CN111711585B - 一种基于深度学习的实时信号序列检测方法 - Google Patents

Abstract

一种基于深度学习的实时信号序列检测方法，信号接收器在对接收信号进行预处理以后，输入实时信号检测器中。该实时信号检测器使用滑动时窗的方法实现信号实时检测，信号检测单元使用匹配各符号之间信息相似度的方式，对各符号信息进行加权组合来进行序列检测。在匹配运算中，神经网络在各个符号的判决中加入了时变的距离系数，充分考虑到符号之间的位置信息，保证了信号检测的准确性。该方法可以相对于普通的BRNN神经网络在保证准确率的基础上，实现序列信号实时检测，并显著提升运算速度。

Description

一种基于深度学习的实时信号序列检测方法

技术领域

本发明涉及通信系统信号检测技术领域，特别涉及一种基于深度学习的实时信号序列检测方法。

背景技术

信号检测是无线通信系统中重要的组成部分。传统的无线通信使用电磁波作为信息载体，经过无线信道传递到接收端。由于无线电磁波的传播机理可以由麦克斯韦方程组准确描述，因此信道统计模型也可以清楚的得到。信号检测器利用已知的信道统计模型，实现高准确度的信号判决，完成整个通信过程。但是在信道模型完全未知的新型通信领域，如分子通信等，传统的信号检测方法就失效了。

针对上述问题，使用深度学习的方法是一个很有效的解决手段。但是已有的适合信号序列检测的深度学习架构BRNN难以并行化运算，计算效率低下；同时BRNN需要对序列整体做检测，无法做到实时检测。因此基于研究成熟的深度学习算法，并融合通信系统的领域知识，充分考虑到通信系统信号检测问题的实际情况，构造出能在保障实时信号检测准确率的基础上提升运算速度的神经网络架构具有重要意义。

发明内容

为了克服上述现有技术中普通BRNN神经网络的不足，本发明的目的在于提供一种基于深度学习的实时信号序列检测方法，以期在保证准确率的基础上实现序列信号实时检测，并显著提升运算速度。

为了实现上述目的，本发明采用的技术方案是：

一种基于深度学习的实时信号序列检测方法，包括以下部分；

通信系统发送一个长度为K的序列x＝x₁,x₂,...,x_i,...,x_K，其中任意的符号x_i依据某一概率质量函数P_X(x)从信号集合S＝{s₁,s₂,...,s_m}中随机选择，m表示发送符号x_i可能的取值个数，将第i个时隙中传输的符号x_i表示为如下的向量形式：

p_i＝[l(x_k＝s₁),l(x_k＝s₂),...,l(x_k＝s_m)]^T (1)

其中，l(·)为示性函数，这样，P_K＝[p₁,p₂,...,p_i,...,p_K]代表由K个连续发送的符号所组成的序列；在接收端，将接收序列样本表示为Y_K＝[y₁,y₂,...,y_i,...,y_K]，其中随机向量y_i＝[y₁,y₂,...,y_n]是第i个发送符号x_i的接收信号样本，n表示接收端的采样点数，接收信号作为输入进入实时信号检测器中进行检测，所述的实时信号检测器包括信号检测单元和滑动时窗。

所述的实时信号检测器中进行检测，具体为：

将滑动时窗的窗口长度选取为固定值L，L的具体取值与实际信道的记忆长度有关，最初的L个符号首先被输入到长度为L的信号检测单元中，随后，每当一个新的符号到达接收机时，滑动时窗相应地滑动一个符号的宽度，继续输入信号检测单元中，除整个序列的最两边外，每个接收符号y_i都会经过L次信号检测器，产生L次相应的判决结果，分别记为：

将L次判决结果放入融合网络，得到最终的接收符号y_i的判决结果

其中

是一个概率向量，表示接收符号y_i所对应的发送符号x_i各可能取值的概率。

所述信号检测单元检测接收端的接收信号样本所对应的发送端的发送符号：

将信号检测器的输入也就是接收端的接收信号分别通过相应的卷积神经网络(CNN)W_i以得到各个符号的特征向量a_i，a_i再分别通过三个不同的线性变换以得到向量qⁱ,kⁱ,vⁱ，具体计算公式如下：

qⁱ＝W^qa_i (2)

kⁱ＝W^ka_i (3)

vⁱ＝W^va_i (4)

其中，qⁱ、kⁱ、vⁱ分别称为与a_i对应的查询向量、表达向量、信息向量，W^q、W^k、W^v分别为对应的可训练参数矩阵，用以生成向量qⁱ、kⁱ、vⁱ；

为了形成充分统计量，接下来对来自信号序列的信息向量进行合并，在合并的过程中，各向量的权重并不相同，使用α_ij描述两接收符号y_i,y_j之间信息相似度，计算过程可用式子(5)和(6)所示:

η_ij＝kaiser(|i-j|) (5)

式中<a,b>表示向量a,b之间的内积，kaiser(·)表示β＝10的凯塞窗函数，η_ij为距离系数，它的值随着两符号之间的距离|i-j|的增大而减小，w_ij为匹配运算对于距离系数η_ij的时变权值，它的获取方法为，构建一个全连接神经网络，把时间t作为输入，输出时变权值向量w_i，w_ij包含于向量w_i中：

w_i＝NN_fully(t) (7)

其中，w_i＝[w_i1,w_i2,...,w_ij,...,w_iK]，NN_fully(·)为全连接神经网络代表的函数，将(6)式的运算称之为匹配运算，然后再利用如式子(8)所示的softmax操作将其结果归一化为概率分布：

其中K为信号序列长度，利用所得到的

对各个符号的信息向量v^j进行加权求和，就可以得到符号x_i的判决统计量：

为最终神经网络对x_i的判决统计量，它表示的是x_i判决结果的概率分布。

所述的滑动时窗结构中包括融合模块结构，其网络结构如下：

使用上述的滑动时窗结构，每个符号会经过L次信号检测单元，并分别产生L次判决结果，分别记为：

将这L个统计判决向量拼接在一起，输入一个多层全连接神经网络，得到最终的判决结果

其中concat(·)表示对向量进行拼接，生成m×L维的向量，其中m是

的维度，L是向量个数，NN_fully(·)表示一个多层全连接神经网络。

本发明的有益效果：

本发明所述的基于深度学习的实时信号序列检测方法，克服了使用传统神经网络架构BRNN计算效率低下，无法进行信号实时检测的缺点。信号接收器在对接收信号进行预处理以后，输入实时信号检测器中。该实时信号检测器使用滑动时窗的方法实现信号实时检测，信号检测单元使用匹配各符号之间信息相似度的方式，对各符号信息进行加权组合来进行序列检测。在匹配运算中，神经网络在各个符号的判决中加入了时变的距离系数，充分考虑到符号之间的位置信息，保证了信号检测的准确性。由于整个过程能写成矩阵乘法的形式，所以可以显著提升神经网络的运算速度。

附图说明

图1为本发明所设计的信号检测单元的神经网络结构。

图2为滑动时窗的结构。

具体实施方式

下面结合附图对本发明作进一步详细说明。

如图1图2所示：本发明所述一种基于深度学习的实时信号序列检测方法。通信系统发送一个长度为K的序列x＝x₁,x₂,...,x_i,...,x_K，其中任意的符号x_i依据某一概率质量函数P_X(x)从信号集合S＝{s₁,s₂,...,s_m}中随机选择，m表示发送符号x_i可能的取值个数，将第i个时隙中传输的符号x_i表示为如下的向量形式：

p_i＝[l(x_k＝s₁),l(x_k＝s₂),...,l(x_k＝s_m)]^T (1)

其中，l(·)为示性函数。这样，P_K＝[p₁,p₂,...,p_i,...,p_K]代表由K个连续发送的符号所组成的序列；在接收端，将接收序列样本表示为Y_K＝[y₁,y₂,...,y_i,...,y_K]，其中随机向量y_i＝[y₁,y₂,...,y_n]是第i个发送符号x_i的接收信号样本，n表示接收端的采样点数，接收信号作为输入进入实时信号检测器中进行检测，所述的实时信号检测器包括信号检测单元和滑动时窗。

将滑动时窗的窗口长度选取为固定值L，L的具体取值与实际信道的记忆长度有关。最初的L个符号首先被输入到长度为L的信号检测单元中。随后，每当一个新的符号到达接收机时，信号检测单元相应地滑动一个符号的宽度。除序列的最两边外，每个符号会经过L次信号检测器，产生L次判决结果，分别记为：

将L次判决结果放入融合网络，得到最终的判决结果

上述实时信号检测架构，具体说明如下：

1、实时信号检测架构中的信号检测单元，使用本发明设计的神经网络结构，其网络结构如下：

将信号检测器的输入也就是接收端的接收信号分别通过相应的卷积神经网络(CNN)W_i以得到各个符号的特征向量a_i，a_i再分别通过三个不同的线性变换以得到向量qⁱ,kⁱ,vⁱ，具体计算公式如下：

qⁱ＝W^qa_i (2)

kⁱ＝W^ka_i (3)

vⁱ＝W^va_i (4)

其中，qⁱ、kⁱ、vⁱ分别称为与a_i对应的查询向量、表达向量、信息向量。W^q、W^k、W^v分别为对应的可训练参数矩阵，用以生成向量qⁱ、kⁱ、vⁱ。

为了形成充分统计量，接下来对来自信号序列的信息向量进行合并，在合并的过程中，各向量的权重并不相同。我们使用α_ij描述y_i,y_j之间信息相似度。计算过程可用式子(5)和(6)所示:

η_ij＝kaiser(|i-j|) (5)

式中<a,b>表示向量a,b之间的内积，kaiser(·)表示β＝10的凯塞窗函数，η_ij为距离系数，它的值随着两符号之间的距离|i-j|的增大而减小。w_ij为匹配运算对于距离系数η_ij的时变权值。它的获取方法为，构建一个全连接神经网络，把时间t作为输入，输出时变权值向量w_i，w_ij包含于向量w_i中：

w_i＝NN_fully(t) (7)

其中，w_i＝[w_i1,w_i2,...,w_ij,...,w_iK]。NN_fully(·)为全连接神经网络代表的函数。将(6)式的运算称之为匹配运算。然后再利用如式子(8)所示的softmax操作将其结果归一化为概率分布：

其中K为信号序列长度。利用所得到的

对各个符号的信息向量v^j进行加权求和，就可以得到符号x_i的判决统计量：

为最终神经网络对x_i的判决统计量，它表示的是x_i判决结果的概率分布。

2、实时信号检测架构中的融合模块，使用本发明设计的融合模块结构，其网络结构如下：

使用上述的滑动时窗结构，每个符号会经过L次信号检测单元，并分别产生L次判决结果，分别记为：

将这L个统计判决向量拼接在一起，输入一个多层全连接神经网络，得到最终的判决结果

其中concat(·)表示对向量进行拼接，生成m×L维的向量，其中m是

(j＝1,...,L)的维度，L是向量个数。NN_fully(·)表示一个多层全连接神经网络。

Claims (3)

1.一种基于深度学习的实时信号序列检测方法，其特征在于，包括以下部分；

通信系统发送一个长度为K的序列x＝x₁,x₂,...,x_i,...,x_K，其中任意的符号x_i依据某一概率质量函数P_X(x)从信号集合S＝{s₁,s₂,...,s_m}中随机选择，m表示发送符号x_i可能的取值个数，将第i个时隙中传输的符号x_i表示为如下的向量形式：

p_i＝[l(x_k＝s₁),l(x_k＝s₂),...,l(x_k＝s_m)]^T (1)

其中，l(·)为示性函数，这样，P_K＝[p₁,p₂,...,p_i,...,p_K]代表由K个连续发送的符号所组成的序列；在接收端，将接收序列样本表示为Y_K＝[y₁,y₂,...,y_i,...,y_K]，其中随机向量y_i＝[y₁,y₂,...,y_n]是第i个发送符号x_i的接收信号样本，n表示接收端的采样点数，接收信号作为输入进入实时信号检测器中进行检测，所述的实时信号检测器包括信号检测单元和滑动时窗；

所述信号检测单元检测接收端的接收信号样本所对应的发送端的发送符号：

将信号检测器的输入也就是接收端的接收信号分别通过相应的卷积神经网络(CNN)W_i以得到各个符号的特征向量a_i，a_i再分别通过三个不同的线性变换以得到向量qⁱ,kⁱ,vⁱ，具体计算公式如下：

qⁱ＝W^qa_i (2)

kⁱ＝W^ka_i (3)

vⁱ＝W^va_i (4)

其中，qⁱ、kⁱ、vⁱ分别称为与a_i对应的查询向量、表达向量、信息向量，W^q、W^k、W^v分别为对应的可训练参数矩阵，用以生成向量qⁱ、kⁱ、vⁱ；

为了形成充分统计量，接下来对来自信号序列的信息向量进行合并，在合并的过程中，各向量的权重并不相同，使用α_ij描述两接收符号y_i,y_j之间信息相似度，计算过程可用式子(5)和(6)所示:

η_ij＝kaiser(|i-j|) (5)

式中<a,b>表示向量a,b之间的内积，kaiser(·)表示β＝10的凯塞窗函数，η_ij为距离系数，它的值随着两符号之间的距离|i-j|的增大而减小，w_ij为匹配运算对于距离系数η_ij的时变权值，它的获取方法为，构建一个全连接神经网络，把时间t作为输入，输出时变权值向量w_i，w_ij包含于向量w_i中：

w_i＝NN_fully(t) (7)

其中，w_i＝[w_i1,w_i2,...,w_ij,...,w_iK]，NN_fully(·)为全连接神经网络代表的函数，将(6)式的运算称之为匹配运算，然后再利用如式子(8)所示的softmax操作将其结果归一化为概率分布：

其中K为信号序列长度，利用所得到的

对各个符号的信息向量v^j进行加权求和，就可以得到符号x_i的判决统计量：

为最终神经网络对x_i的判决统计量，它表示的是x_i判决结果的概率分布。

2.根据权利要求1所述的一种基于深度学习的实时信号序列检测方法，其特征在于，所述的实时信号检测器中进行检测，具体为：

将滑动时窗的窗口长度选取为固定值L，L的具体取值与实际信道的记忆长度有关，最初的L个符号首先被输入到长度为L的信号检测单元中，随后，每当一个新的符号到达接收机时，滑动时窗相应地滑动一个符号的宽度，继续输入信号检测单元中，除整个序列的最两边外，每个接收符号y_i都会经过L次信号检测器，产生L次相应的判决结果，分别记为：

将L次判决结果放入融合网络，得到最终的接收符号y_i的判决结果

其中

是一个概率向量，表示接收符号y_i所对应的发送符号x_i各可能取值的概率。

3.根据权利要求1所述的一种基于深度学习的实时信号序列检测方法，其特征在于，所述的滑动时窗结构中包括融合模块结构，其网络结构如下：

使用上述的滑动时窗结构，每个符号会经过L次信号检测单元，并分别产生L次判决结果，分别记为：

将这L个统计判决向量拼接在一起，输入一个多层全连接神经网络，得到最终的判决结果

其中concat(·)表示对向量进行拼接，生成m×L维的向量，其中m是

的维度，L是向量个数，NN_fully(·)表示一个多层全连接神经网络。

Images