CN112887245B - 高动态信道的符号检测方法、装置、设备及存储介质 - Google Patents
高动态信道的符号检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112887245B CN112887245B CN202110027721.1A CN202110027721A CN112887245B CN 112887245 B CN112887245 B CN 112887245B CN 202110027721 A CN202110027721 A CN 202110027721A CN 112887245 B CN112887245 B CN 112887245B
- Authority
- CN
- China
- Prior art keywords
- symbol
- sequence
- sampling
- detected
- high dynamic
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/18—Phase-modulated carrier systems, i.e. using phase-shift keying
- H04L27/20—Modulator circuits; Transmitter circuits
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (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)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
- Error Detection And Correction (AREA)
Abstract
本发明公开一种高动态信道的符号检测方法、装置、设备及存储介质,其中,所述高动态信道的符号检测方法包括步骤:根据预设调制阶数获取多个符号集序列;对每个符号集序列中的待检测符号进行降采样和滤波处理,得到与待检测符号对应的采样序列;将采样序列输入预设长短期记忆神经网络中,得到似然函数值序列;根据似然函数值序列对符号集序列进行检测,将采样序列作为神经网络的输入,极大的降低了神经网络的计算复杂度,而不是常规的以通信符号作为最小处理单元,解决了高通信道下,信道在一个符号周期内发生变化的难点。
Description
技术领域
本发明涉及通信领域,尤其涉及一种高动态信道的符号检测方法、装置、设备及存储介质。
背景技术
高动态信道是指在某些复杂动态场景下,由于环境的动态变化,导致电磁波在传播过程中出现剧烈变化,反映在信道上,即表现为信道的高动态特性。高动态信道通常表现为非平稳特性和强时变特性。由于高动态信道具有的非平稳性和强时变特性,导致计算非常的复杂,且由于高动态信道符号的采样点数巨大,更加难以准确的建立出信道的模型,因此高动态信道下的符号检测也相当困难,还需要提出一种新的高动态信道的检测方法以克服上述问题。
发明内容
本发明的主要目的在于提出一种高动态信道的符号检测方法、装置、设备及存储介质,旨在降低信道符号检测过程中的计算复杂度,所述高动态信道的符号检测方法包括以下步骤:
根据预设调制阶数获取多个符号集序列;
对每个所述符号集序列中的待检测符号进行降采样和滤波处理,得到与所述待检测符号对应的采样序列;
将所述采样序列输入预设长短期记忆神经网络中,得到似然函数值序列;
根据所述似然函数值序列对所述符号集序列进行检测。
在一种实施方式中,所述对每个所述符号集序列中的待检测符号进行降采样和滤波处理,得到与所述待检测符号对应的采样序列的步骤包括:
计算用于滤波处理的正交基个数Q;
获取所述待检测符号的所述Q个采样点;
根据所述正交基个数构造滤波公式,并将所述Q个采样点代入所述滤波公式中,得到与所述待检测符号对应的采样序列。
在一种实施方式中,所述Q的计算公式为:
Q=2[fdTTs]+1,其中,所述fd为频率扩展参数,所述T为所述待检测符号的采样点数,所述Ts为采样时间间隔。
在一种实施方式中,所述uk的计算公式为:
在一种实施方式中,所述将所述采样序列输入预设长短期记忆神经网络中,得到似然函数值序列的步骤包括:
对所述采样序列进行实数化,并将实数化后的所述采样序列按照接收与所述采样序列对应的所述待检测符号时间的先后顺序排列;
按照所述时间的先后顺序,以第一位所述采样序列为起始点,依次将相邻的预设符号数目的所述采样序列列为一组,直至得到组数为所述预设符号数目的采样序列组;
将每个所述符号集序列的所有所述采样序列组分别输入预设长短期记忆神经网络,得到似然函数值;
基于每个所述符号集序列的似然函数值构成似然函数值序列。
在一种实施方式中,所述似然函数值的计算公式为:
此外,为实现上述目的,本发明还提供一种高动态信道的符号检测装置,所述高动态信道的符号检测装置包括:
获取模块,用于根据预设调制阶数获取多个符号集序列;
降采样模块,用于对每个所述符号集序列中的待检测符号进行降采样和滤波处理,得到与所述待检测符号对应的采样序列;
输入模块,用于将所述采样序列输入预设长短期记忆神经网络中,得到似然函数值序列;
检测模块,用于根据所述似然函数值序列对所述符号集序列进行检测。
此外,为实现上述目的,本发明还提供一种高动态信道的符号检测设备,所述高动态信道的符号检测设备包括存储器、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高动态信道的符号检测方法程序,所述高动态信道的符号检测方法程序被所述处理器执行时实现如上所述的高动态信道的符号检测方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有所述高动态信道的符号检测方法程序,所述高动态信道的符号检测方法程序被处理器执行时实现如上所述的高动态信道的符号检测方法的步骤。
本发明通过根据预设调制阶数获取多个符号集序列,对每个符号集序列中的待检测符号进行降采样和滤波处理,得到与待检测符号对应的采样序列,极大减小了神经网络的计算量,将采样序列输入预设长短期记忆神经网络中,得到似然函数值序列,预设长短期记忆神经网络更加符合高动态信道的时间存储特性,根据似然函数值序列对符号集序列进行检测,将采样序列作为神经网络的输入,而不是常规的以通信符号作为最小处理单元,解决了高通信道下,信道在一个符号周期内发生变化的难点。
附图说明
图1为实现本发明实施例一种设备的硬件结构示意图;
图2为本发明高动态信道的符号检测方法实施例的流程示意图;
图3为本发明高动态信道的表示示意图;
图4为本发明高动态信道的符号检测方法性能比较图;
图5为本发明采样序列输入方式示意图;
图6为本发明长短时记忆神经网络单元检测器构架;
图7为本发明基于长短时记忆神经网络的符号检测方法示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供了一种高动态信道的符号检测设备,参照图1,图1是本发明实施例方案涉及的硬件运行环境的结构示意图。
需要说明的是,图1即可为高动态信道的符号检测设备的硬件运行环境的结构示意图。本发明实施例高动态信道的符号检测设备可以是PC(Personal Computer,个人电脑),便携计算机,服务器等设备。
如图1所示,该高动态信道的符号检测设备可以包括:处理器1001,例如CPU,存储器1005,用户接口1003,网络接口1004,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,高动态信道的符号检测设备还可以包括RF(Radio Frequency,射频)电路,传感器、WiFi模块等等。
本领域技术人员可以理解,图1中示出的高动态信道的符号检测设备结构并不构成高动态信道的符号检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及高动态信道的符号检测方法程序。其中,操作系统是管理和控制高动态信道的符号检测设备硬件和软件资源的程序,支持高动态信道的符号检测方法程序以及其它软件或程序的运行。
图1所示的高动态信道的符号检测设备,可用于降低信道符号检测的复杂度,用户接口1003主要用于侦测待检测符号或者输出似然函数值等各种信息;网络接口1004主要用于与后台服务器交互,进行通信;处理器1001可以用于调用存储器1005中存储的高动态信道的符号检测方法程序,并执行以下操作:
根据预设调制阶数获取多个符号集序列;
对每个所述符号集序列中的待检测符号进行降采样和滤波处理,得到与所述待检测符号对应的采样序列;
将所述采样序列输入预设长短期记忆神经网络中,得到似然函数值序列;
根据所述似然函数值序列对所述符号集序列进行检测。
本发明通过根据预设调制阶数获取多个符号集序列,对每个符号集序列中的待检测符号进行降采样和滤波处理,得到与待检测符号对应的采样序列,极大减小了神经网络的计算量,将采样序列输入预设长短期记忆神经网络中,得到似然函数值序列,预设长短期记忆神经网络更加符合高动态信道的时间存储特性,根据似然函数值序列对符号集序列进行检测,将采样序列作为神经网络的输入,而不是常规的以通信符号作为最小处理单元,解决了高通信道下,信道在一个符号周期内发生变化的难点。
本发明移动终端具体实施方式与下述高动态信道的符号检测方法各实施例基本相同,在此不再赘述。
基于上述结构,提出本发明高动态信道的符号检测方法的实施例。
本发明提供一种高动态信道的符号检测方法。
参照图2,图2为本发明高动态信道的符号检测方法实施例的流程示意图。
在本实施例中,提供了高动态信道的符号检测方法的实施例,需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,本实施例提供的高动态信道的符号检测方法的方法可应用于智能终端。
在本实施例中,高动态信道的符号检测方法包括:
步骤S10,根据预设调制阶数获取多个符号集序列;
预设调制阶数为设备参数,若选择正交幅度调制,则预设调制阶数为16,若选择QPSK(Quadrature Phase Shift Keying,正交相移键控),则预设调制阶数为4,例如,当预设调制阶数为M时,多个符号集序列组成的集合用S表示,每个符号集序列用s表示,那么S={s1,s2,…,sM}。通过接收端获取符号集序列。
步骤S20,对每个所述符号集序列中的待检测符号进行降采样和滤波处理,得到与所述待检测符号对应的采样序列;
每个符号集序列包括多个待检测符号,每个待检测符号包括多个采样点,对待检测符号进行降采样和滤波处理,将待检测符号转化成可以进行符号检测的数据。
在一些实施例中,步骤S20包括:
步骤a,计算用于滤波处理的正交基个数Q;
步骤b,获取所述待检测符号的所述Q个采样点;
步骤c,根据所述正交基个数构造滤波公式,并将所述Q个采样点代入所述滤波公式中,得到与所述待检测符号对应的采样序列。
对待检测符号进行降采样和滤波处理,首先计算对待检测符号进行降采样处理后的采样点数目,假设对待检测符号进行降采样之前的采样点数目为T,那么对待检测符号进行降采样处理之后的数目Q=2[fdTTs]+1,其中,fd为频率扩展参数,T为待检测符号的采样点数,Ts为采样时间间隔,一般的采样点可以用时间表示,从T个采样点中选择Q个采样点时按照时间先后的顺序。可以理解的是T>>Q。再对待检测符号进行滤波处理,用于滤波处理的正交基个数与降采样后的待检测符号的采样点数目相同,根据正交基个数构造滤波公式,滤波公式为r≈gx+n,其中,r表示采样序列,g表示高动态信道,g的计算公式为:
uk表示正交基,qk表示与uk对应的系数,图3为使用正交基对高动态信道进行表示的示意图。将每个待检测符号的Q个采样点代入滤波公式,得到每个待检测符号的采样序列r,例如符号集序列s1包含的待检测符号的个数为N,那么符号集序列s1对应的采样序列包括r1,r2,…rN。
步骤S30,将所述采样序列输入预设长短期记忆神经网络中,得到似然函数值序列;
对待检测符号进行降采样和滤波处理,设计神经网络的输入数据,极大降低神经网络的计算量。
预设长短期记忆神经网络是采用长短时记忆神经单元作为符号检测器的基础单元,构建的一个多层的神经网络,长短时记忆神经网络单元中细胞状态ct和隐藏状态ht将会在下一个时间步长传输到长短时记忆网络单元,能更好地学习高动态信道具有的时间记忆特性,图4为基于正交基和长短时记忆神经网络的符号检测方法性能比较图。长短时记忆神经网络具有数据驱动特性,基于长短时记忆神经网络的符号检测方法不依赖于信道具体模型,解决了高动态信道下,其信道模型难以准确获得的困难。
将每个符号集序列中的待检测符号对应的采样序列均输入预设长短期记忆神经网络,可得到每个符号集序列的似然函数值,进一步的组成似然函数值序列。
在一些实施例中,步骤S30还包括:
步骤d,对所述采样序列进行实数化,并将实数化后的所述采样序列按照接收与所述采样序列对应的所述待检测符号时间的先后顺序排列;
可以理解的是,得到的采样序列r属于复数集,r的长度为Q进一步的,将滤波后的输出进行实数化,即将复数序列转化成实部和虚部组成新的序列,实数化的采样序列为y=fR(r)=[R(r),U(r)],其长度为2Q。待检测符号的接收有时间上的先后顺序,按照接收待检测符号的时间先后顺序排列实数化之后的采样序列,例如符号集序列s1包含的待检测符号的个数为N,那么符号集序列s1对应的实数化之后的采样序列为y1,t1,y1,t2,…y1,tN,若接收N个待检测符号的时间先后顺序为t1,t1,…,tN,那么排列实数化后的采样序列认为y1,t1,y1,t2,…y1,tN。
步骤e,按照所述时间的先后顺序,以第一位所述采样序列为起始点,依次将相邻的预设符号数目的所述采样序列列为一组,直至得到组数为所述预设符号数目的采样序列组;
预设符号数目由接收端决定,参照图5,设预设符号数目为Nb,若实数化之后的采样序列为y1,t1,y1,t2,…y1,tN,则从第一位y1,t1为起始点,按照时间顺序向后数Nb-1个采样序列,得到第一个采样序列组,再依次从y1,t2开始按照时间先后顺序数出Nb个采样序列,得到第二个采样序列组,以此类推,最后一个即第Nb个采样序列组为y1,tNb,y1,t(Nb+1),…,y1,t(2Nb-1)。每个符号集序列均依据这样的方式获得Nb个采样序列组。
步骤f,将每个所述符号集序列的所有所述采样序列组分别输入预设长短期记忆神经网络,得到似然函数值;
预设长短期记忆神经网络每次只能处理Nb个待检测符号对应的采样序列,所以每次只输入Nb个采样序列,具体的可以按照每个符号集序列的采样序列组输入,例如,首先输入符号集序列s1的第一个采样序列组,接着第二个、第三个等,通过预设长短期记忆神经网络计算每个符号集序列的似然函数值,符号集序列s1的似然函数值也可以理解为符号集序列s1中第Nb个待检测符号对应的似然函数值根据。
同样的,参照图5对似然函数值的计算公式进行解释。图5中P1为采样序列组y1,t1,y1,t2,…y1,tN的概率预估值,P2为采样序列组y2,t2,y2,t3,…y2,t(Nb+1)的概率预估值,那么Pn为采样序列组y1,tn,y1,t(n+1),…y1,t(n+Nb-1)的概率预估值,符号集序列s1的似然函数值为得到的Nb个概率预估值的平均数。
步骤S40,根据所述似然函数值序列对所述符号集序列进行检测。
具体的,用时间点t表示当前的一个待检测符号,待检测符号t对应的采样序列为yt。隐藏状态ht表示当前状态并且保存长短时记忆网络的短期记忆。此外,细胞状态ct表示记忆网络的长期记忆。ht和ct都为Nh×1向量并且在下一个时间点被传递到下一个神经单元。图6中长短时记忆神经单元包含3个控制门限:遗忘门jt,输入门it和输出门ot。jt=σ(Wj·[ht-1,yt]+bj);it=σ(Wi·[ht-1,yt]+bi);ot=σ(Wo·[ht-1,yt]+bo),其中[ht-1,yt]是一个(Nh×2Q)×1的矢量,其中包含隐藏状态ht-1和输入数据yt。Wj、Wi和Wo是3个门限的权重,为Nh×(Nh+2Q)矩阵。另外,bj、bi和bo为各自的偏差,它们是Nh×1向量。门激活函数σ是逐点的逻辑sigmoid函数:
对于长短时记忆神经网络单元的时间点t,其临时细胞状态为:其中Wc是Nh×(Nh+2Q)的矩阵。bc是Nh×1的偏差向量,并且激活函数tanh是逐点双曲正切函数。然后,细胞状态ct由两部分组成:在上一个时间点的细胞状态ct-1和临时细胞状态 遗忘门jt决定细胞状态从上一个时间步长传递的部分。此外,输入门it决定在此时间步长计算的临时细胞状态。因此,隐藏状态ht由细胞状态ct和输出门ot决定,ht=ot⊙tanh(ct),然后,胞状态ct和隐藏状态ht将会在下一个时间步长传输到长短时记忆网络单元。
基于深度神经网络符号检测器采用L+2层的前馈深度神经网络,如图7中所示。检测器有一个输入层,L个LSTM层和一个输出层。输入层有Nb个符号作为输入数据,每一个符号yt对应2Q×1的采样序列。因此LSTM层有Nb个LSTM单元,如图7所示。对于第一个LSTM层,yt是每一个LSTM单元的输入数据。另外,对于第l(2≤l≤L)个LSTM层,是每一个LSTM单元的输入数据。隐性状态和细胞状态将在同一个LSTM层被传输到下一个LSTM单元。输出层是一个具有softmax激活函数的连接层。输出信号Pt为:其中Wp是M×Nh矩阵的权重。bp是M×1的偏差值,M是信号的调制阶数。激活函数fs(x):RM→RM是softmax激活函数并且它的第i个元素[fs(x)]i∈(0,1)为:需要注意的是softmax函数输出数据向量Pt是符号yt的概率预估值,其可以在接收端直接传输给软信道译码器。特别的,在我们的基于深度神经网络监测方案中,接收信号的输入数据流在一个时间步长内滑动一个符号周期并返回Nb个符号的输出软估计数据。实际上,对于符号yt,深度神经检测器会有Nb个软估计结果返回。假设Pt,k(1≤k≤Nb)是符号yt的软估计输出,yt是输入数据流(yt-Nb+k,…,yt-1,yt,yt+1,…yt+k-1),
其中1是符号集中待检测符号的特征函数,意思是此元素与待检测符号符号一致为1其余元素为0.因此,特征向量dt将会用于检测过程并且与软估计输出向量似然函数值序列做比较。
本实施例通过根据预设调制阶数获取多个符号集序列,对每个符号集序列中的待检测符号进行降采样和滤波处理,得到与待检测符号对应的采样序列,极大减小了神经网络的计算量,将采样序列输入预设长短期记忆神经网络中,得到似然函数值序列,预设长短期记忆神经网络更加符合高动态信道的时间存储特性,根据似然函数值序列对符号集序列进行检测,将采样序列作为神经网络的输入,而不是常规的以通信符号作为最小处理单元,解决了高通信道下,信道在一个符号周期内发生变化的难点。
此外,本发明实施例还提出一种高动态信道的符号检测装置,所述高动态信道的符号检测装置包括:
获取模块,用于根据预设调制阶数获取多个符号集序列;
降采样模块,用于对每个所述符号集序列中的待检测符号进行降采样和滤波处理,得到与所述待检测符号对应的采样序列;
输入模块,用于将所述采样序列输入预设长短期记忆神经网络中,得到似然函数值序列;
检测模块,用于根据所述似然函数值序列对所述符号集序列进行检测。
本发明所述高动态信道的符号检测装置实施方式与上述高动态信道的符号检测方法各实施例基本相同,在此不再赘述。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有高动态信道的符号检测方法程序,所述高动态信道的符号检测方法程序被处理器执行时实现如上所述的高动态信道的符号检测方法的各个步骤。
需要说明的是,计算机可读存储介质可设置在高动态信道的符号检测设备中。
本发明计算机可读存储介质具体实施方式与上述高动态信道的符号检测方法各实施例基本相同,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者设备中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种高动态信道的符号检测方法,其特征在于,所述高动态信道的符号检测方法包括以下步骤:
根据预设调制阶数获取多个符号集序列;
对每个所述符号集序列中的待检测符号进行降采样和滤波处理,得到与所述待检测符号对应的采样序列;
将所述采样序列输入预设长短期记忆神经网络中,得到似然函数值序列;
根据所述似然函数值序列对所述符号集序列进行检测;
所述根据预设调制阶数获取多个符号集序列,包括:
当预设调制阶数为M时,多个符号集序列组成的集合用S表示,每个符号集序列用s表示,那么S={s1,s2,···,sM},每个符号集序列包括多个待检测符号,每个待检测符号包括多个采样点;
所述对每个所述符号集序列中的待检测符号进行降采样和滤波处理,得到与所述待检测符号对应的采样序列的步骤包括:
计算用于滤波处理的正交基个数Q;
获取所述待检测符号的所述Q个采样点,Q=2[fdTTs]+1,其中,所述fd为频率扩展参数,所述T为所述待检测符号的采样点数,所述Ts为采样时间间隔;
根据所述正交基个数构造滤波公式,并将所述Q个采样点代入所述滤波公式中,得到与所述待检测符号对应的采样序列;
所述将所述采样序列输入预设长短期记忆神经网络中,得到似然函数值序列的步骤包括:
对所述采样序列进行实数化,并将实数化后的所述采样序列按照接收与所述采样序列对应的所述待检测符号时间的先后顺序排列;
按照所述时间的先后顺序,以第一位所述采样序列为起始点,依次将相邻的预设符号数目的所述采样序列列为一组,直至得到组数为所述预设符号数目的采样序列组;
将每个所述符号集序列的所有所述采样序列组分别输入预设长短期记忆神经网络,得到似然函数值;
基于每个所述符号集序列的似然函数值构成似然函数值序列。
4.一种高动态信道的符号检测装置,其特征在于,所述高动态信道的符号检测装置包括:
获取模块,用于根据预设调制阶数获取多个符号集序列;
降采样模块,用于对每个所述符号集序列中的待检测符号进行降采样和滤波处理,得到与所述待检测符号对应的采样序列;
输入模块,用于将所述采样序列输入预设长短期记忆神经网络中,得到似然函数值序列;
检测模块,用于根据所述似然函数值序列对所述符号集序列进行检测;
所述根据预设调制阶数获取多个符号集序列,包括:
当预设调制阶数为M时,多个符号集序列组成的集合用S表示,每个符号集序列用s表示,那么S={s1,s2,···,sM},每个符号集序列包括多个待检测符号,每个待检测符号包括多个采样点;
所述对每个所述符号集序列中的待检测符号进行降采样和滤波处理,得到与所述待检测符号对应的采样序列的步骤包括:
计算用于滤波处理的正交基个数Q;
获取所述待检测符号的所述Q个采样点,Q=2[fdTTs]+1,其中,所述fd为频率扩展参数,所述T为所述待检测符号的采样点数,所述Ts为采样时间间隔;
根据所述正交基个数构造滤波公式,并将所述Q个采样点代入所述滤波公式中,得到与所述待检测符号对应的采样序列;
所述将所述采样序列输入预设长短期记忆神经网络中,得到似然函数值序列的步骤包括:
对所述采样序列进行实数化,并将实数化后的所述采样序列按照接收与所述采样序列对应的所述待检测符号时间的先后顺序排列;
按照所述时间的先后顺序,以第一位所述采样序列为起始点,依次将相邻的预设符号数目的所述采样序列列为一组,直至得到组数为所述预设符号数目的采样序列组;
将每个所述符号集序列的所有所述采样序列组分别输入预设长短期记忆神经网络,得到似然函数值;
基于每个所述符号集序列的似然函数值构成似然函数值序列。
5.一种高动态信道的符号检测设备,其特征在于,所述高动态信道的符号检测设备包括存储器、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高动态信道的符号检测方法程序,所述高动态信道的符号检测方法程序被所述处理器执行时实现如权利要求1至3中任一项所述的高动态信道的符号检测方法的步骤。
6.一种存储介质,其特征在于,所述存储介质为计算机可读存储介质,所述计算机可读存储介质上存储有高动态信道的符号检测方法程序,所述高动态信道的符号检测方法程序被处理器执行时实现如权利要求1至3中任一项所述的高动态信道的符号检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110027721.1A CN112887245B (zh) | 2021-01-08 | 2021-01-08 | 高动态信道的符号检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110027721.1A CN112887245B (zh) | 2021-01-08 | 2021-01-08 | 高动态信道的符号检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112887245A CN112887245A (zh) | 2021-06-01 |
CN112887245B true CN112887245B (zh) | 2022-10-11 |
Family
ID=76047477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110027721.1A Active CN112887245B (zh) | 2021-01-08 | 2021-01-08 | 高动态信道的符号检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112887245B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115642972B (zh) * | 2022-12-23 | 2023-03-21 | 鹏城实验室 | 动态信道通信检测方法、装置、设备及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110045356A (zh) * | 2019-03-14 | 2019-07-23 | 哈尔滨工程大学 | 一种双向长短时记忆神经网络水面目标识别方法 |
CN111464869A (zh) * | 2020-04-21 | 2020-07-28 | 海信视像科技股份有限公司 | 一种运动位置检测方法、屏幕亮度调节方法及智能设备 |
CN111628848A (zh) * | 2020-05-12 | 2020-09-04 | 鹏城实验室 | 通信符号的检测方法、设备及计算机可读存储介质 |
CN111695417A (zh) * | 2020-04-30 | 2020-09-22 | 中国人民解放军空军工程大学 | 一种信号调制样式识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017181352A1 (en) * | 2016-04-20 | 2017-10-26 | Hong Kong Applied Science and Technology Research Institute Company Limited | Timing offset estimation in an ofdm-based system by sinr measurement |
CN111711585B (zh) * | 2020-06-11 | 2021-06-22 | 西安交通大学 | 一种基于深度学习的实时信号序列检测方法 |
-
2021
- 2021-01-08 CN CN202110027721.1A patent/CN112887245B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110045356A (zh) * | 2019-03-14 | 2019-07-23 | 哈尔滨工程大学 | 一种双向长短时记忆神经网络水面目标识别方法 |
CN111464869A (zh) * | 2020-04-21 | 2020-07-28 | 海信视像科技股份有限公司 | 一种运动位置检测方法、屏幕亮度调节方法及智能设备 |
CN111695417A (zh) * | 2020-04-30 | 2020-09-22 | 中国人民解放军空军工程大学 | 一种信号调制样式识别方法 |
CN111628848A (zh) * | 2020-05-12 | 2020-09-04 | 鹏城实验室 | 通信符号的检测方法、设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112887245A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Visser et al. | Fitting hidden Markov models to psychological data | |
Tan et al. | A convex formulation for high-dimensional sparse sliced inverse regression | |
Zhang et al. | Modulation classification in multipath fading channels using sixth‐order cumulants and stacked convolutional auto‐encoders | |
CN113067653B (zh) | 一种频谱感知方法、装置、电子设备及介质 | |
Xu et al. | Evolutionary spectral clustering with adaptive forgetting factor | |
WO2019062369A1 (zh) | 应用管理方法、装置、存储介质及电子设备 | |
Gardes et al. | Estimating extreme quantiles of Weibull tail distributions | |
CN112887245B (zh) | 高动态信道的符号检测方法、装置、设备及存储介质 | |
Pourkamali‐Anaraki | Estimation of the sample covariance matrix from compressive measurements | |
Giri et al. | Cooperative spectrum sensing using extreme learning machines for cognitive radio networks | |
CN111461445A (zh) | 短期风速预测方法、装置、计算机设备及存储介质 | |
EP4106350A1 (en) | Fitting agent for a hearing device and method for updating a multi-environment user model | |
CN112787736A (zh) | 一种基于协方差矩阵的长短期记忆协作频谱感知方法 | |
Chen et al. | Interpreting convolutional neural networks for device-free Wi-Fi fingerprinting indoor localization via information visualization | |
Yan et al. | Gaussian process reinforcement learning for fast opportunistic spectrum access | |
Yin et al. | Regularised estimation for ARMAX process with measurements subject to outliers | |
CN114580649A (zh) | 消除量子泡利噪声的方法及装置、电子设备和介质 | |
Ingster et al. | Classification of sparse high-dimensional vectors | |
CN114004250A (zh) | 一种深度神经网络调制信号开集识别方法及系统 | |
CN117648948A (zh) | 基于信号周期性特征的cnn-lstm网络信号调制识别方法 | |
Duzenli et al. | A new method of spectrum sensing in cognitive radio for dynamic and randomly modelled primary users | |
WO2024027246A1 (zh) | 声音信号处理方法、装置、电子设备和存储介质 | |
Cai et al. | Online generalized eigenvectors extraction via a fixed-point approach | |
Zhang et al. | Support Recovery From Noisy Random Measurements via Weighted $\ell _1 $ Minimization | |
CN112885367B (zh) | 基频获取方法、装置、计算机设备和存储介质 |
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 |