[發明專利]一種自干擾消除方法及裝置

有效

• 申請號: 202011289525.3
• 申請日: 2020-11-17
• 公開（公告）號: CN112491442B
• 公開（公告）日: 2021-12-28
• 發明（設計）人: 唐燕群;魏璽章;伍哲舜;黃海風;賴濤;王青松;王小青
• 申請（專利權）人: 中山大學
• 主分類號: H04B1/525
• 分類號: H04B1/525;G06N3/04;G06N3/08
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 陳旭紅;吳落

本發明公開了一種自干擾消除方法及裝置，包括：t時刻獲取基帶信號x(t)，將基帶信號x(t)導入輸入層和卷積層的訓練模型得到輸出信號；訓練模型包括：在輸入層引入三維張量，在卷積層設置復數卷積層結構；將輸出信號輸入LSTM層，LSTM層用于處理帶有時序的序列，輸出結果至全連接層，全連接層用于對輸出結果進行數據的維度變換，得到維度變換結果；根據維度變換結果輸入至輸出層，輸出層輸出兩個神經元。本發明通過在輸入層中引入三維張量，在卷積層設置復數卷積層結構，分別設計了兩種重建自干擾信號的網絡結構，充分利用卷積神經網絡局部感知和權值共享的優勢，從而在高維特征中學習到更抽象的低維特征，從而能提高自干擾消除的效果。

技術領域

本發明涉及全雙工通信領域技術領域，尤其涉及一種自干擾消除方法及裝置。

背景技術

面對自干擾信號中包含的射頻器件造成的非線性效應，傳統方法需要結合相關先驗知識來建立數學模型以刻畫非線性效應，之后再通過信道估計方法來獲得模型參數，重建自干擾信號。

由于極其依賴相關先驗知識，如果發生模型失配的情況，將會導致消除效果嚴重惡化，而人工設計模型估計相關參數的方法效率較為低下。并且結合傳統深度神經網絡存在以下劣勢，全連接層神經網絡僅僅是利用了多層感知機與非線性激活函數具有一定程度能夠減少特征提取過程以及對待擬合函數非線性近似的能力，而無法針對特有的高維數據存在空頻相關性、時間相關性等特點進行處理。

發明內容

本發明目的在于，提供一種自干擾消除方法及裝置，通過在輸入層中引入三維張量，在卷積層設置復數卷積層結構，分別設計了兩種重建自干擾信號的網絡結構，充分利用卷積神經網絡局部感知和權值共享的優勢，能夠捕捉到數據的空頻特性，從而在高維特征中學習到更抽象的低維特征，從而能提高自干擾消除的效果。

為實現上述目的，本發明實施例提供一種自干擾消除方法，其特征在于，包括：

t時刻獲取基帶信號x(t)，將所述基帶信號x(t)導入輸入層和卷積層的訓練模型得到輸出信號，所述訓練模型包括：在所述輸入層引入三維張量，在所述卷積層設置復數卷積層結構；

將所述輸出信號輸入LSTM層，所述LSTM層用于處理帶有時序的序列，輸出結果至全連接層，所述全連接層用于對所述輸出結果進行數據的維度變換，得到維度變換結果；

根據所述維度變換結果輸入至輸出層，所述輸出層輸出兩個神經元。

優選地，所述在所述輸入層引入三維張量，包括：

所述基帶信號x(t)，分為實部和虛部；

根據所述實部和虛部構建三維張量，所述三維張量還包括原始數據的樣本量和記憶長度；

將所述三維張量輸入所述卷積層，完成所述訓練模型，得到輸出信號。

優選地，所述基帶信號x(t)，所述輸入層分為實部輸入層和虛部輸入層；

根據所述實部輸入層和虛部輸入層，分別輸入所述卷積層進行復卷積，得到實部復卷積層和虛部復卷積層，再進行級聯，完成所述訓練模型，得到輸出信號。

優選地，所述根據所述實部和虛部，分別輸入所述卷積層進行復卷積，得到實部復卷積層和虛部復卷積層，再進行級聯，完成所述訓練模型，得到輸出信號，還包括：

所述復卷積，如下：

其中，x,y分別代表樣本實部虛部，A,B代表復卷積核。

本發明實施例提供還提供一種自干擾消除裝置，應用于上述任一實施例中的一種自干擾消除方法，包括: