CN112187413A - 基于cnn-lstm的识别sfbc的方法及装置 - Google Patents
基于cnn-lstm的识别sfbc的方法及装置 Download PDFInfo
- Publication number
- CN112187413A CN112187413A CN202010884569.4A CN202010884569A CN112187413A CN 112187413 A CN112187413 A CN 112187413A CN 202010884569 A CN202010884569 A CN 202010884569A CN 112187413 A CN112187413 A CN 112187413A
- Authority
- CN
- China
- Prior art keywords
- cnn
- lstm
- sfbc
- network
- signal
- 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
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/02—Arrangements for detecting or preventing errors in the information received by diversity reception
- H04L1/06—Arrangements for detecting or preventing errors in the information received by diversity reception using space diversity
- H04L1/0606—Space-frequency coding
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
- H04L27/2647—Arrangements specific to the receiver only
-
- 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
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Complex Calculations (AREA)
- Radio Transmission System (AREA)
Abstract
本申请公开了一种基于CNN‑LSTM的识别SFBC的方法及装置,其中,方法包括:获取接收信号的相关函数,并提取相关函数的傅里叶变换公式;分别将傅里叶变换公式的实部与虚部分开排列,并将包含标签的训练数据输入CNN‑LSTM网络进行训练,直至网络收敛,得到最终CNN‑LSTM网络;获取无标签的待识别数据,将待识别数据输入最终CNN‑LSTM网络中进行识别,得到SFBC识别结果。本申请实施例的基于CNN‑LSTM的识别SFBC的方法,能够对单接收天线下的串行序列SFBC码进行识别,并且训练后的网络模型可直接用于识别,不需要重复计算信号的统计特征,在低信噪比情况下有较好的识别性能。
Description
技术领域
本申请涉及信号处理技术领域,特别涉及一种基于CNN(Convolutional NeuralNetwork,卷积神经网络)-LSTM(Long Short-Term Memory,长短期记忆网络)的识别SFBC(Space Frequency Block Code,空频块码)的方法及装置。
背景技术
MIMO(multiple-in multiple-out,多输入多输出)系统以其对空间资源的有效利用,成为了无线电通信领域的一项重要技术。空频分组码作为一种利用MIMO系统的编码方式,其识别问题受到了越来越多的关注。
然而,该处理方式一般需要人为设计特征参数和检验阈值,且每次对信号进行识别时都需要采集大量数据,并重复计算其统计特征,亟待解决。
申请内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的第一目的在于提出一种基于CNN-LSTM的识别SFBC的方法,能够对单接收天线下的串行序列SFBC码进行识别,并且训练后的网络模型可直接用于识别,不需要重复计算信号的统计特征,在低信噪比情况下有较好的识别性能,避免了人为设计参数和特征反复计算的问题,具有更强的适应性。
本发明的第二个目的在于提出一种基于CNN-LSTM的识别SFBC的装置。
本发明的第三个目的在于提出一种电子设备。
本发明的第四个目的在于提出一种计算机可读存储介质。
为达到上述目的,本申请第一方面实施例提供一种基于CNN-LSTM的识别SFBC的方法,包括以下步骤:
获取接收信号的相关函数,并提取所述相关函数的傅里叶变换公式;
分别将所述傅里叶变换公式的实部与虚部分开排列,并将包含标签的训练数据输入CNN-LSTM网络进行训练,直至网络收敛,得到最终CNN-LSTM网络;以及
获取无标签的待识别数据,将所述待识别数据输入所述最终CNN-LSTM网络中进行识别,得到SFBC识别结果。
另外,根据本发明上述实施例的基于CNN-LSTM的识别SFBC的方法还可以具有以下附加的技术特征:
可选地,所述相关函数的计算公式为:
y(k)=r(k)r(k+N/2),k=0,1,…M,
其中,N为所述接收信号的长度,y=[y(0),y(1),…y(K-1)]为所述接收信号的相关函数。
可选地,所述最终CNN-LSTM网络由1层卷积层、1层池化层、3层循环层和2层全连接层构成,其中,所述卷积层采用256个2*1的卷积核对信号进行卷积,得到256个1X128维的特征图;所述池化层对所述卷积层的输出进行降维处理,以缩小特征图尺寸,将合并后大小为1X128的一维信号降为1X64;每层循环层包括三层长短期记忆网络,用于处理卷积后的一维信号,以挖掘所述接收信号的时序信息;网络的输出为1X2维的独热编码形式,SM码对应[10],AL码对应[0 1];输出层采用Soft-max作为激活函数,其余网络均采用ReLU作为激活函数。
为达到上述目的,本申请第二方面实施例提供一种基于CNN-LSTM的识别SFBC的装置,包括:
获取模块,用于获取接收信号的相关函数,并提取所述相关函数的傅里叶变换公式;
训练模块,用于分别将所述傅里叶变换公式的实部与虚部分开排列,并将包含标签的训练数据输入CNN-LSTM网络进行训练,直至网络收敛,得到最终CNN-LSTM网络;以及
识别模块,用于获取无标签的待识别数据,将所述待识别数据输入所述最终CNN-LSTM网络中进行识别,得到SFBC识别结果。
可选地,所述相关函数的计算公式为:
y(k)=r(k)r(k+N/2),k=0,1,…M,
其中,N为所述接收信号的长度,y=[y(0),y(1),…y(K-1)]为所述接收信号的相关函数。
可选地,所述最终CNN-LSTM网络由1层卷积层、1层池化层、3层循环层和2层全连接层构成,其中,所述卷积层采用256个2*1的卷积核对信号进行卷积,得到256个1X128维的特征图;所述池化层对所述卷积层的输出进行降维处理,以缩小特征图尺寸,将合并后大小为1X128的一维信号降为1X64;每层循环层包括三层长短期记忆网络,用于处理卷积后的一维信号,以挖掘所述接收信号的时序信息;网络的输出为1X2维的独热编码形式,SM码对应[10],AL码对应[0 1];输出层采用Soft-max作为激活函数,其余网络均采用ReLU(RectifiedLinear Unit,线性整流函数)作为激活函数。
为达到上述目的,本申请第三方面实施例提供一种电子设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被设置为用于执行如上述实施例所述的基于CNN-LSTM的识别SFBC的方法。
为达到上述目的,本申请第四方面实施例提供一种计算机可读存储介质,所述非临时性计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上述实施例所述的基于CNN-LSTM的识别SFBC的方法。
由此,通过将接收到的SFBC码信号进行预处理,然后将得到的信号数据的实部和虚部重新排列输入网络,利用CNN对信号的空间特征进行提取后,经过LSTM提取信号的时序特征,最后经全连接层输出网络,最终得到SFBC识别结果。由此,能够对单接收天线下的串行序列SFBC码进行识别,并且训练后的网络模型可直接用于识别,不需要重复计算信号的统计特征,在低信噪比情况下有较好的识别性能,避免了人为设计参数和特征反复计算的问题,具有更强的适应性。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本申请实施例提供的一种基于CNN-LSTM的识别SFBC的方法的流程图;
图2为根据本申请一个实施例的基于CNN-LSTM的识别SFBC的方法的流程图;
图3为本申请一个实施例的SM接收信号的相关函数频域图;
图4为根据本申请一个实施例提供的AL接收信号的相关函数频域图;
图5为根据本申请一个实施例的网络结构图的示例图;
图6为本申请实一个施例的SFBC信号的框架示意图;
图7为根据本申请一个实施例的SFBC识别结果示意图;
图8为根据本申请实施例的基于CNN-LSTM的识别SFBC的装置的示例图;
图9为本申请实施例提供的电子设备的结构示意图;。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参照附图描述根据本发明实施例提出的基于CNN-LSTM的识别SFBC的方法及装置。
具体而言,图1为本申请实施例所提供的一种基于CNN-LSTM的识别SFBC的方法的流程示意图。
如图1所示,该基于CNN-LSTM的识别SFBC的方法包括以下步骤:
在步骤S101中,获取接收信号的相关函数,并提取相关函数的傅里叶变换公式。
可选地,在一些实施例中,相关函数的计算公式为:
y(k)=r(k)r(k+N/2),k=0,1,…M,
其中,N为接收信号的长度,y=[y(0),y(1),…y(K-1)]为接收信号的相关函数。
可以理解的是,假设接收信号为r,本申请可以对接收信号r进行预处理,获得r的相关函数y相关函数的傅里叶变换Y。
其中,结合图2所示,对接收信号r进行预处理,包括:
首先,求取接收信号的相关函数,得到y=[y(0),y(1),…y(K-1)],相关函数定义为y(k)=r(k)r(k+N/2),k=0,1,…M,其中,N为接收信号长度,r(k)为接收信号的第k个符号,然后对y=[y(0),y(1),…y(K-1)]进行傅里叶变换,得到预处理信号数据。
对数据预处理得到的信号数据,包括:如图3和图4所示,图3为SM接收信号的相关函数频域图,可以看出,SM接收信号的相关函数频域图没有峰值;图4为AL接收信号的相关函数频域图,可以看出,AL接收信号的相关函数频域图具有峰值;由此,将该区别作为特征输入CNN-LSTM网络中,达到识别目的。具体推导过程如下:
对SM通信系统,将长度为2N的数据集d进行分块,以块为单位在两个天线上发射,第b块数据集通过空间复用生成两个新的数据向量q为:
q(b,0)=[d(b)(0),d(b)(2),…d(b)(2N-2)];
q(b,1)=[d(b)(1),d(b)(3),…d(b)(2N-1)];
对于AL通信系统,将长度为N的数据集d进行分块,以块为单位在两个天线上发射,第b块数据向量通过空间编码生成两个新的数据向量u为:
u(b,0)=[d(b)(0),-d(b)*(1),d(b)(2),…,d(b)(N-2),-d(b)*(N-1)];
u(b,1)=[d(b)(1),d(b)*(0),d(b)(3),d(b)*(2),…,d(b)(N-1),d(b)*(N-2)];
在空间编码后,进行OFDM(Orthogonal Frequency Division Multiplexing,多载波调制的一种)变换,具体方法是:对得到的新数据集u和q做IFFT(Inverse Fast FourierTransform,快速傅里叶逆变换)变换,并且加上前缀,可得到OFDM块,当信号为AL编码时x(b ,f)为:
当信号为SM时,x(b,f)为:
其中,n=-v,…N-1,f=0,1代表发射天线的编号,u(b,f)(k)和q(b,f)(k)分别表示u(b,f)和q(b,f)第k个数据符号。
发射信号s由不同块发射信号x(b)组合而成,两个发射天线上信号s(0)和s(1)分别为:
s(0)=[x(0,0),x(1,0),x(2,0),…];
s(1)=[x(0,1),x(1,1),x(2,1),…];
因此,发射信号经过信道后第i根天线接收信号r(i)可以表示为:
其中,i=0,1,…nr-1,hdi(l)是第d个发射天线和第i个接收天线的信道脉冲响应,n(i)(m)是高斯白噪声序列,s(d)(m)是s(d)的第m个序列。
考虑序列y=[y(0),y(1),…y(K-1)],且y(k)=r(k)r(k+N/2),k=0,1,…M,其中由于随机变量可以表示为其均值和另一个代表偏差的零均值的变量的和,因此SM和AL信号的y(k)可以表示为:
ySM(k)=E{ySM(k)}+ψSM(k);
yAL(k)=E{yAL(k)}+ψAL(k);
其中,E{yξ(k)}是yξ(k)均值,ψξ(k)代表均值的偏差,ξ∈{AL,SM}。
由于发射信号是独立同分布的,很容易推导出:
E{ySM(k)}=0;
对于yξ(k),ψξ(k)认为是隐藏在E{yξ(k)}中的噪声项,当不存在噪声时:
ySM=[0,0,0,…];
对于AL信号,下面详细推导yAL(k)序列。首先计算发射端的相关函数,可得到:
其中,u(b,0)(k0)和u(b,1)(k1)是分别为u(b,0)和u(b,1)向量中第k0和k1个数据。k0,k1变化范围为向量u长度范围[0,N-1]。
相关函数主要由u(b,0)(k0)和u(b,1)(k1)决定,指数部分只决定其相位,因此对于每一项u(b,0)(k0),只有一项u(b,1)(k1)互为共轭,且k1=k0±1。
因此可得:
进一步简化为:
经过信道和噪声后,E{yAL(k)}的表达式为:
进一步化简得到:
其中,Π(k,k+N/2-l-l′)代表指示函数,其含义是s(b,d)(k-l)和s(b,d′)(k+N/2-l′)在同一个OFDM块中。
对于yξ(k),ψξ(k)认为是隐藏在E{yξ(k)}中的噪声项,当不存在噪声时:
yAL=[C1,0,0…C2,0,0…C3,0,0…C4,0,0…];
其中,C1=-1、C2=-j、C3=1和C4=j,中间是15个连零,因此序列yAL是一个周期函数,其周期为16。
假设Y=[Y(0),Y(1),…Y(K-1)]是向量y的DFT变换:
可以得到:
YSM(n)=ΨSM,n=0,1,…K-1;
在步骤S102中,分别将傅里叶变换公式的实部与虚部分开排列,并将包含标签的训练数据输入CNN-LSTM网络进行训练,直至网络收敛,得到最终CNN-LSTM网络。
可以理解的是,本申请实施例可以将步骤S101中提取到的相关函数的傅里叶变换公式Y的实部和虚部分开排列为2行,将包含标签的训练数据输入CNN-LSTM网络进行训练,直至网络收敛,得到最终CNN-LSTM网络。
可选地,在一些实施例中,最终CNN-LSTM网络由1层卷积层、1层池化层、3层循环层和2层全连接层构成,其中,卷积层采用256个2*1的卷积核对信号进行卷积,得到256个1X128维的特征图;池化层对卷积层的输出进行降维处理,以缩小特征图尺寸,将合并后大小为1X128的一维信号降为1X64;每层循环层包括三层长短期记忆网络,用于处理卷积后的一维信号,以挖掘接收信号的时序信息;网络的输出为1X2维的独热编码形式,SM码对应[10],AL码对应[0 1];输出层采用Soft-max作为激活函数,其余网络均采用ReLU作为激活函数。
可以理解的是,最终CNN-LSTM网络主要包括1层卷积层,1层池化层,3层循环层和2层全连接层,除最后一层只有2个节点的全连接层使用归一化指数函数(Soft-max函数)作为激活函数外,其余网络均采用线性整流函数,网络的输出为1×2维的One-Hot编码形式,输入层为2×128的输入向量。
其中,如图5所示,卷积层采用256个2*1的卷积核对信号进行卷积,得到256个1×128维的特征图,池化层对卷积层的输出进行降维处理,缩小特征图尺寸,将合并后大小为1×128的一维信号降为1×64;循环层包括三层长短期记忆网络,用于处理卷积后的一维信号,以挖掘接收信号的时序信息;网络的输出为1×2维的独热(One-Hot)编码形式,SM码对应[1 0],AL码对应[0 1];输出层采用Soft-max作为激活函数,其余网络均采用ReLU作为激活函数。
具体而言,卷积层可以对输入的空时分组码进行特征提取,并将2×128维的接收信号合并成一维1×128。卷积层采用256个2*1的卷积核对信号进行卷积,得到256个1×128维的特征图,其输出特征图与输入之间的关系满足:
其中,为第l个卷积层的第j个特征图,为上一个卷积层的第i个特征图,对应本文网络的输入层(将输入的2×128维的接收信号作为一个特征图),为特征图与特征图之间的卷积核,为第l个卷积层的第j个特征图的偏置,f(·)为第l个卷积层的激活函数。
池化层对卷积层的输出进行降维处理,缩小特征图尺寸。将合并后大小为1×128的一维信号降为1×64,其过程可表示为:
循环层包括三层LSTM网络,用于处理卷积后的一维信号,以挖掘接收信号的时序信息,而长短期记忆网络的特点在于其携带了跨越多个时间步的信息,从而防止较早期的信息在处理的过程中逐渐消失。LSTM网络的基本结构包括一个记忆单元和三个控制单元组成,即输入门、输出门和遗忘门。输入门控制当前接收信息对记忆单元的影响程度,输出门决定是否输出记忆单元信息,遗忘门决定是否保留记忆单元之前的信息。遗忘门的输出为:
ft=σ(Wf[ht-1,xt]+bf);
其中,ht-1为t-1时刻LSTM网络的输出,xt为网络在当前时刻的接收信号,Wf为遗忘门的权重矩阵,σ为sigmoid激活函数。遗忘门的输出是[0,1]之间的数,其值为0时,不保留历史信息,值为1时,保留所有历史信息。
输入门和候选向量的状态更新如下:
it=σ(Wi[ht-1,xt]+bi);
lt=tanh(Wl[ht-1,xt]+bl);
ct=ft·ct-1+it·lt;
其中,Wi与Wf为输入门it和候选向量lt的权重矩阵,bi和bl为对应的偏置,tanh为产生候选向量的激活函数,ct为更新后记忆单元的状态。式(2)表明,记忆单元的状态由遗忘门控制的历史信息和输入门控制的候选向量共同决定。LSTM网络更新记忆单元后,其输出状态的具体表达式为:
ot=σ(Wo[ht-1,xt]+bo);
ht=ot·tanh(ct);
其中,Wo为输出门ot的权重矩阵,bo为对应偏置。该表达式说明LSTM网络的输出由输出门控制的记忆单元决定,并由输出门决定其对结果的影响程度。
在步骤S103中,获取无标签的待识别数据,将待识别数据输入最终CNN-LSTM网络中进行识别,得到SFBC识别结果。
可以理解的是,如图6和图7所示,图6为SFBC信号的框架示意图,图7为本申请实施例的一个识别结果,从图中可以看出,当SFBC码信噪比大于1dB时,CNN-LSTM网络的识别准确率达到了90%以上,并最终稳定在了97%左右,准确率较高。根据本申请实施例提出的基于CNN-LSTM的识别SFBC的方法,通过将接收到的SFBC码信号进行预处理,然后将得到的信号数据的实部和虚部重新排列输入网络,利用CNN对信号的空间特征进行提取后,经过LSTM提取信号的时序特征,最后经全连接层输出网络,最终得到SFBC识别结果。由此,能够对单接收天线下的串行序列SFBC码进行识别,并且训练后的网络模型可直接用于识别,不需要重复计算信号的统计特征,在低信噪比情况下有较好的识别性能,避免了人为设计参数和特征反复计算的问题,具有更强的适应性。
其次参照附图描述根据本申请实施例提出的基于CNN-LSTM的识别SFBC的装置。
图8是本申请实施例的基于CNN-LSTM的识别SFBC的装置的方框示意图。
如图8所示,该基于CNN-LSTM的识别SFBC的装置10包括:获取模块100、训练模块200和识别模块300。
其中,获取模块100用于获取接收信号的相关函数,并提取相关函数的傅里叶变换公式;
训练模块200用于分别将傅里叶变换公式的实部与虚部分开排列,并将包含标签的训练数据输入CNN-LSTM网络进行训练,直至网络收敛,得到最终CNN-LSTM网络;以及
识别模块300用于获取无标签的待识别数据,将待识别数据输入最终CNN-LSTM网络中进行识别,得到SFBC识别结果。
可选地,相关函数的计算公式为:
y(k)=r(k)r(k+N/2),k=0,1,…M,
其中,N为接收信号的长度,y=[y(0),y(1),…y(K-1)]为接收信号的相关函数。
可选地,最终CNN-LSTM网络由1层卷积层、1层池化层、3层循环层和2层全连接层构成,其中,卷积层采用256个2*1的卷积核对信号进行卷积,得到256个1X128维的特征图;池化层对卷积层的输出进行降维处理,以缩小特征图尺寸,将合并后大小为1X128的一维信号降为1X64;每层循环层包括三层长短期记忆网络,用于处理卷积后的一维信号,以挖掘接收信号的时序信息;网络的输出为1X2维的独热编码形式,SM码对应[1 0],AL码对应[0 1];输出层采用Soft-max作为激活函数,其余网络均采用ReLU作为激活函数。
需要说明的是,前述对基于CNN-LSTM的识别SFBC的方法实施例的解释说明也适用于该实施例的基于CNN-LSTM的识别SFBC的装置,此处不再赘述。
根据本申请实施例提出的基于CNN-LSTM的识别SFBC的装置,通过将接收到的SFBC码信号进行预处理,然后将得到的信号数据的实部和虚部重新排列输入网络,利用CNN对信号的空间特征进行提取后,经过LSTM提取信号的时序特征,最后经全连接层输出网络,最终得到SFBC识别结果。由此,能够对单接收天线下的串行序列SFBC码进行识别,并且训练后的网络模型可直接用于识别,不需要重复计算信号的统计特征,在低信噪比情况下有较好的识别性能,避免了人为设计参数和特征反复计算的问题,具有更强的适应性。
图9为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括:
存储器1201、处理器1202及存储在存储器1201上并可在处理器1202上运行的计算机程序。
处理器1202执行程序时实现上述实施例中提供的基于CNN-LSTM的识别SFBC的方法。
进一步地,电子设备还包括:
通信接口1203,用于存储器1201和处理器1202之间的通信。
存储器1201,用于存放可在处理器1202上运行的计算机程序。
存储器1201可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
如果存储器1201、处理器1202和通信接口1203独立实现,则通信接口1203、存储器1201和处理器1202可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(PeripheralComponent,简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器1201、处理器1202及通信接口1203,集成在一块芯片上实现,则存储器1201、处理器1202及通信接口1203可以通过内部接口完成相互间的通信。
处理器1202可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如上的基于CNN-LSTM的识别SFBC的方法。
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申请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必须针对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一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
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N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,本申请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,N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。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。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于CNN-LSTM的识别SFBC的方法,其特征在于,包括以下步骤:
获取接收信号的相关函数,并提取所述相关函数的傅里叶变换公式;
分别将所述傅里叶变换公式的实部与虚部分开排列,并将包含标签的训练数据输入CNN-LSTM网络进行训练,直至网络收敛,得到最终CNN-LSTM网络;以及
获取无标签的待识别数据,将所述待识别数据输入所述最终CNN-LSTM网络中进行识别,得到SFBC识别结果。
3.根据权利要求1所述的方法,其特征在于,所述最终CNN-LSTM网络由1层卷积层、1层池化层、3层循环层和2层全连接层构成,其中,所述卷积层采用256个2*1的卷积核对信号进行卷积,得到256个1X128维的特征图;所述池化层对所述卷积层的输出进行降维处理,以缩小特征图尺寸,将合并后大小为1X128的一维信号降为1X64;每层循环层包括三层长短期记忆网络,用于处理卷积后的一维信号,以挖掘所述接收信号的时序信息;网络的输出为1X2维的独热编码形式,SM码对应[1 0],AL码对应[0 1];输出层采用Soft-max作为激活函数,其余网络均采用ReLU作为激活函数。
5.一种基于CNN-LSTM的识别SFBC的装置,其特征在于,包括:
获取模块,用于获取接收信号的相关函数,并提取所述相关函数的傅里叶变换公式;
训练模块,用于分别将所述傅里叶变换公式的实部与虚部分开排列,并将包含标签的训练数据输入CNN-LSTM网络进行训练,直至网络收敛,得到最终CNN-LSTM网络;以及
识别模块,用于获取无标签的待识别数据,将所述待识别数据输入所述最终CNN-LSTM网络中进行识别,得到SFBC识别结果。
7.根据权利要求5所述的装置,其特征在于,所述最终CNN-LSTM网络由1层卷积层、1层池化层、3层循环层和2层全连接层构成,其中,所述卷积层采用256个2*1的卷积核对信号进行卷积,得到256个1X128维的特征图;所述池化层对所述卷积层的输出进行降维处理,以缩小特征图尺寸,将合并后大小为1X128的一维信号降为1X64;每层循环层包括三层长短期记忆网络,用于处理卷积后的一维信号,以挖掘所述接收信号的时序信息;网络的输出为1X2维的独热编码形式,SM码对应[1 0],AL码对应[0 1];输出层采用Soft-max作为激活函数,其余网络均采用ReLU作为激活函数。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如权利要求1-4任一项所述的基于CNN-LSTM的识别SFBC的方法。
10.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行,以用于实现如权利要求1-4任一项所述的基于CNN-LSTM的识别SFBC的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010884569.4A CN112187413B (zh) | 2020-08-28 | 2020-08-28 | 基于cnn-lstm的识别sfbc的方法及装置 |
US17/325,891 US11222264B1 (en) | 2020-08-28 | 2021-05-20 | Method and device for recognizing space-frequency block code |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010884569.4A CN112187413B (zh) | 2020-08-28 | 2020-08-28 | 基于cnn-lstm的识别sfbc的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112187413A true CN112187413A (zh) | 2021-01-05 |
CN112187413B CN112187413B (zh) | 2022-05-03 |
Family
ID=73924000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010884569.4A Active CN112187413B (zh) | 2020-08-28 | 2020-08-28 | 基于cnn-lstm的识别sfbc的方法及装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11222264B1 (zh) |
CN (1) | CN112187413B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113098664A (zh) * | 2021-03-31 | 2021-07-09 | 中国人民解放军海军航空大学航空作战勤务学院 | 基于mdmsffn的空时分组码自动识别方法和装置 |
CN114244660A (zh) * | 2021-11-17 | 2022-03-25 | 西安电子科技大学 | 一种脉冲噪声干扰下mimo-ofdm系统sfbc类型识别方法及系统 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115296758B (zh) * | 2022-07-07 | 2023-08-11 | 中山大学 | 一种干扰信号的识别方法、系统、计算机设备和存储介质 |
CN115514439A (zh) * | 2022-09-26 | 2022-12-23 | 华工未来科技(江苏)有限公司 | 一种信道空口利用率预测方法、系统、电子设备及介质 |
CN115842566B (zh) * | 2022-11-28 | 2023-09-15 | 哈尔滨工程大学 | 一种基于CNN-Bi-LSTM的干扰机自干扰数字对消方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106782602A (zh) * | 2016-12-01 | 2017-05-31 | 南京邮电大学 | 基于长短时间记忆网络和卷积神经网络的语音情感识别方法 |
CN109597043A (zh) * | 2018-11-16 | 2019-04-09 | 江苏科技大学 | 基于量子粒子群卷积神经网络的雷达信号识别方法 |
WO2019152983A2 (en) * | 2018-02-05 | 2019-08-08 | Board Of Trustees Of Michigan State University | System and apparatus for face anti-spoofing via auxiliary supervision |
CN110603790A (zh) * | 2017-03-22 | 2019-12-20 | Idac控股公司 | 使用离散傅里叶变换扩展正交频分复用(dft-s-ofdm)波形的上行链路控制信道的发射分集 |
CN111178331A (zh) * | 2020-01-20 | 2020-05-19 | 深圳大学 | 雷达图像识别系统、方法、设备及计算机可读存储介质 |
CN111220958A (zh) * | 2019-12-10 | 2020-06-02 | 西安宁远电子电工技术有限公司 | 基于一维卷积神经网络的雷达目标多普勒像分类识别方法 |
CN111274395A (zh) * | 2020-01-19 | 2020-06-12 | 河海大学 | 基于卷积和长短期记忆网络的电网监控告警事件识别方法 |
CN111434049A (zh) * | 2017-06-19 | 2020-07-17 | 弗吉尼亚科技知识产权有限公司 | 使用多天线收发器无线传输的信息的编码和解码 |
CN111490853A (zh) * | 2020-04-15 | 2020-08-04 | 成都海擎科技有限公司 | 一种基于深度卷积神经网络的信道编码参数识别方法 |
CN111507299A (zh) * | 2020-04-24 | 2020-08-07 | 中国人民解放军海军航空大学 | 一种频域上使用卷积神经网络识别stbc信号的方法 |
US20200367800A1 (en) * | 2019-01-23 | 2020-11-26 | Wuyi University | Method for identifying driving fatigue based on cnn-lstm deep learning model |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8224233B2 (en) * | 2009-10-09 | 2012-07-17 | At&T Mobility Ii Llc | Regulation of service in restricted telecommunication service area |
-
2020
- 2020-08-28 CN CN202010884569.4A patent/CN112187413B/zh active Active
-
2021
- 2021-05-20 US US17/325,891 patent/US11222264B1/en active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106782602A (zh) * | 2016-12-01 | 2017-05-31 | 南京邮电大学 | 基于长短时间记忆网络和卷积神经网络的语音情感识别方法 |
CN110603790A (zh) * | 2017-03-22 | 2019-12-20 | Idac控股公司 | 使用离散傅里叶变换扩展正交频分复用(dft-s-ofdm)波形的上行链路控制信道的发射分集 |
CN111434049A (zh) * | 2017-06-19 | 2020-07-17 | 弗吉尼亚科技知识产权有限公司 | 使用多天线收发器无线传输的信息的编码和解码 |
WO2019152983A2 (en) * | 2018-02-05 | 2019-08-08 | Board Of Trustees Of Michigan State University | System and apparatus for face anti-spoofing via auxiliary supervision |
CN109597043A (zh) * | 2018-11-16 | 2019-04-09 | 江苏科技大学 | 基于量子粒子群卷积神经网络的雷达信号识别方法 |
US20200367800A1 (en) * | 2019-01-23 | 2020-11-26 | Wuyi University | Method for identifying driving fatigue based on cnn-lstm deep learning model |
CN111220958A (zh) * | 2019-12-10 | 2020-06-02 | 西安宁远电子电工技术有限公司 | 基于一维卷积神经网络的雷达目标多普勒像分类识别方法 |
CN111274395A (zh) * | 2020-01-19 | 2020-06-12 | 河海大学 | 基于卷积和长短期记忆网络的电网监控告警事件识别方法 |
CN111178331A (zh) * | 2020-01-20 | 2020-05-19 | 深圳大学 | 雷达图像识别系统、方法、设备及计算机可读存储介质 |
CN111490853A (zh) * | 2020-04-15 | 2020-08-04 | 成都海擎科技有限公司 | 一种基于深度卷积神经网络的信道编码参数识别方法 |
CN111507299A (zh) * | 2020-04-24 | 2020-08-07 | 中国人民解放军海军航空大学 | 一种频域上使用卷积神经网络识别stbc信号的方法 |
Non-Patent Citations (7)
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113098664A (zh) * | 2021-03-31 | 2021-07-09 | 中国人民解放军海军航空大学航空作战勤务学院 | 基于mdmsffn的空时分组码自动识别方法和装置 |
CN114244660A (zh) * | 2021-11-17 | 2022-03-25 | 西安电子科技大学 | 一种脉冲噪声干扰下mimo-ofdm系统sfbc类型识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112187413B (zh) | 2022-05-03 |
US11222264B1 (en) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112187413B (zh) | 基于cnn-lstm的识别sfbc的方法及装置 | |
CN107798235B (zh) | 基于one-hot编码机制的无监督异常访问检测方法及装置 | |
KR102494797B1 (ko) | 통신 시스템들에서의 단-대-단 학습 | |
EP1914660B1 (en) | Query tree based tag identification method in RFID systems | |
CN110071750B (zh) | 一种基于机器学习的二维空码索引调制方法 | |
EP3808046A1 (en) | Distributed radio system | |
CN114359738B (zh) | 一种跨场景鲁棒的室内人数无线检测方法及系统 | |
CN113156376B (zh) | 基于sacnn的雷达辐射源信号识别方法 | |
CN109412996A (zh) | 链路自适应方法、电子装置及计算机可读存储介质 | |
US11677480B2 (en) | Systems, methods, and apparatus for symbol timing recovery based on machine learning | |
US20230085880A1 (en) | Domain adaptation for wireless sensing | |
Ali et al. | Modulation format identification using supervised learning and high-dimensional features | |
CN112764002B (zh) | 一种基于可变形卷积的fmcw雷达手势识别方法 | |
CN112600594B (zh) | 空频分组码识别方法、装置、计算机设备和存储介质 | |
CN102697491A (zh) | 心电图特征波形识别方法和系统 | |
CN106301486B (zh) | 近场通信中的帧位检测器 | |
CN113114393B (zh) | 针对基于索引调制的环境反向散射通信在多接入信道下的低复杂度检测方法、读写器和系统 | |
CN1494245A (zh) | 用于选择传输信道处理和具有天线分集的信号的接收机 | |
CN108734188A (zh) | 一种聚类方法、设备及存储介质 | |
CN114296041A (zh) | 基于DCNN和Transformer的雷达辐射源识别方法 | |
US20220116244A1 (en) | Signal estimation apparatus, signal estimation method and program recording medium | |
CN111666962B (zh) | 序列数据的目标定位方法和装置 | |
CN114663798B (zh) | 一种基于强化学习的单步视频内容识别方法 | |
Zeng et al. | A dictionary-matrix separation and Viterbi decoding for Miller code in RFID tag collision | |
WO2023071760A1 (zh) | 波束域的划分方法及装置、存储介质及电子装置 |
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 |