CN114915361B - 一种基于小样本学习的物联网上行信号检测方法 - Google Patents

一种基于小样本学习的物联网上行信号检测方法 Download PDF

Info

Publication number
CN114915361B
CN114915361B CN202210517488.XA CN202210517488A CN114915361B CN 114915361 B CN114915361 B CN 114915361B CN 202210517488 A CN202210517488 A CN 202210517488A CN 114915361 B CN114915361 B CN 114915361B
Authority
CN
China
Prior art keywords
signal
neural network
signal detection
classifier
symbols
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
Application number
CN202210517488.XA
Other languages
English (en)
Other versions
CN114915361A (zh
Inventor
王宇威
孙黎
杜清河
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 CN202210517488.XA priority Critical patent/CN114915361B/zh
Publication of CN114915361A publication Critical patent/CN114915361A/zh
Application granted granted Critical
Publication of CN114915361B publication Critical patent/CN114915361B/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
    • H04B17/391—Modelling the propagation channel
    • 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
    • H04L1/20—Arrangements for detecting or preventing errors in the information received using signal quality detector
    • 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)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)

Abstract

本发明公开了一种基于小样本学习的物联网上行信号检测方法，包括以下步骤；1)K个用户设备各发送Nf个信号帧给基站，基站将接收信号帧作为训练数据，发送信号帧作为数据标签，组合得到训练数据集
Figure DDA0003641932730000011
2)初始化信号检测神经网络，使其参数满足标准高斯分布，该信号检测神经网络包括三个部分，参数生成器G，信号分类器D，和链路分类器L；3)使用步骤1)得到的训练数据集
Figure DDA0003641932730000012
对步骤2)中的信号检测神经网络迭代地进行训练；4)在部署使用阶段，基站把发送信号帧的导频符号和接收信号帧输入信号检测神经网络，得到信号检测的结果，对发送信号帧的数据符号的估计。本发明可以在难以建立信道模型的物联网通信系统中进行信号检测。

Description

一种基于小样本学习的物联网上行信号检测方法
技术领域
本发明涉及信号检测技术领域，具体涉及一种基于小样本学习的物联网上行信号检测方法。
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。在较为理想的无线通信中，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。但是在物联网场景下，由于收发机的制造成本约束，信号的传输将会受到I/Q不平衡、非线性放大器、低精度ADC等非理想因素的影响。在这种情况下，等效的信道模型为非线性模型，并且对这些非线性因素难以建立有效、准确的模型，从而造成传统信号检测算法的性能大幅度下降。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。
机器学习当中的神经网络模型与深度学习算法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。神经网络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。作为一种数据驱动模型，神经网络需要大量的训练数据，而物联网场景下的上行数据传输具有短包特性，导致可以作为训练数据的导频数量极少，现有的神经网络结构和训练算法无法使。
发明内容
为了克服以上技术问题，本发明提出一种基于小样本学习的物联网上行信号检测方法，该方法可以在难以建立信道模型的物联网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：
一种基于小样本学习的物联网上行信号检测方法，包括以下步骤；
1)K个用户设备各发送Nf个信号帧给基站，基站将接收信号帧作为训练数据，发送信号帧作为数据标签，组合得到训练数据集
Figure BDA0003641932710000024
2)初始化信号检测神经网络，使其参数满足标准高斯分布，该信号检测神经网络包括三个部分，参数生成器G、信号分类器D、和链路分类器L；
3)使用步骤1)得到的训练数据集
Figure BDA0003641932710000023
对步骤2)中的信号检测神经网络迭代地进行训练；
4)在部署使用阶段，基站将发送信号帧的导频符号和接收信号帧输入所述信号检测神经网络，得到信号检测的结果，完成对发送信号帧的数据符号的估计。
所述的步骤2)中所述的参数生成器G是一个全连接神经网络，其输入为发送信号帧的导频符号和接收信号帧的导频符号，输出为参数矩阵，对于一个用户设备发送的一个信号帧，G的输入输出关系表示为：
Figure BDA0003641932710000021
其中pn和/>
Figure BDA0003641932710000022
分别是第n个发送导频符号和第n个接收导频符号，wn为输出的参数矩阵，用所有导频符号生成的参数矩阵的平均与接收信号帧中的数据符号相乘可以得到接收数据符号的特征向量xn，n＝1，...，Nd，该过程表示为：/>
Figure BDA0003641932710000031
Figure BDA0003641932710000032
是第n个接收数据符号。
所述的步骤2)中所述的信号分类器D是一个全连接神经网络，其输入为数据符号的特征向量xn，n＝1....，Nd，信号分类器D的输出为信号检测的结果，即对发送数据符号的估计，D的输入输出关系可以表示为：
Figure BDA0003641932710000033
是对第n个发送数据符号的估计。
所述的步骤2)中所述的链路分类器L是一个全连接神经网络，其输入为数据符号的特征向量xn，n＝1....，Nd，链路分类器L的输出为根据信号特征向量对其链路进行分类的结果，估计该信号来自哪一个用户设备，L的输入输出关系表示为：
Figure BDA0003641932710000034
是对第n个数据符号来自哪一个用户设备的估计。
所述的步骤3)中所述的使用训练数据集
Figure BDA0003641932710000035
对参数生成器G、信号分类器D和链路分类器L迭代地进行训练包括以下步骤：
1)将训练数据集中的发送信号帧的导频符号和接收信号帧的导频符号输入参数生成器G，得到参数矩阵，将参数矩阵与接收信号帧的数据符号相乘，得到数据信号的特征向量，将该特征向量分别输入信号分类器D和链路分类器L，得到对发送符号的估计和该符号来自哪一个用户设备的估计；
2)计算信号分类器D的损失函数
Figure BDA0003641932710000036
其中CE(·，·)代表的是交叉熵函数；
2)计算信号分类器L的损失函数
Figure BDA0003641932710000041
其中CE(·，·)代表的是交叉熵函数；
3)计算参数生成器G的损失函数Lg＝Ld-λLl，其中λ代表的是平衡系数；
4)使用梯度下降法进行参数更新，θg，θd，θl分别表示G，D，L的神经网络参数，G的参数更新公式为：
Figure BDA0003641932710000042
D的参数更新公式为：/>
Figure BDA0003641932710000043
L的参数更新公式为：/>
Figure BDA0003641932710000044
其中，η为学习率，/>
Figure BDA0003641932710000045
表示梯度运算；
5)重复步骤1～4，直至D的优化目标值不再变化，即训练收敛，得到信号检测网络的参数。
所述的步骤4)中把发送信号帧的导频符号和接收信号帧输入信号检测神经网络，得到信号检测的结果，其具体方法为：将发送信号帧的导频符号和接收信号帧的导频符号输入参数生成器G，得到参数矩阵，将参数矩阵与接收信号帧的数据符号相乘，得到数据信号的特征向量，将该特征向量分别输入信号分类器D，得到对发送符号的估计。
本发明的有益效果：
本发明为设计了一种可应用于非理想收发机的信号检测方法，可以实现未知信道模型下的信号检测。使用了与传统接收机对应的模块化神经网络结构，使神经网络具有更好的解释性，所需的训练样本更少。并且引入了参数生成器，使神经网络有更强的迁移能力，仅需少量导频样本就可以应用于检测新的用户设备发送的信号。链路分类器进一步提升了信号检测网络的泛化能力。
附图说明
图1为本发明设计的信号检测网络结构示意图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1所示：本发明所述一种基于小样本学习的物联网上行信号检测方法，该物联网通信系统由一个基站，K个用户设备组成。在该系统中，用户设备发出的信号帧称为发送信号帧，基站接收到的信号帧称为接收信号帧。一个发送信号帧包含Np个导频符号和Nd个数据符号。在一个信号帧内，
Figure BDA0003641932710000051
为第k个用户发送的第n个导频符号，/>
Figure BDA0003641932710000052
为第k个用户发送的第n个数据符号，/>
Figure BDA0003641932710000053
是一个包含m个信号星座点的离散信号集。在一个接收信号帧中，基站接收到的第k个用户发送的第n个导频符号为/>
Figure BDA0003641932710000054
基站接收到的第k个用户发送的第n个数据符号为/>
Figure BDA0003641932710000055
其特征在于，该物联网上行信号检测方法包括以下步骤：
1)K个用户设备各发送Nf个信号帧给基站，基站将接收信号帧作为训练数据，发送信号帧作为数据标签，组合得到训练数据集
Figure BDA0003641932710000056
2)初始化信号检测神经网络，使其参数满足标准高斯分布。该信号检测神经网络包括三个部分，参数生成器G，信号分类器D，和链路分类器L。
3)使用训练集
Figure BDA0003641932710000057
对信号检测神经网络迭代地进行训练。
4)在部署使用阶段，基站把发送信号帧的导频符号和接收信号帧输入信号检测神经网络，得到信号检测的结果，也就是对发送信号帧的数据符号的估计。
所述的步骤2)中所述的参数生成器G是一个全连接神经网络，其输入为发送信号帧的导频符号和接收信号帧的导频符号，输出为参数矩阵。对于一个用户设备发送的一个信号帧来说，G的输入输出关系可以表示为：
Figure BDA0003641932710000061
其中pn和/>
Figure BDA0003641932710000062
分别是第n个发送导频符号和第n个接收导频符号，wn为输出的参数矩阵。用所有导频符号生成的参数矩阵的平均与接收信号帧中的数据符号相乘可以得到接收数据符号的特征向量xn，n＝1，...，Nd，该过程可以表示为：/>
Figure BDA0003641932710000063
是第n个接收数据符号。
所述的步骤2)中所述的信号分类器D是一个全连接神经网络，其输入为数据符号的特征向量xn，n＝1，...，Nd。信号分类器D的输出为信号检测的结果，即对发送数据符号的估计，D的输入输出关系可以表示为：
Figure BDA0003641932710000064
是对第n个发送数据符号的估计。
所述的步骤2)中所述的链路分类器L是一个全连接神经网络，其输入为数据符号的特征向量xn，n＝1，...，Nd。链路分类器L的输出为根据信号特征向量对其链路进行分类的结果，也就是估计该信号来自哪一个用户设备。L的输入输出关系可以表示为：
Figure BDA0003641932710000065
Figure BDA0003641932710000066
是对第n个数据符号来自哪一个用户设备的估计。
所述的步骤3)中所述的使用训练集
Figure BDA0003641932710000067
对参数生成器G、信号分类器D和链路分类器L迭代地进行训练包括以下步骤：
1)将数据集中的发送信号帧的导频符号和接收信号帧的导频符号输入参数生成器G，得到参数矩阵。将参数矩阵与接收信号帧的数据符号相乘，得到数据信号的特征向量，将该特征向量分别输入信号分类器D和链路分类器L，得到对发送符号的估计和该符号来自哪一个用户设备的估计。
2)计算信号分类器D的损失函数
Figure BDA0003641932710000071
其中CE(·，·)代表的是交叉熵函数。
2)计算信号分类器L的损失函数
Figure BDA0003641932710000072
其中CE(·，·)代表的是交叉熵函数。
3)计算参数生成器G的损失函数Lg＝Ld-λLl，其中λ代表的是平衡系数。
4)使用梯度下降法进行参数更新，θg，θd，θl分别表示G，D，L的神经网络参数。G的参数更新公式为：D的参数更新公式为：/>
Figure BDA0003641932710000074
L的参数更新公式为：/>
Figure BDA0003641932710000075
其中，η为学习率，/>
Figure BDA0003641932710000076
表示梯度运算。
5)重复步骤1～4，直至D的优化目标值不再变化，即训练收敛，得到信号检测网络的参数。
所述的步骤4)中所述的把发送信号帧的导频符号和接收信号帧输入信号检测神经网络，得到信号检测的结果，其具体方法为：将发送信号帧的导频符号和接收信号帧的导频符号输入参数生成器G，得到参数矩阵。将参数矩阵与接收信号帧的数据符号相乘，得到数据信号的特征向量，将该特征向量分别输入信号分类器D，得到对发送符号的估计。

Claims (2)

1.一种基于小样本学习的物联网上行信号检测方法，其特征在于，包括以下步骤；
1)K个用户设备各发送Nf个信号帧给基站，基站将接收信号帧作为训练数据，发送信号帧作为数据标签，组合得到训练数据集
Figure FDA0004282255330000015
2)初始化信号检测神经网络，使其参数满足标准高斯分布，该信号检测神经网络包括三个部分，参数生成器G、信号分类器D、和链路分类器L；
3)使用步骤1)得到的训练数据集
Figure FDA0004282255330000016
对步骤2)中的信号检测神经网络迭代地进行训练；
4)在部署使用阶段，基站将发送信号帧的导频符号和接收信号帧输入所述信号检测神经网络，得到信号检测的结果，完成对发送信号帧的数据符号的估计；
所述的步骤2)中所述的参数生成器G是一个全连接神经网络，其输入为发送信号帧的导频符号和接收信号帧的导频符号，输出为参数矩阵，对于一个用户设备发送的一个信号帧，G的输入输出关系表示为：
Figure FDA0004282255330000011
其中pn和/>
Figure FDA0004282255330000012
分别是第n个发送导频符号和第n个接收导频符号，wn为输出的参数矩阵，用所有导频符号生成的参数矩阵的平均与接收信号帧中的数据符号相乘得到接收数据符号的特征向量xn，n＝1，...，Nd，该过程表示为：/>
Figure FDA0004282255330000013
Figure FDA0004282255330000014
是第n个接收数据符号；
所述的步骤2)中所述的信号分类器D是一个全连接神经网络，其输入为接收数据符号的特征向量xn，n＝1，...，Nd，信号分类器D的输出为信号检测的结果，即对发送数据符号的估计，D的输入输出关系表示为：
Figure FDA0004282255330000021
Figure FDA0004282255330000022
是对第n个发送数据符号的估计；
所述的步骤2)中所述的链路分类器L是一个全连接神经网络，其输入为接收数据符号的特征向量xn，n＝1，...，Nd，链路分类器L的输出为根据信号特征向量对其链路进行分类的结果，估计该信号来自哪一个用户设备，L的输入输出关系表示为：
Figure FDA0004282255330000023
Figure FDA0004282255330000024
是对第n个数据符号来自哪一个用户设备的估计；
所述的步骤3)中所述的使用训练数据集
Figure FDA0004282255330000025
对参数生成器G、信号分类器D和链路分类器L迭代地进行训练包括以下步骤：
(1)将训练数据集中的发送信号帧的导频符号和接收信号帧的导频符号输入参数生成器G，得到参数矩阵，将参数矩阵与接收信号帧的数据符号相乘，得到接收数据符号的特征向量，将该特征向量分别输入信号分类器D和链路分类器L，得到对发送数据符号的估计和该符号来自哪一个用户设备的估计；
(2)计算信号分类器D的损失函数
Figure FDA0004282255330000026
其中CE(·，·)代表的是交叉熵函数；
(3)计算链路分类器L的损失函数
Figure FDA0004282255330000027
其中CE(·，·)代表的是交叉熵函数；
(4)计算参数生成器G的损失函数Lg＝Ld-λLl，其中λ代表的是平衡系数；
(5)使用梯度下降法进行参数更新，θg，θd，θl分别表示G,D,L的神经网络参数，G的参数更新公式为：
Figure FDA0004282255330000028
D的参数更新公式为：/>
Figure FDA0004282255330000031
L的参数更新公式为：
Figure FDA0004282255330000032
其中，η为学习率，/>
Figure FDA0004282255330000033
表示梯度运算；
(6)重复步骤(1)～(5)，直至D的优化目标值不再变化，即训练收敛，得到信号检测神经网络的参数。
2.根据权利要求1所述的一种基于小样本学习的物联网上行信号检测方法，其特征在于，所述的步骤4)中把发送信号帧的导频符号和接收信号帧输入信号检测神经网络，得到信号检测的结果，其具体方法为：将发送信号帧的导频符号和接收信号帧的导频符号输入参数生成器G，得到参数矩阵，将参数矩阵与接收信号帧的数据符号相乘，得到接收数据符号的特征向量，将该特征向量分别输入信号分类器D，得到对发送数据符号的估计。
CN202210517488.XA 2022-05-13 2022-05-13 一种基于小样本学习的物联网上行信号检测方法 Active CN114915361B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210517488.XA CN114915361B (zh) 2022-05-13 2022-05-13 一种基于小样本学习的物联网上行信号检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210517488.XA CN114915361B (zh) 2022-05-13 2022-05-13 一种基于小样本学习的物联网上行信号检测方法

Publications (2)

Publication Number Publication Date
CN114915361A CN114915361A (zh) 2022-08-16
CN114915361B true CN114915361B (zh) 2023-07-14

Family

ID=82767416

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210517488.XA Active CN114915361B (zh) 2022-05-13 2022-05-13 一种基于小样本学习的物联网上行信号检测方法

Country Status (1)

Country Link
CN (1) CN114915361B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11080600B2 (en) * 2017-02-10 2021-08-03 Synaptics Incorporated Recurrent neural network based acoustic event classification using complement rule
US11316600B2 (en) * 2019-01-23 2022-04-26 Cable Television Laboratories, Inc. Identifying and classifying disruptions at terminal devices in data transfer networks
FI20205980A9 (en) * 2020-10-06 2024-04-10 Nokia Technologies Oy Communication system
CN112637094A (zh) * 2020-12-17 2021-04-09 南京爱而赢科技有限公司 一种基于模型驱动深度学习的多用户mimo接收方法
CN113971430A (zh) * 2021-06-21 2022-01-25 上海工程技术大学 信号检测及模型训练方法、装置、设备及存储介质
CN114143147A (zh) * 2021-11-11 2022-03-04 江苏通信置业管理有限公司 一种基于深度学习的无授权大规模物联网设备检测方法

Also Published As

Publication number Publication date
CN114915361A (zh) 2022-08-16

Similar Documents

Publication Publication Date Title
CN110719239B (zh) 一种数据模型双驱动的联合mimo信道估计和信号检测方法
US8451930B2 (en) Sparse channel estimation using order extension for frequency and time selective MIMO wireless communication networks
CN110661734B (zh) 基于深度神经网络的信道估计方法、设备和可读存储介质
CN102215186B (zh) 基于ls-svm的时变tdd-mimo信道互易性补偿方法
JPH04502695A (ja) 変動する伝送特性を有するチャネルにビタビ・アルゴリズムを適用する方法及びその方法を実行する装置
CN109951214B (zh) 一种适用于大规模mimo系统的信号检测方法
JPH0795107A (ja) 適応型最尤系列推定装置
CN112637094A (zh) 一种基于模型驱动深度学习的多用户mimo接收方法
CN114268388B (zh) 一种在大规模mimo中基于改进gan网络的信道估计方法
CN112422208B (zh) 未知信道模型下基于对抗式学习的信号检测方法
CN113381953B (zh) 基于可重构智能表面辅助的极限学习机的信道估计方法
CN105959004B (zh) 一种基于大规模mimo的单精度adc自适应门限量化方法
CN108965179B (zh) 增强遥测综合网系统在多径信道下的两步频偏估计方法
Khairullin et al. To the Matter of Choice of PSK-n-Signal Constellations Due to Destabilizing Factors for Radio Engineering Data Transmission Systems Based on the Theory of Resolution Time
CN109391315B (zh) 一种数据模型双驱动的mimo接收机
Lerner et al. Features of Capacity of Communication Channel with APSK-N signals, which Implements the Theory of Resolution Time
CN114915361B (zh) 一种基于小样本学习的物联网上行信号检测方法
CN109818891B (zh) 一种格基约减辅助的低复杂度贪心球形译码检测方法
CN105207959A (zh) 一种miso-ofdm系统的信道估计方法
CN117220740A (zh) 一种非合作场景下通信与干扰一体化系统波束形成方法
CN114938232B (zh) 基于lstm的同时同频全双工数字域自干扰抑制方法
CN112821971A (zh) 一种基于对抗式学习的时变信道信号检测方法
WO2020087293A1 (zh) 一种通信接收机及信号处理的方法
CN114696878B (zh) 一种基于混合预编码和信道估计的联合设计方法和装置
CN114528925B (zh) 一种基于深层分类网络的时变信道ofdm信号均衡方法

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