CN111079898A - 一种基于TextCNN网络的信道编码识别方法 - Google Patents

一种基于TextCNN网络的信道编码识别方法 Download PDF

Info

Publication number
CN111079898A
CN111079898A CN201911191857.5A CN201911191857A CN111079898A CN 111079898 A CN111079898 A CN 111079898A CN 201911191857 A CN201911191857 A CN 201911191857A CN 111079898 A CN111079898 A CN 111079898A
Authority
CN
China
Prior art keywords
information sequence
channel coding
textcnn network
group
coding mode
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.)
Granted
Application number
CN201911191857.5A
Other languages
English (en)
Other versions
CN111079898B (zh
Inventor
彭盛亮
倪艳琴
秦雄飞
杨喜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaqiao University
Original Assignee
Huaqiao University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huaqiao University filed Critical Huaqiao University
Priority to CN201911191857.5A priority Critical patent/CN111079898B/zh
Publication of CN111079898A publication Critical patent/CN111079898A/zh
Application granted granted Critical
Publication of CN111079898B publication Critical patent/CN111079898B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Error Detection And Correction (AREA)

Abstract

本发明涉及一种基于TextCNN网络的信道编码识别方法，引入了深度学习的技术思路，利用TextCNN网络的文本分类能力，利用深度学习中的TextCNN网络自动提取信道编码方案的特征，在人工干预较少的情况下，能够实时识别接收信息序列的编码方式，避免人工提取特征的偶然性，并且减小了计算复杂度，提高了信道编码识别的精度。本发明的实施，可用于解决认知无线电环境中的信道编码识别问题。

Description

一种基于TextCNN网络的信道编码识别方法
技术领域
本发明涉及认知无线电技术领域，更具体地说，涉及一种基于TextCNN网络的信道编码识别方法。
背景技术
随着无线业务的迅猛发展，频谱资源日益稀缺。为了缓解这一问题，现有技术中提供了认知无线电的技术思路。在认知无线电中，次级用户不仅仅需要检测主用户的存在，还需要获取主用户信号的详细信息，例如信道编码方式。
为了识别接收信息序列采用的信道编码方式，现有技术的算法主要是利用平均对数似然比(Log-Likelihood Ratio，LLR)或者奇偶校验平均似然差(LikelihoodDifference，LD)。而这两类算法存在如下不足：
一方面需要从接收信息序列中手动提取特征，非常依赖技术人员的经验；
另一方面计算复杂度高，不适合用于环境多变的实时通信系统。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于TextCNN网络的信道编码识别方法，利用深度学习完成信道编码识别，能够充分利用通信大数据，同时有效避免手动提取特征。
本发明的技术方案如下：
一种基于TextCNN网络的信道编码识别方法，将接收的信息序列作为文本，利用深度学习中的TextCNN网络对文本进行理解，识别信息序列所采用的信道编码方式。
作为优选，包括离线训练阶段和在线识别阶段；其中，离线训练阶段包括如下步骤：
1.1)确定候选集：选择若干已知的信道编码方式，组成编码方式候选集Θ＝{C1,…,CK}，其中，K为候选信道编码的种类数量；
1.2)获取训练信号：对于编码方式候选集中的每一种信道编码方式，空口接收或者仿真出M个编码后的信息序列r＝(r1,…,rN)，其中，N为信息序列长度；
1.3)数据预处理，具体如下：
1.3.1)对接收的每个信息序列r＝(r1,…,rN)进行分组处理，确定接收的信息序列分组长度L，共分为
Figure BDA0002293768330000021
组；
1.3.2)将每个分组看作一个单词，将分组序列映射成词向量；
1.3.3)根据信息序列r＝(r1,…,rN)的
Figure BDA0002293768330000022
个词向量，构建句子矩阵；
1.3.4)以信息序列所采用的信道编码方式进行区分，给句子矩阵打上相应的标签；
1.3.5)将所有打过标签的句子矩阵以一定比例划分，得到训练数据集和验证数据集；
1.4)训练TextCNN网络：将训练数据集送入TextCNN网络中训练，验证数据集用来调整模型的超参数，得到一个训练好的TextCNN网络模型。
作为优选，步骤1.3.2)中，采用Word2Vex或者Glove将分组序列映射成词向量。
作为优选，在线识别阶段包括如下步骤：
2.1)接收未知信号：接收N比特未知信道编码方式的待识别信息序列x＝(x1,…,xN)；
2.2)数据预处理，具体如下：
2.2.1)对接收的待识别信息序列x＝(x1,…,xN)进行分组处理，每组L个比特，共分为
Figure BDA0002293768330000023
个组；
2.2.2)将每个分组看成一个单词，并将每个分组映射成词向量；
2.2.3)根据待识别信息序列x＝(x1,…,xN)的
Figure BDA0002293768330000024
个词向量，构建句子矩阵；
2.3)编码方式识别：将接收的待识别信息序列x＝(x1,…,xN)的句子矩阵输入步骤1.4)得到的TextCNN网络模型中，进行编码方式识别，得到接收的待识别信息序列x＝(x1,…,xN)的信道编码方式。
作为优选，步骤2.2.2)中，采用Word2Vex或者Glove将每个分组映射成词向量。
本发明的有益效果如下：
本发明所述的基于TextCNN网络的信道编码识别方法，引入了深度学习的技术思路，利用TextCNN网络的文本分类能力，利用深度学习中的TextCNN网络自动提取信道编码方案的特征，在人工干预较少的情况下，能够实时识别接收信息序列的编码方式，避免人工提取特征的偶然性，并且减小了计算复杂度，提高了信道编码识别的精度。本发明的实施，可用于解决认知无线电环境中的信道编码识别问题。
附图说明
图1是本发明的流程示意图；
图2是本发明与传统的max-log-MAP算法的识别精度比较示意图。
具体实施方式
以下结合附图及实施例对本发明进行进一步的详细说明。
为了解决现有技术存在的对技术人员的经验依赖程度高、计算复杂度高等不足，提供一种基于TextCNN网络的信道编码识别方法，将接收的信息序列作为文本，利用深度学习中的TextCNN网络对文本进行理解，识别信息序列所采用的信道编码方式。进而，用于解决认知无线电环境中的信道编码识别问题。
如图1所示，本发明所述的基于TextCNN网络的信道编码识别方法，包括离线训练阶段和在线识别阶段。
其中，离线训练阶段包括如下步骤：
1.1)确定候选集：选择若干已知的信道编码方式，组成编码方式候选集Θ＝{C1,…,CK}，其中，K为候选信道编码的种类数量；
1.2)获取训练信号：对于编码方式候选集中的每一种信道编码方式，空口接收或者仿真出M个编码后的信息序列r＝(r1,…,rN)，其中，N为信息序列长度；
1.3)数据预处理，具体如下：
1.3.1)对接收的每个信息序列r＝(r1,…,rN)进行分组处理，确定接收的信息序列分组长度L，共分为
Figure BDA0002293768330000031
组；
1.3.2)将每个分组看作一个单词，采用Word2Vex或者Glove将分组序列映射成词向量；
1.3.3)根据信息序列r＝(r1,…,rN)的
Figure BDA0002293768330000041
个词向量，构建句子矩阵；
1.3.4)以信息序列所采用的信道编码方式进行区分，给句子矩阵打上相应的标签；
1.3.5)将所有打过标签的句子矩阵以一定比例划分，得到训练数据集和验证数据集；
1.4)训练TextCNN网络：将训练数据集送入TextCNN网络中训练，验证数据集用来调整模型的超参数，得到一个训练好的TextCNN网络模型。
在线识别阶段包括如下步骤：
2.1)接收未知信号：接收N比特未知信道编码方式的待识别信息序列x＝(x1,…,xN)；
2.2)数据预处理，具体如下：
2.2.1)对接收的待识别信息序列x＝(x1,…,xN)进行分组处理，每组L个比特，共分为
Figure BDA0002293768330000042
个组；
2.2.2)将每个分组看成一个单词，采用Word2Vex或者Glove将每个分组映射成词向量；
2.2.3)根据待识别信息序列x＝(x1,…,xN)的
Figure BDA0002293768330000043
个词向量，构建句子矩阵；
2.3)编码方式识别：将接收的待识别信息序列x＝(x1,…,xN)的句子矩阵输入步骤1.4)得到的TextCNN网络模型中，进行编码方式识别，得到接收的待识别信息序列x＝(x1,…,xN)的信道编码方式。
如图2所示，将本发明与传统的max-log-MAP算法的识别精度进行比较，以三种不同的卷积码(C1、C2、C3)作为候选集，其中，“DL”表示本发明得到的曲线，“decoding”表示传统的max-log-MAP算法得到的曲线。可以明显看出，本发明所述的方法的性能优于传统的max-log-MAP算法。
上述实施例仅是用来说明本发明，而并非用作对本发明的限定。只要是依据本发明的技术实质，对上述实施例进行变化、变型等都将落在本发明的权利要求的范围内。

Claims (5)

1.一种基于TextCNN网络的信道编码识别方法，其特征在于，将接收的信息序列作为文本，利用深度学习中的TextCNN网络对文本进行理解，识别信息序列所采用的信道编码方式。
2.根据权利要求1所述的基于TextCNN网络的信道编码识别方法，其特征在于，包括离线训练阶段和在线识别阶段；其中，离线训练阶段包括如下步骤：
1.1)确定候选集：选择若干已知的信道编码方式，组成编码方式候选集Θ＝{C1,…,CK}，其中，K为候选信道编码的种类数量；
1.2)获取训练信号：对于编码方式候选集中的每一种信道编码方式，空口接收或者仿真出M个编码后的信息序列r＝(r1,…,rN)，其中，N为信息序列长度；
1.3)数据预处理，具体如下：
1.3.1)对接收的每个信息序列r＝(r1,…,rN)进行分组处理，确定接收的信息序列分组长度L，共分为
Figure FDA0002293768320000011
组；
1.3.2)将每个分组看作一个单词，将分组序列映射成词向量；
1.3.3)根据信息序列r＝(r1,…,rN)的
Figure FDA0002293768320000012
个词向量，构建句子矩阵；
1.3.4)以信息序列所采用的信道编码方式进行区分，给句子矩阵打上相应的标签；
1.3.5)将所有打过标签的句子矩阵以一定比例划分，得到训练数据集和验证数据集；
1.4)训练TextCNN网络：将训练数据集送入TextCNN网络中训练，验证数据集用来调整模型的超参数，得到一个训练好的TextCNN网络模型。
3.根据权利要求2所述的基于TextCNN网络的信道编码识别方法，其特征在于，步骤1.3.2)中，采用Word2Vex或者Glove将分组序列映射成词向量。
4.根据权利要求2或3所述的基于TextCNN网络的信道编码识别方法，其特征在于，在线识别阶段包括如下步骤：
2.1)接收未知信号：接收N比特未知信道编码方式的待识别信息序列x＝(x1,…,xN)；
2.2)数据预处理，具体如下：
2.2.1)对接收的待识别信息序列x＝(x1,…,xN)进行分组处理，每组L个比特，共分为
Figure FDA0002293768320000013
个组；
2.2.2)将每个分组看成一个单词，并将每个分组映射成词向量；
2.2.3)根据待识别信息序列x＝(x1,…,xN)的
Figure FDA0002293768320000021
个词向量，构建句子矩阵；
2.3)编码方式识别：将接收的待识别信息序列x＝(x1,…,xN)的句子矩阵输入步骤1.4)得到的TextCNN网络模型中，进行编码方式识别，得到接收的待识别信息序列x＝(x1,…,xN)的信道编码方式。
5.根据权利要求4所述的基于TextCNN网络的信道编码识别方法，其特征在于，步骤2.2.2)中，采用Word2Vex或者Glove将每个分组映射成词向量。
CN201911191857.5A 2019-11-28 2019-11-28 一种基于TextCNN网络的信道编码识别方法 Active CN111079898B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911191857.5A CN111079898B (zh) 2019-11-28 2019-11-28 一种基于TextCNN网络的信道编码识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911191857.5A CN111079898B (zh) 2019-11-28 2019-11-28 一种基于TextCNN网络的信道编码识别方法

Publications (2)

Publication Number Publication Date
CN111079898A true CN111079898A (zh) 2020-04-28
CN111079898B CN111079898B (zh) 2023-04-07

Family

ID=70312001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911191857.5A Active CN111079898B (zh) 2019-11-28 2019-11-28 一种基于TextCNN网络的信道编码识别方法

Country Status (1)

Country Link
CN (1) CN111079898B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108282426A (zh) * 2017-12-08 2018-07-13 西安电子科技大学 基于轻量级深度网络的无线电信号认知识别方法
CN109861864A (zh) * 2019-02-11 2019-06-07 华侨大学 一种基于lstm网络的mac协议识别方法
CN109871535A (zh) * 2019-01-16 2019-06-11 四川大学 一种基于深度神经网络的法语命名实体识别方法
WO2019200923A1 (zh) * 2018-04-19 2019-10-24 京东方科技集团股份有限公司 基于拼音的语义识别方法、装置以及人机对话系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108282426A (zh) * 2017-12-08 2018-07-13 西安电子科技大学 基于轻量级深度网络的无线电信号认知识别方法
WO2019200923A1 (zh) * 2018-04-19 2019-10-24 京东方科技集团股份有限公司 基于拼音的语义识别方法、装置以及人机对话系统
CN109871535A (zh) * 2019-01-16 2019-06-11 四川大学 一种基于深度神经网络的法语命名实体识别方法
CN109861864A (zh) * 2019-02-11 2019-06-07 华侨大学 一种基于lstm网络的mac协议识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
司阳等: "基于自动编码器和神经网络的人体运动识别", 《国外电子测量技术》 *

Also Published As

Publication number Publication date
CN111079898B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN110351301B (zh) 一种http请求双层递进式异常检测方法
CN109495214B (zh) 基于一维Inception结构的信道编码类型识别方法
CN111490853A (zh) 一种基于深度卷积神经网络的信道编码参数识别方法
CN106920206B (zh) 一种基于对抗神经网络的隐写分析方法
CN112036383B (zh) 一种基于手静脉的身份识别方法及装置
CN109525369B (zh) 一种基于循环神经网络的信道编码类型盲识别方法
CN107908642B (zh) 基于分布式平台的行业文本实体提取方法
CN110909224B (zh) 一种基于人工智能的敏感数据自动分类识别方法及系统
CN114120041B (zh) 一种基于双对抗变分自编码器的小样本分类方法
CN113220839B (zh) 一种意图识别方法、电子设备及计算机可读存储介质
CN113505225B (zh) 一种基于多层注意力机制的小样本医疗关系分类方法
US11700156B1 (en) Intelligent data and knowledge-driven method for modulation recognition
CN107480723B (zh) 基于局部二进制阈值学习网络的纹理识别方法
Zhang et al. Open set recognition of communication signal modulation based on deep learning
CN111538823A (zh) 信息处理方法、模型训练方法、装置、设备及介质
CN106384587B (zh) 一种语音识别方法及系统
CN113553847A (zh) 用于对地址文本进行解析的方法、装置、系统和存储介质
CN112906403B (zh) 语义分析模型训练方法、装置、终端设备及存储介质
CN110175330A (zh) 一种基于注意力机制的命名实体识别方法
CN111079898B (zh) 一种基于TextCNN网络的信道编码识别方法
CN111862955B (zh) 一种语音识别方法与终端、计算机可读存储介质
CN109241265B (zh) 一种面向多轮查询的领域识别方法及系统
CN108345943B (zh) 一种基于嵌入编码与对比学习的机器学习识别方法
CN110555462A (zh) 基于卷积神经网络的无固定多字符验证码识别方法
CN114490885A (zh) 一种实体关系抽取方法、装置、电子设备及存储介质

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
GR01 Patent grant
GR01 Patent grant