[發明專利]一種基于殘差神經網絡的單通道時頻混疊信號盲分離方法

有效

• 申請號: 202110520047.0
• 申請日: 2021-05-13
• 公開（公告）號: CN113271272B
• 公開（公告）日: 2022-09-13
• 發明（設計）人: 侯小琪;曾泓然
• 申請（專利權）人: 侯小琪
• 主分類號: H04L25/03
• 分類號: H04L25/03;G06N3/08;G06N3/04
• 代理公司: 北京中索知識產權代理有限公司 11640
• 代理人: 唐亭

1.一種基于殘差神經網絡的單通道時頻混疊信號盲分離方法，其特征在于，包括以下步驟：

步驟1：獲取單通道時頻混疊信號；

步驟2：根據步驟1得到的混疊信號，構造數據集，數據集包括訓練集和測試集；

訓練集和測試集構造過程如下：

提取混合信號的實部和虛部作為網絡訓練特征；

分別提取兩路源信號各自的實部和虛部作為目標樣本；

將網絡訓練特征和目標樣本構造為二維矩陣，形成數據集；

步驟3：搭建殘差神經網絡，所述殘差神經網絡為多尺度堆疊時域殘差神經網絡，包括特征提取模塊、分離系數計算模塊和波形恢復模塊；

特征提取模塊對輸入的一維混合信號進行特征提取，將其由信號空間映射到高維特征空間中，得到信號對應的特征表示，表示為x_feature：

x_feature＝h_{feature-mapping}(x)

其中，h_{feature-mapping}為特征映射操作，包括1×1卷積、層歸一化、PRelu激活函數、深度可分離卷積、ReLu激活函數功能；

分離系數計算模塊包括三個時域殘差堆疊塊，每一個時域殘差堆疊塊包含三個多尺度殘差單元塊和一個一維反卷積層；根據提取到的特征x_feature估計各個源的分離系數β，然后將特征與分離系數點乘，得到各個源對應的特征s_sep-feature：

β＝f_sep(x_feature)

其中，f_sep為包含時域殘差堆疊塊的分離系數計算模塊；

波形恢復模塊完成輸出從特征空間到信號空間的映射，將各個源對應的特征s_sep-feature映射回信號空間，恢復源信號波形s^*：

s^*＝h_{signal-mapping}(s_sep-feature)

其中：h_{signal-mapping}為信號映射操作，包括一維反卷積操作，層歸一化和PReLu激活函數；

步驟4：創建自定義的網絡損失函數，輸出loss值供網絡使用梯度下降法進行優化：

其中，θ為網絡可優化參數，l_MSE為loss值，和分別表示多尺度堆疊時域殘差神經網絡輸出的第一路和第二路分離信號，和分別表示第一路和第二路標簽源信號；l_MSE1表示對應對應l_MSE2剛好與l_MSE1的對應關系相反，表示對應對應標簽

步驟5：將混疊信號輸入步驟3得到的殘差神經網絡，通過步驟2得到的數據集對殘差神經網絡進行訓練和測試，得到分離后的兩路源信號波形，完成時頻混疊信號的盲分離；

包括以下過程：

將數據按固定長度分為多段等長序列；

將固定數量的序列組合為mini_batch，輸入神經網絡；

通過反向梯度下降算法對各個部分的參數進行更新，使用Adam優化算法進行迭代優化；

網絡輸出分離后的兩路源信號波形；

步驟6：將步驟5得到的源信號波形送入解調器解調即可得到分離信號的比特數據。

2.根據權利要求1所述的一種基于殘差神經網絡的單通道時頻混疊信號盲分離方法，其特征在于，所述步驟1中混疊信號通過以下方法處理得到：

x(t)＝As(t)+n(t)

其中：x(t)為混合信號，A為混合矩陣，s(t)為源信號，n(t)為信道噪聲。

3.基于權利要求1～2任一種所述方法的分離裝置，其特征在于，包括：

信號獲取模塊：用于獲取單通道時頻混疊信號；

構造模塊：用于根據單通道時頻混疊信號構造殘差神經網絡所需數據集；

信號分離模塊：采用訓練好的殘差神經網絡獲得源信號波形；

解調模塊：用于將源信號波形進行解調。