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 PDFInfo
- 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
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
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:
1.3.2)将每个分组看作一个单词,将分组序列映射成词向量;
1.3.4)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:
2.2.2)将每个分组看成一个单词,并将每个分组映射成词向量;
2.3)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:
1.3.2)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;
1.3.4)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:
2.2.2)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;
2.3)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:
1.3.2)将每个分组看作一个单词,将分组序列映射成词向量;
1.3.4)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:
2.2.2)将每个分组看成一个单词,并将每个分组映射成词向量;
2.3)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。
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)
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 |
-
2019
- 2019-11-28 CN CN201911191857.5A patent/CN111079898B/zh active Active
Patent Citations (4)
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)
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 |