[發(fā)明專利]一種毫米波點(diǎn)對點(diǎn)通信信道均衡方法

有效

• 申請?zhí)枺?/td>: 202110254010.8
• 申請日: 2021-05-20
• 公開（公告）號: CN113037668B
• 公開（公告）日: 2023-03-10
• 發(fā)明（設(shè)計(jì)）人: 柴利;樂程放;唐慧;楊君
• 申請（專利權(quán)）人: 武漢科技大學(xué)
• 主分類號: H04L25/03
• 分類號: H04L25/03;G06F30/27;G06N3/045;G06N3/08
• 代理公司: 湖北武漢永嘉專利代理有限公司 42102
• 代理人: 胡琳萍

本發(fā)明提出一種毫米波點(diǎn)對點(diǎn)通信信道均衡方法，其特征在于記錄已知的發(fā)送數(shù)據(jù)和接收數(shù)據(jù)形成數(shù)據(jù)庫，通過數(shù)據(jù)庫搭建和訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)由接收數(shù)據(jù)直接恢復(fù)得到原始發(fā)送數(shù)據(jù)；包括如下步驟：建立數(shù)據(jù)庫；劃分?jǐn)?shù)據(jù)集；構(gòu)建神經(jīng)網(wǎng)絡(luò)并設(shè)置8個(gè)超參數(shù)；確定代價(jià)函數(shù)和性能評價(jià)指標(biāo)；由接收數(shù)據(jù)直接恢復(fù)得到原始發(fā)送數(shù)據(jù)。使用點(diǎn)對點(diǎn)單輸入單輸出通信，所用數(shù)據(jù)庫的輸入和輸出具有直接對應(yīng)關(guān)系，可直接從卷積神經(jīng)網(wǎng)絡(luò)輸出原始發(fā)送信號，而不是輸出原始發(fā)送信號的條件概率分布，均衡過程更加直接。

技術(shù)領(lǐng)域

本發(fā)明屬于無線通信技術(shù)領(lǐng)域，尤其涉及一種毫米波點(diǎn)對點(diǎn)通信信道均衡技術(shù)。

背景技術(shù)

隨著無線通信載波頻率和帶寬的變大，無線通信的數(shù)據(jù)量也急劇增加，學(xué)者們開始將機(jī)器學(xué)習(xí)應(yīng)用到無線通信領(lǐng)域。參考文獻(xiàn)1：陳敏華,李楊,張武雄.基于卷積神經(jīng)網(wǎng)絡(luò)的信道均衡算法[J].計(jì)算機(jī)應(yīng)用與軟件,2017,34(9):257-261.DOI:10.3969/j.issn.1000-386x.2017.09.050.將自適應(yīng)信道均衡問題建模為一個(gè)可以用神經(jīng)網(wǎng)絡(luò)求解的多分類問題，并基于softmax回歸分析來求解分類的條件概率。如果發(fā)送信號可以表示為k點(diǎn)星座圖，那么信道均衡問題就可以被建模為一個(gè)k分類的回歸問題，并利用卷積神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)k分類。該卷積神經(jīng)網(wǎng)絡(luò)的輸入特征是維度為2*N的接收信號，其中N表示接收機(jī)接收信號的滑動(dòng)窗口長度，2表示將接收的復(fù)數(shù)數(shù)據(jù)拆分為實(shí)部和虛部；輸出標(biāo)簽為發(fā)送信號的估計(jì)值。該文獻(xiàn)利用信道探測儀對一個(gè)典型通信場景進(jìn)行實(shí)測來建立數(shù)據(jù)集。搭建的網(wǎng)絡(luò)包含兩個(gè)卷積層，一個(gè)全連接層和一個(gè)softmax算法回歸分析層。其中卷積層采用了多個(gè)不同的卷積核尺寸來驗(yàn)證學(xué)習(xí)效果的差異。

參考文獻(xiàn)2：楊旸,李揚(yáng),周明拓.基于數(shù)據(jù)驅(qū)動(dòng)深度學(xué)習(xí)方法的無線信道均衡[J].中興通訊技術(shù),2018,24(2):25-29.DOI:10.3969/j.issn.1009-6868.2018.02.006.同樣將信道均衡問題建模為條件概率分布學(xué)習(xí)的問題，利用自制的8輸入8輸出通信系統(tǒng)采集數(shù)據(jù)建立學(xué)習(xí)數(shù)據(jù)庫，與文獻(xiàn)1不同的是作者在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上添加了數(shù)據(jù)驅(qū)動(dòng)環(huán)節(jié)，搭建卷積-循環(huán)神經(jīng)網(wǎng)絡(luò)CRNN來進(jìn)行信道均衡，第一部分是卷積神經(jīng)網(wǎng)絡(luò)，第二部分是循環(huán)神經(jīng)網(wǎng)絡(luò)。參考文獻(xiàn)2中的卷積-循環(huán)神經(jīng)網(wǎng)絡(luò)CRNN包括兩個(gè)卷積層，兩個(gè)卷積層中間是Dropout層，作用是降低神經(jīng)網(wǎng)絡(luò)過擬合的可能性。第個(gè)卷積層后接池化層，作用是減少連接數(shù)，降低復(fù)雜度，且可局部相似性特征。卷積神經(jīng)網(wǎng)絡(luò)后接著是循環(huán)神經(jīng)網(wǎng)絡(luò)部分，LSTM為長短時(shí)記憶單元，作用是克服信道的時(shí)變特性，最后交由softmax單元進(jìn)行歸一化并輸出發(fā)送符號的條件概率分布。

參考文獻(xiàn)1和2利用深度學(xué)習(xí)實(shí)現(xiàn)信道均衡的技術(shù)存在的共同缺點(diǎn)在于：

1、數(shù)據(jù)庫的建立依賴于信道探測儀對信道進(jìn)行實(shí)測，而信道測量所需的設(shè)備成本往往較高，不易于實(shí)現(xiàn)。

2、所提的信道均衡算法并未明確適用的載波頻率范圍。當(dāng)頻率升高至毫米波乃至太赫茲頻段，上述兩種方法往往會(huì)面臨數(shù)據(jù)庫建立困難的問題，可擴(kuò)展性低。

3、二者均是以發(fā)送信號的條件概率分布作為神經(jīng)網(wǎng)絡(luò)的輸出，而不是直接輸出原始發(fā)送信號，學(xué)習(xí)結(jié)束尚需對學(xué)習(xí)結(jié)果進(jìn)行轉(zhuǎn)換。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題在于建立一種基于卷積神經(jīng)網(wǎng)絡(luò)的毫米波點(diǎn)對點(diǎn)通信信道均衡方法，實(shí)現(xiàn)由接收信號數(shù)據(jù)流直接恢復(fù)原始發(fā)送信號數(shù)據(jù)流，而不使用傳統(tǒng)的信道均衡器。

為了解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案是：

一種毫米波點(diǎn)對點(diǎn)通信信道均衡方法，其特征在于記錄已知的發(fā)送數(shù)據(jù)和接收數(shù)據(jù)形成數(shù)據(jù)庫，通過數(shù)據(jù)庫搭建和訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)由接收數(shù)據(jù)直接恢復(fù)得到原始發(fā)送數(shù)據(jù)；包括如下步驟：

步驟1、建立數(shù)據(jù)庫：獲取特定通信場景下的信道參數(shù)，并根據(jù)信道參數(shù)的數(shù)量級修改瑞利信道，以修改后的基于瑞利信道的仿真模型搭建100Ghz頻率的點(diǎn)對點(diǎn)單輸入單輸出通信仿真模型；依據(jù)所述點(diǎn)對點(diǎn)單輸入單輸出通信仿真模型獲取傳輸數(shù)據(jù)流；