所构成的集合记为A。解调符号的正交元素和n_t根发射天线的序号之间的排列组合所构成的集合记为B。

同相标签集合L₁与集合A一一对应，并根据对应关系建立标签与估计的发射天线

和解调符号的同相分量

的组合映射表。正交标签集合L₂与集合B一一对应，并根据对应关系建立标签与估计的发射天线

和解调符号的正交分量

的组合映射表。

7.1.3)利用最大似然估计算法确定同相解扩信号y_{I_DS}对应的估计的发射天线

和解调符号的同相分量

正交解扩信号y_{Q_DS}对应的估计的发射天线

和解调符号的正交分量

估计的发射天线

和解调符号的同相分量

如下所示：

式中，real(s_k)为第k根天线发送的调制符号的实部信号。Ω为经过M阶基带调制后所形成的调制符号的集合。I为n_t根发射天线所形成的集合。k为任意发射天线序号。n_t为选定的发射天线数量。h_k为发射天线。

估计的发射天线

和解调符号的正交分量

如下所示：

式中，imag(s_g)为第g根天线发送的调制符号的虚部信号。h_g为发射天线。

7.1.4)基于标签与估计的发射天线

和解调符号的同相分量

的组合映射表，为估计的发射天线

和解调符号的同相分量

的组合贴上标签l₁∈L₁，基于标签与估计的发射天线

和解调符号的正交分量

的组合映射表，为估计的发射天线

和解调符号的正交分量

的组合贴上标签l₂∈L₂。

7.1.5)重复步骤7.1.1至7.1.4，直到得到M个同相训练样本及其对应的M个标签以及M个正交训练样本及其对应的M个标签，从而形成同相训练数据集和正交训练数据集。

7.2)建立测试数据集，主要包括以下两种方法：

I)在同相解扩信号y_{I_DS}中选定同相学习模型的测试样本，即同相解扩信号y_{I_DS}的模值向量m_I对应的二维图像f′_I，并为其所对应的发射天线

和解调符号的同相分量

的组合贴上相应的标签l′₁。

在正交解扩信号y_{Q_DS}中选定正交学习模型的测试样本，即正交解扩信号y_{Q_DS}的模值向量m_Q对应的二维图像f′_Q，并为其所对应的发射天线

和解调符号的正交分量

的组合贴上相应的标签l′₂。

II)从解扩训练数据集中随机抽取。

7.3)基于同相训练数据集和测试数据集建立同相CNN学习模型，并设定测试精度阈值σ₁。利用训练数据集训练同相CNN学习模型，确立同相CNN学习模型的学习参数。利用测试数据集测试同相CNN学习模型，若测试精度η₁＜σ₁，则调整同相CNN学习模型的学习参数，继续利用训练数据集训练同相CNN学习模型，直到测试精度η₁≥σ₁。所述学习参数主要包括卷积层数和步长。

基于正交训练数据集和测试数据集建立正交CNN学习模型，并设定测试精度阈值σ₂。利用训练数据集训练正交CNN学习模型，确立正交CNN学习模型的学习参数。利用测试数据集测试正交CNN学习模型，若测试精度η₂＜σ₂，则调整正交CNN学习模型的学习参数，继续利用训练数据集训练正交CNN学习模型，直到测试精度η₂≥σ₂。所述学习参数主要包括卷积层数和步长。

7.4)基于CNN的估计检测：

实时将同相解扩信号y_{I_DS}的模值向量m_I和正交解扩信号y_{Q_DS}的模值向量m_Q对应的二维图像f′_I和f′_Q分别输入到同相CNN学习模型分类器和正交CNN学习模型分类器中，分别得到同相解扩信号y_{I_DS}对应的标签l₁和正交解扩信号y_{Q_DS}对应的标签l₂。

基于标签l₁，查找标签与估计的发射天线

和解调符号的同相分量

的组合映射表，得到估计的发射天线

和解调符号的同相分量

基于标签l₂，查找标签与估计的发射天线

和解调符号的正交量

的组合映射表，得到估计的发射天线

和解调符号的正交分量

8)对估计出的解调符号和天线与PN码索引值进行解调和解映射，从而还原源信息比特

对估计出的解调符号和天线与PN码索引值进行解调和解映射的主要步骤如下：

8.1)将CNN估计检测到的解调符号的同相分量

和正交分量

合成为解调符号

基于解调符号

通过解调恢复出调制部分所对应的信息比特

8.2)将估计检测到的激活的发射天线

和发射天线

通过反向查找天线索引表，解映射出发射端同相天线索引部分所对应的信息比特

和正交天线索引部分所对应的信息比特

8.3)将估计检测到的激活的PN码

和PN码

通过反向查找PN码索引表，解映射出发送端同相PN码索引部分所对应的信息比特

和正交PN码索引部分所对应的信息比特

8.4)对信息比特

信息比特

信息比特

信息比特

和信息比特

进行并串转换，恢复出源信息比特

实施例2：

一种基于机器学习的二维空码索引调制方法，主要包括以下步骤：

1)搭建通信系统。

所述通信系统主要包括发射端和接收端。发射端发送的信息记为发送信息比特u。

发射端的发射天线数记为N_t，接收端的接收天线数记为N_r。

选择出的最优天线子集中含有的天线数记为n_t。

通信系统的信道矩阵记为H。

通信系统中PN码组维度记为N_c。

通信系统基带调制的调制阶数记为M。

系统配置记为(N_t，n_t，N_r，N_c，M)。

本实施例中设定N_t＝6，n_t＝4，N_r＝4，N_c＝4，M＝4。

通过发射端每一个传输时隙所发送的信息比特u应为

个比特。

2)对发射端的发送信息比特u进行串并转换，转换后发送信息比特

其中，

为同相天线索引子块。

为正交天线索引子块。

为同相PN码索引子块。

为正交PN码索引子块。G_Mod为基带调制部分。

对发送信息比特u进行串并转换的主要步骤如下：

2.1)在传输时隙t，发送信息比特u的长度记为

b_i表示信息比特u中的第i位比特。假设一个传输时隙所发送的信息比特流u＝[1101101101]。

对发送信息比特u进行串并转换，得到天线索引部分G_Ant、PN码索引部分G_Code和基带调制部分G_Mod。其中天线索引部分G_Ant对应的长度为2log₂n_t。PN码索引部分G_Code对应的长度为2log₂N_c。基带调制部分G_Mod对应的长度为m。2^m＝M。M为基带调制的调制阶数。基于同相和正交PN码索引部分

和

建立PN码索引表。基于同相和正交天线索引部分

和

建立天线索引表。各个映射块所包含的信息比特依次为：

G_Mod＝[01]。通过查找表1和表2可知，

映射为天线T₄，

映射为天线T₂，

映射为PN码w₃，

映射为PN码w₄，G_Mod经过QAM调制后成为调制符号s＝1-j，其中，调制符号的实部s_R＝1，虚部s_I＝-1。

表1 PN码索引

表2天线索引

2.2)将天线索引部分G_Ant划分为同相天线索引子块

和正交天线索引子块

同相天线索引子块

和正交天线索引子块

的长度均为log₂n_t。

其中，同相天线索引子块

正交天线索引子块

将PN码索引部分G_Code划分为同相PN码索引子块

和正交PN码索引子块

同相PN码索引子块

和正交PN码索引子块

的长度均为log₂N_c。

其中，同相PN码索引子块

正交PN码索引子块

索引映射过程完成后，发射端调制符号s的同相分量s_R＝1首先通过由同相PN码索引子块

选择的PN码w₃扩频，然后再通过由同相天线映射子块

选择的天线T₄将扩频后的同相信号经射频调制后发射出去。正交分量的处理过程与同相分量完全一致。

由

和

激活的天线可能是同一根天线。例如假设

和

映射子块中的信息比特均为10时，则通过查找天线索引表可知，发射端激活的天线均为T₃，因此调制符号的同相分量和正交分量将同时通过T₃这根天线发送出去。此外，由

和

选择的PN码也可能是同一个PN码。

3)建立基于SVM的最优天线子集，并构建标签和天线组合映射表。标签和天线组合映射表中存储标签集合L和天线组合集合X的映射关系。

表3标签和天线组合映射

l＝1，x<sub>1</sub>＝[1，2，3，4]	l＝6，x<sub>6</sub>＝[1，2，5，6]	l＝11，x<sub>11</sub>＝[2，3，4，5]
			l＝2，x<sub>2</sub>＝[1，2，3，5]	l＝7，x<sub>7</sub>＝[1，3，4，5]	l＝12，x<sub>12</sub>＝[2，3，4，6]
l＝3，x<sub>3</sub>＝[1，2，3，6]	l＝8，x<sub>8</sub>＝[1，3，4，6]	l＝13，x<sub>13</sub>＝[2，3，5，6]
			l＝4，x<sub>4</sub>＝[1，2，4，5]	l＝9，x<sub>9</sub>＝[1，3，5，6]	l＝14，x<sub>14</sub>＝[2，4，5，6]
l＝5，x<sub>5</sub>＝[1，2，4，6]	l＝10，x<sub>10</sub>＝[1，4，5，6]	l＝15，x<sub>15</sub>＝[3，4，5，6]

建立基于SVM的最优天线子集的主要步骤如下：

3.1)利用基于欧式距离的最优天线选择算法EDAS产生训练数据集，主要步骤为：

3.1.1)以信道矩阵H的复值元素h_ij的弧度为特征，从M个信道矩阵H中提取M个实值特征向量d∈R^1×N，其中d_m表示第m个实值特征向量。m＝1，2，…，M。N为向量维度。

3.1.2)将M个实值特征向量d构成数据矩阵

3.1.3)对数据矩阵D进行归一化处理，得到归一化特征矩阵T。其中，归一化特征矩阵T中的元素t_i，j如下所示：

t_i，j＝(d_i，j-E_i{d_i，j})/(max_i{d_i，j}-min_i{d_i，j}) (10)

式中，E_i{d_i，j}为期望。d_i，j为实值特征向量d中的元素。max_i{d_i，j}为实值特征向量d中元素最大值。min_i{d_i，j}为实值特征向量d中元素最小值。

3.1.4)利用传统的EDAS算法分别从M个信道矩阵H中得到M个天线组合，其中

表示第m个信道矩阵H_m所对应的天线组合，也即第m个实值特征向量d_m所对应的天线组合，天线组合集合记为X。n_t为选定的发射天线数量。

3.1.5)设置标签集合L。标签集合L和天线组合集合X一一对应。根据标签集合L和天线组合集合X的映射关系建立标签和天线组合映射表。

3.1.6)基于标签和天线组合映射表，对M个天线组合贴上对应的标签l，得到标签向量c∈R^M×1，其中c_m为标签向量c中的第m个元素，也即第m个实值特征向量d_m所对应的标签l。l∈L。

3.2)利用基于欧式距离的最优天线选择算法EDAS产生测试数据集，主要包括以下两种方法：

I)以信道矩阵H的复值元素h_ij的弧度为特征，从M个信道矩阵H中提取M个实值特征向量d′∈R^1×N，其中d′_m′表示第m个实值特征向量。m′＝1，2，…，M。N为向量维度。

将M个实值特征向量d′构成数据矩阵

对数据矩阵D′进行归一化处理，得到归一化特征矩阵T′。

利用传统的EDAS算法得到M个天线组合并贴上M个对应的标签。

II)从训练数据集中随机抽取测试数据集。

3.3)基于特征矩阵T和标签向量c，建立SVM学习模型，并设定测试精度阈值ε。利用训练数据集训练SVM学习模型，确立SVM学习模型的学习参数。利用测试数据集测试SVM学习模型，若测试精度

则调整SVM学习模型的学习参数，继续利用训练数据集训练学习模型，直到测试精度

3.4)实时从信道矩阵H中提取出实值特征向量d，并输入到SVM学习模型中，从而得到实值特征向量d对应的标签l。基于标签和天线组合映射表，选定标签l对应的天线组合。

算法原理：

假设是一个具有N_t根发射天线，N_r根接收天线的MIMO系统，并从N_t根发射天线中选择n_t根天线来进行发送。假设X＝{x₁，…，x_N}为所有可能的天线组合的集合，其中

是第n种天线组合，其中n＝1，2，…，N，也就是被选中的天线索引序号所构成的向量，N为所有可能的天线组合数，即

S为所有可能的发送调制符号集合。因此，最小欧式距离最大化的数学表达式可写为：

其中，

是从原来完整的信道矩阵

中选择n_t列所构成的信道子矩阵。

4)对串并转换后的发送信息比特u进行符号调制和索引调制，从而确定发射天线、调制符号和扩频PN码。

对串并转换后的发送信息比特u进行符号调制和索引调制的主要步骤如下：

4.1)对调制部分G_Mod进行基带调制，得到调制符号s＝s_R+js_I。s_R为调制符号s的同相分量。s_I为调制符号s的正交分量。

4.2)基于同相天线索引子块

和正交天线索引子块

查找天线索引表，得到发射天线Ts_R与发射天线Ts_I。

4.3)基于同相PN码索引子块

和正交PN码索引子块

查找PN码索引表，得到扩频PN码w_i和扩频PN码w_j。

5)对调制符号进行扩频，并传输至接收端。

对调制符号进行扩频传输的主要步骤如下：

5.1)利用扩频PN码w_i扩频调制符号s的同相分量s_R。

利用扩频PN码w_j扩频调制符号s的正交分量s_I。

5.2)对扩频后的同相信号s_Rw_i进行射频调制，并通过发射天线Ts_R向接收端发送。

对扩频后的正交信号js_Iw_j进行射频调制，并通过发射天线Ts_I向接收端发送。

6)接收端接收扩频信号，并对扩频信号进行相关特性检测，得到同相解扩信号y_{I_DS}和正交解扩信号y_{Q_DS}。

对扩频信号进行相关特性检测的主要步骤如下：

6.1)接收端接收到扩频信号后，对扩频信号进行射频下变频处理，将宽带射频信号变频至中频。

6.2)对中频信号进行PN码相关特性检测，检测出同相分量使用的扩频码

和正交分量使用的扩频码

并得到同相解扩信号y_{I_DS}和正交解扩信号y_{Q_DS}。

7)利用CNN对解扩信号进行估计检测。

利用CNN对解扩信号进行估计检测的主要步骤如下：

7.1)利用最大似然估计算法产生解扩训练数据集，主要步骤如下：

7.1.1)在同相解扩信号y_{I_DS}中选定同相学习模型的训练样本，即同相解扩信号y_{I_DS}的模值向量m_I对应的二维图像f_I。

在正交解扩信号y_{Q_DS}中选定正交学习模型的训练样本，即正交解扩信号y_{Q_DS}的模值向量m_Q对应的二维图像f_Q。

7.1.2)设置同相标签集合L₁和正交标签集合L₂。解调符号的同相元素和n_t根发射天线的序号之间的排列组合所构成的集合记为A。解调符号的正交元素和n_t根发射天线的序号之间的排列组合所构成的集合记为B。

同相标签集合L₁与集合A一一对应，并根据对应关系建立标签与估计的发射天线

和解调符号的同相分量

的组合映射表。正交标签集合L₂与集合B一一对应，并根据对应关系建立标签与估计的发射天线

和解调符号的正交分量

的组合映射表。

表4标签与估计的发射天线

和解调符号的同相分量

的组合映射

表5标签与估计的发射天线

和解调符号的正交分量

的组合映射

7.1.3)利用最大似然估计算法确定同相解扩信号y_{I_DS}对应的估计的发射天线

和解调符号的同相分量

正交解扩信号y_{Q_DS}对应的估计的发射天线

和解调符号的正交分量

估计的发射天线

和解调符号的同相分量

如下所示：

式中，real(s_k)为第k根天线发送的调制符号的实部信号。Ω为经过M阶基带调制后所形成的调制符号的集合。I为n_t根发射天线所形成的集合。k为任意发射天线序号。n_t为选定的发射天线数量。h_k为发射天线。

估计的发射天线

和解调符号的正交分量

如下所示：

式中，imag(s_g)为第g根天线发送的调制符号的虚部信号。h_g为发射天线。

7.1.4)基于标签与估计的发射天线

和解调符号的同相分量

的组合映射表，为估计的发射天线

和解调符号的同相分量

的组合贴上标签l₁∈L₁，基于标签与估计的发射天线

和解调符号的正交分量

的组合映射表，为估计的发射天线

和解调符号的正交分量

的组合贴上标签l₂∈L₂。

7.1.5)重复步骤7.1.1至7.1.4，直到得到M个同相训练样本及其对应的M个标签以及M个正交训练样本及其对应的M个标签，从而形成同相训练数据集和正交训练数据集。

7.2)建立测试数据集，主要包括以下两种方法：

I)在同相解扩信号y_{I_DS}中选定同相学习模型的测试样本，即同相解扩信号y_{I_DS}的模值向量m_I对应的二维图像f′_I，并为其所对应的发射天线

和解调符号的同相分量

的组合贴上相应的标签l′₁。

在正交解扩信号y_{Q_DS}中选定正交学习模型的测试样本，即正交解扩信号y_{Q_DS}的模值向量m_Q对应的二维图像f′_Q，并为其所对应的发射天线

和解调符号的正交分量

的组合贴上相应的标签l′₂。

II)从解扩训练数据集中随机抽取。

7.3)基于同相训练数据集和测试数据集建立同相CNN学习模型，并设定测试精度阈值σ₁。利用训练数据集训练同相CNN学习模型，确立同相CNN学习模型的学习参数。利用测试数据集测试同相CNN学习模型，若测试精度η₁＜σ₁，则调整同相CNN学习模型的学习参数，继续利用训练数据集训练同相CNN学习模型，直到测试精度η₁≥σ₁。

基于正交训练数据集和测试数据集建立正交CNN学习模型，并设定测试精度阈值σ₂。利用训练数据集训练正交CNN学习模型，确立正交CNN学习模型的学习参数。利用测试数据集测试正交CNN学习模型，若测试精度η₂＜σ₂，则调整正交CNN学习模型的学习参数，继续利用训练数据集训练正交CNN学习模型，直到测试精度η₂≥σ₂。

7.4)基于CNN的估计检测：

实时将同相解扩信号y_{I_DS}的模值向量m_I和正交解扩信号y_{Q_DS}的模值向量m_Q对应的二维图像f′_I和f′_Q分别输入到同相CNN学习模型分类器和正交CNN学习模型分类器中，分别得到同相解扩信号y_{I_DS}对应的标签l₁和正交解扩信号y_{Q_DS}对应的标签l₂。

基于标签l₁，查找标签与估计的发射天线

和解调符号的同相分量

的组合映射表，得到估计的发射天线

和解调符号的同相分量

基于标签l₂，查找标签与估计的发射天线

和解调符号的正交量

的组合映射表，得到估计的发射天线

和解调符号的正交分量

8)对估计出的解调符号和天线与PN码索引值进行解调和解映射，从而还原源信息比特

对估计出的解调符号和天线与PN码索引值进行解调和解映射的主要步骤如下：

8.1)将CNN估计检测到的解调符号的同相分量

和正交分量

合成为解调符号

基于解调符号

通过解调恢复出调制部分所对应的信息比特

8.2)将估计检测到的激活的发射天线

和发射天线

通过反向查找天线索引表，解映射出发射端同相天线索引部分所对应的信息比特

和正交天线索引部分所对应的信息比特

8.3)将估计检测到的激活的PN码

和PN码

通过反向查找PN码索引表，解映射出发送端同相PN码索引部分所对应的信息比特

和正交PN码索引部分所对应的信息比特

8.4)对信息比特

信息比特

信息比特

信息比特

和信息比特

进行并串转换，恢复出源信息比特

Claims (8)

1.一种基于机器学习的二维空码索引调制方法，其特征在于，主要包括以下步骤：

1)搭建通信系统；

2)对发射端的发送信息比特u进行串并转换，转换后发送信息比特

其中，

为同相天线索引子块；

为正交天线索引子块；

为同相PN码索引子块；

为正交PN码索引子块；G_Mod为基带调制部分；

3)建立基于SVM的最优天线子集，并构建标签和天线组合映射表；标签和天线组合映射表中存储标签集合L和天线组合集合X的映射关系；

建立基于SVM的最优天线子集的主要步骤如下：

3.1)利用基于欧式距离的最优天线选择算法EDAS产生训练数据集，主要步骤为：

3.1.1)以信道矩阵H的复值元素h_ij的弧度为特征，从M个信道矩阵H中提取M个实值特征向量d∈R^1×N，其中d_m表示第m个实值特征向量；m＝1,2,…,M；N为向量维度；

3.1.2)将M个实值特征向量d构成数据矩阵

3.1.3)对数据矩阵D进行归一化处理，得到归一化特征矩阵T；其中，归一化特征矩阵T中的元素t_i,j如下所示：

t_i,j＝(d_i,j-E_i{d_i,j})/(max_i{d_i,j}-min_i{d_i,j}) (1)

式中，E_i{d_i,j}为期望；d_i,j为实值特征向量d中的元素；max_i{d_i,j}为实值特征向量d中元素最大值；min_i{d_i,j}为实值特征向量d中元素最小值；

3.1.4)利用EDAS算法分别从M个信道矩阵H中得到M个天线组合，其中

表示第m个信道矩阵H_m所对应的天线组合，也即第m个实值特征向量d_m所对应的天线组合，天线组合集合记为X；n_t为选定的发射天线数量；

3.1.5)设置标签集合L；标签集合L和天线组合集合X一一对应；根据标签集合L和天线组合集合X的映射关系建立标签和天线组合映射表；

3.1.6)基于标签和天线组合映射表，对M个天线组合贴上对应的标签l，得到标签向量c∈R^M×1，其中c_m为标签向量c中的第m个元素，也即第m个实值特征向量d_m所对应的标签l；l∈L；

3.2)利用基于欧式距离的最优天线选择算法EDAS产生测试数据集，主要包括以下两种方法：

I)以信道矩阵H的复值元素h_ij的弧度为特征，从M个信道矩阵H中提取M个实值特征向量d’∈R^1×N，其中d’_m’表示第m’个实值特征向量；m’＝1,2,…,M；N为向量维度；

将M个实值特征向量d’构成数据矩阵

对数据矩阵D’进行归一化处理，得到归一化特征矩阵T’；

利用EDAS算法得到M个天线组合并贴上M个对应的标签；

II)从训练数据集中随机抽取测试数据集；

3.3)基于特征矩阵T和标签向量c，建立SVM学习模型，并设定测试精度阈值ε；利用训练数据集训练SVM学习模型，确立SVM学习模型的学习参数；利用测试数据集测试SVM学习模型，若测试精度

则调整SVM学习模型的学习参数，继续利用训练数据集训练学习模型，直到测试精度

所述学习参数主要包括惩罚因子和核函数；

3.4)实时从信道矩阵H中提取出实值特征向量d，并输入到SVM学习模型中，从而得到实值特征向量d对应的标签l；基于标签和天线组合映射表，选定标签l对应的天线组合；

4)对串并转换后的发送信息比特u进行符号调制和索引调制，从而确定发射天线、调制符号和扩频PN码；

5)对调制符号进行扩频，并传输至接收端；

6)接收端接收扩频信号，并对扩频信号进行相关特性检测，得到同相解扩信号y_{I_DS}和正交解扩信号y_{Q_DS}；

7)利用CNN对解扩信号进行估计检测；

8)对估计出的解调符号、天线和PN码索引值进行解调和解映射，从而还原源信息比特

2.根据权利要求1所述的一种基于机器学习的二维空码索引调制方法，其特征在于：所述通信系统主要包括发射端和接收端；发射端发送的信息记为发送信息比特u；

发射端的发射天线数记为N_t，接收端的接收天线数记为N_r；

选择出的最优天线子集中含有的天线数记为n_t；

通信系统的信道矩阵记为H；

通信系统中PN码组维度记为N_c；

通信系统基带调制的调制阶数记为M₁。

3.根据权利要求2所述的一种基于机器学习的二维空码索引调制方法，其特征在于，对发送信息比特u进行串并转换的主要步骤如下：

1)在传输时隙t，发送信息比特u的长度记为

b_i表示信息比特u中的第i位比特；

对发送信息比特u进行串并转换，得到天线索引部分G_Ant、PN码索引部分G_Code和基带调制部分G_Mod；其中天线索引部分G_Ant对应的长度为2log₂n_t；PN码索引部分G_Code对应的长度为2log₂ N_c；基带调制部分G_Mod对应的长度为m₁；

M₁为基带调制的调制阶数；

2)将天线索引部分G_Ant划分为同相天线索引子块

和正交天线索引子块

同相天线索引子块

和正交天线索引子块

的长度均为log₂n_t；

其中，同相天线索引子块

正交天线索引子块

将PN码索引部分G_Code划分为同相PN码索引子块

和正交PN码索引子块

同相PN码索引子块

和正交PN码索引子块

的长度均为log₂ N_c；

其中，同相PN码索引子块

正交PN码索引子块

4.根据权利要求1所述的一种基于机器学习的二维空码索引调制方法，其特征在于，对串并转换后的发送信息比特u进行符号调制和索引调制的主要步骤如下：

1)对调制部分G_Mod进行基带调制，得到调制符号s＝s_R+js_I；s_R为调制符号s的同相分量；s_I为调制符号s的正交分量；

2)基于同相天线索引子块

和正交天线索引子块

查找天线索引表，得到发射天线Ts_R与发射天线Ts_I；

3)基于同相PN码索引子块

和正交PN码索引子块

查找PN码索引表，得到扩频PN码w_i和扩频PN码w_j。

5.根据权利要求1所述的一种基于机器学习的二维空码索引调制方法，其特征在于，对调制符号进行扩频传输的主要步骤如下：

1)利用扩频PN码w_i扩频调制符号s的同相分量s_R；

利用扩频PN码w_j扩频调制符号s的正交分量s_I；

2)对扩频后的同相信号s_Rw_i进行射频调制，并通过发射天线Ts_R向接收端发送；

对扩频后的正交信号js_Iw_j进行射频调制，并通过发射天线Ts_I向接收端发送。

6.根据权利要求1所述的一种基于机器学习的二维空码索引调制方法，其特征在于，对扩频信号进行相关特性检测的主要步骤如下：

1)接收端接收到扩频信号后，对扩频信号进行射频下变频处理，将宽带射频信号变频至中频；

2)对中频信号进行PN码相关特性检测，检测出同相分量使用的扩频码

和正交分量使用的扩频码

并得到同相解扩信号y_{I_DS}和正交解扩信号y_{Q_DS}。

7.根据权利要求1所述的一种基于机器学习的二维空码索引调制方法，其特征在于，利用CNN对解扩信号进行估计检测的主要步骤如下：

1)利用最大似然估计算法产生解扩训练数据集，主要步骤如下：

1.1)在同相解扩信号y_{I_DS}中选定同相学习模型的训练样本，即同相解扩信号y_{I_DS}的模值向量m_I对应的二维图像f_I；

在正交解扩信号y_{Q_DS}中选定正交学习模型的训练样本，即正交解扩信号y_{Q_DS}的模值向量m_Q对应的二维图像f_Q；

1.2)设置同相标签集合L₁和正交标签集合L₂；解调符号的同相元素和n_t根发射天线的序号之间的排列组合所构成的集合记为A；解调符号的正交元素和n_t根发射天线的序号之间的排列组合所构成的集合记为B；

同相标签集合L₁与集合A一一对应，并根据对应关系建立标签与估计的发射天线

和解调符号的同相分量

的组合映射表；正交标签集合L₂与集合B一一对应，并根据对应关系建立标签与估计的发射天线

和解调符号的正交分量

的组合映射表；

1.3)利用最大似然估计算法确定同相解扩信号y_{I_DS}对应的估计的发射天线

和解调符号的同相分量

正交解扩信号y_{Q_DS}对应的估计的发射天线

和解调符号的正交分量

估计的发射天线

和解调符号的同相分量

如下所示：

式中，real(s_k)为第k根天线发送的调制符号的实部信号；Ω为经过M阶基带调制后所形成的调制符号的集合；I为n_t根发射天线所形成的集合；k为任意发射天线序号；n_t为选定的发射天线数量；h_k为发射天线；

估计的发射天线

和解调符号的正交分量

如下所示：

式中，imag(s_g)为第g根天线发送的调制符号的虚部信号；h_g为发射天线；

1.4)基于标签与估计的发射天线

和解调符号的同相分量

的组合映射表，为估计的发射天线

和解调符号的同相分量

的组合贴上标签l₁∈L₁；基于标签与估计的发射天线

和解调符号的正交分量

的组合映射表，为估计的发射天线

和解调符号的正交分量

的组合贴上标签l₂∈L₂；

1.5)重复步骤1.1至1.4，直到得到M个同相训练样本及其对应的M个标签以及M个正交训练样本及其对应的M个标签，从而形成同相训练数据集和正交训练数据集；

2)建立测试数据集，主要包括以下两种方法：

I)在同相解扩信号y_{I_DS}中选定同相学习模型的测试样本，即同相解扩信号y_{I_DS}的模值向量m_I对应的二维图像f’_I，并为其所对应的发射天线

和解调符号的同相分量

的组合贴上相应的标签l′₁；

在正交解扩信号y_{Q_DS}中选定正交学习模型的测试样本，即正交解扩信号y_{Q_DS}的模值向量m_Q对应的二维图像f’_Q，并为其所对应的发射天线

和解调符号的正交分量

的组合贴上相应的标签l′₂；

II)从解扩训练数据集中随机抽取；

3)基于同相训练数据集和测试数据集建立同相CNN学习模型，并设定测试精度阈值σ₁；利用训练数据集训练同相CNN学习模型，确立同相CNN学习模型的学习参数；利用测试数据集测试同相CNN学习模型，若测试精度η₁<σ₁，则调整同相CNN学习模型的学习参数，继续利用训练数据集训练同相CNN学习模型，直到测试精度η₁≥σ₁；所述学习参数主要包括卷积层数和步长；

基于正交训练数据集和测试数据集建立正交CNN学习模型，并设定测试精度阈值σ₂；利用训练数据集训练正交CNN学习模型，确立正交CNN学习模型的学习参数；利用测试数据集测试正交CNN学习模型，若测试精度η₂<σ₂，则调整正交CNN学习模型的学习参数，继续利用训练数据集训练正交CNN学习模型，直到测试精度η₂≥σ₂；所述学习参数主要包括卷积层数和步长；

4)基于CNN的估计检测：

实时将同相解扩信号y_{I_DS}的模值向量m_I和正交解扩信号y_{Q_DS}的模值向量m_Q对应的二维图像f’_I和f’_Q分别输入到同相CNN学习模型分类器和正交CNN学习模型分类器中，分别得到同相解扩信号y_{I_DS}对应的标签l₁和正交解扩信号y_{Q_DS}对应的标签l₂；

基于标签l₁，查找标签与估计的发射天线

和解调符号的同相分量

的组合映射表，得到估计的发射天线

和解调符号的同相分量

基于标签l₂，查找标签与估计的发射天线

和解调符号的正交量

的组合映射表，得到估计的发射天线

和解调符号的正交分量

8.根据权利要求1所述的一种基于机器学习的二维空码索引调制方法，其特征在于，对估计出的解调符号和天线与PN码索引值进行解调和解映射的主要步骤如下：

1)将CNN估计检测到的解调符号的同相分量

和正交分量

合成为解调符号

基于解调符号

通过解调恢复出调制部分所对应的信息比特

2)将估计检测到的激活的发射天线

和发射天线

通过反向查找天线索引表，解映射出发射端同相天线索引部分所对应的信息比特

和正交天线索引部分所对应的信息比特

3)将估计检测到的激活的PN码

和PN码

通过反向查找PN码索引表，解映射出发送端同相PN码索引部分所对应的信息比特

和正交PN码索引部分所对应的信息比特

4)对信息比特

信息比特

信息比特

信息比特

和信息比特

进行并串转换，恢复出源信息比特

Images