CN113641957A - 一种基于归一化流的信号检测方法 - Google Patents

一种基于归一化流的信号检测方法 Download PDF

Info

Publication number
CN113641957A
CN113641957A CN202110724687.3A CN202110724687A CN113641957A CN 113641957 A CN113641957 A CN 113641957A CN 202110724687 A CN202110724687 A CN 202110724687A CN 113641957 A CN113641957 A CN 113641957A
Authority
CN
China
Prior art keywords
latent variable
data set
noise
normalized
neural 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.)
Pending
Application number
CN202110724687.3A
Other languages
English (en)
Inventor
李飞
王树晨
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202110724687.3A priority Critical patent/CN113641957A/zh
Publication of CN113641957A publication Critical patent/CN113641957A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Noise Elimination (AREA)

Abstract

本发明公开了一种基于归一化流的信号检测方法，获取接收信号的噪声数据集，并根据噪声数据集获取混合高斯分布的归一化概率密度，根据混合高斯分布的归一化概率密度，获取服从归一化的混合高斯分布的潜在变量与噪声分量的关系，将噪声数据集输入神经网络中，并根据潜在变量与噪声分量的关系计算潜在变量，根据所计算的潜在变量，计算噪声数据集的损失函数集，根据损失函数集中最小的损失函数，寻找具有最大对数似然数的信号，完成对信号的检测。本发明通过混合高斯噪声来获取潜在的变量，进而能够通过神经网络训练得到的最大对数似然值，进一步则可获取到所期望检测的信号，其在使用时，能够在混合有高斯噪声的情况下，依旧具有良好的检测性能。

Description

一种基于归一化流的信号检测方法
技术领域
本发明涉及一种基于归一化流的信号检测方法，属于无线传输领域技术领域。
背景技术
传统的信号检测算法多数为通过改造噪声进行检测，但在实际的通信场景中，信道环境恶劣，信道中的噪声很可能是非高斯的，例如混合高斯噪声，在这种情况下，传统的信号检测算法就会受到严重的影响，无法实现对信号检测精准检测，其难以满足目前对于高精度检测的需求。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域普通技术人员所公知的现有技术。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种基于归一化流的信号检测方法，以解决现有技术中对于信道中噪声为非高斯时，传统信号检测算无法实现高精度检测的技术问题。
为解决上述技术问题，本发明是采用下述技术方案实现的：
一种基于归一化流的信号检测方法，包括：
接收信号，获取包含有期待测信号的噪声数据集；
将噪声数据集输入预先训练的神经网络中计算潜在变量；
根据所计算的潜在变量，计算噪声数据集的损失函数集；
根据损失函数集中最小的损失函数，寻找具有最大对数似然数的信号，得到期待信号；
其中，所述神经网络的训练包括：
根据噪声数据集获取混合高斯分布的归一化概率密度；根据混合高斯分布的归一化概率密度，获取服从归一化的混合高斯分布的潜在变量与噪声分量的关系；
所述神经网络根据潜在变量与噪声分量的关系计算潜在变量的数值。
作为本发明的一种优选技术方案，所述噪声数据集的计算公式为：
Figure BDA0003137358580000021
其中，y为M维的接收向量，H为M×K维的空域CSI矩阵，x为k维的发射信号向量，
Figure BDA0003137358580000022
为各终端的总发射功率；
H＝[h1,h2,…hk]
其中，n为噪声分量，hk为第K个用户的信道脉冲响应。
作为本发明的一种优选技术方案，所述信道脉冲响应的计算公式为：
Figure BDA0003137358580000023
其中，
Figure BDA0003137358580000024
L为多径信道的路径总数，βk为第k个用户在第l个路径上的路径损耗，e(v1)为水平方向上的导向矢量，e(u1)为垂直方向上的导向矢量；
Figure BDA0003137358580000025
Figure BDA0003137358580000026
其中，
Figure BDA0003137358580000027
Mv为垂直方向上的天线数，Mh为水平方向上的天线数。
作为本发明的一种优选技术方案，根据所述混合高斯分布的归一化概率密
Figure BDA0003137358580000031
度获取的潜在变量与噪声分量的关系为：
其中，n为噪声分量，θ为网络参数，v潜在变量，dv为天线在垂直方向的间距，dn为天线在水平方向的间距，对数行列式
Figure BDA0003137358580000032
项，为雅可比矩阵行列式绝对值的对数。
作为本发明的一种优选技术方案，通过所述神经网络计算潜在变量包括：将噪声数据集中的每个数据输入至神经网络中，计算与噪声数据集中的每个数据所对应的每一层网络的对数行列值，并输入至下一层网络中，完成对潜在变量的计算。
作为本发明的一种优选技术方案，通过所述神经网络计算潜在变量的公式为：
Figure BDA0003137358580000033
其中，n为噪声分量，v为潜在变量，hk为神经网络的隐藏层，fk为每一层中的函数运算；
Figure BDA0003137358580000034
其中，
Figure BDA0003137358580000035
为复合函数，f(·)为归一化流网络的一个子层。
作为本发明的一种优选技术方案，所述损失函数的计算公式为：
Figure BDA0003137358580000036
其中，L为网络层数，V为潜在变量，θ为网络参数，hk为第k个用户的信道脉冲响应。
作为本发明的一种优选技术方案，寻找具有最大所述对数似然数的信号的计算公式为：
Figure BDA0003137358580000041
其中，x*为所找到的信号，X为信号集。
与现有技术相比，本发明所达到的有益效果：
本发明通过混合高斯噪声来获取潜在的变量，进而能够通过神经网络训练得到的最大对数似然值，进一步则可获取到所期望检测的信号，其在使用时，能够在混合有高斯噪声的情况下，依旧具有良好的检测性能，更加适用于在信道环境复杂的情况下使用。
附图说明
图1是本发明的流程图；
图2是本发明的流程框图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，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”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
如图1和图2所示，一种基于归一化流的信号检测方法，包括：
接收信号，获取包含有期待信号的噪声数据集；
将噪声数据集输入预先训练的神经网络中计算潜在变量；
根据所计算的潜在变量，计算噪声数据集的损失函数集；
根据损失函数集中最小的损失函数，寻找具有最大对数似然数的信号，得到期待信号；
其中，所述神经网络的训练包括：
根据噪声数据集获取混合高斯分布的归一化概率密度；根据混合高斯分布的归一化概率密度，获取服从归一化的混合高斯分布的潜在变量与噪声分量的关系；
所述神经网络根据潜在变量与噪声分量的关系计算潜在变量的数值。
本发明优选为采用的是单小区多用户大规模3D MIMO系统模型，该模型有K个用户，每个用户配备单天线。基站端，在水平方向和垂直方向上分别配置Mh和Mv根天线，
Figure BDA0003137358580000051
分别为天线的水平发射角和垂直发射角，水平和垂直方向天线间距d均设置为载波波长的一半。
第k个用户的信道脉冲响应可表达为：
Figure BDA0003137358580000052
其中，
Figure BDA0003137358580000053
L表示多径信道的路径总数，βk表示第k个用户在第l个路径上的路径损耗。
考虑大规模3D MIMO系统的上行链路，该系统中发射端有K个用户，每个用户配备一根天线，基站端有M根接收天线。
所述噪声数据集的计算公式为：
Figure BDA0003137358580000061
其中，y为M维的接收向量，H为M×K维的空域CSI矩阵，x为k维的发射信号向量，
Figure BDA0003137358580000062
为各终端的总发射功率；
H＝[h1,h2,…hk]
其中，n为噪声分量，hk为第K个用户的信道脉冲响应。
所述信道脉冲响应的计算公式为：
Figure BDA0003137358580000063
其中，
Figure BDA0003137358580000064
L为多径信道的路径总数，βk为第k个用户在第l个路径上的路径损耗，e(v1)为水平方向上的导向矢量，e(u1)为垂直方向上的导向矢量；
为了方便后续的计算，可对信道脉冲响应进行矢量化，其表达式为：
Figure BDA0003137358580000065
Figure BDA0003137358580000066
表示Kronecker积，M＝Mv×Mh为发送端天线总数。
Figure BDA0003137358580000067
Figure BDA0003137358580000068
其中，
Figure BDA0003137358580000069
Mv为垂直方向上的天线数，Mh为水平方向上的天线数。
本发明基于归一化流方法，归一化流允许对潜在变量执行有效的推断，更重要的是，基于归一化流的方案的对数似然在数据集上的计算是通过变量变换公式来完成的，而不是直接在模型上计算，这就使得在噪声分布不是完全已知的时候，将其转化为求已知分布的最优解，而往往所选用的模型分布都是相对简单易解的。
对于可观测到的数据集n∈Dn，它依赖于一个潜在变量v，其密度函数p(v；θ)是一种简单且易于计算的分布，进一步采用混合高斯分布，可以将未知的概率密度函数p(n；θ)转化为：
Figure BDA0003137358580000071
其中，n为噪声分量，θ为网络参数，v潜在变量，dv为天线在垂直方向的间距，dn为天线在水平方向的间距，对数行列式
Figure BDA0003137358580000072
项，为雅可比矩阵行列式绝对值的对数。
通过上述公式则可基于归一化概率密度获取的潜在变量与噪声分量的关系。
通过神经网络计算潜在变量包括：将噪声数据集中的每个数据输入至神经网络中，计算与噪声数据集中的每个数据所对应的每一层网络的对数行列值，并输入至下一层网络中，完成对潜在变量的计算。
通过所述神经网络对潜在变量的计算公式为：
Figure BDA0003137358580000073
其中，n为噪声分量，v为潜在变量，hk为神经网络的隐藏层，fk为每一层中的函数运算；
fk所表达的每一层中的函数运算为现有神经网络中运算方式，即通过多次的训练可最终获取更加精准的潜在变量。
Figure BDA0003137358580000081
其中，
Figure BDA0003137358580000082
为复合函数，f(·)为归一化流网络的一个子层。
复合函数也为现有神经网络中的运算方式。
Figure BDA0003137358580000083
所述损失函数的计算公式为：
Figure BDA0003137358580000084
其中，L为网络层数，V为潜在变量，θ为网络参数，hk为第k个用户的信道脉冲响应。
寻找具有最大所述对数似然数的信号的计算公式为：
Figure BDA0003137358580000085
其中，x*为所找到的信号，X为信号集。
本发明通过混合高斯噪声来获取潜在的变量，进而能够通过神经网络训练得到的最大对数似然值，进一步则可获取到所期望检测的信号，其在使用时，能够在混合有高斯噪声的情况下，依旧具有良好的检测性能，更加适用于在信道环境复杂的情况下使用。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (8)

1.一种基于归一化流的信号检测方法，其特征在于，包括：
接收信号，获取包含有期待信号的噪声数据集；
将噪声数据集输入预先训练的神经网络中计算潜在变量；
根据所计算的潜在变量，计算噪声数据集的损失函数集；
根据损失函数集中最小的损失函数，寻找具有最大对数似然数的信号，得到期待信号；
其中，所述神经网络的训练包括：
根据噪声数据集获取混合高斯分布的归一化概率密度；根据混合高斯分布的归一化概率密度，获取服从归一化的混合高斯分布的潜在变量与噪声分量的关系；
所述神经网络根据潜在变量与噪声分量的关系计算潜在变量的数值。
2.根据权利要求1所述的一种基于归一化流的信号检测方法，其特征在于，所述噪声数据集的计算公式为：
Figure FDA0003137358570000011
其中，y为M维的接收向量，H为M×K维的空域CSI矩阵，x为k维的发射信号向量，
Figure FDA0003137358570000012
为各终端的总发射功率；
H＝[h1,h2,…hk]
其中，n为噪声分量，hk为第K个用户的信道脉冲响应。
3.根据权利要求2所述的一种基于归一化流的信号检测方法，其特征在于，所述信道脉冲响应的计算公式为：
Figure FDA0003137358570000013
其中，
Figure FDA0003137358570000014
L为多径信道的路径总数，βk为第k个用户在第l个路径上的路径损耗，e(v1)为水平方向上的导向矢量，e(u1)为垂直方向上的导向矢量；
Figure FDA0003137358570000021
Figure FDA0003137358570000022
其中，
Figure FDA0003137358570000023
Mv为垂直方向上的天线数，Mh为水平方向上的天线数。
4.根据权利要求1所述的一种基于归一化流的信号检测方法，其特征在于，根据所述混合高斯分布的归一化概率密度获取的潜在变量与噪声分量的关系为：
Figure FDA0003137358570000024
其中，n为噪声分量，θ为网络参数，v潜在变量，dv为天线在垂直方向的间距，dn为天线在水平方向的间距，对数行列式
Figure FDA0003137358570000025
项，为雅可比矩阵行列式绝对值的对数。
5.根据权利要求1所述的一种基于归一化流的信号检测方法，其特征在于，通过神经网络计算潜在变量包括：将噪声数据集中的每个数据输入至神经网络中，计算与噪声数据集中的每个数据所对应的每一层网络的对数行列值，并输入至下一层网络中，完成对潜在变量的计算。
6.根据权利要求1或5所述的一种基于归一化流的信号检测方法，其特征在于，通过所述神经网络计算潜在变量的公式为：
Figure FDA0003137358570000026
其中，n为噪声分量，v为潜在变量，hk为神经网络的隐藏层，fk为每一层中的函数运算；
Figure FDA0003137358570000027
其中，
Figure FDA0003137358570000031
为复合函数，f(·)为归一化流网络的一个子层。
7.根据权利要求1或3所述的一种基于归一化流的信号检测方法，其特征在于，所述损失函数的计算公式为：
Figure FDA0003137358570000032
其中，L为网络层数，V为潜在变量，θ为网络参数，hk为第k个用户的信道脉冲响应。
8.根据权利要求1所述的一种基于归一化流的信号检测方法，其特征在于，寻找具有最大所述对数似然数的信号的计算公式为：
Figure FDA0003137358570000033
其中，x*为所找到的信号，X为信号集。
CN202110724687.3A 2021-06-29 2021-06-29 一种基于归一化流的信号检测方法 Pending CN113641957A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110724687.3A CN113641957A (zh) 2021-06-29 2021-06-29 一种基于归一化流的信号检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110724687.3A CN113641957A (zh) 2021-06-29 2021-06-29 一种基于归一化流的信号检测方法

Publications (1)

Publication Number Publication Date
CN113641957A true CN113641957A (zh) 2021-11-12

Family

ID=78416247

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110724687.3A Pending CN113641957A (zh) 2021-06-29 2021-06-29 一种基于归一化流的信号检测方法

Country Status (1)

Country Link
CN (1) CN113641957A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010031024A1 (en) * 2000-02-29 2001-10-18 Jurgen Petersen Receiver and method for detecting and decoding a DQPSK modulated and channel encoded receiving signal
US20040208254A1 (en) * 2003-04-21 2004-10-21 Samsung Electronics Co., Ltd. Method and apparatus for estimating a signal sequence in a MIMO-OFDM mobile communication system
CN109768816A (zh) * 2018-12-19 2019-05-17 西安交通大学 一种非高斯噪声3d-mimo系统数据检测方法
KR101992053B1 (ko) * 2018-03-22 2019-06-21 세종대학교산학협력단 적응적 앙상블 지도학습 기반의 딥 뉴럴 네트워크를 이용한 siso-ofdm 채널 추정 장치 및 그 방법
CN109923613A (zh) * 2016-06-02 2019-06-21 Seegene株式会社 利用信号变化量数据集的样品内的目标分析物质检测方法
CN111224906A (zh) * 2020-02-21 2020-06-02 重庆邮电大学 基于深度神经网络的近似消息传递大规模mimo信号检测算法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010031024A1 (en) * 2000-02-29 2001-10-18 Jurgen Petersen Receiver and method for detecting and decoding a DQPSK modulated and channel encoded receiving signal
US20040208254A1 (en) * 2003-04-21 2004-10-21 Samsung Electronics Co., Ltd. Method and apparatus for estimating a signal sequence in a MIMO-OFDM mobile communication system
CN109923613A (zh) * 2016-06-02 2019-06-21 Seegene株式会社 利用信号变化量数据集的样品内的目标分析物质检测方法
KR101992053B1 (ko) * 2018-03-22 2019-06-21 세종대학교산학협력단 적응적 앙상블 지도학습 기반의 딥 뉴럴 네트워크를 이용한 siso-ofdm 채널 추정 장치 및 그 방법
CN109768816A (zh) * 2018-12-19 2019-05-17 西安交通大学 一种非高斯噪声3d-mimo系统数据检测方法
CN111224906A (zh) * 2020-02-21 2020-06-02 重庆邮电大学 基于深度神经网络的近似消息传递大规模mimo信号检测算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何剑海;周明德;包建荣;: "矿井WiFi视频传输系统软硬件设计与实现", 工程设计学报, no. 06, 28 December 2016 (2016-12-28), pages 112 - 118 *

Similar Documents

Publication Publication Date Title
CN110099017B (zh) 基于深度神经网络的混合量化系统的信道估计方法
US6246861B1 (en) Cellular telephone location system
EP3596486A1 (en) Wifi multi-band fingerprint-based indoor positioning
CN109743086A (zh) 一种大规模mimo系统的信道估计方法
CN107070514A (zh) 一种优化的大规模mimo信号检测方法
CN109490826A (zh) 一种基于无线电波场强rssi的测距与位置定位方法
CN112040400A (zh) 一种基于mimo-csi的单站点室内指纹定位方法、存储介质及设备
CN114268388A (zh) 一种在大规模mimo中基于改进gan网络的信道估计方法
CN105491572B (zh) 基于判决门限优化的联合频谱感知方法
CN111525970B (zh) 一种基于空间调制的大规模mimo系统性能分析方法
CN106850027A (zh) 低复杂度广义空间调制迭代检测方法
CN106713190A (zh) 基于随机矩阵理论和特征阈值估计的mimo发射天线数目盲估计算法
CN115407297A (zh) 强通信受限下的分布式多雷达信号级协同检测与定位方法
CN112444778A (zh) 一种基于dbscan的参考点加权三边质心定位方法
CN111817803A (zh) 一种基于相关系数和k-均值聚类算法的频谱感知方法、系统及计算机可读存储介质
CN104994041B (zh) 三维大规模天线系统基于导频的波达波离角联合估计方法
CN113641957A (zh) 一种基于归一化流的信号检测方法
CN109981497B (zh) 基于盲源分离和角度域辨识的导频污染消除方法
CN107276703A (zh) 一种采用压缩感知技术的正交空间调制系统检测方法
CN111510232A (zh) 一种基于神经网络的车联网组合频谱感知方法及其应用
CN111030739A (zh) 一种基于lll-sd的大规模mimo信号检测方法
CN114244658B (zh) 大规模mimo系统中的基于倍角估计的信道估计方法
CN106301497B (zh) 一种混合发送编码检测方法和装置
CN110456307B (zh) 一种基于室内伪卫星信号载噪比的终端定位方法
CN112839311B (zh) 一种基于动态监测的csi室内定位方法

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