CN116016065B - 基于神经网络的抗串扰高速互联信号接收方法及系统 - Google Patents
基于神经网络的抗串扰高速互联信号接收方法及系统 Download PDFInfo
- Publication number
- CN116016065B CN116016065B CN202310293420.2A CN202310293420A CN116016065B CN 116016065 B CN116016065 B CN 116016065B CN 202310293420 A CN202310293420 A CN 202310293420A CN 116016065 B CN116016065 B CN 116016065B
- Authority
- CN
- China
- Prior art keywords
- signal
- channel
- neural network
- training
- signals
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 96
- 238000003062 neural network model Methods 0.000 claims abstract description 77
- 238000005070 sampling Methods 0.000 claims abstract description 50
- 230000008054 signal transmission Effects 0.000 claims abstract description 17
- 230000004913 activation Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 description 22
- 230000006870 function Effects 0.000 description 7
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000005672 electromagnetic field Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明提供一种基于神经网络的抗串扰高速互联信号接收方法及系统，所述方法包括：获取目标通道及所述目标通道相邻通道的通道信号；所述目标通道的通道信号为被所述相邻通道的通道信号串扰失真后的信号；对所述通道信号执行采样，以得到采样信号；将所述采样信号输入神经网络模型，以获得所述神经网络模型输出的原始信号，所述神经网络模型为根据训练信号训练获得的人工神经网络。所述方法可采用神经网络模型，从因串扰而失真的通道信号中识别和恢复出原有数据信息，以解决高速互联信号传输中信道串扰的问题。
Description
技术领域
本发明涉及超大规模集成电路技术领域，具体涉及一种基于神经网络的抗串扰高速互联信号接收方法及系统。
背景技术
随着超大规模集成电路制造工艺的发展，高性能微处理器芯片的数字计算能力得到大幅提升，同时也对芯片与芯片之间的数据传输能力提出了更高的要求。为了满足高带宽传输的要求，高性能微处理器芯片常采用多个引脚端口并行传输数字信号。然而，由于芯片封装工艺和芯片面积的限制，导致增加芯片引脚数量较为困难，所以需要在有限的引脚上尽可能提高每个引脚的传输速率以提高总的传输带宽。同时相较于差分传输的方式，采用单端传输能节省一半的引脚数，从而进一步提高引脚的利用率。引脚利用率提高的同时信道密度也在同步提升。
微处理器芯片之间的高速互联信号传输常在印制电路板上进行。然而，随着引脚传输速率的提升，输出线与输出线之间存在互相电磁场耦合而产生的互相信号干扰，影响信号的完整性，导致数据传输的误码率提高。
减少串扰的常规方法包括加大线距、采用差分传输及增加屏蔽线。但是，这些方法降低引脚利用率或信道密度，难以满足高密度传输的要求。另一类常见的方法是交叉耦合均衡器，但是使用交叉耦合均衡器对电路的工艺偏差和环境比较敏感，只能作用于具有固定特性的信道，适用范围较小且抗串扰能力有限。
发明内容
本发明提供一种基于神经网络的抗串扰高速互联信号接收方法及系统，以解决高速互联信号传输中信道串扰的问题。
在第一方面，本发明提供一种基于神经网络的抗串扰高速互联信号接收方法，包括：
获取目标通道及所述目标通道相邻通道的通道信号；所述目标通道的通道信号为被所述相邻通道的通道信号串扰失真后的信号；
对所述通道信号执行采样，以得到采样信号；
将所述采样信号输入神经网络模型，以获得所述神经网络模型输出的原始信号，所述神经网络模型为根据训练信号训练获得的人工神经网络，所述训练信号为通过所述目标通道及所述目标通道相邻通道输入的随机数据生成的信号，所述训练信号被标记有原始信号标签。
可选的，所述获取目标通道及所述目标通道相邻通道的通道信号包括：
根据所述目标通道标记所述目标通道的相邻通道；
连接所述目标通道及目标通道相邻通道；
监听目标通道的信号及目标通道相邻通道的信号，得到所述通道信号。
可选的，所述监听目标通道的信号及目标通道相邻通道的信号后，所述方法还包括；
对所述目标通道的信号和所述目标通道相邻通道的信号进行预处理，得到所述通道信号；所述预处理包括对所述信号进行放大以及更改直流偏置。
可选的，对所述通道信号进行采样，得到采样信号包括：
获取所述目标通道及所述目标通道相邻通道的信号传输速率；
根据所述信号传输速率计算采样频率；所述采样频率为所述信号传输速率的K倍；其中，K为大于1的整数；
在所述通道信号的每个码元周期内以相等的时间间隔对所述通道信号采样K次，以得到所述采样信号。
可选的，所述方法还包括：
获取参与模型训练的训练信号数量；
随机生成所述训练信号数量个训练信号；所述训练信号长度为所述训练信号数量的已知二进制序列码；
构建初始神经网络模型；所述初始神经网络模型包括输入层、隐藏层和输出层；
将所述训练信号输入目标通道及目标通道相邻的通道，以及获取所述训练信号对应的训练通道信号；
对所述训练通道信号执行采样，以得到训练采样信号；
将所述训练采样信号输入至所述初始神经网络模型，以及根据所述神经网络模型输出结果反向传播，得到完成训练的神经网络模型。
可选的，将所述采样信号输入至所述神经网络，得到完成训练的神经网络包括：
将所述训练采样信号进行拼接，生成所述初始神经网络模型的输入层节点；
对所述输入层节点进行加权，生成所述初始神经网络模型的隐藏层节点；
对所述隐藏层节点进行加权和转化后生成输出层节点；
计算所述输出层节点与所述训练信号中原始信号标签的误差量；
若所述误差量小于预设阈值，则输出完成训练的所述神经网络模型；
若所述误差量大于或等于预设阈值，则根据所述误差量调整所述初始神经网络模型的模型参数。
可选的，对所述输入层节点进行加权，生成所述神经网络的隐藏层节点包括：
设置所述隐藏层的偏置参数；
通过隐藏层加权公式计算所述输入层节点对应的所述隐藏层节点；其中，所述隐藏层加权公式为：
；
；
其中，表示第/>个输入层节点，/>；/>表示隐藏层的第/>个中间节点，/>； ，ij是/>与/>之间的权重参数；/>是sigmoid激活函数；/>是经过激活后的第/>个隐藏层节点。
可选的，对所述隐藏层节点进行加权和转化后生成输出层节点包括：
设置所述输出层的偏置参数；
通过输出层加权公式计算所述隐藏层节点对应的所述输出层节点；
通过softmax函数将输出层的中间节点转化为概率分布值，所述概率分布值包括第一概率和第二概率；
若所述第一概率小于所述第二概率，则将所述训练信号对应的二进制序列码标记为0；若所述第一概率大于或等于所述第二概率，则将所述训练信号对应的二进制序列码标记为1。
可选的，所述输出层加权公式为：
；
；
；
其中，和/>是输出层的中间节点，/> ，j1和/> ，j2分别是/>与/>和/>之间的权重参数；/>是输出层的偏置参数。
在第二方面，本发明提供一种基于神经网络的抗串扰高速互联信号接收系统，所述系统包括：发送器和接收器；所述接收器采样器和神经网络；
所述发送器用于：获取目标通道及目标通道相邻通道的通道信号，并将所述通道信号发送至所述接收器；所述目标通道的通道信号为被所述相邻通道的通道信号串扰失真后的信号；
所述采样器用于：对所述通道信号执行采样，以得到采样信号；以及将所述采样信号输入神经网络模型；
所述神经网络用于：输出的原始信号，所述神经网络模型为根据训练信号训练获得的人工神经网络，所述训练信号为通过所述目标通道及所述目标通道相邻通道输入的随机数据生成的信号，所述训练信号被标记有原始信号标签。
由以上技术方案可知，本发明提供一种基于神经网络的抗串扰高速互联信号接收方法及系统，所述方法包括：获取目标通道及所述目标通道相邻通道的通道信号；所述目标通道的通道信号为被所述相邻通道的通道信号串扰失真后的信号；对所述通道信号执行采样，以得到采样信号；将所述采样信号输入神经网络模型，以获得所述神经网络模型输出的原始信号，所述神经网络模型为根据训练信号训练获得的人工神经网络。所述方法可采用神经网络模型，从因串扰而失真的通道信号中识别和恢复出原有数据信息，以解决高速互联信号传输中信道串扰的问题。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为一种基于集中电感电容元件的多通道PCB信道等效电路示意图；
图2为本发明实施例提供的神经网络抗串扰高速互联信号接收方法流程图；
图3为本发明实施例提供的训练神经网络模型的方法流程图；
图4为本发明实施例提供的神经网络模型结构示意图；
图5为本发明实施例提供的神经网络抗串扰高速互联信号接收系统结构示意图。
具体实施方式
为了使本技术领域的人员能够更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
如图1所示，为一种基于集总电感电容元件的并行多通道PCB（Printed CircuitBoard，印制电路板）信道的等效电路模型。每条传输线本身的电磁特性与多节电感和对地电容近似，传输线之间互相耦合的电容和互感则表征传输线之间的串扰现象。应当理解的是，非直接相邻的传输线之间也存在相互的电磁耦合，但是其耦合程度远小于直接相邻的传输线间的耦合程度。因此只需解决相邻的传输线之间的串扰。
在一些实施例中，减少串扰的方法包括加大线距、采用差分传输及增加屏蔽线。但是，这些方法降低引脚利用率或信道密度，难以满足高密度传输的要求。在一些实施例中，还可以使用交叉耦合均衡器降低传输线之间的串扰，但是使用交叉耦合均衡器对电路的工艺偏差和环境比较敏感，只能作用于具有固定特性的信道，适用范围较小且抗串扰能力有限。
为了解决高速互联信号传输过程中串扰的问题，参见图2，图2为神经网络抗串扰高速互联信号接收方法流程图，本发明实施例部分提供一种基于神经网络的抗串扰高速互联信号接收方法，包括：
S10：获取目标通道及目标通道相邻通道的通道信号；
获取目标通道及目标通道相邻通道的通道信号前，需要确定目标通道的位置，根据目标通道的位置确定与目标通道相邻通道的位置；
在确认目标通道及目标通道相邻通道的位置后，连接采样器和神经网络，采样器可以接收高速互联输出端输出的通道信息，其中，采样器接收的通道信号是经过预处理的通道信号。
在一些实施例中，通过模拟前端电路可以对通道信号进行预处理。例如通过模拟前端电路对通道信号进行放大以及更改直流偏置，可以使通道信号更适合于在后续的芯片电路中传递。但是，对通道信号进行预处理无法改善串扰对信号的影响，所以需要通过神经网络模型对通道信号执行数据恢复，以使被串扰影响的通道信号恢复至原有状态。
S20：对通道信号执行采样，以得到采样信号；
在获取通道信号后，可以使用采样器对通道信号执行采样，如图3所示，对通道信号执行采样包括以下步骤：
S201：获取目标通道及目标通道相邻通道的信号传输速率；
S202：根据信号传输速率计算采样频率；采样频率为信号传输速率的K倍；
S203：在通道信号的每个码元周期内以相等的时间间隔对通道信号采样K次，以得到采样信号。
其中，K为大于1的整数；由于采样器中包含有倍频采样时钟，需要获取目标通道及目标通道相邻通道的信号传输速率，根据目标通道及目标通道相邻通道的信号传输速率，来确定采样频率。例如，K等于3，在设目标通道及目标通道相邻通道的信号传输速率为f1，则倍频采样时钟的频率fs取为f1的3倍，即在信号的每个码元周期内以相等的时间间隔对信号采样3次。
可以理解的是，当K越大，则对每个信号的码元的采样点越多，越能精确的反映出信号在传输过程中的失真情况，从而提高神经网络模型的训练速度和识别准确率，但同时也提高了资源的消耗，由于芯片系统的工艺、复杂度和功耗方面的限制，K取值不宜过大。其中，在本实施例中，K取值可选为3-5。
S30：将采样信号输入神经网络模型，以获得神经网络模型输出的原始信号；
在将采样信号输入神经网络模型之前，需要建立训练神经网络模型，如图3和图4所示，图3训练神经网络模型的方法流程图，图4为神经网络模型结构示意图。其中，训练神经网络模型的步骤包括：
S301：获取参与模型训练的训练信号数量；
S302：随机生成训练信号数量个训练信号；
根据实际情况确定采样频率的倍数K后，需要设定训练信号数量，其中，训练信号长度为训练信号数量的已知二进制序列码；训练信号数量与训练信号长度一致，所以需要合理的设定训练信号数量。在确定好训练信号数量后，为目标通道和目标通道相邻通道各自独立生成一段长度为训练信号数量的已知二进制序列码。
可以理解的是，用于训练的二进制序列码需要具备随机性和复杂度，例如可以采用PRBS(Pseudo-Random Binary Sequence，伪随机二进制序列)码，以涵盖不同的码型变化情况下的串扰表现形式，使神经网络模型对目标通道的特性进行充分学习，提高神经网络模型的准确率。
S303：对训练通道信号执行采样，以得到训练采样信号；
S304：将训练采样信号输入至初始神经网络模型，以及根据神经网络模型输出结果反向传播，得到完成训练的神经网络模型。
其中，训练神经网络模型还包括以下步骤：
S3041：将训练采样信号进行拼接，生成初始神经网络模型的输入层节点；
在每一个码元周期内，目标通道的训练采样信号为，目标通道相邻通道的训练采样信号为/>。确定目标通道和目标通道相邻通道的训练采样信号后，将训练采样信号拼接成一个长为M的输入向量/>作为神经网络模型的输入层节点。
可以理解的是，目标通道的训练采样信号为被攻击线上的通道信号，目标通道相邻通道的采样信号为攻击线上的通道信号，被攻击线上的用于训练的数字序列信号由于遭受攻击线的串扰而表现出一定程度的失真，失真的信号将被以K倍频率时钟驱动的采样器采样。同时，由于串扰噪声的表现形式与攻击线上的信号相关，相邻攻击线上的信号同样需要被采样，并与被攻击线的采样结果一同输入至神经网络中作为训练样本。神经网络模型通过对目标通道的训练采样信号结合目标通道相邻通道的训练采样信号的特征的识别，可以更准确的识别和恢复出原有的数据信息，提高数据传输的准确率。
其中，由于对目标通道的训练采样信号采样K次，对目标通道相邻通道的训练采样信号采样K次，当目标通道相邻通道的数量为1时，M的值为K的两倍，当目标通道相邻通道的数量为2时，M的值为K的三倍。
S3042：对输入层节点进行加权，生成初始神经网络模型的隐藏层节点；
其中，对输入层节点进行加权，生成神经网络的隐藏层节点包括：设置隐藏层的偏置参数；通过隐藏层加权公式计算输入层节点对应的隐藏层节点；其中，隐藏层加权公式为：
；
；
其中，表示第/>个输入层节点，/>；/>表示隐藏层的第/>个中间节点，/>； ,ij是/>与/>之间的权重参数；/>是sigmoid激活函数；/>是经过激活后的第/>个隐藏层节点。
通过对输入层节点进行加权计算得到隐藏层节点，实现对输入层的信息进行特征提取。在对输入层的信息进行特征提取后，使用sigmoid激活函数可以对隐藏层节点进行缩放，使隐藏层节点的数值缩放在介于0-1之间的值。
S3043：对隐藏层节点进行加权和转化后生成输出层节点；
其中，对隐藏层节点进行加权和转化包括：
设置输出层的偏置参数；通过输出层加权公式计算隐藏层节点对应的输出层节点；
通过softmax函数将输出层的中间节点转化为概率分布值，概率分布值包括第一概率和第二概率；
若第一概率小于所述第二概率，则将训练信号对应的二进制序列码标记为0；若第一概率大于或等于第二概率，则将训练信号对应的二进制序列码标记为1。
其中，输出层加权公式如下所示：
；
；
；
和/>是输出层的中间节点，/> , />和/> , />分别是/>与/>和/>之间的权重参数；是输出层的偏置参数，/>为转化函数。
通过对隐藏层中间节点进行加权计算，得到输出层的中间节点和/>，然后再过转化函数将输出层中间节点转化为第一概率和第二概率，再通过判断第一概率和第二概率的大小，进而判断输入信息的结果。
例如，当通过转化函数将/>和/>转化为第一概率和第二概率，为了方便说明，第一概率记为/>，第二概率记为/>。当/>时，将表示输入的码元为0，当/>时，表示输入的码元为1。将输入层中间节点通过隐藏层和输出层全部计算完成后，输出原始信号，其中，原始信号为二进制组成的原始码元序列。
S3044：计算原始码元与训练信号中原始信号标签的误差量；
通过计算输出层节点；若误差量小于预设阈值，则输出完成训练的神经网络模型；若误差量大于或等于预设阈值，则根据误差量调整初始神经网络模型的模型参数。
通过计算误差量，实现对神经网络模型输出结果进行评判。其中，计算误差量的公式如下：
；
其中，和/>是预期的输出节点值，/>和/>是实际输出节点值，E为误差量。若误差值E小于预设阈值，则神经网络模型符合实际使用要求，表示训练完成。若误差值E大于或等于预设阈值，再根据误差值E调整初始神经网络模型的模型参数，重新训练神经网络模型，使神经网络模型的误差量小于预设阈值。
可以理解的是，在重新训练神经网络模型的过程中，可以根据梯度下降法调整神经网络模型中的各个参数，梯度下降法是通过沿着误差平方和的最速下降方向，为神经网络模型中各个模型参数附加一个修正量。公式如下所示：
；
；
；
；
；
其中， , />、/> , />和/> , />是修正后的权重参数，/>和/>是修正后的偏置参数，/>是神经网络模型的学习率。使用梯度下降法修正后的权重参数和偏置参数有利于降低使目标输出和实际输出之间的误差率，提高神经网络模型对通道信号的识别率。
在一些实施例中，还可以通过一些指标来评判神经网络模型的性能，例如精确率、召回、指标F。精确率可以表示神经网络模型对通道信号识别结果中的正确概率，精确率最好为1，最差为0。召回率可以表示神经网络模型对通道信号的正确识别概率，召回率最好为1，最差为0。指标F综合了精确率和召回率的结果，较高的F说明神经网络模型具有较高的有效性和鲁棒性。其中，精确率、召回率和指标F的公式如下：
；
；
；
其中，Precision为精确率，Recall为召回率，为预期的正类被识别为正类的数量，/>为预期的负类被识别为正类的数量，/>为预期的正类被识别为负类的数量。
可以理解的是，每条信号通道在传输过程中，由于信号通道与信号通道之间的电磁场耦合而产生的相互信号干扰，但是对于每一个信号通道其与相邻的信号通道的电磁场耦合情况不一致，所以导致神经网络模型在更换信号通道后，需要重新训练，以满足当前信号通道识别的正确率。
在一些实施例中，如图5所示，本发明还提供一种基于神经网络的抗串扰高速互联信号接收系统，包括：发送器和接收器；接收器包括采样器和神经网络。
发送器用于：获取目标通道及目标通道相邻通道的通道信号，并将通道信号发送至接收器；目标通道的通道信号为被相邻通道的通道信号串扰失真后的信号；
采样器用于：对通道信号执行采样，以得到采样信号；以及将采样信号输入神经网络模型；
神经网络用于：输出的原始信号，神经网络模型为根据训练信号训练获得的人工神经网络，训练信号为通过目标通道及目标通道相邻通道输入的随机数据生成的信号，训练信号被标记有原始信号标签。
在一些实施例中，接收器还包括模拟前端电路，模拟前端电路用于对通道信号进行预处理，使通道信号可以更好传输。
上述系统中在应用前述方法时的作用效果可参见前述方法实施例中的说明，在此不再赘述。
由以上技术方案可知，本发明提供一种基于神经网络的抗串扰高速互联信号接收方法及系统，所述方法包括：获取目标通道及目标通道相邻通道的通道信号；目标通道的通道信号为被相邻通道的通道信号串扰失真后的信号；对通道信号执行采样，以得到采样信号；将采样信号输入神经网络模型，以获得神经网络模型输出的原始信号，神经网络模型为根据训练信号训练获得的人工神经网络，所述方法可采用神经网络模型，实现从因串扰而失真的通道信号中识别和恢复出原有数据信息，以解决高速互联信号传输中信道串扰的问题。
本发明提供的实施例之间的相似部分互相参见即可，以上提供的具体实施方式只是本发明总的构思下的几个示例，并不构成本发明保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本发明方案所扩展出的任何其他实施方式都属于本发明的保护范围。
Claims (10)
1.一种基于神经网络的抗串扰高速互联信号接收方法，其特征在于，包括：
获取目标通道及所述目标通道相邻通道的通道信号；所述目标通道的通道信号为被所述相邻通道的通道信号串扰失真后的信号；
对所述通道信号执行采样，以得到采样信号；
将所述采样信号输入神经网络模型，以获得所述神经网络模型输出的原始信号，所述神经网络模型为根据训练信号训练获得的人工神经网络，所述训练信号为通过所述目标通道及所述目标通道相邻通道输入的随机数据生成的信号，所述训练信号被标记有原始信号标签。
2.根据权利要求1所述的方法，其特征在于，所述获取目标通道及所述目标通道相邻通道的通道信号包括：
根据所述目标通道标记所述目标通道的相邻通道；
连接所述目标通道及目标通道相邻通道；
监听目标通道的信号及目标通道相邻通道的信号，得到所述通道信号。
3.根据权利要求2所述的方法，其特征在于，所述监听目标通道的信号及目标通道相邻通道的信号后，所述方法还包括；
对所述目标通道的信号和所述目标通道相邻通道的信号进行预处理，得到所述通道信号；所述预处理包括对所述信号进行放大以及更改直流偏置。
4.根据权利要求1所述的方法，其特征在于，对所述通道信号进行采样，得到采样信号包括：
获取所述目标通道及所述目标通道相邻通道的信号传输速率；
根据所述信号传输速率计算采样频率；所述采样频率为所述信号传输速率的K倍；其中，K为大于1的整数；
在所述通道信号的每个码元周期内以相等的时间间隔对所述通道信号采样K次，以得到所述采样信号。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取参与模型训练的训练信号数量；
随机生成所述训练信号数量个训练信号；所述训练信号长度为所述训练信号数量的已知二进制序列码；
构建初始神经网络模型；所述初始神经网络模型包括输入层、隐藏层和输出层；
将所述训练信号输入目标通道及目标通道相邻的通道，以及获取所述训练信号对应的训练通道信号；
对所述训练通道信号执行采样，以得到训练采样信号；
将所述训练采样信号输入至所述初始神经网络模型，以及根据所述神经网络模型输出结果反向传播，得到完成训练的神经网络模型。
6.根据权利要求5所述的方法，其特征在于，将所述采样信号输入至所述神经网络，得到完成训练的神经网络包括：
将所述训练采样信号进行拼接，生成所述初始神经网络模型的输入层节点；
对所述输入层节点进行加权，生成所述初始神经网络模型的隐藏层节点；
对所述隐藏层节点进行加权和转化后生成输出层节点；
计算输出层节点与所述训练信号中原始信号标签的误差量；
若所述误差量小于预设阈值，则输出完成训练的所述神经网络模型；
若所述误差量大于或等于预设阈值，则根据所述误差量调整所述初始神经网络模型的模型参数。
7.根据权利要求6所述的方法，其特征在于，对所述输入层节点进行加权，生成所述神经网络的隐藏层节点包括：
设置所述隐藏层的偏置参数；
通过隐藏层加权公式计算所述输入层节点对应的所述隐藏层节点；其中，所述隐藏层加权公式为：
；
；
其中，表示第/>个输入层节点，/>；/>表示隐藏层的第/>个中间节点，/>；/> ，ij是与/>之间的权重参数；b1是隐藏层的偏置参数；/>是sigmoid激活函数；/>是经过激活后的第/>个隐藏层节点。
8.根据权利要求7所述的方法，其特征在于，对所述隐藏层节点进行加权和转化后生成输出层节点包括：
设置所述输出层的偏置参数；
通过输出层加权公式计算所述隐藏层节点对应的所述输出层节点；
通过softmax函数将输出层的中间节点转化为概率分布值，所述概率分布值包括第一概率和第二概率；
若所述第一概率小于所述第二概率，则将所述训练信号对应的二进制序列码标记为0；若所述第一概率大于或等于所述第二概率，则将所述训练信号对应的二进制序列码标记为1。
9.根据权利要求8所述的方法，其特征在于，所述输出层加权公式为：
；
；
；
其中，和/>是输出层的中间节点，/> ，j1和/> ，j2分别是/>与/>和/>之间的权重参数；/>是输出层的偏置参数。
10.一种基于神经网络的抗串扰高速互联信号接收系统，其特征在于，所述系统包括：发送器，接收器；所述接收器包括采样器和神经网络；
所述发送器用于：获取目标通道及目标通道相邻通道的通道信号，并将通道信号发送至所述接收器；所述目标通道的通道信号为被所述相邻通道的通道信号串扰失真后的信号；
所述采样器用于：对所述通道信号执行采样，以得到采样信号；以及将所述采样信号输入神经网络模型；
所述神经网络用于：输出的原始信号，所述神经网络模型为根据训练信号训练获得的人工神经网络，所述训练信号为通过所述目标通道及所述目标通道相邻通道输入的随机数据生成的信号，所述训练信号被标记有原始信号标签。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310293420.2A CN116016065B (zh) | 2023-03-24 | 2023-03-24 | 基于神经网络的抗串扰高速互联信号接收方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310293420.2A CN116016065B (zh) | 2023-03-24 | 2023-03-24 | 基于神经网络的抗串扰高速互联信号接收方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116016065A CN116016065A (zh) | 2023-04-25 |
| CN116016065B true CN116016065B (zh) | 2023-08-04 |
Family
ID=86033863
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310293420.2A Active CN116016065B (zh) | 2023-03-24 | 2023-03-24 | 基于神经网络的抗串扰高速互联信号接收方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116016065B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101651643A (zh) * | 2009-09-18 | 2010-02-17 | 南京信息工程大学 | 基于空间分集的小波神经网络盲均衡方法 |
| CN108566257A (zh) * | 2018-04-27 | 2018-09-21 | 电子科技大学 | 一种基于反向传播神经网络的信号恢复方法 |
| CN110224956A (zh) * | 2019-05-06 | 2019-09-10 | 安徽继远软件有限公司 | 基于干扰清洗和两阶段训练卷积神经网络模型的调制识别方法 |
| WO2020220439A1 (zh) * | 2019-04-29 | 2020-11-05 | 东北大学 | 基于深度神经网络的高速公路交通流量状态识别方法 |
| CN114726702A (zh) * | 2022-05-26 | 2022-07-08 | 为准（北京）电子科技有限公司 | 信道频偏的估计和补偿方法及装置 |
| CN114844749A (zh) * | 2022-04-26 | 2022-08-02 | 电子科技大学 | 基于神经网络的光纤信道估计方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10187171B2 (en) * | 2017-03-07 | 2019-01-22 | The United States Of America, As Represented By The Secretary Of The Navy | Method for free space optical communication utilizing patterned light and convolutional neural networks |
| US20180357530A1 (en) * | 2017-06-13 | 2018-12-13 | Ramot At Tel-Aviv University Ltd. | Deep learning decoding of error correcting codes |
| US11764828B2 (en) * | 2020-06-17 | 2023-09-19 | IonQ, Inc. | Crosstalk reduction in multi-channel acousto-optic modulators |
-
2023
- 2023-03-24 CN CN202310293420.2A patent/CN116016065B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101651643A (zh) * | 2009-09-18 | 2010-02-17 | 南京信息工程大学 | 基于空间分集的小波神经网络盲均衡方法 |
| CN108566257A (zh) * | 2018-04-27 | 2018-09-21 | 电子科技大学 | 一种基于反向传播神经网络的信号恢复方法 |
| WO2020220439A1 (zh) * | 2019-04-29 | 2020-11-05 | 东北大学 | 基于深度神经网络的高速公路交通流量状态识别方法 |
| CN110224956A (zh) * | 2019-05-06 | 2019-09-10 | 安徽继远软件有限公司 | 基于干扰清洗和两阶段训练卷积神经网络模型的调制识别方法 |
| CN114844749A (zh) * | 2022-04-26 | 2022-08-02 | 电子科技大学 | 基于神经网络的光纤信道估计方法 |
| CN114726702A (zh) * | 2022-05-26 | 2022-07-08 | 为准（北京）电子科技有限公司 | 信道频偏的估计和补偿方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 面向硬件实现的深度神经网络模型优化与加速方法研究;陈凯;《中国优秀硕士学位论文全文数据库（电子期刊）》(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116016065A (zh) | 2023-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108566257B (zh) | 一种基于反向传播神经网络的信号恢复方法 | |
| CN109995449B (zh) | 一种基于深度学习的毫米波信号检测方法 | |
| US9014251B2 (en) | Rank-order equalization | |
| US8649445B2 (en) | Methods and systems for noise resilient, pin-efficient and low power communications with sparse signaling codes | |
| US20170111192A1 (en) | Vector signaling codes with high pin-efficiency for chip-to-chip communication and storage | |
| Lin et al. | Learning of time-frequency attention mechanism for automatic modulation recognition | |
| CN109412725B (zh) | 无线电通信pcma信号盲解调方法及装置 | |
| CN111462000B (zh) | 一种基于预训练自编码器的图像恢复方法及装置 | |
| CN113205140B (zh) | 基于生成式对抗网络的半监督式特定辐射源个体识别方法 | |
| CN112115821A (zh) | 一种基于小波近似系数熵的多信号智能调制模式识别方法 | |
| Goay et al. | Eye diagram contour modeling using multilayer perceptron neural networks with adaptive sampling and feature selection | |
| 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 | |
| CN116016065B (zh) | 基于神经网络的抗串扰高速互联信号接收方法及系统 | |
| Liu et al. | Modulation recognition with pre‐denoising convolutional neural network | |
| CN112422208B (zh) | 未知信道模型下基于对抗式学习的信号检测方法 | |
| CN111446998B (zh) | 基于深度学习的波达方向估计方法 | |
| CN115102674B (zh) | 基于Bi-LSTM网络的高速链路预测眼图方法 | |
| CN106777506A (zh) | 一种时钟数据恢复电路的抖动容限仿真验证方法 | |
| Luo et al. | Fast response prediction method based on bidirectional long short-term memory for high-speed links | |
| Ma et al. | Radar working mode recognition based on hierarchical feature representation and clustering | |
| Kalade et al. | Using sequence to sequence learning for digital bpsk and qpsk demodulation | |
| CN114070415A (zh) | 一种光纤非线性均衡方法及系统 | |
| CN114337883A (zh) | 协方差矩阵Cholesky分解的CNN协作频谱感知方法及系统 | |
| CN114337745A (zh) | 一种模型驱动深度学习的大规模mimo信号检测方法 | |
| CN116761223B (zh) | 利用5g基带芯片实现4g射频通信的方法及车载射频系统 |
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 |