[發明專利]基于DNN神經網絡的單樣本極化濾波器系數預測方法

有效

• 申請號: 201911385728.X
• 申請日: 2019-12-27
• 公開（公告）號: CN111159891B
• 公開（公告）日: 2022-03-15
• 發明（設計）人: 黨小宇;張嘉紋;楊凌輝
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06N3/04;G06N3/08
• 代理公司: 南京鐘山專利代理有限公司 32252
• 代理人: 上官鳳棲

基于DNN神經網絡的單樣本極化濾波器系數預測方法，DNN深度神經網絡模型可以直接從接收的混合信號數據特征中尋找變量間的相關特性，以此優化迭代網絡權重和偏置，通過對訓練過程的損失函數變化進行監測，對網絡訓練參數，例如網絡深度、激活函數以及學習率等進行調整優化，尋找最優模型參數。通過在不同的信噪比條件下，對傳統算法與DNN模型的誤碼率性能對比分析表明，在高信噪比約大于15dB時，DNN網絡對單樣本極化濾波器系數預測更加準確。

技術領域

本發明屬于數字通信領域，具體涉及基于DNN神經網絡的單樣本極化濾波器系數預測方法，用于解決海面無線通信鏈路受大氣噪聲干擾嚴重且通信系統誤碼率性能較低的問題。

背景技術

短波通信技術由于其高速的數據傳輸特性得到了廣泛應用。它具有抗干擾性強、設備簡單、造價低廉和使用方便等特點，所以被普遍應用于軍事等部門。由于地波傳播方式具有穩定性的特點，受天氣、晝夜及氣候變化影響較小，因此本專利采用短波地波通信技術作為海上通信方式。

海面短波傳播環境復雜，受大氣噪聲影響較大，準確的單樣本極化濾波器系數預測對于通信系統的誤碼率性能提高有著重要的理論指導意義。傳統算法是依據提取到的噪聲信息產生單樣本極化濾波器系數，噪聲信息的提取是通過一個不包含目標信號中心頻率的帶通濾波器進行截取得到，在截取時會有少量目標信號混入使單樣本極化濾波器下降。

大氣噪聲作為海上電波傳播的主要干擾源。其主要是由于雷電瞬時放電引起的，具有很強的隨機性和不確定性，由于其幅度分布具有較厚的拖尾，是一種具有較大波動且幅度可變的過程。

單樣本極化濾波器是在極化域下根據帶通濾波器提取的包含水平極化和垂直極化方向兩路信號的噪聲信息構造而成，適用于具有一個或多個獨立干擾源的平穩或非平穩極化干擾信號的極化處理。其主要功能是將經過調制系統后得到的混合信號中的噪聲干擾信號進行抑制，從而使整個通信系統的誤碼率性能得以提高。

近期無線通信領域與機器學習的結合得到了很快的發展。因此，構造一個DNN神經網絡模型，直接從接收端的混合信號中自動反演生成單樣本極化濾波器參數，實現在不同信噪比下的單樣本極化濾波器系數預測，是非常有必要的。

發明內容

本發明針對現有技術中的不足，將單樣本極化濾波器應用于海面短波通信鏈路中，基于傳統算法在提取噪聲信息時會受到目標信號的影響，提供一種DNN神經網絡的單樣本極化濾波器系數預測方法，實現在不同信噪比下提供更準確的系數預測。

為實現上述目的，本發明采用以下技術方案：

基于DNN神經網絡的單樣本極化濾波器系數預測方法，其特征在于，包括如下步驟：

步驟1：對大氣噪聲采用Alpha穩定分布模型進行建模；

步驟2：設計一個不包含目標信號主瓣頻率的FIR帶通濾波器，將接收的混合信號通過帶通濾波器截取出噪聲干擾信號，其中，混合信號包括目標信號和大氣噪聲；

步驟3：根據噪聲干擾信號構造單樣本極化濾波器系數；

步驟4：將噪聲干擾信號作為DNN網絡模型的輸入，單樣本極化濾波器系數作為模型的輸出，對輸入輸出的數據進行預處理；

步驟5：設計DNN網絡模型；

步驟6：將預處理后的數據通過搭建好的DNN網絡模型進行訓練，尋找合適的損失函數與優化器，不斷更新DNN網絡模型的權重，最終獲得使損失函數最小化的DNN網絡模型；在調制系統中使用該DNN網絡模型訓練得到單樣本極化濾波器系數。

為優化上述技術方案，采取的具體措施還包括：

進一步地，步驟1中，Alpha穩定分布模型由下式的特征函數E[e^jθX]給出：