[發明專利]一種機器學習疊加訓練序列幀同步方法

有效

• 申請號: 202011498196.3
• 申請日: 2020-12-17
• 公開（公告）號: CN112688772B
• 公開（公告）日: 2022-08-26
• 發明（設計）人: 卿朝進;饒川貴;余旺;唐書海;郭奕
• 申請（專利權）人: 西華大學
• 主分類號: H04L7/00
• 分類號: H04L7/00;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 成都方圓聿聯專利代理事務所(普通合伙) 51241
• 代理人: 茍銘

1.一種機器學習疊加訓練序列幀同步方法，其特征在于，包括以下步驟：

將接收機接收到的發射機采用疊加訓練序列方式生成的發射幀信號進行預處理，獲得其歸一化度量矢量；

將該歸一化度量矢量輸入訓練完成的幀同步網絡FSN-Net中，獲得其幀同步估計值，實現幀同步；

將根據幀同步估計值得到的幀同步估計信號輸入訓練完成的估計與均衡子網絡EstEqu-Net中，獲得發射幀信號的估計值；

通過發射幀信號的估計值和疊加訓練序列方式，消除疊加訓練序列并解調出發射幀信號中的解調數據；

其中，幀同步網絡FSN-Net基于ELM網絡模型構建，估計與均衡子網絡EstEqu-Net基于深度神經網絡構建；

其中，所述發射幀信號通過疊加訓練序列方式獲得，如下：

x＝αs+(1-α)c；

其中，α表示疊加因子，由工程經驗設定，表示長度為M的訓練序列，表示長度為M的已調數據序列，表示M維復數域；

所述歸一化度量矢量的獲得包括：

S21將兩幀相同的訓練序列s拼接為長度為2M的雙訓練序列如下：

S22依次從雙訓練序列中截取長度為M的序列，生成截取序列如下：

S23通過互相關處理，得到所述截取序列和接收信號矢量y的互相關度量Γ_t，如下：

S24收集M個所述互相關度量Γ_t構成互相關度量矢量γ，如下：

γ＝[Γ₀,Γ₁,…,Γ_M-1]^T，γ滿足

其中，表示M維實數域；

S25對所述互相關度量矢量γ進行歸一化處理，得到歸一化互相關度量矢量如下：

其中，上標T表示轉置操作，上標H表示共軛轉置操作，||γ||表示度量矢量γ的Frobenius范數；

所述幀同步網絡FSN-Net包括：

1個輸入層，1個隱藏層，1個輸出層；其中，所述輸入層的節點數及所述輸出層的節點數均與訓練序列長度M相等，所述隱藏層節點數為其中，m的值根據工程經驗設置；所述隱藏層的激活函數為sigmoid函數；

所述幀同步網絡FSN-Net的訓練包括：

S31收集N_t個長度為M的接收信號樣本序列并構建樣本序列集合

S32對樣本序列集合中的每個信號序列進行如步驟S21-S25的預處理，得到歸一化互相關度量矢量序列其形成歸一化互相關度量集合

S33基于同步偏移值τ_i,i＝1,2,…,N_t，通過one-hot編碼獲得樣本序列對應的標簽序列T_i,i＝1,2,…,N_t，形成標簽集合

其中τ_i可根據統計信道模型或根據實際場景結合現有方法或設備收集得到，標簽T_i,i＝1,2,…,N_t通過one-hot編碼得到，如下：

S34根據高斯隨機分布產生每個歸一化互相關度量矢量的權重和偏置將歸一化度量互相關度量矢量作為幀同步網絡FSN-Net輸入層的輸入，形成對應標簽的隱藏層輸出，如下：

其中，σ(·)表示激活函數；

S35收集N_t個隱藏層輸出，形成輸出矩陣H，即：

其中，

S36根據隱藏層輸出矩陣H和標簽集合T，利用下式求得輸出權重β：

其中，表示H的Moore–Penrose偽逆；

S37保存模型參數W，b和β，得到訓練完成的幀同步網絡FSN-Net；

所述幀同步估計信號的獲得包括：

S38收集長度為2M的接收信號樣本序列從序列的起始點開始，截取長度為M的序列，獲得在線接收信號樣本序列根據步驟S21-S25對y_online進行預處理得到在線歸一化度量互相關度量矢量將送入幀同步網絡FSN-Net中學習出輸出向量如下：

S39找到輸出向量O中幅度平方的最大值的索引位置，即幀同步估計值如下：

S310根據幀同步估計值和接收信號樣本序列獲得幀同步估計信號，如下：

所述估計與均衡子網絡EstEqu-Net包括：

1個輸入層，r_H個隱藏層，1個輸出層；其中，所述輸入層節點數及所述輸出層的節點數均與訓練序列的長度M相等,所述隱藏層各層節點數依次為l₁M_D,l₂M_D,...,l_i≥2,i＝1,...,r_H，其中，r_H≥2；所述隱藏層以Leaky ReLU函數作為激活函數，該估計與均衡子網絡EstEqu-Net的損失函數為均方誤差損失函數；

所述估計與均衡子網絡EstEqu-Net的訓練包括：

將幀同步估計信號作為訓練輸入、發射幀信號矢量x作為訓練標簽的訓練集合對網絡進行訓練，至誤差收斂后保存網絡模型和參數，得到訓練完成的網絡；

利用估計與均衡子網絡EstEqu-Net得到的發射幀信號估計值消除疊加訓練序列并解調出發射幀信號中的解調數據包括：

S51將發射幀信號估計值消除疊加序列得到估計數據序列如下：

其中，α表示疊加因子，表示長度為M的訓練序列；

S52對估計數據序列解調得到解調數據