CN110300077A - 基于极端学习机的空间相关mimo系统的盲调制识别算法 - Google Patents

Abstract

基于极端学习机的空间相关MIMO系统的盲调制识别算法，包括如下步骤：步骤S1、构建一个具有Nt个发射天线和Nr个接收天线的MIMO系统；发射天线的个数Nt大于等于接收天线的个数Nr；步骤S2、MIMO系统中BS有M根天线、MS有N根天线，使用矩阵表示窄带MIMO信道；步骤S3、对信号x的N个样本进行特征提取；步骤S4、将N个样本组成训练集，确定期望准确度，隐藏层节点数归零，训练ELM。本发明可以在无需知道传输信道相应参数的情况下对MIMO通信系统进行调制识别，从而应对信号的相关性问题。

Description

基于极端学习机的空间相关MIMO系统的盲调制识别算法

技术领域

本发明属于信号识别技术领域，具体涉及一种基于极端学习机的空间相关MIMO系统的盲调制识别算法。

背景技术

多输入多输出（MIMO）目前被认为是一种具有广泛发展前景的技术，该技术能够利用多个天线实现多发多收，充分开发空间资源，在无需增加频谱资源和天线发送功率的情况下大大提高信道容量。然而在实际传输信道环境中，由于传播环境、天线阵元放置以及天线周围散射体分布等因素会导致各子信道间存在空间上的相关性，因此可能无法始终获得潜在的多天线增益。空间相关性通常被解释为信号的空间方向与平均接收信号增益之间的相关性，这种相关性的存在严重制约了MIMO系统的容量和误码性能。

不论是在民用还是在军事系统中，盲调制识别（MC）都是信号检测和信号解调之间的重要步骤。随着通信和通信对抗技术的发展，通信信号调制盲识别方法的研究及应用日益受到重视。该方法的基本任务是：在没有前导信息的前提下，通过一定的算法判断多信号和噪声干扰的混合信号中通信信号信息加载的位置，即调制方式，为进一步分析和处理信号提供依据。

过去对MIMO系统的研究通常基于独立瑞利衰落信道，很少考虑接收信号的空间相关性。在实际应用中，信道相关性的增加将会直接导致误码率的大幅上升，甚至导致MIMO系统不可用。而传统信号的调制识别算法由于对先验信息的依赖而在信息有效性较低时存在较大的局限性。

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，提供一种基于极端学习机的空间相关MIMO系统的盲调制识别算法，可以在无需知道传输信道相应参数的情况下对MIMO通信系统进行调制识别，从而应对信号的相关性问题。

本发明提供一种基于极端学习机的空间相关MIMO系统的盲调制识别算法，包括如下步骤：

步骤S1、构建一个具有Nt个发射天线和Nr个接收天线的MIMO系统；发射天线的个数Nt大于接收天线的个数Nr；

步骤S2、MIMO系统中BS有M根天线、MS有N根天线，使用 矩阵表示窄带MIMO信道；

步骤S3、对信号x的N个样本进行特征提取；

步骤S4、将N个样本组成训练集，确定期望准确度，隐藏层节点数归零，训练ELM。

作为本发明的进一步技术方案， 步骤S1中，所述MIMO系统的信道为时不变且频率平坦，则在瞬时k，基带接收到的符号向量为：

其中，是第k个接收到的样本，列向量为个所传输的第k组符号。

进一步的，步骤S2中，所述MIMO信道为

，

其中，MIMO信道，和分别为接收天线和发射天线的相关矩阵，为独立同分布的瑞利衰落信道，通过调整和产生各类MIMO信道。

进一步的，步骤S2中，对于两根MS天线和，其信道增益的相关系数为：

；

其中，为第m根BS天线和第n根MS天线之间在第l条路径上的信道系数，若服从均值为0的复高斯分布，则服从瑞利分布，定义MS的对称空间相关矩阵为：

；

其中，，RMS 的对角元素对应于自相关系数，其值通常为1，即；

按上述方式可得，BS的空间相关矩阵为：

；

若具有相同的平均功率，则Tx天线和Rx天线之间的相关系数近似为：

；

其中，且不等于，可得空间相关矩阵：

；

其中，为Kronocker积。

进一步的，步骤S3中，对于信号x的N个样本，阶数为k的高阶矩定义为：，则信号x的k阶累积量定义为：；

为了消除尺度带来的困扰，将信号y归一为拥有单位能量，则，因此，高阶累积量和高阶矩可以归一化为：

，；

其中，m=0,…,k/2，k=2,4,6,…。

进一步的，步骤S4中，训练集由N个样本组成，样本数据由接收信号的高阶矩、高阶累积量和该信号的调制方式组成：

；

其中，且是一个维的二元向量，表示该信号的特征参数；

则ELM 的训练具体如下：

首先是利用固定数量的随机产生的映射神经元构建隐藏层节点并且激活函数为非线性分段连续函数，非线性分段连续函数包括高斯函数和sigmoid函数；

高斯函数的公式为，sigmoid函数的公式为；其中，为函数参数的映射，为欧几里德范数；构建一个有个隐藏节点且激活函数为的单隐层前馈神经网络，则建模为：

；

其中，为该单隐层前馈神经网络中输入节点与第i个隐藏节点的权值向量；为连接输出节点和第i个隐藏节点的权值向量，而为第i个隐藏节点的阈值。

本发明的优点在于：

1.本发明采用的不是同分布空间独立平坦衰落信道，而是一种更加贴近实际的空间相关MIMO多径衰落信道模型。此模型下由天线产生的负面影响更为贴近实际，也会使信号模式识别变得更为复杂。

2.为了克服信号相关性的影响，本发明使用ELM及其导数来评估MIMO信号数据的有效性。ELM算法十分强大和灵活，为学习和分类问题提供了有效、多样的解决途径。

3.基于特征的方法是极为有效的信号识别方法。本发明应用高阶矩（HOMs）和累积量（HOCs）作为提取特征。所有选定的特征都可以确保后续使用的分类器的实时性。

附图说明

图1为本发明的B-ELM原理框图。

具体实施方式

本实施例提供一种基于极端学习机的空间相关MIMO系统的盲调制识别算法，包括如下步骤：

步骤S1、构建一个具有Nt个发射天线和Nr个接收天线的MIMO系统；发射天线的个数Nt大于接收天线的个数Nr；

步骤S2、MIMO系统中BS有M根天线、MS有N根天线，使用矩阵表示窄带MIMO信道；

步骤S3、对信号x的N个样本进行特征提取；

步骤S4、将N个样本组成训练集，确定期望准确度，隐藏层节点数归零，训练ELM。

步骤S1中，所述MIMO系统的信道为时不变且频率平坦，则在瞬时k，基带接收到的符号向量为：

其中，是第k个接收到的样本，列向量为个所传输的第k组符号。

步骤S2中，所述MIMO信道为

，

其中，MIMO信道，和分别为接收天线和发射天线的相关矩阵，为独立同分布的瑞利衰落信道，通过调整和产生各类MIMO信道。

步骤S2中，对于两根MS天线和，其信道增益的相关系数为：

；

其中，为第m根BS天线和第n根MS天线之间在第l条路径上的信道系数，若服从均值为0的复高斯分布，则服从瑞利分布，定义MS的对称空间相关矩阵为：

；

其中，，RMS 的对角元素对应于自相关系数，其值通常为1，即；

按上述方式可得，BS的空间相关矩阵为：

；

若具有相同的平均功率，则Tx天线和Rx天线之间的相关系数近似为：

；

其中，且不等于，可得空间相关矩阵：

；

其中，为Kronocker积。

步骤S3中，对于信号x的N个样本，阶数为k的高阶矩定义为：，则信号x的k阶累积量定义为：；

为了消除尺度带来的困扰，将信号y归一为拥有单位能量，则，因此，高阶累积量和高阶矩可以归一化为：

，；

其中，m=0,…,k/2，k=2,4,6,…。

步骤S4中，训练集由N个样本组成，样本数据由接收信号的高阶矩、高阶累积量和该信号的调制方式组成：

；

其中，且是一个维的二元向量，表示该信号的特征参数；

则ELM 的训练具体如下：

首先是利用固定数量的随机产生的映射神经元构建隐藏层节点并且激活函数为非线性分段连续函数，非线性分段连续函数包括高斯函数和sigmoid函数；

高斯函数的公式为，sigmoid函数的公式为；其中，为函数参数的映射，为欧几里德范数；构建一个有个隐藏节点且激活函数为的单隐层前馈神经网络，则建模为：

；

其中，为该单隐层前馈神经网络中输入节点与第i个隐藏节点的权值向量；为连接输出节点和第i个隐藏节点的权值向量，而为第i个隐藏节点的阈值。

除此以外，为了打造更为完善的学习机，还需考虑一些其他的要素。

首先，随机产生的隐藏层神经元将输入数据空间映射到维特征空间。我们用表示输出隐藏层向量，表示连接隐藏层和输出层的输出权值。所得输出可由下式得出：

；

其次，为了减小预计平方损失误差，我们应最小化下列方程：

；

上述问题被转化为正则化最小二乘或岭回归问题。假设梯度为零，我们可以得到

；

其中。如果矩阵H的行数大于列数，则矩阵H是列满秩矩阵。而训练集的模式数量往往会大于隐藏层神经元数量，因此上述等式不再适用。这种情况下可以使用式(19)的简化等式：

上式中是矩阵H的Moore-Penrose广义逆，是维单位矩阵。同时，当训练模式数量小于隐藏层神经元的数量时，我们同样可以得到相应结果：

。

基于以上ELM的原理，本发明使用B-ELM来解决相应模式识别问题。以 下为B-ELM的原理介绍：

B-ELM的基本思想是找到一些的隐藏节点参数(a，b)，可以使神经网络的 残差尽可能快地减少。当隐藏节点的数量N∈{2n+1，n∈Z}时，隐藏节点参数 a，b随机生成，这与I-ELM相同。然而当隐藏节点的数量N∈{2n，n∈Z}时，隐 含节点a，b的参数由引理1获得。

相关文献中有所证明，给定具有任意有界非常数分段连续函数的SLFN，该函数作用于附加节点或正弦节点，对于任意的连续目标函数、随机生成的函数序列以及已知的误差反馈函数序列，可得：

上式中，为当前具有n个隐藏节点的网络的残差。内积由下式定义：

。

引理1：给定一个sigmoid或正弦激活函数以及误差反馈函数序列。若是三角函数，则给定归一化函数；若为sigmoid函数，则给定归一化函数。对于任意连续的目标函数以及随机生成的函数序列，的概率保持为1，条件为：

其中，和表示其相应函数的反函数。

以上显示和描述了本发明的基本原理、主要特征和优点。本领域的技术人员应该了解，本发明不受上述具体实施例的限制，上述具体实施例和说明书中的描述只是为了进一步说明本发明的原理，在不脱离本发明精神范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由权利要求书及其等效物界定。

Claims (6)

1.基于极端学习机的空间相关MIMO系统的盲调制识别算法，其特征在于，包括如下步骤：

步骤S1、构建一个具有Nt个发射天线和Nr个接收天线的MIMO系统；发射天线的个数Nt大于接收天线的个数Nr；

步骤S2、MIMO系统中BS有M根天线、MS有N根天线，使用矩阵表示窄带MIMO信道；

步骤S3、对信号x的N个样本进行特征提取；

步骤S4、将N个样本组成训练集，确定期望准确度，隐藏层节点数归零，训练ELM。

2.根据权利要求1所述的基于极端学习机的空间相关MIMO系统的盲调制识别算法，其特征在于，所述步骤S1中，所述MIMO系统的信道为时不变且频率平坦，则在瞬时k，基带接收到的符号向量为：

其中，是第k个接收到的样本，列向量为个所传输的第k组符号。

3.根据权利要求1所述的基于极端学习机的空间相关MIMO系统的盲调制识别算法，其特征在于，所述步骤S2中，所述MIMO信道为

，

其中，MIMO信道，和分别为接收天线和发射天线的相关矩阵，为独立同分布的瑞利衰落信道，通过调整和产生各类MIMO信道。

4.根据权利要求1所述的基于极端学习机的空间相关MIMO系统的盲调制识别算法，其特征在于，所述步骤S2中，对于两根MS天线和，其信道增益的相关系数为：

；

其中，为第m根BS天线和第n根MS天线之间在第l条路径上的信道系数，若服从均值为0的复高斯分布，则服从瑞利分布，定义MS的对称空间相关矩阵为：；

其中，，R_MS 的对角元素对应于自相关系数，其值通常为1，即；

按上述方式可得，BS的空间相关矩阵为：

；

若具有相同的平均功率，则Tx天线和Rx天线之间的相关系数近似为：

；

其中，且不等于，可得空间相关矩阵：

；

其中，为Kronocker积。

5.根据权利要求1所述的基于极端学习机的空间相关MIMO系统的盲调制识别算法，其特征在于，所述步骤S3中，对于信号x的N个样本，阶数为k的高阶矩定义为：，则信号x的k阶累积量定义为：；

为了消除尺度带来的困扰，将信号y归一为拥有单位能量，则，因此，高阶累积量和高阶矩可以归一化为：

，；

其中，m=0,…,k/2，k=2,4,6,…。

6.根据权利要求1所述的基于极端学习机的空间相关MIMO系统的盲调制识别算法，其特征在于，所述步骤S4中，训练集由N个样本组成，样本数据由接收信号的高阶矩、高阶累积量和该信号的调制方式组成：

；

其中，且是一个维的二元向量，表示该信号的特征参数；

则ELM 的训练具体如下：

首先是利用固定数量的随机产生的映射神经元构建隐藏层节点并且激活函数为非线性分段连续函数，非线性分段连续函数包括高斯函数和sigmoid函数；

高斯函数的公式为，sigmoid函数的公式为；其中，为函数参数的映射，为欧几里德范数；构建一个有个隐藏节点且激活函数为的单隐层前馈神经网络，则建模为：

其中，为该单隐层前馈神经网络中输入节点与第i个隐藏节点的权值向量；为连接输出节点和第i个隐藏节点的权值向量，而为第i个隐藏节点的阈值。