[發(fā)明專利]一種基于深度學習的空間調制網絡中聯合檢測方法

有效

• 申請?zhí)枺?/td>: 202010594156.2
• 申請日: 2020-06-28
• 公開（公告）號: CN111769862B
• 公開（公告）日: 2022-11-11
• 發(fā)明（設計）人: 張文奇;劉林;蔣昕怡;束鋒;鄒駿;夏桂陽
• 申請（專利權）人: 南京理工大學
• 主分類號: H04B7/08
• 分類號: H04B7/08;G06N3/02
• 代理公司: 廣東遠勝智和知識產權代理事務所(普通合伙) 44665
• 代理人: 鄒藍

1.一種基于深度學習的空間調制網絡中聯合檢測方法，其特征在于：所述方法利用信道和接收信號產生訓練樣本，組成訓練集，利用原始數據比特產生標簽，用訓練集和標簽訓練深度神經網絡，訓練完成后，向深度神經網絡輸入信道和接收信號，得到輸出，即為信號檢測結果；所述方法包括以下具體步驟：

S1.將信道處理為實值行向量，將接收信號處理為實值行向量，二者堆疊生成訓練樣本，一批樣本組成訓練集，將原始數據比特處理為獨熱編碼形式，生成對應于訓練集的標簽；相關過程如下：

在空間調制系統(tǒng)中，若發(fā)射天線數為N_t，采用M階相位幅度調制，則一個時隙傳輸β＝(log₂N_t+log₂M)個比特數據，它們被調制為N_t個天線索引之一j和M個星座符號之一n，一共有N_t×M種可能；假設第i個樣本對應第n種可能，則該樣本對應的標簽用獨熱編碼形式表示為：

其中y⁽ⁱ⁾_n＝1表示該樣本對應第n種可能；

假設一個訓練批次共有t個時隙對應的t個樣本，則該訓練批次的標簽y為：

S2.使用Tensorflow框架，采用隨機梯度下降法，引入Adam自適應學習率方法和正則化方法，搭建DNN，使用訓練集及其標簽訓練深度神經網絡；

S3.向深度神經網絡輸入信道和接收信號，得到輸出，即為信號檢測結果；每當信道矩陣和接收信號發(fā)生變化時，將其輸入DNN，即可得到輸出，即為檢測結果；在DNN訓練好之后，只要信道的隨機分布不發(fā)生改變，便無需進行新的訓練。

2.根據權利要求1所述的一種基于深度學習的空間調制網絡中聯合檢測方法，其特征在于：利用信道和接收信號產生訓練樣本，組成訓練集，利用原始數據比特產生標簽，具體步驟為：將信道處理為實值行向量，將接收信號處理為實值行向量，二者堆疊生成訓練樣本，一批樣本組成訓練集，將原始數據比特處理為獨熱編碼形式，生成對應于訓練集的標簽。

3.根據權利要求1所述的一種基于深度學習的空間調制網絡中聯合檢測方法，其特征在于：使用訓練集合訓練深度神經網絡，具體步驟為：使用Tensorflow框架，采用隨機梯度下降法，引入Adam自適應學習率方法和正則化方法，搭建DNN，使用訓練集及其標簽訓練深度神經網絡。

4.根據權利要求1所述的一種基于深度學習的空間調制網絡中聯合檢測方法，其特征在于：向深度神經網絡輸入信道和接收信號，得到輸出，即為信號檢測結果，具體步驟為：向深度神經網絡輸入信道和接收信號，得到輸出，即為信號檢測結果；每當信道矩陣和接收信號發(fā)生變化時，將其輸入DNN，即可得到輸出，即為檢測結果；在DNN訓練好之后，只要信道的隨機分布不發(fā)生改變，便無需進行新的訓練。