[發明專利]信號檢測及模型訓練方法、裝置、設備及存儲介質

在審

• 申請號: 202110675785.2
• 申請日: 2021-06-21
• 公開（公告）號: CN113971430A
• 公開（公告）日: 2022-01-25
• 發明（設計）人: 李新增;金婕;馬天鳴;張嘉
• 申請（專利權）人: 上海工程技術大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/06;G06N3/08
• 代理公司: 北京致科知識產權代理有限公司 11672
• 代理人: 魏紅雅

1.一種信號檢測方法，其特征在于，包括：

對接收信號進行解調獲得對應的解調數據；

對所述解調數據提取實部和虛部，形成所述解調數據對應的實數數據；

將所述實數數據輸入到預先訓練獲得的目標深度學習網絡模型，獲得輸出結果；

根據所述輸出結果，獲得原始發送信號的檢測結果。

2.根據權利要求1所述的方法，其特征在于，所述對接收信號進行解調獲得對應的解調數據，包括：

對所述接收信號進行串并轉換，獲得對應的并行信號；

采用逆原型濾波器對所述并行信號進行逆濾波，獲得逆濾波結果；

對所述逆濾波結果進行快速傅里葉變換，獲得第一變換結果；

對所述第一變換結果刪除初始相位，獲得所述解調數據。

3.根據權利要求1所述的方法，其特征在于，所述根據所述輸出結果，獲得原始發送信號的檢測結果，包括：

采用Viterbi譯碼算法對所述輸出結果進行譯碼及并串轉換，獲得原始發送信號的檢測結果。

4.根據權利要求1所述的方法，其特征在于，所述目標深度學習網絡模型為目標LSTM網絡模型；

所述方法還包括：

獲取當前傳輸信號的目標信道的特征數據；

將所述目標信道的特征數據輸入到訓練好的信道分類模型，獲得所述目標信道的場景類型，所述信道分類模型為深度神經網絡模型；

根據所述目標信道的場景類型獲取對應的目標LSTM參數；

將基于所述目標LSTM參數的網絡模型作為所述目標LSTM網絡模型。

5.根據權利要求4所述的方法，其特征在于，所述方法還包括：

獲取信道訓練特征數據及對應的標簽數據；

基于所述信道訓練特征數據及對應的標簽數據，對預先建立的深度神經網絡進行訓練，若損失達到第一預設條件，則結束訓練，獲得所述深度神經網絡模型。

6.一種信號檢測的模型訓練方法，其特征在于，包括：

獲取訓練數據集，所述訓練數據集包括訓練輸入數據和訓練監督數據；

采用所述訓練數據集對預先建立的深度學習網絡進行訓練，當訓練輸出結果相對于所述訓練監督數據的損失達到第二預設條件時，結束訓練，獲得訓練好的目標深度學習網絡模型。

7.一種信號檢測裝置，其特征在于，包括：

解調模塊，用于對接收信號進行解調獲得對應的解調數據；

提取模塊，用于對所述解調數據提取實部和虛部，形成所述解調數據對應的實數數據；

檢測模塊，用于將所述實數數據輸入到預先訓練獲得的目標深度學習網絡模型，獲得輸出結果；

處理模塊，用于根據所述輸出結果，獲得原始發送信號的檢測結果。

8.根據權利要求7所述的裝置，其特征在于，所述目標深度學習網絡模型為目標LSTM網絡模型；

所述裝置還包括：

第一獲取模塊，用于獲取當前傳輸信號的目標信道的特征數據；

分類模塊，用于將所述目標信道的特征數據輸入到訓練好的信道分類模型，獲得所述目標信道的場景類型，所述信道分類模型為深度神經網絡模型；

確定模塊，用于根據所述目標信道的場景類型獲取對應的目標LSTM參數，并將基于所述目標LSTM參數的網絡模型作為所述目標LSTM網絡模型。

9.一種電子設備，其特征在于，包括：存儲器、收發器及至少一個處理器；

所述處理器、所述存儲器與所述收發器通過電路互聯；

所述存儲器存儲計算機執行指令；所述收發器，用于接收發送端發送的信號；

所述至少一個處理器執行所述存儲器存儲的計算機執行指令，使得所述至少一個處理器執行如權利要求1-6任一項所述的方法。

10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質中存儲有計算機執行指令，當處理器執行所述計算機執行指令時，實現如權利要求1-6任一項所述的方法。