CN111224911A

CN111224911A - 一种基于盲均衡辅助深度学习的方法及系统

Info

Publication number: CN111224911A
Application number: CN202010028329.4A
Authority: CN
Inventors: 王珏; 纪雪飞; 张艳秋; 厉凯; 孙强; 曹娟; 徐晨; 杨永杰
Original assignee: Nantong University; Nantong Research Institute for Advanced Communication Technologies Co Ltd
Current assignee: Nantong University; Nantong Research Institute for Advanced Communication Technologies Co Ltd
Priority date: 2020-01-10
Filing date: 2020-01-10
Publication date: 2020-06-02

Abstract

本发明公开了一种基于盲均衡辅助深度学习的方法，属于通信领域，其包括如下步骤：采样，对接收到的调制信号采样，将采样好的信号送入盲均衡器；均衡，分别用多种步长对接收信号进行均衡；检查清除，对均衡后的信号数据进行检查，清除均衡失败的空数据；识别学习，将全部成功均衡的数据送到深度学习网络中，提取数据中的隐含信息，利用隐含信息对均衡后的信号加以识别。本发明还公开了基于上述方法的系统，其包括均衡模块和深度学习模块，所述均衡模块和深度学习模块双向形成传输链路。本发明的优点在于：通过利用盲均衡的方法，先对接收信号均衡，然后用深度学习网络采集潜在信息加以识别，提高了对未知信号的识别准确率。

Description

一种基于盲均衡辅助深度学习的方法及系统

技术领域

本发明涉及通信领域，尤其涉及一种基于盲均衡辅助深度学习的方法及系统。

背景技术

调制识别是通信中一个重要内容，调制识别实现了接收信号调制类别的分类。在认知无线电，军事通信中有着广泛的应用价值。具体而言，在认知无线电系统中,了解其他(主要或次要)用户采用的调制方式可以帮助当前接收机更好地认识干扰环境，而在军事通信中，窃听者必须了解对方的调制类型，以便对截获的信号进一步解码。传统的调制识别的方法分为基于似然函数(LB)的方法与基于特征(FB)的方法。LB方法计算信号的似然函数，并将其与预设的阈值比较得出调制类别。尽管该方法具有理论最优值，但复杂度随数据量同时增加。FB法首先提取信号的物理数学特征，如幅度，相位，高阶统计量，傅里叶变换，再根据不同调制类型特征不同加以识别。作为一种次优法，FB凭借着识别准确率较高，速度较快，是一种普遍使用的调制方法。该方法作为一种传统方法，提取到的特征有限，尚不清楚是否还有更多的特征有待提取。现有技术中的绝大多数方法都是基于简化后的信道开展的，如加性高斯白噪声信道与平坦衰落信道。这种基于简化后信道模型的设计是否仍能在实际情况下保持较高的识别准确率也是不确定的。

然而，在实际通信环境中，调制识别的准确率会受到很多因素的影响，其中一个主要因素是信道多径的影响。在某些场景下，信道的径数会随时发生变化，因此难以直接获得信道响应。一个典型场景就是海域无线信道。不同于海域通信信道，陆地信道的环境是相对固定的，多径成分通常是可以预测的。而在宽带海域无线通信中，存在着时间差异很大的各种传播路径。基站会收到更加动态变化的多径传播与更大的时间时间延迟。海域通信传播过程中，各种路径随着海面波浪的随机起伏具有很大的不确定性。具体而言，有来自粗糙海面的反射路径以及来自大气层的折射路径。然而在这种多径衰落信道中，调制识别的性能存在着较为严重的恶化现象，此现象极大地影响着调制识别的准确率。

发明内容

本发明要解决的技术问题是如何提高调制识别的准确率，针对上述要解决的技术问题，现提出一种基于盲均衡辅助深度学习的方法及系统。

为实现上述目的，本发明提供如下技术方案：一种基于盲均衡辅助深度学习的方法，包括如下步骤：

采样，对接收到的调制信号采样，将采样好的信号送入盲均衡器；

均衡，分别用多种步长对接收信号进行均衡；

检查清除，对均衡后的信号数据进行检查，清除均衡失败的空数据；

识别学习，将全部成功均衡的数据送到深度学习网络中，提取数据中的隐含信息，利用隐含信息对均衡后的信号加以识别。

进一步的，所述均衡方法采用多模均衡方法。

进一步的，所述识别学习方法采用基于深度学习网络的深度学习方法，所述深度学习网络为基于Resnet网络的深度学习网络。

本发明的另一个目的是提供一种应用如前所述的基于盲均衡辅助深度学习的方法的系统，其包括均衡模块和深度学习模块，所述均衡模块和深度学习模块双向形成传输链路。

进一步的，所述均衡模块包括信道响应单元、步长选择单元、盲均衡器和空数据清除单元，所述空数据清除单元与深度学习模块间设置有传输链路，所述信道响应单元、盲均衡器和空数据清除单元依次通过信号传输链路连接，所述盲均衡器前端还设置有步长选择单元，所述步长选择单元用于对信号的步长进行判断，所述盲均衡器根据步长选择单元判定的步长对未知信号进行均衡，所述信道响应单元用于对未知信号进行响应接收，所述空数据清除单元用于对均衡不成功而造成的空数据信号进行清除。

进一步的，所述盲均衡器内设置有误差单元，所述误差单元用于对均衡过程进行加权消除误差处理。

进一步的，所述深度学习模块前端设置有识别器，所述识别器用于根据均衡模块输出的均衡数据信号进行识别。

与现有技术相比，本发明的有益效果是：

本发明通过利用盲均衡的方法，先对接收信号均衡，然后用深度学习网络采集潜在信息加以识别，提高了对未知信号的识别准确率。

附图说明

图1为本发明的方法流程示意图；

图2为本发明中的系统功能结构示意图；

图3为本发明实施例3中的验证实验的模型图；

图4为本发明实施例3中的均衡错误率与步长关系图；

图5为本发明实施例3中的Resnet识别器网络结构图；

图6为本发明实施例3中的场景1下的准确率；

图7为本发明实施例3中的场景2下的准确率；

图8为本发明实施例3中的场景3下的准确率。

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做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。

实施例1

本具体实施方式披露了一种基于盲均衡辅助深度学习的方法，包括如下步骤：

均衡，分别用多种步长对接收信号进行均衡；

进一步的，所述均衡方法采用多模均衡方法。

可行的，其中均衡过程可采用多种盲均衡算法，例如CMA算法,MMA算法，DD-CMA算法，SMMA算法等。盲均衡器根据多种步长对未知信号进行均衡。由于信号不同，会造成某些信号因为均衡不成功，而出现空数据的现象出现。因此设置空数据清除单元清除部分空数据。本实施例中的深度学习网络可以采用CNN，LSTM，CLDNN等。利用深度学习网络提取信号特征，完成信号的分类。上述列举的深度学习网路均为本领域中所常用的机器学习网络，其输入过程、输出过程以及机器学习的过程均属于本领域中的现有技术，在本实施例中不做赘述，本领域技术人员按照现有技术中的设置方法即可实施。

通过采用深度学习加均衡辅助的方法，提升了调制信号在未知多径条件下的识别准确率。使得在信道容易发生变化某些场景中，本方法利用盲均衡的方法，先对接收信号均衡，然后用深度学习网络采集潜在信息加以识别，提高了识别准确率。

实施例2

本具体实施方式披露了一种应用如实施例1中的基于盲均衡辅助深度学习方法的系统，其包括均衡模块和深度学习模块，所述均衡模块和深度学习模块双向形成传输链路。

实施例3

本具体实施例披露了针对实施例1和实施例2中的基于盲均衡辅助深度学习的方法和系统对的验证方法，具体通过如下过程进行验证。

其中图3是本次实验的模型图，假设信号为三种QAM信号，测试环境是海域通信信道。

如图，接收信号可记作：

其中r(t)是接收端收到的信号，s(t)是发送信号，h(t,τ)是t时刻信道的冲激响应，τ代表多径分量出现的位置，n(t)是加性高斯白噪声。

这里，盲均衡器采用成熟的多模(MMA)算法，该算法具体流程如下：

均衡后的输出：

其中x_n@[x(n),x(n-1),...,x(n-(L-1))]是接收信号。

均衡权向量更新公式：

其中初始权向量w₀＝[0,...,0,1,0,...,0]，μ是步长。

误差函数：

其中y_R(n)是y(n)的实部与虚部，R_R与R_I是Godard常数。

可以通过搜索算法寻找最优步长，搜索算法试图在一定范围内找到使得误差函数最小的步长μ。通过仿真可以得到不同的调制类型对应的步长是不同的。在本具体实施例中，高阶QAM的步长较小；低阶QAM的步长较大。图4展现了32QAM信号的步长寻优过程。图中“x”处代表搜索到的最优步长。可见，当步长为μ₃₂＝1.2109e-6时，均衡错误率最低。依次类推，可得16QAM，64QAM的最优步长分别为μ₁₆＝6.2001e-6和μ₆₄＝4.0010e-7。

深度学习网络可以有效地提取信号中的有用信息，作为优选的，这里的深度学习网络基于Resnet网络，Resnet叫做残差学习，是在后续的卷积层中引入先前的输出，可以有效避免因层数过多而出现准确率“不升反降”的现象出现。如图5是该专利提供的ResNet识别器网络，该网络共分为6个卷积层(conv)，1个平坦层，和7个全连接层(Dense)，其中第六个卷积层的输出引入原始输入信号。网络的损失函数为交叉熵损失函数，优化器为Adam优化器，为避免过拟合出现，使用了批处理(Batch normalization)和部分权重丢弃(Dropout)的方法。本具体实施例中可以使用动态监测方法实时监测损失值得变化，当损失值在20个周期内不发生变化时，则停止权重的训练，并把最后一次训练的参数当作最终参数。接着，用训练好的模型对未知信号测试。

可行的，本实施例中实验对比传统高阶统计量方法(HOC)以及其他研究者提出的CLDNN模型、CNN模型、DNN模型、Resnet模型。

测试环境采用海域2-7径信道。

测试场景分为以下三种：

1.不同信噪比下，是否盲均衡对识别准确率的影响。

2.多径条件下，对未知信道采用盲均衡，是否会带来识别准确率的提升。

3.混合信噪比与路径下的综合准确率。

测试结果：

由图6可见，准确率随着信噪比的增加而增加，已知信道的破零均衡(ZF)可以实现近100％的准确率，即使在高信噪比的情况下，不加均衡的方法也只能达到80％的准确率，说明此时准确率达到了瓶颈，而加了盲均衡后，在高信噪比条件下，盲均衡(BE)辅助的方法准确率可以达到接近100％。

图7是在不同多径条件下训练与不同多径条件下测试的结果，图7中为在5径条件下训练，而在不同多径条件下测试的结果，图8是分别在不同多径条件下训练，而在5径条件下测试的结果。所有数据都是经过盲均衡算法处理过的。方法一的训练与测试数据集全部经过均衡，方法二用均衡后的数据集的和原始数据集的集合训练，而只用均衡后的数据集测试，方法三用均衡后的数据集的和原始数据集的集合训练与测试。

比较所提模型与其他研究者提出的模型的识别准确率。尽管CLDNN也能取得较好的准确率，但是如图8可见，在2径训练，5径测试的条件下，准确率却显然低于所提方法，因此相比较其他模型，本模型适应性较好。

此外，在混合信噪比与路径条件下，本方法能达到80％的准确率。

在本发明的描述中，需要理解的是，术语“同轴”、“底部”、“一端”、“顶部”、“中部”、“另一端”、“上”、“一侧”、“顶部”、“内”、“前部”、“中央”、“两端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明中，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”、“固定”、“旋接”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。

Claims

1.一种基于盲均衡辅助深度学习的方法，其特征在于，包括如下步骤：

均衡，分别用多种步长对接收信号进行均衡；

2.根据权利要求1所述的一种基于盲均衡辅助深度学习的方法，其特征在于，所述均衡方法采用多模均衡方法。

3.根据权利要求1所述的一种基于盲均衡辅助深度学习的方法，其特征在于，所述识别学习方法采用基于深度学习网络的深度学习方法，所述深度学习网络为基于Resnet网络的深度学习网络。

4.一种应用如权利要求1所述的基于盲均衡辅助深度学习的方法的系统，其特征在于，包括均衡模块和深度学习模块，所述均衡模块和深度学习模块双向形成传输链路。

5.根据权利要求4所述的一种基于盲均衡辅助深度学习的方法的系统，其特征在于，所述均衡模块包括信道响应单元、步长选择单元、盲均衡器和空数据清除单元，所述空数据清除单元与深度学习模块间设置有传输链路，所述信道响应单元、盲均衡器和空数据清除单元依次通过信号传输链路连接，所述盲均衡器前端还设置有步长选择单元，所述步长选择单元用于对信号的步长进行判断，所述盲均衡器根据步长选择单元判定的步长对未知信号进行均衡，所述信道响应单元用于对未知信号进行响应接收，所述空数据清除单元用于对均衡不成功而造成的空数据信号进行清除。

6.根据权利要求5所述的一种基于盲均衡辅助深度学习的方法的系统，其特征在于，所述盲均衡器内设置有误差单元，所述误差单元用于对均衡过程进行加权消除误差处理。

7.根据权利要求5所述的一种基于盲均衡辅助深度学习的方法的系统，其特征在于，所述深度学习模块前端设置有识别器，所述识别器用于根据均衡模块输出的均衡数据信号进行识别。