[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

本發明公開了一種基于深度學習的系統檢測方法，本方法包括確定神經網絡，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，加快深度學習的收斂速度。在離線深度學習模式下，優化系統結構，提升系統整體性能。

技術領域

本發明涉及移動通信技術領域，具體領域為一種基于深度學習的系統檢測方法。

背景技術

移動通信技術發展至今，頻譜資源日趨緊張。同時，為了滿足飛速增長的移動業務需求，諸多業內學者開始尋找一種既能滿足用戶體驗又能提高頻譜效率新的移動通信技術。在此背景之下，一種新的多址方式-非正交多址接入(Non?Orthogonal?MultipleAccess,NOMA)技術被提出。

NOMA技術因其利用復雜的接收機設計獲取良好的頻譜效率，受到了諸多的關注，并成為中國5G關鍵技術之一，NOMA的核心理念是在發送端使用疊加碼(SuperpositionCoding,SC)，而在接收端使用串行干擾消除(Successive?Interference?Cancellation,SIC)。通過上述操作，NOMA可在相同的時頻資源塊上，通過不同的功率級在功率域實現多址接入。對于信道狀況不好的用戶，發送信息時分配較大的功率，而信道狀況較好的用戶則反之。在發送端，基站通過相同的時頻資源與所有用戶通信，即通過SC技術。在接收端，通過SIC進行接收，通常根據用戶功率大小進行干擾消除，首先，先將所有信號中功率較大的作為有用信號，將其他信號作為干擾，進行解調，然后將解調出的有用信號減去，依次類推，直到解調出該用戶的信息。SIC方案雖然可以以此來逐步達到消除接收信號中的多址干擾，但是SIC方案性能的實現卻嚴重依賴于干擾信號的參數和信道的估計參數，如果在參數估計不準確或者信道環境不合理情況下，SIC方案將會失去意義。尤其針對多用戶NOMA-MIMO系統，由于簇之間、用戶之間的干擾過多，采用SIC方案必然無法獲得理想的接收機性能。

發明內容

本發明的目的在于提供一種基于深度學習的系統檢測方法，以解決上述背景技術中提出的問題。

為實現上述目的，本發明提供如下技術方案：一種基于深度學習的系統檢測方法，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。

優選的，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。

優選的，所述隱藏層第j個神經元節點的輸出O_j＝f(z_j)。

優選的，所述輸出層第t個神經元輸出