发明内容
为了解决上述问题,本发明的目的是提供一种基于神经网络的可迭代式智能化信号检测方法,可以提高在受到复杂动态的相关干扰的场景下的信号检测性能。
基于此,本发明提供了一种基于神经网络的可迭代式智能化信号检测方法,所述方法包括以下步骤:
步骤1、将待检测信号输入至信号检测器,获取干扰信号估计值;
步骤2、将所述干扰信号估计值输入至深层神经网络,获取待检测信号;
步骤3、重复若干次所述步骤1和2,所述信号检测器输出最终信号。
其中,所述深层神经网络的训练过程包括:
对于序列长度为N的M维输入序列,所述损失函数包括:
其中,|Ω|是信号分类的数量,p
i(n)表示序列中的第n次接收到的信号所对应的标签值,所述标签值表示当前时刻的信号分类的独热编码,y(n)是第n次接收到的信号,
是神经网络输出的噪声干扰的估计值,H是对应时刻的瞬时信道参数,s
j是属于信号分类中的其中一种分类的具体信号表现形式。
其中,所述深层神经网络的训练过程还包括:
随机产生真实信道条件下的训练样本,并使用所述损失函数训练深层神经网络,直至网络的损失值趋向于收敛。
其中,所述待检测信号表达式为:
y=H s+w
其中,s是传输的真实信号,H是信道状态参数,w是噪声或干扰信号。
其中,所述串行连接的后置深层神经网络接受传统信号检测器的输出
为作输入,提取干扰信号在时域或频域的相关性作为其内部隐含特征,输出干扰信号的进一步估计值
获取经过所述深层神经网络处理后的信号。
其中,所述信号检测器包括最大似然检测器。
其中,所述深层神经网络包括卷积神经网络。
本发明实施例还提供了一种基于神经网络的可迭代式智能化信号检测装置,所述装置包括:
第一检测模块,用于将待检测信号输入至信号检测器,获取干扰信号估计值;
第二检测模块,用于将所述干扰信号估计值输入至深层神经网络,获取待检测信号;
迭代模块,用于重复若干次所述第一检测模块和第二检测模块,所述信号检测器输出最终信号。
本发明实施例还提供了一种基于神经网络的可迭代式智能化信号检测设备,所述设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述的基于神经网络的可迭代式智能化信号检测方法。
本发明实施例还提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述的基于神经网络的可迭代式智能化信号检测方法。
本发明的目的是为无线通信系统提供一种既可以在一般场景下的信号检测性能,又能提高在受到复杂动态的相关干扰的场景下的信号检测性能的新型检测方法。所述方法通过采用迭代式的串行检测序列,并在运用最新的人工智能技术上加以创新,从而达到在受到复杂动态的相关干扰的场景下降低干扰信号功率的目的,并显著提高系统检测性能,以推动无线通信上信号检测的问题的优化进展。
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是本发明实施例提供的基于神经网络的可迭代式智能化信号检测方法的流程图;
图2是本发明实施例提供的基于神经网络的可迭代式智能化信号检测装置的示意图;
图3是本发明实施例提供的可迭代式智能化信号检测器的系统架构图;
图4是本发明实施例提供的自适应型深层神经网络的网络结构图;
图5是本发明在Python仿真环境下,在发送功率相同,干扰信号间相关系数变化的情况下,本发明所提可迭代式智能化信号检测器与传统信号检测器及将本发明所提出的特殊的自适应型损失函数替换为传统的最小均方误差损失函数(MMSE)下的信号检测结果之误比特率的仿真曲线图;
图6是本发明在Python仿真环境下,在干扰信号间相关系数相同,信号干扰功率比变化的情况下,本发明所提可迭代式智能化信号检测器与传统检测器及将本发明所提出的特殊的自适应型损失函数替换为传统的最小均方误差损失函数(MMSE)下的信号检测结果之误比特率的仿真曲线图。
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作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。
图1是本发明实施例提供的基于神经网络的可迭代式智能化信号检测方法的流程图,所述方法包括:
S101、将待检测信号输入至信号检测器,获取干扰信号估计值;
请参考图3,在无线网络系统的接收端设置以传统信号检测器为首,在其后串行连接深层神经网络的可迭代智能化接收机,具体方法步骤如下:
对于接收端接收到的信号:
y=H s+w
其中s是传输的真实信号,H是信道状态参数,w是噪声或干扰信号。所述信号检测器首先输出信号的初步估计值
相应地便可以得到干扰的估计:
S102、将所述干扰信号估计值输入至深层神经网络,获取待检测信号;
串行连接的后置深层神经网络接受传统信号检测器的输出
作为输入,提取干扰信号在时域或频域的相关性作为其内部隐含特征,输出干扰信号的进一步估计值
便可以得到的经过深层神经网络处理后的信号:
S103、重复若干次所述S101和S102,所述信号检测器输出最终信号。
通过将深层神经网络处理后的信号
迭代返回所述信号检测器作为下一轮迭代的输入信号,重复S101,所述信号检测器将输出信号更新后的估计值
然后依次重复步骤S102与S103,在过多轮的迭代后停止,此时所述信号检测器的输出
便是最终输出信号。
训练所述深层神经网络,请参考图4,其方案步骤如下:
1、设置一个特殊的自适应型损失函数,以针对性的训练深层卷积神经网络。对于序列长度为N的M维输入序列,该损失函数具体形式为:
其中,|Ω|是所有可能信号分类的数量;p
i(n)表示序列中的第n次接收到的信号所对应的标签值,所述标签值表示此时的该信号分类的独热编码,所述标签值在训练数据产生时获得;y(n)是第n次接收到的信号;
是神经网络输出的噪声干扰的估计值;H是对应时刻的瞬时信道参数;s
j是属于所有可能信号分类中的一种分类的具体信号表现形式。
随机产生真实信道条件下的训练样本,并使用上述损失函数训练深层神经网络直到网络的损失值趋向于收敛,此时深层神经网络训练完毕。
本实施记载了一种基于神经网络的可迭代式智能化信号检测方法,在Python仿真环境下,使用计算机仿真本发明所提方法在无线网络传输中接收端检测误比特率。在仿真实验中,系统中的传统信号检测器采用最大似然检测器(MLD);系统中的深层神经网络采用以卷积神经元构成4层神经网络,其中每层的卷积核的尺寸分别为9、3、3、15,其每层卷积神经元的个数为64,32,16,1;系统中传统信号检测器与深层神经网络之间的迭代次数设置为2次,仿真传输的单个数据包序列长度为576比特,接收端天线数量为4根;系统节点间链路存在具有时变相关性的干扰信号,该干扰信号与上一时刻的干扰信号之间存在着动态变化的相关性,其数学模型为:
其中w(n+1)是下一时刻的干扰信号,w(n)是当前时刻的干扰信号,ρ∈[0,1]是动态变化的干扰间相关性系数,u(n+1)是下一时刻受到的加性独立白色高斯干扰。
在训练神经网络时,采用的训练样本包含2000万个数据包,经过至少200代训练或趋于收敛后停止训练。
考虑到信道与噪声的随机性,在信号检测仿真时模拟检测2,000,000个数据包,即独立运行288,000,000次检测循环并对结果取平均。对于每一次循环n,采用如下步骤:
①、随机生成接收端信号y(n)=H s(n)+w(n),传入传统检测器并输出信号的初步估计值
相应地便可以得到干扰信号的初步估计值:
②、后置的深层神经网络接收传统检测器的输出
作为输入,然后输出干扰信号的更精确的估计值
得到的经过深层神经网络处理后的信号:
③、将深层神经网络处理后的信号
输入信号检测器,然后依次重复步骤①、②与③,经过若干次迭代后停止,并将此时信号检测器的输出
作为系统的最终输出。
给定干扰相关系数下误比特率随发送功率变化关系:图5表征的是相关系数ρ=0.5下,网络节点发送功率P在0~25dB的范围内,本发明所提可迭代式智能化信号检测器与传统检测器及将本发明所提出的特殊的自适应型损失函数替换为传统最小均方误差损失函数下的信号检测结果之误比特率的仿真曲线。对比可以看出,本发明所提的方法通过有效地利用深层神经网络,能显著降低复杂动态相关干扰环境下受到的干扰影响,明显优于传统检测器及将本发明所提出的特殊损失函数替换为一般化的最小均方误差损失函数的两种传统方案。
给定发送功率下误比特率随干扰相关性系数变化关系:图6表征的是在发送功率P=20dB下,干扰相关性系数1/2在0~0.95的范围内,本发明所提可迭代式智能化信号检测器与传统检测器及将本发明所提出的特殊的自适应型损失函数替换为传统最小均方误差损失函数下的信号检测结果之误比特率的仿真曲线。对比可以看出,对于不同的相关系数,本发明所提方法均明显优于传统的两种方案,进一步验证了本方法的有效性。
本发明实施例还提供了一种基于神经网络的可迭代式智能化信号检测装置,所述装置包括:
第一检测模块201,用于将待检测信号输入至信号检测器,获取干扰信号估计值;
第二检测模块202,用于将所述干扰信号估计值输入至深层神经网络,获取待检测信号;
迭代模块203,用于重复若干次所述第一检测模块和第二检测模块,所述信号检测器输出最终信号。
本发明的实施例还提出一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。
此外,本发明的实施例还提出一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现上述方法的步骤。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本发明的保护范围。