CN112202510B - 基于正则化流神经网络的信号检测方法 - Google Patents

Abstract

本发明公开了一种基于正则化流神经网络的信号检测方法，包括以下步骤：构建正则化流神经网络；获取若干个候选信号、与所述候选信号对应的接收信号以及信道状态信息；根据所述候选信号、所述接收信号和所述信道状态信息计算噪声向量；根据所述噪声向量采用所述正则化流神经网络计算所述若干个候选信号的似然度；将所述似然度满足预设要求的候选信号作为信号检测结果。本发明通过先计算信号的噪声向量，接着通过构建的正则化流神经网络根据计算得到的噪声向量计算若干个信号的似然度，并将似然度满足预设要求的候选信号作为信号检测结果，以在缺失噪声统计的情况下提高信号检测结果的准确性。本发明可广泛应用于神经网络技术领域。

Description

基于正则化流神经网络的信号检测方法

技术领域

本发明涉及神经网络技术领域，尤其是一种基于正则化流神经网络的信号检测方法。

背景技术

多输入多输出(MIMO)通信系统具有空间分集的优点，能够有效地满足下一代通信网络对高数据量的需求。而现有的大部分检测方法主要研究特定的噪声模型，这些特定的噪声模型大都是解析的且方便处理的。但是，在实际场景下，通常很难去分析噪声的统计特性，特别是在噪声呈现出冲击性和复杂动态性时，更是难以分析其统计特性。例如，在长波通信、水下通信和多接入系统中，噪声往往会呈现出严重的冲击性。因此，现有的检测方法在缺失噪声统计的情况下，其检测性能会受到严重的影响，导致信号接收端无法对信号进行有效还原。

发明内容

为解决上述技术问题之一，本发明的目的在于：提供一种基于正则化流神经网络的信号检测方法，其能在缺失噪声统计的情况下提高信号检测结果的准确性。

本发明实施例提供了：

一种基于正则化流神经网络的信号检测方法，包括以下步骤：

构建正则化流神经网络；

获取若干个候选信号、与所述候选信号对应的接收信号以及信道状态信息；

根据所述候选信号、所述接收信号和所述信道状态信息计算噪声向量；

根据所述噪声向量采用所述正则化流神经网络计算所述若干个候选信号的似然度；

将所述似然度满足预设要求的候选信号作为信号检测结果。

进一步地，所述正则化流神经网络包括若干个子流；每个所述子流包括激活正则层、单元卷积层和交替放射耦合层。

进一步地，在所述采用所述正则化流神经网络计算所述若干个候选信号的似然度这一步骤之前，还包括正则化流神经网络的训练步骤；

所述正则化流神经网络的训练步骤包括：

获取训练样本集；

通过所述训练样本集，采用随机梯度下降法训练所述正则化流神经网络。

进一步地，所述训练所述正则化流神经网络，其具体为：

分别训练所述正则化流神经网络内的激活正则层、单元卷积层和交替放射耦合层的参数。

进一步地，所述根据所述噪声向量采用所述正则化流神经网络计算所述若干个候选信号的似然度，包括：

根据所述噪声向量采用所述正则化流神经网络计算所述若干个候选信号的隐变量；

根据所述隐变量计算所述若干个候选信号的似然度。

进一步地，所述获取若干个候选信号，其具体为：

穷举P^N个候选信号；其中，P为信号调制星座数，N为发射端天线数。

进一步地，所述获取若干个候选信号，包括：

根据任意第三方信号检测器获取信号初始估计值和预设错误符号数值；

根据所述信号初始估计值和预设错误符号数值获取若干个候选信号。

进一步地，所述正则化流神经网络通过所述激活正则层、所述单元卷积层和所述交替放射耦合层串联组成；所述根据所述噪声向量采用所述正则化流神经网络计算所述若干个候选信号的隐变量，其计算公式为：

z_i＝f(w_i)

其中，z_i为第i个候选信号的隐变量，f(·)表示正则化流神经网络对应的可逆变换函数。

进一步地，所述根据所述隐变量计算所述若干个候选信号的似然度，其计算公式为：

其中，p(·)为隐变量z的先验分布概率密度函数，

为雅可比矩阵

的行列式的绝对值。

进一步地，所述将所述似然度满足预设要求的候选信号作为信号检测结果，其具体为：

将所述似然度最大的候选信号作为信号检测结果。

本发明的有益效果是：本发明通过先根据候选信号、与候选信号对应的接收信号和信道状态信息计算信号的噪声向量，接着通过构建的正则化流神经网络根据计算得到的噪声向量计算若干个信号的似然度，并将似然度满足预设要求的候选信号作为信号检测结果，以在缺失噪声统计的情况下提高信号检测结果的准确性，从而使得接收端有效还原信号。

附图说明

图1为本发明一种具体实施例的基于正则化流神经网络的信号检测方法的流程图；

图2为一种具体实施例的误比特率比较的仿真曲线图；

图3为第一具体实施例的给定特性指数α下误比特率随发射功率变化关系图；

图4为第二具体实施例的给定特性指数α下误比特率随发射功率变化关系图；

图5为第三具体实施例的给定特性指数α下误比特率随发射功率变化关系图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

参照图1，本发明实施例提供了一种基于正则化流神经网络的信号检测方法，本实施例可应用于服务端、也可以应用于信号接收端。

本实施包括以下步骤：

S11、构建正则化流神经网络；所述正则化流神经网络包括若干个子流；每个所述子流包括激活正则层、单元卷积层和交替放射耦合层。所述正则化流神经网络由任意数量和组合形式的激活正则层、单元卷积层和交替放射耦合层串联组成。该正则化流神经网络可将噪声样本w_i映射到预先的符合某个已知先验分布的隐变量空间z～p_z(z)，以得到该噪声样本w_i对应的隐变量z_i。

在一些实施例中，所述正则化流神经网络通过以下步骤进行训练：

获取训练样本集；所述训练数据可以为该信道预先采集的信号，也可以是在进行实时预测时采集的信号。

通过所述训练样本集，采用随机梯度下降法训练所述正则化流神经网络。

在一些实施例中，所述训练所述正则化流神经网络，其具体为分别训练所述正则化流神经网络内的激活正则层、单元卷积层和交替放射耦合层的参数。

具体地，对于发射端包含N个天线，接收端包含M个天线的系统中，处于第k层的子层来说，h_k-1表示第k层的子层的输入，h_k则表示第k层的子层的输出。因此，上述三种中间层的数学模型可以通过如下方式表示：

激活正则层：其包含两个可训练的参数，分别为均值s_k和方差b_k。通过第一批的训练样本集的统计均值和统计方差赋予激活正则层的均值s_k和方差b_k的初始值，接着通过训练的方式来调制均值s_k和方差b_k的值。所以，本层的输出至可表示为如公式1所示：

h_k＝h_k-1⊙s_k+b_k 公式1

通过公式1进行操作产生的对数行列式(log-determinant)如公式2所示：

其中，sum(*)表示多维张量所有元素的累加结果。

单元卷积层：对于第k层的单元卷积层包含一个形状为2×2矩阵的可训练的参数为W_K。则该层的输出值为以参数W_K为权重矩阵执行的1×1卷积操作，该操作所产生的对数行列式如公式3所示：

交替放射耦合层：该层的输出值如公式4、公式5、公式6、公式7和公式8所示：

q_k＝h_k-1(1:m) 公式4

s_k＝g(q_k) 公式5

b_k＝H(q_k) 公式6

h_k＝h_k-1 公式7

h_k(m+1:M)＝h_k-1(m+1:M)⊙s_k+t_k 公式8

其中，h_k(m+1:M)表示该层的输入中维持不变的部分，h_k-1(m+1:M)表示该层的输入中变化的部分g(·)和H(·)分布表示两个由神经网络所表示的函数，例如，由前向反馈网络所表示的函数。该层一般由两个交替改变输入向量中变化部分的堆叠形式组成，因此，该层可增强网络的学习和表达能力。

在完成上述正则化流神经网络的构建后，该正则化流神经网络能够通过最大化收集到的噪声样本在神经网络模型上的似然度的方式来学习复杂系统噪声的潜在近似分布，即该正则化流神经网络的损失函数为公式9：

又因为上述正则化流神经网络由若干个激活正则层、单元卷积层和交替放射耦合层串联得到，因此，正则化流神经网络可用公式10表示：

其中，f_K(·)表示第K层的子层所表达的可逆变变换函数。则上述公式9所表示的损失函数可用公式11表示：

其中，θ为模型需要训练的参数向量。在本实施例中，通过收集系统噪声样本，组成包含L个样本的训练样本集D_w＝{w¹,w²,…,w^L}，在该训练样本集上使用公式11表示的损失函数训练深层神经网络，以降低网络的损失值来寻求最优的网络参数值，即如公式12所示：

接着通过执行随机梯度下降法，直至损失值的变化趋向于收敛，此时该正则化流神经网络的参数训练完毕。

通过上述正则化流神经网络的参数训练，以提高后续应该过程中检测结果的准确性。

S12、获取若干个候选信号、与所述候选信号对应的接收信号以及信道状态信息；所述信道状态信息为系统估计的信道状态信息。所述接收到的信号中包含噪声向量。所述噪声向量可通过步骤S13执行得到。

在一些实施例中，所述获取若干个候选信号，其可根据信号调整星座数量P和发射端天线数量N选择具体的获取方式。在本实施例中，获取方式包含以下两种：

第一种方式为：不对信号进行任何筛选，穷举所有P^N个候选信号；其中，P为信号调制星座数，N为发射端天线数。该方式为完美最大似然估计，其具有更高的检测性能。

第二种方式为：先通过任意第三方信号检测器来获取一个信号的初始估计值x₀，该信号检测方法可以为迫零、最小均方误差、高斯近似消息传递算法等，其中，任意第三方信号检测器是指除开本实施采用的信号检测器外的任意信号检测器。然后根据系统的预设错误符号数值从所有可能的候选信号中选出与初始估计值x₀相比最多有E个不同的符号的候选信号，将筛选后的

个候选信号组成候选信号集。其中，所述预设错误符号数值可以为系统所能容忍的最大错误符号数量。该方式为非完美最大似然估计，本方式可作为一个增强其他信号检测器的检测性能的一个通用方法架构。

S13、根据所述候选信号、所述接收信号和所述信道状态信息计算噪声向量；

在一些实施例中，所述候选信号x_i∈X，X为候选信号集；接收到的信号y和信道状态信息H与噪声向量存在如公式13的关系：

w_i＝y-Hx_i 公式13

其中，w_i为第i个候选信号对应的噪声向量。

S14、根据所述噪声向量采用所述正则化流神经网络计算所述若干个候选信号的似然度；

在一些实施例中，所述步骤S14可通过以下方式实现：

根据所述噪声向量采用所述正则化流神经网络计算所述若干个候选信号的隐变量；本步骤可通过公式14计算得到：

z_i＝f(w_i) 公式14

其中，z_i为第i个候选信号的隐变量，f(·)表示正则化流神经网络对应的可逆变换函数。

根据所述隐变量计算所述若干个候选信号的似然度，所述似然度可通过公式15计算得到：

其中，p(·)为隐变量z的先验分布概率密度函数，p_z(·)为隐变量z的先验分布概率密度函数，

为雅可比矩阵

的行列式的绝对值。

S15、将所述似然度满足预设要求的候选信号作为信号检测结果。

在一些实施例中，所述步骤S15可以为将所述似然度最大的候选信号作为信号检测结果。

具体地，从上述步骤中得到的所有候选信号x_i∈X所对应的似然度p(y|x_i)中选择出一个拥有最大似然度的候选信号x^*，将该候选信号x^*作为信号检测结果。本步骤可通过公式16表示：

其中，x^*为拥有最大似然度的候选信号。

在一些实施例中，为验证本实施例在实际应用过程中存在的优点，在Python仿真环境下，使用计算机仿真本实施例的内容在无线网络传输中接收端检测误比特率。在仿真实验中，系统中的筛选方法采用的检测器为高斯近似消息传递算法(GaussianGeneralized Message Passing)，该MIMO系统中发射端和接收端天线数量均为4根，系统信号采用QPSK调制。系统的接收端受到统计特性未知的具有冲击性噪声的干扰，本实施例采用对称阿尔法稳定分布(SaS)数学模型来模拟统计特性未知的冲击噪声，对于符合SaS分布的噪声变量w，其特性函数如公式17所示：

其中，

表示统计期望，α>0是尺度指数，α∈[0,2]为特性指数。

SaS分布的概率密度函数(PDF)如公式18所示：

由此可知，当α∈(1,2)时，该噪声的PDF不存在解析表达式，因此，现有的基于特定噪声模型的检测方法，在实际场景下，容易受到此类噪声的影响。本实施例子啊训练神经网络时，随机收集训练样本集D_w＝{w¹,w²,…,w^L}，训练网络直至收敛。采用的训练样本包含2000万个数据包，经过至少200代训练或趋于收敛后停止训练。在本实施例中，考虑到信道与噪声的随机性，子啊信号检测仿真时模拟检测2000000个数据包，即独立运行288000000次检测循环并对结果取平均。对于每一次循环n，采用如下步骤：

步骤1、随机生成接收端信号y＝Hx+w；

步骤2、根据本实施例所提出的第一种方式确定所有候选，然后通过本实施例所提出的正则化流神经网络计算每个候选信号的似然度，最终从候选信号中选择具有最大似然度的候选信号作为本实施的第一种方式的检测结果。

步骤3、利用高斯近似消息传递算法(GAMP)，根据本实施例提出的第二种方式确定所有候选信号，然后通过本实施例提出的正则化流神经网络计算每个候选信号的似然度，最终从候选信号中选择具有最大似然度的候选信号作为第二种方式的检测结果。

给定发射功率为25dB下误比特率随特性指数α变化关系如图2所示。如2表征的是特性系数1≤α≤2下，网络节点在发射功率为25dB时，本实施例所提出的方法、现有的最大似然度检测(MLD)及高斯近似消息传递算法(GAMP)的误比特率比较的仿真曲线。由图2可知，本实施例所提出的方法通过有效利用深层神经网络，能显著降低在噪声统计特性未知的情况下受到的影响，明显优于现有的方法。

给定特性指数α下误比特率随发射功率变化关系如图3、图4和图5所示。图3、图4和图5表征的是在发射功率P＝20dB下，干扰相关系数ρ在0～0.95的范围内，本实施例所提方法、现有的最大似然度检测(MLD)及高斯近似消息传递算法(GAMP)的误比特率比较的仿真曲线。通过对比可知，对于不同的特性指数α，本实施例所提方法在大范围的发射功率下均明显优于现有方法。

以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (4)

1.一种基于正则化流神经网络的信号检测方法，其特征在于，包括以下步骤：

构建正则化流神经网络；

获取若干个候选信号、与所述候选信号对应的接收信号以及信道状态信息；

根据所述候选信号、所述接收信号和所述信道状态信息计算噪声向量；

根据所述噪声向量采用所述正则化流神经网络计算所述若干个候选信号的似然度；

将所述似然度满足预设要求的候选信号作为信号检测结果；

其中，所述正则化流神经网络包括若干个子流；每个所述子流包括激活正则层、单元卷积层和交替放射耦合层；

其中，在所述采用所述正则化流神经网络计算所述若干个候选信号的似然度这一步骤之前，还包括正则化流神经网络的训练步骤；

所述正则化流神经网络的训练步骤包括：

获取训练样本集；

通过所述训练样本集，采用随机梯度下降法训练所述正则化流神经网络；

其中，所述训练所述正则化流神经网络，其具体为：

分别训练所述正则化流神经网络内的激活正则层、单元卷积层和交替放射耦合层的参数；

其中，所述根据所述噪声向量采用所述正则化流神经网络计算所述若干个候选信号的似然度，包括：

根据所述噪声向量采用所述正则化流神经网络计算所述若干个候选信号的隐变量；

根据所述隐变量计算所述若干个候选信号的似然度；

其中，所述正则化流神经网络通过所述激活正则层、所述单元卷积层和所述交替放射耦合层串联组成；所述根据所述噪声向量采用所述正则化流神经网络计算所述若干个候选信号的隐变量，其计算公式为：

z_i＝f(w_i)

其中，z_i为第i个候选信号的隐变量，f(·)表示正则化流神经网络对应的可逆变换函数，w_i为第i个候选信号对应的噪声向量；

其中，所述根据所述隐变量计算所述若干个候选信号的似然度，其计算公式为：

其中，p(·)为隐变量z的先验分布概率密度函数，

为雅可比矩阵

的行列式的绝对值，p_z(·)为隐变量z的先验分布概率密度函数。

2.根据权利要求1所述的一种基于正则化流神经网络的信号检测方法，其特征在于，所述获取若干个候选信号，其具体为：

穷举所有P^N个候选信号；其中，P为信号调制星座数，N为发射端天线数。

3.根据权利要求1所述的一种基于正则化流神经网络的信号检测方法，其特征在于，所述获取若干个候选信号，包括：

根据任意第三方信号检测器获取信号初始估计值和预设错误符号数值；

根据所述信号初始估计值和预设错误符号数值获取若干个候选信号。

4.根据权利要求1所述的一种基于正则化流神经网络的信号检测方法，其特征在于，所述将所述似然度满足预设要求的候选信号作为信号检测结果，其具体为：

将所述似然度最大的候选信号作为信号检测结果。

Images