CN113300788B - 一种基于CapsNet胶囊网络的盲接收机方法及装置 - Google Patents
一种基于CapsNet胶囊网络的盲接收机方法及装置 Download PDFInfo
- Publication number
- CN113300788B CN113300788B CN202110417608.4A CN202110417608A CN113300788B CN 113300788 B CN113300788 B CN 113300788B CN 202110417608 A CN202110417608 A CN 202110417608A CN 113300788 B CN113300788 B CN 113300788B
- Authority
- CN
- China
- Prior art keywords
- capsule
- radio frequency
- receiver
- layer
- network
- 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
- 239000002775 capsule Substances 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000004891 communication Methods 0.000 claims abstract description 34
- 230000007613 environmental effect Effects 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000007493 shaping process Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000012360 testing method Methods 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 4
- 239000010865 sewage Substances 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 8
- 238000005562 fading Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000010363 phase shift Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/20—Monitoring; Testing of receivers
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/0003—Software-defined radio [SDR] systems, i.e. systems wherein components typically implemented in hardware, e.g. filters or modulators/demodulators, are implented using software, e.g. by involving an AD or DA conversion stage such that at least part of the signal processing is performed in the digital domain
-
- 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
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0036—Systems modifying transmission characteristics according to link quality, e.g. power backoff arrangements specific to the receiver
- H04L1/0038—Blind format detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及污水处理技术领域，且公开了一种基于CapsNet胶囊网络的盲接收机方法及装置。本发明所描述的方法中通过引入了一种基于CapsNet胶囊网络的面向智能通信的盲接收机方法及装置，首先，使用具有良好的模块化设计和可编程能力的USRP设备组成发射机和接收机，采集用于训练和测试CapsNet神经网络的射频信号数据集；其次，依靠CapsNet神经网络自主学习各种非理想因素给射频信号的传播带来的负面影响对环境因素具有自感知及可持续学习的能力，能从畸变的射频信号中精确地恢复出原始比特流信息；最后，根据接收机的算力等性能，提出了离线和在线的训练方式，并依靠CapsNet胶囊网络强大的泛化能力，使得智能通信盲接收机系统具有更广的适用性，应用领域较为广泛。
Description
技术领域
本发明涉及智能通信领域，具体涉及一种基于CapsNet胶囊神经网络的盲接收机方法及装置。
背景技术
随着5G通信、物联网、边缘计算等技术的快速发展，这些新兴技术已经应用并渗透到人们生产生活的方方面面，成为不可或缺的一部分。与传统通信技术相比，这些新兴技术的应用范围更加广泛，应用场景也更加复杂多样。不同的应用范围和场景对通信技术提出了更多的个性化的要求，如远程医疗技术领域则要求端到端通信具有较高的精度，车联网技术领域则要求端到端通信低延迟，因此，复杂环境下则要求通信技术具有应对复杂环境对射频信号所带来干扰的能力，智能化的盲接收机便应运而生。
传统通信技术一般采用相对明确的射频信号接收和解码能力，在移动应用场景复杂化的今天，这种模式的弊端也日益凸显，其一，在复杂的应用场景下，信号到达接收端之前会受到各种非理想因素的影响，如射频损伤、信道衰落、噪声和干扰，这都给接收端精确地接收信号带来严峻的挑战；其二，场景的复杂化，接收端无法自适应地感知环境对射频信号的影响，造成原本使用某一场景下在另外场景下使用遇到障碍；最后，传统基于CNN或RNN等深度卷积神经网络的智能盲接收机，不仅需要大量的标记样本作为训练集和测试集，而且全连接层模式过于冗余低效，训练过程计算复杂度和存储杂度较高，且泛化能力不强，导致接收端缺乏自主学习能力，同时也缺乏应对各种复杂因素及其相互作用带来的负面影响，给接收机恢复出高质量的信息带来严峻的障碍。
发明内容
解决的技术问题
针对上述问题，本发明提出了一种基于CapsNet胶囊网络的深度接收机模型，用于实现接收端自主学习环境噪声对射频信号的各种非理想因素的影响，自主地从含噪音信号中恢复出精确的信息比特流，突破传统的通信接收机中算法主要针对特定的调制和编码方式进行设计，对于发射机采用自适应编码调制的通信系统，其接收端也往往需要知道当前信号采用的是哪种调制和编码方式，才能选择对应的接收算法进行信息恢复，解决了传统基于CNN 或RNN等深度卷积神经网络的智能盲接收机，不仅需要大量的标记样本作为训练集和测试集，而且全连接层模式过于冗余低效，训练过程计算复杂度和存储杂度较高，且泛化能力不强，导致接收端缺乏自主学习能力，同时也缺乏应对各种复杂因素及其相互作用带来的负面影响，给接收机恢复出高质量的信息带来严峻的障碍等问题。
技术方案
为实现上述目的，本发明提供如下技术方案：
一种基于CapsNet胶囊网络的盲接收机方法，包含以下步骤：
S1、复杂场景下非理想射频信号训练样本的采集；
S2、基于CapsNet神经网络的智能通信接收机建模；
S3、基于CapsNet神经网络的智能盲接收机的训练与部署。
根据权利要求上述的基于CapsNet胶囊网络的盲接收机方法，现提出一种基于CapsNet胶囊网络的盲接收机装置，其特征在于：
优选的，步骤S1中使用USRP设备分别作为通信系统的发射机和接收机，加上相关组件组成通信系统，智能通信息系统核心特征之一是能自动感知环境特征对射频信号的影响，因此，获得具有环境变量和因素特征的射频信号是首要步骤，本发明中，因此基于USRP平台的发射机和接收机，通过发射机发送数据集，数据集在发射机经过信源编码，调制、脉冲整形等产生的Sd射频信号集，通过天线发射到空中经过无线信道传播至接收机，Sd射频信号集经过空间传播介质，受到信道衰落、射频损伤等因素影响后到达接收到射频信号集Re，在接收机中，Re射频信号集在接收机中经过估计、均衡、接调节码等步骤恢复出原始的信息比特流。
优选的，步骤S2中使用USRP设备分别作为通信系统的发射机和接收机，加上相关组件组成通信系统，射频信号集Re是经过非理想空间介质传播后畸变的射频信号数据集，其中包含了无线信道等介质环境因素对射频信号的各种影响或噪声，如射频损伤，也包含射频信号自身传播所带来的衰落，如多经衰落等，本发明中的方法则利用CapsNet神经网络自主学习出各种非理想因素所带来的噪声、信道衰落对射频信号的影响；对于不同的调制方式，如二进制相移键控BPSK、正交相移键控QPSK等，以及不同的信道编码、信噪比射频信号数据集，接收机端的射频信号集统一使用IQ复信号形式表示，这样在CapsNet神经网络训练时就无需考虑发射机的调制模式、信噪比等因素，均能以统一的IQ复信号作为神经网络的输入；在USRP平台的接收机中，根据建模方法，将射频信号集Rd以IQ复信号的形式表示，并将IQ信号作为输入数据集训练CapsNet神经网络。这样，CapsNet模型的输入是接收到的IQ 信号，输出是恢复出的信息比特流，基于接收机IQ信号样本训练模型，更能反映智能通信系统的射频信号在实际传播介质中所经历的射频损伤、信道衰落、噪声和干扰等。
优选的，CapsNet神经网络模型包括卷积层、主胶囊层和数字胶囊层三个隐藏层，与传统卷积神经网络不同，CapsNet网络由五部分组成，第1层是输入层，训练过程中输入的是由{Sd,Rd}组成的由IQ复信号表示的射频信号数据集，第2层为标准卷积层Conv1，初步提取IQ信号的特征，并把提取到的特征封装为空间信息的向量；第3层为CapsNet网络主胶囊层，主胶囊层按照动态路由规则与数字胶囊层进行连接并删除最后结果，对上层输入的特征进行不同卷积，生成1个向量作为胶囊单元，第4层为数字胶囊层，通过动态路由协议进行聚类传播与更新权重矩阵，输出概率向量。第5层为输出层，通过动态路由的方式计算出CapsNet神经网络的输出，即比特流信息的概率，包括计算概率向量模长，输出分类概率；与传统神经网络不同，CapsNet神经网络中一个胶囊网络是由胶囊而不是由神经元构成，一个胶囊就是一小群神经元，因此，从理论上，胶囊可以学习并在IQ复信号一定区域内检查一个特定的对象(比如，I路信号的相位等)，CapsNet神经网络的输出是一个向量 (例如，一个N维的向量)。每个向量的长度代表了比特流是否存在的估计概率，它的方向(例如在N维空间里)记录了比特流的相关参数(比如，精确的位置、概率等)，如果射频信号有稍微的变化(比如，波长、频率、振幅变化等)，胶囊将也会输出一个长度相同但是方向稍微变化的向量，因此胶囊随着输入IQ复信号是等变的。
(三)有益效果
与现有技术相比，本发明提供了一种基于CapsNet胶囊网络的盲接收机方法及装置，具备以下有益效果：
1、本发明中，引入了USRP软件无线电设备，通过软件无线电设备可编程能力，接收并存储可供神经网络训练的射频信号样本集，在接收机端设计了一种基于CapsNet胶囊网络的面向智能通信的盲接收机方法及装置，首先，依靠CapsNet神经网络自主学习各种非理想因素给射频信号的传播带来的负面影响；其实，对环境因素的自感知学习能力，能从畸变的射频信号中精确地恢复出原始比特流信息；最后，接收机中依靠CapsNet胶囊网络强大的泛化能力，使得本发明的智能通信系统的应用领域更加广泛。
2、本发明中提出了一种基于CapeNet胶囊网络用于智能通信系统的盲接收机方法和装置，具体来讲，本发明所描述的方法中通过引入了一种基于 CapsNet胶囊网络的面向智能通信的盲接收机方法及装置，首先，使用具有良好的模块化设计和可编程能力的USRP设备组成发射机和接收机，采集用于训练和测试CapsNet神经网络的射频信号数据集；其次，依靠CapsNet神经网络自主学习各种非理想因素给射频信号的传播带来的负面影响对环境因素具有自感知及可持续学习的能力，能从畸变的射频信号中精确地恢复出原始比特流信息；最后，根据接收机的算力等性能，提出了离线和在线的训练方式，并依靠CapsNet胶囊网络强大的泛化能力，使得智能通信盲接收机系统具有更广的适用性，应用领域较为广泛。
附图说明
图1为本发明所使用CapsNet胶囊网络示意图；
图2为本发明训练CapsNet神经网络的射频信号数据集采集装置示意图。
具体实施方式
下面将结合本发明实施例中的附图，对发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是发明一部分实施例，而不是全部的实施例。基于发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于发明保护的范围。
请参阅图1-2，图2是本发明中复杂环境中用于CapsNet神经网络训练的射频信号采集装置，其主要由USRP发射机和USRP接收机组成，充分利用USRP 平台优良的模块化和可编程能力，在发射机和接收机端均部署存储射频信号的数据库，发射机以射频信号发送特定的信息比特流，接收机接收并存储经过空间介质干扰后畸变的射频信号集。
步骤一：复杂场景下非理想射频信号训练样本的采集
智能通信息系统核心特征之一是能自动感知环境特征对射频信号的影响，因此，获得具有环境变量和因素特征的射频信号是首要步骤，本发明中，因此基于USRP平台的发射机和接收机，通过发射机发送数据集，数据集在发射机经过信源编码，调制、脉冲整形等产生的Sd射频信号集，通过天线发射到空中经过无线信道传播至接收机。
Sd射频信号集经过空间传播介质，受到信道衰落、射频损伤等因素影响后到达接收到射频信号集Re，在接收机中，Re射频信号集在接收机中经过估计、均衡、接调节码等步骤恢复出原始的信息比特流。
步骤二：基于CapsNet神经网络的智能通信接收机建模
显然，射频信号集Re是经过非理想空间介质传播后畸变的射频信号数据集，其中包含了无线信道等介质环境因素对射频信号的各种影响或噪声，如射频损伤，也包含射频信号自身传播所带来的衰落，如多经衰落等，本发明中的方法则利用CapsNet神经网络自主学习出各种非理想因素所带来的噪声、信道衰落对射频信号的影响。
对于不同的调制方式，如二进制相移键控BPSK、正交相移键控QPSK等，以及不同的信道编码、信噪比射频信号数据集，接收机端的射频信号集统一使用IQ复信号形式表示，这样在CapsNet神经网络训练时就无需考虑发射机的调制模式、信噪比等因素，均能以统一的IQ复信号作为神经网络的输入。
在USRP平台的接收机中，根据建模方法，将射频信号集Rd以IQ复信号的形式表示，并将IQ信号作为输入数据集训练CapsNet神经网络。这样， CapsNet模型的输入是接收到的IQ信号，输出是恢复出的信息比特流，基于接收机IQ信号样本训练模型，更能反映智能通信系统的射频信号在实际传播介质中所经历的射频损伤、信道衰落、噪声和干扰等。
步骤三：基于CapsNet神经网络的智能盲接收机的训练与部署
与传统卷积神经网络不同，CapsNet网络由五部分组成，第1层是输入层，训练过程中输入的是由{Sd,Rd}组成的由IQ复信号表示的射频信号数据集。第2层为标准卷积层Conv1，初步提取IQ信号的特征，并把提取到的特征封装为空间信息的向量；第3层为CapsNet网络主胶囊层，主胶囊层按照动态路由规则与数字胶囊层进行连接并删除最后结果，对上层输入的特征进行不同卷积，生成1个向量作为胶囊单元。第4层为数字胶囊层，通过动态路由协议进行聚类传播与更新权重矩阵，输出概率向量。第5层为输出层，通过动态路由的方式计算出CapsNet神经网络的输出，即比特流信息的概率，包括计算概率向量模长，输出分类概率。
与传统神经网络不同，CapsNet神经网络中一个胶囊网络是由胶囊而不是由神经元构成。一个胶囊就是一小群神经元，因此，从理论上，胶囊可以学习并在IQ复信号一定区域内检查一个特定的对象(比如，I路信号的相位等)。 CapsNet神经网络的输出是一个向量(例如，一个N维的向量)。每个向量的长度代表了比特流是否存在的估计概率，它的方向(例如在N维空间里)记录了比特流的相关参数(比如，精确的位置、概率等)。如果射频信号有稍微的变化(比如，波长、频率、振幅变化等)，胶囊将也会输出一个长度相同但是方向稍微变化的向量，因此胶囊随着输入IQ复信号是等变的。
在CapsNet神经网络中训练过程中，主胶囊层各向量和数字胶囊层各向量之间是全连接模式。在主胶囊的第i个向量ui连接到数字胶囊的第j个向量 vj的变换矩阵Wij，耦合系数为cij，以及预测向量为
其中预测向量
的计算方法为：
将预测向量
与输出向量vj的先验概率bij初始化为0。那么，接着执行动态路由算法的迭代过程。
首先，通过Softmax计算耦合系数为，
然后，根据耦合系数cij计算加权和sj，即，
需要指出的，sj为第一层级的胶囊的输出向量的加权总和。
进一步地，采用Squash函数保证最终输出向量vj的长度在0～1之间，即，
然后，利用“预测向量”
和数字胶囊层的输出向量vj的内 积来度量向量间的一致性用于更新bij，进而更新连接权重cij，更新过程如下，
最后，CapsNet神经网络的损失函数的表达式为：
Lk＝Tkmax(0,m+-||vk||)2+λ(1-Tk)max(0,||vk||-m-)2
其中，当且仅当存在类别k时，Tk的值为1。超参数m+和m-分别设置为0.9和0.1。另外，参数λ减少了损失对那些不属于正确类别的标签的影响，在本发明中，根据IQ射频信号的特征，λ的值设置为0.55。
理论上，CapsNet神经网络采取卷积层提取射频信号的底层特征，通过主胶囊层张量向量化、动态路由聚类和反向传播，实现模型的训练，根据训练好的模型权重参数和动态路由聚类实现射频信号中所含信息比特流的分类。在CapsNet胶囊网络的训练过程中，本发明中使用动态路由的方法提升神经网络的训练效率。动态路由算法用来更新胶囊网络的耦合系数cij，通过反向传播算法训练转换矩阵Wij。
根据前文所述，那么使用{Sd，Re}射频信号训练集训练CapsNet训练神经网络的算法可表示如下：
训练好CapsNet神经模型具有自感知传播介质对射频信号的影响，由于 CapsNet神经网络具有反向传播调整参数的能力，也能根据在线的射频信号数据自主学习和调优，因此，部署CapsNet神经网络模型的智能盲接收机具备自主学习的能力，将训练好的模型部署到通用的接收机上，能实现无需任何信道参数、编码格式、调制模式、信道衰落等任何先验知识，就能实现畸变信号中恢复出信息的智能接收机。
综上所述，本发明中提出了一种基于CapeNet胶囊网络用于智能通信系统的盲接收机方法和装置。具体来讲，本发明所描述的方法中通过引入了一种基于CapsNet胶囊网络的面向智能通信的盲接收机方法及装置，首先，使用具有良好的模块化设计和可编程能力的USRP设备组成发射机和接收机，采集用于训练和测试CapsNet神经网络的射频信号数据集；其次，依靠CapsNet 神经网络自主学习各种非理想因素给射频信号的传播带来的负面影响对环境因素具有自感知及可持续学习的能力，能从畸变的射频信号中精确地恢复出原始比特流信息；最后，根据接收机的算力等性能，提出了离线和在线的训练方式，并依靠CapsNet胶囊网络强大的泛化能力，使得智能通信盲接收机系统具有更广的适用性，应用领域较为广泛。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，发明的范围由所附权利要求及其等同物限定。
Claims (2)
1.一种基于CapsNet胶囊网络的盲接收机方法，其特征在于，包含以下步骤：
S1、复杂场景下非理想射频信号训练样本的采集；
S2、基于CapsNet神经网络的智能通信接收机建模；
S3、基于CapsNet神经网络的智能盲接收机的训练与部署；
所述S1、复杂场景下非理想射频信号训练样本的采集：智能通信息系统核心特征之一是能自动感知环境特征对射频信号的影响，获得具有环境变量和因素特征的射频信号是首要步骤，基于USRP平台的发射机和接收机，通过发射机发送数据集，数据集在发射机经过信源编码，调制、脉冲整形产生的Sd射频信号集，通过天线发射到空中经过无线信道传播至接收机；
所述S2、基于CapsNet神经网络的智能通信接收机建模：射频信号集Re是经过非理想空间介质传播后畸变的射频信号数据集，其中包含了无线信道介质环境因素对射频信号的各种影响或噪声，射频损伤，包含射频信号自身传播所带来的衰落，盲接收机方法的利用CapsNet神经网络自主学习出非理想因素所带来的噪声、信道衰落对射频信号的影响；
所述S3、基于CapsNet神经网络的智能盲接收机的训练与部署：CapsNet网络由五部分组成，第1层是输入层，训练过程中输入的是由{Sd, Rd}组成的由IQ复信号表示的射频信号数据集，第2层为标准卷积层Conv1，初步提取IQ信号的特征，并把提取到的特征封装为空间信息的向量；第3层为CapsNet网络主胶囊层，主胶囊层按照动态路由规则与数字胶囊层进行连接并删除最后结果，对上层输入的特征进行不同卷积，生成1个向量作为胶囊单元，第4层为数字胶囊层，通过动态路由协议进行聚类传播与更新权重矩阵，输出概率向量，第5层为输出层，通过动态路由的方式计算出CapsNet神经网络的输出，即比特流信息的概率，包括计算概率向量模长，输出分类概率。
2.根据权利要求1所述的基于CapsNet胶囊网络的盲接收机方法，现提出一种基于CapsNet胶囊网络的盲接收机装置，其特征在于：步骤S1中使用USRP设备分别作为通信系统的发射机和接收机，加上相关组件组成通信系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110417608.4A CN113300788B (zh) | 2021-04-19 | 2021-04-19 | 一种基于CapsNet胶囊网络的盲接收机方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110417608.4A CN113300788B (zh) | 2021-04-19 | 2021-04-19 | 一种基于CapsNet胶囊网络的盲接收机方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113300788A CN113300788A (zh) | 2021-08-24 |
| CN113300788B true CN113300788B (zh) | 2023-04-21 |
Family
ID=77318774
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110417608.4A Active CN113300788B (zh) | 2021-04-19 | 2021-04-19 | 一种基于CapsNet胶囊网络的盲接收机方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113300788B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109861942A (zh) * | 2019-01-22 | 2019-06-07 | 东南大学 | 一种人工智能辅助ofdm接收机的在线学习方法 |
| CN112565128A (zh) * | 2020-11-28 | 2021-03-26 | 西北工业大学 | 基于混合神经网络的无线电信号调制识别网络及实现方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019083553A1 (en) * | 2017-10-27 | 2019-05-02 | Google Llc | NEURONAL NETWORKS IN CAPSULE |
| CN111144124B (zh) * | 2018-11-02 | 2023-10-20 | 华为技术有限公司 | 机器学习模型的训练方法、意图识别方法及相关装置、设备 |
| US10977548B2 (en) * | 2018-12-05 | 2021-04-13 | Bank Of America Corporation | Generation of capsule neural networks for enhancing image processing platforms |
| CN109995449B (zh) * | 2019-03-15 | 2020-12-18 | 北京邮电大学 | 一种基于深度学习的毫米波信号检测方法 |
| CN110855591B (zh) * | 2019-12-09 | 2021-10-29 | 山东大学 | 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法 |
| CN111505705B (zh) * | 2020-01-19 | 2022-08-02 | 长江大学 | 基于胶囊神经网络的微地震p波初至拾取方法及系统 |
| CN112202529B (zh) * | 2020-09-27 | 2022-11-08 | 中国电子科技集团公司第三十六研究所 | 一种无线通信信息恢复方法、装置及电子设备 |
| CN112383496A (zh) * | 2020-11-09 | 2021-02-19 | 西安科技大学 | 基于深度接收机的矿井通信方法、系统、计算机设备及介质 |
-
2021
- 2021-04-19 CN CN202110417608.4A patent/CN113300788B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109861942A (zh) * | 2019-01-22 | 2019-06-07 | 东南大学 | 一种人工智能辅助ofdm接收机的在线学习方法 |
| CN112565128A (zh) * | 2020-11-28 | 2021-03-26 | 西北工业大学 | 基于混合神经网络的无线电信号调制识别网络及实现方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113300788A (zh) | 2021-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20190319659A1 (en) | Method of constructing and training a neural network | |
| CN110336594B (zh) | 一种基于共轭梯度下降法的深度学习信号检测方法 | |
| CN110113288B (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
| CN113630130B (zh) | 端到端数字通信解调方法 | |
| EP4262121A1 (en) | Neural network training method and related apparatus | |
| CN110233810A (zh) | 一种混合噪声下基于深度学习的msk信号解调方法 | |
| Jiang et al. | Modulation recognition method of satellite communication based on CLDNN model | |
| Zou et al. | Generative adversarial network for wireless communication: Principle, application, and trends | |
| CN113239788A (zh) | 一种基于Mask R-CNN的无线通信调制模式识别方法 | |
| CN113300788B (zh) | 一种基于CapsNet胶囊网络的盲接收机方法及装置 | |
| CN114759997B (zh) | 一种基于数据模型双驱动的mimo系统信号检测方法 | |
| CN116070136A (zh) | 基于深度学习的多模态融合无线信号自动调制识别方法 | |
| CN113852434B (zh) | 一种LSTM与ResNets辅助的深度学习端到端智能通信方法与系统 | |
| CN114567527B (zh) | 一种可重构智能表面辅助叠加导引融合学习信道估计方法 | |
| CN116132235A (zh) | 一种基于深度学习的连续相位调制信号解调方法 | |
| CN114548201B (zh) | 无线信号的自动调制识别方法、装置、存储介质及设备 | |
| CN113489545B (zh) | 基于k均值聚类的光空间脉冲位置调制分步分类检测方法 | |
| Hao et al. | Automatic Modulation Recognition Method Based on Hybrid Model of Convolutional Neural Networks and Gated Recurrent Units. | |
| CN112261685B (zh) | 一种基于卷积神经网络的mimo信号检测方法 | |
| Zhao et al. | An End-to-End Demodulation System Based on Convolutional Neural Networks | |
| CN114595729A (zh) | 基于残差神经网络与元学习融合的通信信号调制识别方法 | |
| CN116781128B (zh) | 基于迁移学习和自编码器模型的端到端中继合作通信方法 | |
| CN117714244B (zh) | 基于神经网络的无线信号重建方法、装置、接收机及系统 | |
| CN117131416B (zh) | 一种小样本调制识别方法、系统、电子设备及存储介质 | |
| Lin et al. | Demodulation of BFSK signal for super-low frequency wireless communication Based on deep learning |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Panpan Inventor after: Wang Zengkai Inventor after: Xie Zhengxia Inventor before: Li Panpan Inventor before: Zeng Kai Inventor before: Xie Zhengxia |