[發明專利]一種基于模型驅動深度學習的信號檢測方法

有效

• 申請號: 202011451458.0
• 申請日: 2020-12-09
• 公開（公告）號: CN112637093B
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 李軍;李文鑫;何波;付文文;張少蔚;韓永力;石鈞;高鶴
• 申請（專利權）人: 齊魯工業大學
• 主分類號: H04L25/02
• 分類號: H04L25/02;H04L27/26;G06N3/08;G06N3/04
• 代理公司: 濟南格源知識產權代理有限公司 37306
• 代理人: 韓洪淼

1.一種基于模型驅動深度學習的信號檢測方法，其特征在于，所述方法包括以下步驟：

步驟1：基于OFDM無線通信系統框架生成ChannelEstNet和SignalDetNet所需的數據集，ChannelEstNet數據集的特征信息來自發送信號的導頻處信道頻域、接收信號的導頻信息，根符號處的信道響應矩陣分配標簽，SignalDetNet數據集特征信息來自ChannelEstNet輸出的信道估計信息、接收信號信息，根據原發送符號分配標簽；

步驟2：將步驟1所述的ChannelEstNet和SignalDetNet的數據集樣本進行歸一化處理，并且重新分為12000組訓練集用于離線訓練，3000組驗證集用于驗證模型的性能和2000組測試集用于網絡性能的在線測試；

步驟3：基于步驟2中所述的訓練樣本數據，利用線性判別分析LDA算法對特征信息進行線性降維，將多種維度的特征信息作為ChannelEstNet和SignalDetNet網絡模型的輸入；

步驟4：將步驟3中所述數據中接收信號中的導頻信息和發送端的導頻信息輸入到ChannelEstNet網絡中進行自學習，接收信號信息以及ChannelEstNet估計的信道信息CSI輸入到SignalDetNet中進行自學習，兩者都是將深度學習網絡與通信算法結合，以類似于常規通信系統的逐塊信號處理方式構造，其中ChannelEstNet子網絡DNN-1的初始化由LMMSE和LS設置權重，SignalDetNet網絡對LSTM待處理數據采用ZF預檢測處理；信道估計模塊：ChannelEstNet采用模型驅動型深度學習構建方法，由DNN網絡結合基于DFT的MMSE估計器組合構成，其中子網絡DNN-1共5層，其中3層隱含層，每層神經元的數量為16，1024,1024,1024和128；子網絡DNN-2共3層，每層神經元的數量為128，1024,128，激活函數均為Tanh；信號檢測模塊：SignalDetNet通過型驅動型深度學習構建方法，由ZF檢測器、LSTM網絡和FC-DNN網絡組合構成，其中LSTM子網絡有3層隱含層，時間步長設置為64，分別有30、20、16個隱含單元，狀態激活函數是Relu函數；FC-DNN子網絡有3層分別有64、64和48個神經元，激活函數采用Sigmoid函數；

步驟5：ChannelEstNet采用接收導頻和已知的發送導頻輸入MMSE預處理生成的導頻處信道信息參數h_MMSE進行DNN-1訓練生成初步估計的OFDM符號處信道頻域狀態信息，將該信道頻域狀態參數進行IDFT時域平滑去噪聲，DFT轉換至頻域后進行DNN-2訓練得到最終的信道狀態信息，接下來將信道估計信息和接收的數據符號進行ZF檢測處理生成初步估計的已調信號X_ZF，結合估計信息和接收數據信號輸入SignalDetNet子網絡LSTM+DNN中進行信號檢測模型訓練；

步驟6：根據由步驟1、步驟2、步驟3、步驟4和步驟5所建立的模型替代OFDM系統的接收端信道估計和信號檢測部分進行在線測試。

2.根據權利要求1所述的一種基于模型驅動深度學習的信號檢測方法，其特征在于：所述步驟2中對數據集的處理，先進行歸一化處理，訓練方式以復數形式數據輸入神經網絡，信道數據將實部虛部獨立拆分存儲。

3.根據權利要求1所述的一種基于模型驅動深度學習的信號檢測方法，其特征在于：所述的OFDM無線通信系統中導頻的插入采用自適應導頻分配方法如下:

(1)K＝1,選擇第K幀數據采用導頻占子載波最小比例傳輸；

(2)在接收端根據第K幀數據得到估計的信道參數確定要下一幀所采取的導頻與數據占比M_K；

(3)K＝K+1，發送端根據導頻與數據占比數M_K，在第K幀數據插入導頻；

(4)跳轉至步驟(2)估計信道參數判斷下一幀導頻占比。