CN112422208A - 未知信道模型下基于对抗式学习的信号检测方法 - Google Patents

未知信道模型下基于对抗式学习的信号检测方法 Download PDF

Info

Publication number
CN112422208A
CN112422208A CN202011232845.5A CN202011232845A CN112422208A CN 112422208 A CN112422208 A CN 112422208A CN 202011232845 A CN202011232845 A CN 202011232845A CN 112422208 A CN112422208 A CN 112422208A
Authority
CN
China
Prior art keywords
channel
generator
vector
layer
training
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
Application number
CN202011232845.5A
Other languages
English (en)
Other versions
CN112422208B (zh
Inventor
孙黎
王宇威
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202011232845.5A priority Critical patent/CN112422208B/zh
Publication of CN112422208A publication Critical patent/CN112422208A/zh
Application granted granted Critical
Publication of CN112422208B publication Critical patent/CN112422208B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Electromagnetism (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Error Detection And Correction (AREA)

Abstract

本发明公开了未知信道模型下基于对抗式学习的信号检测方法，其步骤包括：发送导频序列采集数据集，然后初始化一个生成对抗网络，包括一个生成器G和一个鉴别器D，然后使用数据集对生成对抗网络进行迭代地对抗式训练，训练完成之后使用训练好的生成器G来生成信道转移概率，并且把之运用于Viterbi算法中，实现了传统方法无法实现的未知信道模型条件下的信号检测。

Description

未知信道模型下基于对抗式学习的信号检测方法
技术领域
本发明涉及信号检测技术领域，特别涉及未知信道模型下基于对抗式学习的信号检测方法。
背景技术
在现代的数字通信系统中，信号检测是一个重要的组成部分。信号在发送端经过编码，调制之后发送出去，经过信道之后来到接收端，这时候接收端收到的信号是经过噪声干扰或者码间串扰的信号，所以就需要使用信号检测来对接收到的信号进行判决，而传统的信号检测算法依赖于信道的统计模型。在无线通信中，利用的是电磁波来传输信息，传播机理可以由麦克斯韦方程组进行描述，所以可以使用数学公式建立信道的概率统计模型，从而执行信号检测算法。但是在一些新型的通信系统，例如水声通信、分子通信等，或者在信道状况比较复杂的传统系统中，难以建立有效的描述信号传播的模型，就无法使用传统的信号检测算法进行信号检测。所以在这些情况下，使用一种不依赖于信道先验知识的方法来进行信号检测就具有重要的实际意义。
机器学习当中的深度学习比较适用于在难以进行信道建模的通信系统中的信号检测问题。深度学习的优势在于其隐藏层可以在一定的误差范围内拟合任何的函数，具有巨大的灵活性，所以提出未知信道模型下基于对抗式学习的信号检测方法就具有重要意义。
发明内容
为了克服上述现有技术的不足，本发明的目的在于提供未知信道模型下基于对抗式学习的信号检测方法，该方法可以在难以建立信道模型的通信系统中进行信号检测。
为了实现上述目的，本发明采用的技术方案是：
未知信道模型下基于对抗式学习的信号检测方法，包括以下步骤；
1)发送长度为K的导频符号序列，其中在第i时刻，发送符号x[i]从信号集
Figure BDA0002765782990000025
中等概率地随机选取，在接收端采集信道输出y[i]，把信道输入状态向量S[i]与信道输出y[i]进行组合得到一对训练数据Ti＝(S[i]，y[i])，收集每一个时刻的信道输入状态向量与信道输出，从而得到训练集T＝[T1，T2，...TK]；
2)初始化两个全连接神经网络，使其参数满足标准高斯分布，一个全连接神经网络作为生成器G，其初始参数集为
Figure BDA0002765782990000021
θg包含生成器G中的所有权值Wg与所有偏置bg，另外一个作为鉴别器D，其初始参数集为
Figure BDA0002765782990000022
θd包含生成器D中的所有权值Wd与所有偏置bd，把状态向量s输入初始化的生成器生成转移概率向量p0，基于这一概率向量采样生成n个信道输出
Figure BDA0002765782990000023
把这n个信道输出按照从小到大的顺序排列，得到生成样本向量
Figure BDA0002765782990000024
并且在训练集中也收集n个信道输入的状态向量为s时信道的输出样本y1，y2，...，yn，按照从小到大的顺序排列，得到真实样本向量q；
3)使用训练集T对生成器G和鉴别器D迭代地进行对抗式训练；
4)把所有可能的ml种状态向量分别输入到训练完成的生成器G中，得到所有的给定信道输入状态向量下信道输出的条件概率密度，即信道转移概率pY|s(y|s)，然后把其运用于Viterbi算法中，进行信号检测。
所述的步骤2)中所述的生成器G是一个全连接神经网络，包括以下部分：
1)生成器G的输入为状态向量s，则输入层的神经元个数为l；
2)全连接神经网络生成器G的隐含层数为Ng，在神经网络隐含层前后层之间为全连接结构，隐含层的第n层向n+1层的传播方式为：
Figure BDA0002765782990000031
其中
Figure BDA0002765782990000032
为第n层隐含层的输出，
Figure BDA0002765782990000033
为第n层隐含层的权值，
Figure BDA0002765782990000034
为第n层隐含层的偏置，σr()表示ReLu激活函数，
Figure BDA0002765782990000035
为第n+1层隐含层的输出；
3)全连接神经网络生成器G的输出为：
Figure BDA0002765782990000036
其中p就为生成的信道转移概率向量，σsm()表示Softmax函数。
所述的步骤2)中所述的鉴别器D是一个全连接神经网络，包括以下部分：
1)鉴别器D的输入为s和q或者s和
Figure BDA0002765782990000037
则输入层的神经元个数为l+n，其中n为信号样本向量q或者
Figure BDA0002765782990000038
的维度(q与
Figure BDA0002765782990000039
维度相等)；
2)全连接神经网络生成器D的隐含层数为Nd，在神经网络隐含层前后层之间为全连接结构，隐含层的第n层向n+1层的传播方式为：
Figure BDA0002765782990000041
其中
Figure BDA0002765782990000042
为第n层隐含层的输出，
Figure BDA0002765782990000043
为第n层隐含层的权值，
Figure BDA0002765782990000044
为第n层隐含层的偏置，σr()表示ReLu激活函数，
Figure BDA0002765782990000045
为第n+1层隐含层的输出；
3)全连接神经网络鉴别器D的输出为
Figure BDA0002765782990000046
根据鉴别器D的输入用D(s，q)或者
Figure BDA0002765782990000047
表示其输出，σsig()表示Sigmoid函数。
所述的步骤3)中所述的使用训练集T对生成器G和鉴别器D迭代地进行对抗式训练其包括以下步骤：
1)训练鉴别器D，即：更新D的参数以使如下目标函数最大化：
Figure BDA0002765782990000048
其中，M为训练一次所使用的数据批次的大小(batch size)，
Figure BDA0002765782990000049
和qi分别为生成样本向量和真实样本向量，为了实现这一优化任务，采用梯度上升(gradient ascent)算法，D的参数更新公式为：
Figure BDA00027657829900000410
其中，η为学习率，
Figure BDA00027657829900000411
表示梯度运算；
2)训练生成器G，即：更新G的参数以使如下目标函数最大化：
Figure BDA00027657829900000412
其中，b为一个偏置值，
Figure BDA00027657829900000413
表示对于给定的生成器参数θg，在信道输入状态向量为s的条件下，产生的生成样本向量为
Figure BDA00027657829900000414
的概率，其计算公式为：
Figure BDA00027657829900000415
其中
Figure BDA0002765782990000051
为状态向量为s的条件下，对转移概率向量p采样之后得到生成样本
Figure BDA0002765782990000052
的概率，因为
Figure BDA0002765782990000059
是由向量p采样之后得到的，所以
Figure BDA0002765782990000053
的值等于向量p中与
Figure BDA0002765782990000054
所对应的那一维的值，另外，fmean(θg)为把p作为一个时域信号的平均频率，其计算方法为先对p进行快速傅里叶变换，得到其频谱，然后再通过如下公式计算平均频率：
Figure BDA0002765782990000055
其中Ntot是p的频谱中频率间隔的个数，fk为频谱中第k个频率间隔的频率，Ik为对应的频谱幅度，Λ为用于平衡前后两项的权重；
为了实现上述优化任务，使用梯度上升法进行G的参数更新：
Figure BDA0002765782990000056
更新了μg之后，再让生成器G重新生成向量p，根据其采样得到n个新的信道输出样本
Figure BDA0002765782990000057
得到新的
Figure BDA0002765782990000058
并且在训练集中也重新收集n个输出样本y1，y2，...，yn，得到新的q；
3)重复步骤1)和步骤2)，迭代地训练D和G，直至D的优化目标值不再变化，即训练收敛，输出生成器的最终参数，并得到所需的信道转移概率估计结果。
本发明的有益效果：
本发明设计了一种专用的生成对抗网络结构以及一种专用的训练方法用于学习未知信道模型下的信道转移概率，并且把学习所得到的信道转移概率运用于Viterbi算法，实现了未知信道模型下的信号检测。
附图说明
图1为本发明设计的生成对抗网络结构示意图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明所述未知信道模型下基于对抗式学习的信号检测方法，该通信系统传输的序列由N个符号组成，
Figure BDA0002765782990000061
是i时刻的发送符号，i∈{1，2，...，N}，
Figure BDA0002765782990000062
是一个包含m个信号星座点的离散信号集。第i时刻的信道输入为状态向量
Figure BDA0002765782990000063
令y[i]表示i时刻信道输出，则y[i]是关于信道输入状态向量S[i]的随机映射，l是信道的记忆长度，假设其小于数据序列的长度，即：l＜N。则一个序列的所有的信道输入可以表示为
Figure BDA0002765782990000064
与之相对应的信道输出可以表示为
Figure BDA0002765782990000065
该通信系统信号检测方法包括以下步骤：
1)发送长度为K的导频符号序列，其中在第i时刻，发送符号x[i]从信号集
Figure BDA0002765782990000068
中等概率地随机选取，在接收端采集信道输出y[i]，把信道输入状态向量S[i]与信道输出y[i]进行组合得到一对训练数据Ti＝(S[i]，y[i])，收集每一个时刻的信道输入状态向量与信道输出，从而得到训练集T＝[T1，T2，...TK]。
2)初始化两个全连接神经网络，使其参数满足标准高斯分布，一个全连接神经网络作为生成器G，其初始参数集为
Figure BDA0002765782990000066
θg包含生成器G中的所有权值Wg与所有偏置bg，另外一个作为鉴别器D，其初始参数集为
Figure BDA0002765782990000067
θd包含生成器D中的所有权值Wd与所有偏置bd。把状态向量s输入初始化的生成器生成转移概率向量p0，基于这一概率向量采样生成n个信道输出
Figure BDA0002765782990000071
把这n个信道输出按照从小到大的顺序排列，得到生成样本向量
Figure BDA0002765782990000072
并且在训练集中也收集n个信道输入的状态向量为s时信道的输出样本y1，y2，...，yn，按照从小到大的顺序排列，得到真实样本向量q；
3)使用训练集T对生成器G和鉴别器D迭代地进行对抗式训练；
4)把所有可能的ml种状态向量分别输入到训练完成的生成器G中，得到所有的给定信道输入状态向量下信道输出的条件概率密度，即信道转移概率pY|s(y|s)，然后把其运用于Viterbi算法中，进行信号检测。
所述的步骤2)中所述的生成器G是一个全连接神经网络，其包括以下部分：
1)生成器G的输入为状态向量s，则输入层的神经元个数为l；
2)全连接神经网络生成器G的隐含层数为Ng，在神经网络隐含层前后层之间为全连接结构，隐含层的第n层向n+1层的传播方式为：
Figure BDA0002765782990000073
其中
Figure BDA0002765782990000074
为第n层隐含层的输出，
Figure BDA0002765782990000075
为第n层隐含层的权值，
Figure BDA0002765782990000076
为第n层隐含层的偏置，σr()表示ReLu激活函数，
Figure BDA0002765782990000077
为第n+1层隐含层的输出
3)全连接神经网络生成器G的输出为：
Figure BDA0002765782990000078
其中p就为生成的信道转移概率向量，σsm()表示Softmax函数。
所述的步骤2)中所述的鉴别器D是一个全连接神经网络，其包括以下部分：
1)鉴别器D的输入为s和q或者s和
Figure BDA0002765782990000081
则输入层的神经元个数为l+n，其中n为信号样本向量q或者
Figure BDA0002765782990000082
的维度(q与
Figure BDA0002765782990000083
维度相等)；
2)全连接神经网络生成器D的隐含层数为Nd，在神经网络隐含层前后层之间为全连接结构，隐含层的第n层向n+1层的传播方式为：
Figure BDA0002765782990000084
其中
Figure BDA0002765782990000085
为第n层隐含层的输出，
Figure BDA0002765782990000086
为第n层隐含层的权值，
Figure BDA0002765782990000087
为第n层隐含层的偏置，σr()表示ReLu激活函数，
Figure BDA0002765782990000088
为第n+1层隐含层的输出
3)全连接神经网络鉴别器D的输出为
Figure BDA0002765782990000089
根据鉴别器D的输入用D(s，q)或者
Figure BDA00027657829900000810
表示其输出，σsig()表示Sigmoid函数。
所述的步骤3)中所述的使用训练集T对生成器G和鉴别器D迭代地进行对抗式训练其包括以下步骤：
1)训练鉴别器D，即：更新D的参数以使如下目标函数最大化：
Figure BDA00027657829900000811
其中，M为训练一次所使用的数据批次的大小(batch size)，
Figure BDA00027657829900000812
和qi分别为生成样本向量和真实样本向量。为了实现这一优化任务，采用梯度上升(gradient ascent)算法，D的参数更新公式为：
Figure BDA00027657829900000813
其中，η为学习率，
Figure BDA00027657829900000814
表示梯度运算。
2)训练生成器G，即：更新G的参数以使如下目标函数最大化：
Figure BDA00027657829900000815
其中，b为一个偏置值，
Figure BDA00027657829900000816
表示对于给定的生成器参数θg，在信道输入状态向量为s的条件下，产生的生成样本向量为
Figure BDA00027657829900000817
的概率，其计算公式为：
Figure BDA0002765782990000091
其中
Figure BDA0002765782990000092
为状态向量为s的条件下，对转移概率向量p采样之后得到生成样本
Figure BDA0002765782990000093
的概率，因为
Figure BDA0002765782990000094
是由向量p采样之后得到的，所以
Figure BDA0002765782990000095
的值等于向量p中与
Figure BDA0002765782990000096
所对应的那一维的值。另外，fmean(θg)为把p作为一个时域信号的平均频率，其计算方法为先对p进行快速傅里叶变换，得到其频谱，然后再通过如下公式计算平均频率：
Figure BDA0002765782990000097
其中Ntot是p的频谱中频率间隔的个数，∫k为频谱中第k个频率间隔的频率，Ik为对应的频谱幅度。Λ为用于平衡前后两项的权重。
为了实现上述优化任务，使用梯度上升法进行G的参数更新：
Figure BDA0002765782990000098
更新了μg之后，再让生成器G重新生成向量p，根据其采样得到n个新的信道输出样本
Figure BDA0002765782990000099
得到新的
Figure BDA00027657829900000910
并且在训练集中也重新收集n个输出样本y1，y2，...，yn，得到新的q。
3)重复步骤1)和步骤2)，迭代地训练D和G，直至D的优化目标值不再变化，即训练收敛，输出生成器的最终参数，并得到所需的信道转移概率估计结果。

Claims (4)

1.未知信道模型下基于对抗式学习的信号检测方法，其特征在于，包括以下步骤；
1)发送长度为K的导频符号序列，其中在第i时刻，发送符号x[i]从信号集
Figure FDA0002765782980000011
中等概率地随机选取，在接收端采集信道输出y[i]，把信道输入状态向量S[i]与信道输出y[i]进行组合得到一对训练数据Ti＝(S[i]，y[i])，收集每一个时刻的信道输入状态向量与信道输出，从而得到训练集T＝[T1，T2，...TK]；
2)初始化两个全连接神经网络，使其参数满足标准高斯分布，一个全连接神经网络作为生成器G，其初始参数集为
Figure FDA0002765782980000012
θg包含生成器G中的所有权值Wg与所有偏置bg，另外一个作为鉴别器D，其初始参数集为
Figure FDA0002765782980000013
θd包含生成器D中的所有权值Wd与所有偏置bd，把状态向量s输入初始化的生成器生成转移概率向量p0，基于这一概率向量采样生成n个信道输出
Figure FDA0002765782980000014
把这n个信道输出按照从小到大的顺序排列，得到生成样本向量
Figure FDA0002765782980000015
并且在训练集中也收集n个信道输入的状态向量为s时信道的输出样本y1，y2，...，yn，按照从小到大的顺序排列，得到真实样本向量q；
3)使用训练集T对生成器G和鉴别器D迭代地进行对抗式训练；
4)把所有可能的ml种状态向量分别输入到训练完成的生成器G中，得到所有的给定信道输入状态向量下信道输出的条件概率密度，即信道转移概率PY|S(y|s)，然后把其运用于Viterbi算法中，进行信号检测。
2.根据权利要求1所述的未知信道模型下基于对抗式学习的信号检测方法，其特征在于，所述的步骤2)中所述的生成器G是一个全连接神经网络，包括以下部分：
1)生成器G的输入为状态向量s，则输入层的神经元个数为l；
2)全连接神经网络生成器G的隐含层数为Ng，在神经网络隐含层前后层之间为全连接结构，隐含层的第n层向n+1层的传播方式为：
Figure FDA0002765782980000021
其中
Figure FDA0002765782980000022
为第n层隐含层的输出，
Figure FDA0002765782980000023
为第n层隐含层的权值，
Figure FDA0002765782980000024
为第n层隐含层的偏置，σr()表示ReLu激活函数，
Figure FDA0002765782980000025
为第n+1层隐含层的输出；
3)全连接神经网络生成器G的输出为：
Figure FDA0002765782980000026
其中p就为生成的信道转移概率向量，σsm()表示Softmax函数。
3.根据权利要求1所述的未知信道模型下基于对抗式学习的信号检测方法，其特征在于，所述的步骤2)中所述的鉴别器D是一个全连接神经网络，包括以下部分：
1)鉴别器D的输入为s和q或者s和
Figure FDA0002765782980000027
则输入层的神经元个数为l+n，其中n为信号样本向量q或者
Figure FDA0002765782980000028
的维度(q与
Figure FDA0002765782980000029
维度相等)；
2)全连接神经网络生成器D的隐含层数为Nd，在神经网络隐含层前后层之间为全连接结构，隐含层的第n层向n+1层的传播方式为：
Figure FDA00027657829800000210
其中
Figure FDA00027657829800000211
为第n层隐含层的输出，
Figure FDA00027657829800000212
为第n层隐含层的权值，
Figure FDA00027657829800000213
为第n层隐含层的偏置，σr()表示ReLu激活函数，
Figure FDA0002765782980000031
为第n+1层隐含层的输出；
3)全连接神经网络鉴别器D的输出为
Figure FDA0002765782980000032
根据鉴别器D的输入用D(s，q)或者
Figure FDA0002765782980000033
表示其输出，σsig()表示Sigmoid函数。
4.根据权利要求1所述的未知信道模型下基于对抗式学习的信号检测方法，其特征在于，所述的步骤3)中所述的使用训练集T对生成器G和鉴别器D迭代地进行对抗式训练其包括以下步骤：
1)训练鉴别器D，即：更新D的参数以使如下目标函数最大化：
Figure FDA0002765782980000034
其中，M为训练一次所使用的数据批次的大小(batch size)，
Figure FDA0002765782980000035
和qi分别为生成样本向量和真实样本向量，为了实现这一优化任务，采用梯度上升(gradient ascent)算法，D的参数更新公式为：
Figure FDA0002765782980000036
其中，η为学习率，
Figure FDA0002765782980000037
表示梯度运算；
2)训练生成器G，即：更新G的参数以使如下目标函数最大化：
Figure FDA0002765782980000038
其中，b为一个偏置值，
Figure FDA0002765782980000039
表示对于给定的生成器参数θg，在信道输入状态向量为s的条件下，产生的生成样本向量为
Figure FDA00027657829800000310
的概率，其计算公式为：
Figure FDA00027657829800000311
其中
Figure FDA00027657829800000312
为状态向量为s的条件下，对转移概率向量p采样之后得到生成样本
Figure FDA00027657829800000313
的概率，因为
Figure FDA00027657829800000314
是由向量p采样之后得到的，所以
Figure FDA00027657829800000315
的值等于向量p中与
Figure FDA00027657829800000316
所对应的那一维的值，另外，fmean(θg)为把p作为一个时域信号的平均频率，其计算方法为先对p进行快速傅里叶变换，得到其频谱，然后再通过如下公式计算平均频率：
Figure FDA0002765782980000041
其中Ntot是p的频谱中频率间隔的个数，fk为频谱中第k个频率间隔的频率，Ik为对应的频谱幅度，Λ为用于平衡前后两项的权重；
为了实现上述优化任务，使用梯度上升法进行G的参数更新：
Figure FDA0002765782980000042
更新了μg之后，再让生成器G重新生成向量p，根据其采样得到n个新的信道输出样本
Figure FDA0002765782980000043
得到新的
Figure FDA0002765782980000044
并且在训练集中也重新收集n个输出样本y1，y2，...，yn，得到新的q；
3)重复步骤1)和步骤2)，迭代地训练D和G，直至D的优化目标值不再变化，即训练收敛，输出生成器的最终参数，并得到所需的信道转移概率估计结果。
CN202011232845.5A 2020-11-06 2020-11-06 未知信道模型下基于对抗式学习的信号检测方法 Active CN112422208B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011232845.5A CN112422208B (zh) 2020-11-06 2020-11-06 未知信道模型下基于对抗式学习的信号检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011232845.5A CN112422208B (zh) 2020-11-06 2020-11-06 未知信道模型下基于对抗式学习的信号检测方法

Publications (2)

Publication Number Publication Date
CN112422208A true CN112422208A (zh) 2021-02-26
CN112422208B CN112422208B (zh) 2021-10-19

Family

ID=74782077

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011232845.5A Active CN112422208B (zh) 2020-11-06 2020-11-06 未知信道模型下基于对抗式学习的信号检测方法

Country Status (1)

Country Link
CN (1) CN112422208B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023070675A1 (zh) * 2021-11-01 2023-05-04 Oppo广东移动通信有限公司 数据处理的方法及装置
WO2023077272A1 (zh) * 2021-11-02 2023-05-11 Oppo广东移动通信有限公司 信道数据生成方法、装置、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5831984A (en) * 1993-11-10 1998-11-03 Nokia Telecommunications Oy Reception method and CDMA receiver
CN1443011A (zh) * 2002-03-05 2003-09-17 深圳市中兴通讯股份有限公司上海第二研究所 一种用于移动通信系统的均衡解调方法
CN106130611A (zh) * 2016-06-22 2016-11-16 西安交通大学 MISO系统中对抗被动窃听的基于加权Voronoi图的码本设计方法
CN106961684A (zh) * 2017-03-24 2017-07-18 厦门大学 基于深度强化学习的认知无线电空频二维抗敌意干扰方法
US20190274108A1 (en) * 2018-03-02 2019-09-05 DeepSig Inc. Learning communication systems using channel approximation
CN110233810A (zh) * 2019-06-25 2019-09-13 电子科技大学 一种混合噪声下基于深度学习的msk信号解调方法
CN110289927A (zh) * 2019-07-01 2019-09-27 上海大学 基于条件生成对抗网络的信道模拟实现方法
US20200151398A1 (en) * 2016-11-04 2020-05-14 Deepmind Technologies Limited Sequence transduction neural networks
CN111404849A (zh) * 2020-03-20 2020-07-10 北京航空航天大学 一种基于深度学习的ofdm信道估计与信号检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5831984A (en) * 1993-11-10 1998-11-03 Nokia Telecommunications Oy Reception method and CDMA receiver
CN1443011A (zh) * 2002-03-05 2003-09-17 深圳市中兴通讯股份有限公司上海第二研究所 一种用于移动通信系统的均衡解调方法
CN106130611A (zh) * 2016-06-22 2016-11-16 西安交通大学 MISO系统中对抗被动窃听的基于加权Voronoi图的码本设计方法
US20200151398A1 (en) * 2016-11-04 2020-05-14 Deepmind Technologies Limited Sequence transduction neural networks
CN106961684A (zh) * 2017-03-24 2017-07-18 厦门大学 基于深度强化学习的认知无线电空频二维抗敌意干扰方法
US20190274108A1 (en) * 2018-03-02 2019-09-05 DeepSig Inc. Learning communication systems using channel approximation
CN110233810A (zh) * 2019-06-25 2019-09-13 电子科技大学 一种混合噪声下基于深度学习的msk信号解调方法
CN110289927A (zh) * 2019-07-01 2019-09-27 上海大学 基于条件生成对抗网络的信道模拟实现方法
CN111404849A (zh) * 2020-03-20 2020-07-10 北京航空航天大学 一种基于深度学习的ofdm信道估计与信号检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
常代娜等: "基于深度学习算法的OFDM信号检测", 《东南大学学报(自然科学版)》 *
陈嘉润等: "基于深度神经网络的高频谱效率频分复用系统的信道估计方法", 《华南师范大学学报(自然科学版)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023070675A1 (zh) * 2021-11-01 2023-05-04 Oppo广东移动通信有限公司 数据处理的方法及装置
WO2023077272A1 (zh) * 2021-11-02 2023-05-11 Oppo广东移动通信有限公司 信道数据生成方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN112422208B (zh) 2021-10-19

Similar Documents

Publication Publication Date Title
CN111404849B (zh) 一种基于深度学习的ofdm信道估计与信号检测方法
CN108566257B (zh) 一种基于反向传播神经网络的信号恢复方法
CN102123115B (zh) 基于粒子群优化的正交小波盲均衡方法
CN110120926B (zh) 基于演化bp神经网络的通信信号调制方式识别方法
CN112039820B (zh) 量子象群机制演化bp神经网络的通信信号调制识别方法
CN111884976B (zh) 基于神经网络的信道插值方法
CN112422208B (zh) 未知信道模型下基于对抗式学习的信号检测方法
CN112737987B (zh) 一种新型的基于深度学习的时变信道预测方法
CN111614584B (zh) 基于神经网络的变换域自适应滤波信道估计方法
CN111669344B (zh) 一种基于深度学习的时变ofdm系统信号检测方法
CN113381828B (zh) 基于条件生成对抗网络的稀疏码多址接入随机信道建模方法
CN114268388B (zh) 一种在大规模mimo中基于改进gan网络的信道估计方法
CN111050315A (zh) 一种基于多核双路网络的无线发射机识别方法
CN115250216A (zh) 一种基于深度学习的水声ofdm联合信道估计和信号检测方法
CN110808932B (zh) 基于多分布测试数据融合的多层感知器快速调制识别方法
Zhao et al. Multi-task learning based underwater acoustic OFDM communications
CN113890799B (zh) 一种基于域对抗网络的水声通信信道估计与信号检测方法
CN112821971A (zh) 一种基于对抗式学习的时变信道信号检测方法
CN108574653B (zh) 基于双Sigmoid迟滞噪声混沌神经网络的信号盲检测方法
Jiang et al. End-to-end learning of communication system without known channel
CN116405158A (zh) 一种非高斯噪声下基于深度学习的端到端通信系统
CN116680608A (zh) 一种基于复数图卷积神经网络的信号调制识别方法
CN114614920B (zh) 基于学习因子图的数据与模型联合驱动的信号检测方法
CN116418633A (zh) 基于稀疏与低秩特征的深度展开水声信道估计方法
CN113709075A (zh) 一种利用水声信道多径效应的水声通信接收机的实现方法

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