[發明專利]一種基于循環神經網絡的信道編碼類型盲識別方法

有效

• 申請號: 201811435212.7
• 申請日: 2018-11-28
• 公開（公告）號: CN109525369B
• 公開（公告）日: 2020-05-12
• 發明（設計）人: 黃川;沈博瀟;吳弘毅
• 申請（專利權）人: 電子科技大學
• 主分類號: H04L1/00
• 分類號: H04L1/00;H04L12/24;G06N3/04
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 周劉英

1.一種基于循環神經網絡的信道編碼類型盲識別方法，其特征在于，包括下列步驟：

步驟1：構建識別信道編碼類型的循環神經網絡模型：

步驟101：構建循環神經網絡的訓練樣本，包括生成待識別的信道編碼序列作為訓練網絡的正樣本，生成非待識別序列作為網絡訓練的負樣本；

其中非待識別序列為不同于待識別的信道編碼序列的其他信道編碼序列、不進行編碼的序列和不含有信息的純噪聲序列；

所述信道編碼序列為：采用不同的碼長、碼率生成首尾相接的碼字，再進行數字調制處理后，得到對應的信道編碼序列；

對每段信道編碼序列，在[1,N]的范圍里等概率地選取一個整數作為一段接收序列的起點，基于起點，向后截取長度為l的序列，得到對應當前信道編碼序列的接收序列，并在給定的信噪比范圍內，在得到的每段接收序列中加入高斯噪聲，作為一個訓練樣本，其中N為碼長，l選取需要保證截取的接收序列中至少含有一個完整的碼字；

步驟102：將步驟101構建的訓練樣本隨機分為兩部分，一部分用于訓練循環神經網絡，調整網絡參數；一部分用于在訓練過程中調整網絡超參數；

步驟103：構建及訓練循環神經網絡模型：

所述循環神經網絡模型包括輸入層、包括注意力機制的激活層、全連接層和輸出層；

其中，輸入層的輸入向量為將每個訓練樣本分割為長度為b的子序列段，用t表示當前時刻，則對于單個訓練樣本，當前時刻的輸入向量記為x^t，即x^t的維度為b×1；

包括注意力機制的激活層的基本單元為門控循環單元，對于每個輸入向量x^t，其在每個時刻的輸出狀態h^t為：其中中間變量符號表示哈達瑪積，激活函數W_z、W_r、W、U_z、U_r和U表示內部的權重矩陣，用s×1表示輸出狀態h^t的維度，則權重矩陣W_z,W_r,W的維度為s×b，權重矩陣U_z,U_r,U的維度為s×s；

基于不同時刻的輸出狀態所提取的特征向量h為：其中權重系數權重系數u_w的維度為s×1，權重系數u_t＝tanh(W_ah^t)，其中W_a表示維度為s×s的注意力機制部分的權重矩陣，符號()^T表示矩陣轉置；

全連接層采用的激活函數為雙曲正切函數；

輸出層為Softmax層，輸出結果為對待識別類型的二分分類結果；

基于預設的損失函數、以及抑制過擬合的方式對所述循環神經網絡模型進行訓練，當滿足預設的迭代收斂條件時，結束訓練過程，得到訓練好的循環神經網絡模型；

步驟2：對待識別信道編碼類型的一段待識別接收序列，按長度b分割為多段待識別子序列，分別將每段待識別子序列輸入訓練好的循環神經網絡模型中，得到每段待識別子序列的識別結果，最后采用少數服從多數的原則得到當前待識別接收序列的信道編碼類型結果。

2.如權利要求1所述的方法，其特征在于，碼字的信息序列設置為：獨立等概率的生成的0和1構成的序列。

3.如權利要求1所述的方法，其特征在于，權重矩陣W_z、W_r、W、U_z、U_r和U的初始化方式為：正交初始化。

4.如權利要求1所述的方法，其特征在于，權重矩陣W_a和權重系數u_w的初始化方式為：采用截斷高斯分布初始化，均值為0，方差為σ²。