[發明專利]一種基于深度學習的系統檢測方法

有效

• 申請號: 202011024526.5
• 申請日: 2020-09-25
• 公開（公告）號: CN112215335B
• 公開（公告）日: 2023-05-23
• 發明（設計）人: 謝文武;楊錦霞;吳宇;向良軍;彭鑫;朱鵬;余超;王子箏;肖健;廖儉武;黃婷玉;彭思瑾
• 申請（專利權）人: 湖南理工學院;湖南基石通信技術有限公司
• 主分類號: G06N3/0464
• 分類號: G06N3/0464;G06N3/084
• 代理公司: 重慶百潤洪知識產權代理有限公司 50219
• 代理人: 陳萬江

1.一種基于深度學習的系統檢測方法，其特征在于，包括：

確定神經網絡，所述神經網絡包括輸入層、隱藏層和輸出層；

獲得輸出層向隱藏層傳遞的關系和隱藏層向輸出層傳遞的關系，確定隱藏層的層數；

確定神經網絡的權值變化量和神經網絡的閾值變化量；

對接收到的信號基于神經網絡進行信道估計；

獲得濾波器系數組，并基于所述濾波器系數組確定神經網絡的權值的初始值；

計算所述神經網絡的網絡訓練的代價函數；

輸出神經網絡的修正后的權值、神經網絡的修正后的閾值、隱藏層的層數和所述神經網絡的網絡訓練的代價函數。

2.根據權利要求1所述的一種基于深度學習的系統檢測方法，其特征在于：所述輸出層向隱藏層傳遞的關系其中x_i表示神經網絡輸入層第i個神經元節點；w_ij表示輸入層第i個神經元節點和隱藏層第j個節點之間的連接權值；b_j為隱藏層第j個節點的閾值。

3.根據權利要求2所述的一種基于深度學習的系統檢測方法，其特征在于：所述隱藏層第j個神經元節點的輸出O_j＝f(z_j)。

4.根據權利要求3所述的一種基于深度學習的系統檢測方法，其特征在于：所述輸出層第t個神經元輸出

5.根據權利要求4所述的一種基于深度學習的系統檢測方法，其特征在于：所述神經網絡的修正后的權值為w_jt(N+1)＝w_jt(N)-ηΔw_jt，其中η表示梯度下降的步長,w_jt(N)表示N時刻第j個神經元到第t個輸出神經元的權重值；

所述神經網絡的修正后第N+1時刻第t個輸出神經元的閾值為b_t(N+1)＝w_jt(N)-ηΔb_t，其中

6.根據權利要求5所述的一種基于深度學習的系統檢測方法，其特征在于：所述隱藏層的層數其中H為隱藏層的層數，I為輸入層的個數，O為輸出層的個數，T為1到10的隨機數。

7.根據權利要求6所述的一種基于深度學習的系統檢測方法，其特征在于：所述神經網絡的網絡訓練的代價函數其中s_m，k為第m根天線的第k個用戶發送的已調符號；為第m根天線的第k個用戶發送的估計符號；mse表征為所有天線和用戶的總體均方最小誤差。

8.根據權利要求1所述的一種基于深度學習的系統檢測方法，其特征在于：所述濾波器系數組其中為接收到的信號基于神經網絡進行信道估計的信道估計值。