[發(fā)明專利]基于聯(lián)合學(xué)習(xí)的噪聲水平未知條件下的盲調(diào)制識(shí)別方法和裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202110187412.0
• 申請(qǐng)日: 2021-02-18
• 公開（公告）號(hào): CN112910811B
• 公開（公告）日: 2022-05-20
• 發(fā)明（設(shè)計(jì)）人: 陳為;喬建森;艾勃
• 申請(qǐng)（專利權(quán)）人: 北京交通大學(xué)
• 主分類號(hào): H04L27/00
• 分類號(hào): H04L27/00;G06N3/04;G06N3/08;H04B17/373
• 代理公司: 北京市商泰律師事務(wù)所 11255
• 代理人: 麻吉鳳

1.一種基于聯(lián)合學(xué)習(xí)的噪聲水平未知條件下的盲調(diào)制識(shí)別方法，其特征在于，包括：

步驟1，獲取用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集、驗(yàn)證集以及用于測(cè)試模型性能的測(cè)試集；

步驟2，構(gòu)建聯(lián)合學(xué)習(xí)調(diào)制識(shí)別網(wǎng)絡(luò)JDMC-Net；

步驟3，訓(xùn)練所述聯(lián)合學(xué)習(xí)調(diào)制識(shí)別網(wǎng)絡(luò)JDMC-Net；

步驟4，使用訓(xùn)練好的所述聯(lián)合學(xué)習(xí)調(diào)制識(shí)別網(wǎng)絡(luò)JDMC-Net，預(yù)測(cè)接收信號(hào)的調(diào)制類型；

所述步驟2包括:

構(gòu)建去噪自編碼器網(wǎng)絡(luò)，抑制輸入信號(hào)的噪聲干擾，其輸入數(shù)據(jù)是加噪信號(hào)，輸出數(shù)據(jù)為去噪后的數(shù)據(jù)，維度保持不變，監(jiān)督學(xué)習(xí)的標(biāo)簽是未加噪聲信號(hào)，最后一層的損失函數(shù)為MSE均方誤差損失函數(shù)，去噪自編碼器網(wǎng)絡(luò)由卷積層、池化層和激活函數(shù)層實(shí)現(xiàn)；

構(gòu)建深度神經(jīng)分類網(wǎng)絡(luò)CDNN，其輸入數(shù)據(jù)為去噪后數(shù)據(jù)，輸出數(shù)據(jù)為對(duì)應(yīng)類別標(biāo)簽向量，維度等于預(yù)選調(diào)制方式種類數(shù)量，監(jiān)督學(xué)習(xí)的標(biāo)簽是信號(hào)對(duì)應(yīng)的調(diào)制種類，最后一層的損失函數(shù)為交叉熵?fù)p失函數(shù)Cross entropy loss function；

將去噪自編碼器網(wǎng)絡(luò)和CDNN聯(lián)合構(gòu)建以及將所述MSE均方誤差損失函數(shù)與所述交叉熵?fù)p失函數(shù)進(jìn)行線性聯(lián)合，形成聯(lián)合學(xué)習(xí)網(wǎng)絡(luò)JDMC-Net；數(shù)據(jù)的連接層均為全連接層，并加入批歸一化層來防止梯度消失和梯度彌散，激活函數(shù)層選用relu激活函數(shù)，對(duì)輸入進(jìn)行點(diǎn)對(duì)點(diǎn)的閾值判斷限制。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟1包括:

根據(jù)通信系統(tǒng)實(shí)際所采用的調(diào)制方案集合M，隨機(jī)選取第i種調(diào)制方式M_i；并根據(jù)所述調(diào)制方式的星座點(diǎn)分布確定已調(diào)信號(hào)x(t)；

由信道引入信道效應(yīng)h(t)，包括：隨機(jī)相位抖動(dòng)載波偏移Δf、發(fā)射器和接收器之間的時(shí)間偏移ε，從而得到包含信道效應(yīng)的信號(hào)s(t)＝h(t)*x(t)；

由AWGN噪聲特性，在信號(hào)中加入隨機(jī)功率的噪聲，得到加噪后信號(hào)y(t)＝h(t)*x(t)+n(t)；

將所述s(t)、y(t)經(jīng)過抽樣，得到一定長(zhǎng)度的信號(hào)向量為訓(xùn)練模型的輸入數(shù)據(jù)；

確定訓(xùn)練集的標(biāo)簽為未加噪聲的數(shù)據(jù)以及當(dāng)前數(shù)據(jù)對(duì)應(yīng)調(diào)制類別M_i，將調(diào)制識(shí)別問題進(jìn)一步模型化為給定信號(hào)的多標(biāo)簽分類問題；以輸入數(shù)據(jù)和標(biāo)簽的格式按照預(yù)定比例產(chǎn)生深度神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練集、驗(yàn)證集和測(cè)試集。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，

所述MSE函數(shù)為：y_i是網(wǎng)絡(luò)的預(yù)測(cè)值，是標(biāo)簽值；

所述交叉熵?fù)p失函數(shù)層的損失函數(shù)為：f(x)＝∑_i∈lp_i；其中，f(x)表示標(biāo)簽集合，p_i表示正確類別的概率；

所述relu激活函數(shù)定義為relu(x)＝max{0，x}，x表示函數(shù)的輸入值，max{}表示輸出{}集合中的最大元素。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟3包括：

所述聯(lián)合學(xué)習(xí)調(diào)制識(shí)別網(wǎng)絡(luò)JDMC-Net的優(yōu)化算法為帶動(dòng)量的BGD批量梯度下降，設(shè)置模型的相關(guān)參數(shù)；

在每個(gè)周期訓(xùn)練結(jié)束，在測(cè)試集上測(cè)試模型的驗(yàn)證準(zhǔn)確率，并保存模型參數(shù)。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

步驟5：依照所述步驟1的方法，使用與訓(xùn)練集和驗(yàn)證集相同的信道條件和調(diào)制方式，生成添加不同信噪比的測(cè)試數(shù)據(jù)集，使用保存好的模型在測(cè)試集上做測(cè)試，得到對(duì)應(yīng)的數(shù)據(jù)的準(zhǔn)確率。

6.一種基于聯(lián)合學(xué)習(xí)的噪聲水平未知條件下的盲調(diào)制識(shí)別裝置，其特征在于，包括：

獲取單元，準(zhǔn)備用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集、驗(yàn)證集以及用于測(cè)試模型性能的測(cè)試集；

構(gòu)建單元，構(gòu)建聯(lián)合學(xué)習(xí)調(diào)制識(shí)別網(wǎng)絡(luò)JDMC-Net；

訓(xùn)練單元，訓(xùn)練所述聯(lián)合學(xué)習(xí)調(diào)制識(shí)別網(wǎng)絡(luò)JDMC-Net；

預(yù)測(cè)單元，使用訓(xùn)練好的所述聯(lián)合學(xué)習(xí)調(diào)制識(shí)別網(wǎng)絡(luò)JDMC-Net，預(yù)測(cè)接收信號(hào)的調(diào)制類型；

所述的構(gòu)建單元，具體用于構(gòu)建去噪自編碼器網(wǎng)絡(luò)，抑制輸入信號(hào)的噪聲干擾，其輸入數(shù)據(jù)是加噪信號(hào)，輸出數(shù)據(jù)為去噪后的數(shù)據(jù)，維度保持不變，監(jiān)督學(xué)習(xí)的標(biāo)簽是未加噪聲信號(hào)，最后一層的損失函數(shù)為MSE均方誤差損失函數(shù)，去噪自編碼器網(wǎng)絡(luò)由卷積層、池化層和激活函數(shù)層實(shí)現(xiàn)；

構(gòu)建深度神經(jīng)分類網(wǎng)絡(luò)CDNN，其輸入數(shù)據(jù)為去噪后數(shù)據(jù)，輸出數(shù)據(jù)為對(duì)應(yīng)類別標(biāo)簽向量，維度等于預(yù)選調(diào)制方式種類數(shù)量，監(jiān)督學(xué)習(xí)的標(biāo)簽是信號(hào)對(duì)應(yīng)的調(diào)制種類，最后一層的損失函數(shù)為交叉熵?fù)p失函數(shù)Cross entropy loss function；

將去噪自編碼器網(wǎng)絡(luò)和CDNN聯(lián)合構(gòu)建以及將所述MSE均方誤差損失函數(shù)與所述交叉熵?fù)p失函數(shù)進(jìn)行線性聯(lián)合，形成聯(lián)合學(xué)習(xí)網(wǎng)絡(luò)JDMC-Net；數(shù)據(jù)的連接層均為全連接層，并加入批歸一化層來防止梯度消失和梯度彌散，激活函數(shù)層選用relu激活函數(shù)，對(duì)輸入進(jìn)行點(diǎn)對(duì)點(diǎn)的閾值判斷限制。