CN110826703B - 一种基于协作式时变双向循环神经网络通信信号检测方法 - Google Patents

一种基于协作式时变双向循环神经网络通信信号检测方法 Download PDF

Info

Publication number
CN110826703B
CN110826703B CN201911265807.7A CN201911265807A CN110826703B CN 110826703 B CN110826703 B CN 110826703B CN 201911265807 A CN201911265807 A CN 201911265807A CN 110826703 B CN110826703 B CN 110826703B
Authority
CN
China
Prior art keywords
neural network
time
layer
sequence
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911265807.7A
Other languages
English (en)
Other versions
CN110826703A (zh
Inventor
孙黎
王宇威
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Publication of CN110826703A publication Critical patent/CN110826703A/zh
Application granted granted Critical
Publication of CN110826703B publication Critical patent/CN110826703B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H04L5/003—Arrangements for allocating sub-channels of the transmission path

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于协作式时变双向循环神经网络的通信***信号序列检测方法，其步骤包括：对通信***接收端接收到的信号序列进行预处理，然后把预处理后的数据序列输入协作式时变双向循环神经网络，然后通过网络输出进行软判决。其中协作式时变双向循环神经网络隐含层的前后层之间为协作式结构，并且在神经网络的最后一层的前后向网络进行合并的时候使用时变的权值来合并，得到神经网络最后的输出，该方法更适用于通信***的信号检测问题，提高了检测的正确率。

Description

一种基于协作式时变双向循环神经网络通信信号检测方法
技术领域
本发明涉及通信***信号检测技术领域，特别涉及一种基于协作式时变双向循环神经网络通信信号检测方法。
背景技术
在现代的数字通信***中，信号检测是一个重要的组成部分。信号在发送端经过编码，调制之后发送出去，经过信道之后来到接收端，这时候接收端收到的信号是经过噪声干扰或者码间串扰的信号，所以就需要使用信号检测来对接收到的信号进行判决。在传统的无线通信中，利用的是电磁波来传输信息，传播机理可以由麦克斯韦方程组进行描述，所以可以使用数学公式建立信道的概率统计模型，进而可以依据信道的概率统计模型来设计信号检测算法。但是在一些新型的通信***，例如水声通信、分子通信等，或者在信道状况比较复杂的传统***中，就难以通过建立有效的描述信号传播的模型。所以在这些情况下，使用一种不依赖于信道的概率统计模型的方法来设计信号检测方法就具有重要的实际意义。
机器学习当中的深度学习比较适用于在难以进行信道建模的通信***中的信号检测问题。深度学习的优势在于其隐藏层可以在一定的误差范围内拟合任何的函数，具有巨大的灵活性。而现有的神经网络结构并不完全适用通信***信号检测问题，所以提出一种基于协作式时变双向循环神经网络的通信***信号检测检测方法就具有重要意义。
发明内容
为了克服上述现有技术的不足，本发明的目的在于提供一种基于协作式时变双向循环神经网络通信信号检测方法，该方法可以提高信号检测的正确率。
为了实现上述目的，本发明采用的技术方案是：
一种基于协作式时变双向循环神经网络通信信号检测方法，该通信***的发送信号的有限集合为Γ＝{s1,s2,...,sm}，有s1,s2,...,sm共m种符号，通信***发送端在k时刻的发送符号为xk，定义在该时刻的发送信号为pk＝[1(xk＝s1),1(xk＝s2),...,1(xk＝sm)]，其中1(·)代表指示函数，在pk向量中，只有一个元素为1，其余的元素都为零，发送序列的长度为K，则发送序列为PK＝[p1,p2,...,pK]T，通信***的接收端在k时刻接收到的接收信号为yk＝[uk1,uk2,...,ukl]，该信号为一个长度为l的向量，则信号序列为YK＝[y1,y2,...,yK]T，其特征在于，该信号序列检测方法包括以下步骤：
1)对接收端接收到的序列进行去均值的预处理，首先计算出信号序列的平均值：
Figure GDA0003578277320000021
然后让接收序列中的每一个数据都减去该平均值得到数据序列IK：
Figure GDA0003578277320000022
其中IK＝[i1,i2,...,iK]T，
Figure GDA0003578277320000023
2)把数据序列IK输入一个N层的使用协作式时变双向循环神经网络结构的神经网络中，该网络的输出层的神经元个数为m，网络中的神经元是RNN，GRU，LSTM或者其余循环神经网络神经元其中的一种，神经网络在k时刻的输出为ok＝[zk1,zk2,...,zkm]，其中zki代表的是在第k时刻的发送信号为si的概率，则神经网络输出的序列为OK＝[o1,o2,...,oK]T；
3)把神经网络的输出序列OK进行软判决，即对于k时刻输出ok＝[zk1,zk2,...,zkm]来说，先找出
Figure GDA0003578277320000031
则发送信号判定为
Figure GDA0003578277320000032
则发送信号序列的判定为
Figure GDA0003578277320000033
完成序列检测。
所述的步骤2)中所述的协作式时变双向循环神经网络结构包括以下部分：
1)该神经网络的输入序列为IK＝[i1,i2,...,iK]T，其中对于k时刻，神经网络的输入为
Figure GDA0003578277320000034
则神经网络的输入层的神经元个数为l；
2)神经网络的隐含层为N，在神经网络隐含层前后层之间为协作式结构，在第k时刻，网络的第n层向n+1层传播的方式为：
Figure GDA0003578277320000035
Figure GDA0003578277320000036
其中
Figure GDA0003578277320000037
为在第k时刻第n+1层的前向网络的输入，
Figure GDA0003578277320000038
为在第k时刻第n+1层的后向网络的输入，
Figure GDA0003578277320000039
为第k时刻第n层的前向网络的输出，
Figure GDA00035782773200000310
为第k时刻第n层的后向网络的输出，
Figure GDA00035782773200000311
为把第n层的输出组合起来的权值，m为协作长度，代表的是在第n层向n+1层传播的时候使用了第n层的当前时刻以及前m-1个时刻的输出进行协作；
3)在神经网络的最后一层的前后向网络进行合并的时候使用时变的权值来合并，得到神经网络最后的输出，在第k时刻神经网络的输出ok为：
Figure GDA00035782773200000312
其中
Figure GDA00035782773200000313
表示最后一层的前向网络的输出，
Figure GDA00035782773200000314
表示最后一层的后向网络的输出，[·,·]表示把两个输出拼接在一起，W(k)表示时变的权值；
所述的时变权值的获取方法为，构建一个全连接神经网络，把时间k作为输入，输出时变权值W(k)：
W(k)＝NNfully(k) (4)
其中NNfully(·)为全连接神经网络代表的函数。
本发明的有益效果：
本发明所述的一种基于协作式时变双向循环神经网络通信信号检测方法，在对接收信号进行了预处理之后输入协作式时变双向循环神经网络，在神经网络前后层之间为协作式结构，令前后向网络在往后层传播的过程中互相协作，以及在神经网络的最后一层的前后向网络进行合并的时候考虑到了前后向网络判决可信度的时变性，使用时变的权值来合并，提高了信号检测的准确性。
附图说明
图1为协作式时变双向循环神经网络结构示意图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明所述一种基于协作式时变双向循环神经网络通信信号检测方法，该通信***的发送信号的有限集合为Γ＝{s1,s2,...,sm}，通信***发送端在k时刻的发送信号为pk＝[1(xk＝s1),1(xk＝s2),...,1(xk＝sm)]，其中1(·)代表指示函数，在pk向量中，只有一个元素为1，其余的元素都为零，发送序列的长度为K，则发送序列为PK＝[p1,p2,...,pK]T。通信***的接收端在k时刻接收到的接收信号为yk＝[uk1,uk2,...,ukl]，则信号序列为YK＝[y1,y2,...,yK]T，其特征在于，该信号序列检测方法包括以下步骤：
1)对接收端接收到的序列进行去均值的预处理，首先计算出信号序列的平均值：
Figure GDA0003578277320000041
然后让接收序列中的每一个数据都减去该平均值得到数据序列IK：
Figure GDA0003578277320000051
其中IK＝[i1,i2,...,iK]T，
Figure GDA0003578277320000052
2)把数据序列IK输入一个N层的使用协作式时变双向循环神经网络结构的神经网络中，其中网络中的神经元可以是RNN，GRU，LSTM或者其余循环神经网络神经元。神经网络在k时刻的输出为ok＝[zk1,zk2,...,zkm]，其中zki代表的是在第k时刻的发送信号为si的概率，则神经网络输出的序列为OK＝[o1,o2,...,oK]T。
3)把神经网络的输出序列OK进行软判决，即对于k时刻输出ok＝[zk1,zk2,...,zkm]来说，先找出
Figure GDA0003578277320000053
则发送信号判定为
Figure GDA0003578277320000054
则发送信号序列的判定为
Figure GDA0003578277320000055
完成序列检测。
上述步骤2)中所述的协作式时变双向循环神经网络结构包括以下部分：
1)该神经网络的输入序列为IK＝[i1,i2,...,iK]T，其中对于k时刻，神经网络的输入为
Figure GDA0003578277320000056
则神经网络的输入层的神经元个数为l；
2)神经网络的隐含层为N，在神经网络隐含层前后层之间为协作式结构，在第k时刻，网络的第n层向n+1层传播的方式为：
Figure GDA0003578277320000057
Figure GDA0003578277320000058
其中
Figure GDA0003578277320000059
为在第k时刻第n+1层的前向网络的输入，
Figure GDA00035782773200000510
为在第k时刻第n+1层的后向网络的输入，
Figure GDA00035782773200000511
为第k时刻第n层的前向网络的输出，
Figure GDA00035782773200000512
为第k时刻第n层的后向网络的输出，
Figure GDA00035782773200000513
为把第n层的输出组合起来的权值，m为协作长度，代表的是在第n层向n+1层传播的时候使用了第n层的当前时刻以及前m-1个时刻的输出进行协作；
3)在神经网络的最后一层的前后向网络进行合并的时候使用时变的权值来合并，得到神经网络最后的输出，在第k时刻神经网络的输出ok为：
Figure GDA0003578277320000061
其中
Figure GDA0003578277320000062
表示最后一层的前向网络的输出，
Figure GDA0003578277320000063
表示最后一层的后向网络的输出，[·,·]表示把两个输出拼接在一起，W(k)表示时变的权值；
时变权值的获取方法为，构建一个全连接神经网络，把时间k作为输入，输出时变权值W(k)：
W(k)＝NNfully(k) (4)
其中NNfully(·)为全连接神经网络代表的函数。

Claims (2)

1.一种基于协作式时变双向循环神经网络通信信号检测方法，该通信***的发送信号的有限集合为Γ＝{s1,s2,...,sm}，有s1,s2,...,sm共m种符号，通信***发送端在k时刻的发送符号为xk，定义在该时刻的发送信号为pk＝[1(xk＝s1),1(xk＝s2),...,1(xk＝sm)]，其中1(·)代表指示函数，在pk向量中，只有一个元素为1，其余的元素都为零，发送序列的长度为K，则发送序列为PK＝[p1,p2,...,pK]T，通信***的接收端在k时刻接收到的接收信号为yk＝[uk1,uk2,...,ukl]，该信号为一个长度为l的向量，则信号序列为YK＝[y1,y2,...,yK]T，其特征在于，该信号序列检测方法包括以下步骤：
1)对接收端接收到的序列进行去均值的预处理，首先计算出信号序列的平均值：
Figure FDA0003578277310000011
然后让接收序列中的每一个数据都减去该平均值得到数据序列IK：
Figure FDA0003578277310000012
其中IK＝[i1,i2,...,iK]T，
Figure FDA0003578277310000013
2)把数据序列IK输入一个N层的使用协作式时变双向循环神经网络结构的神经网络中，该网络的输出层的神经元个数为m，网络中的神经元是RNN，GRU，LSTM其中的一种，神经网络在k时刻的输出为ok＝[zk1,zk2,...,zkm]，其中zki代表的是在第k时刻的发送信号为si的概率，则神经网络输出的序列为OK＝[o1,o2,...,oK]T；
3)把神经网络的输出序列OK进行软判决，即对于k时刻输出ok＝[zk1,zk2,...,zkm]来说，先找出
Figure FDA0003578277310000014
则发送信号判定为
Figure FDA0003578277310000015
则发送信号序列的判定为
Figure FDA0003578277310000021
完成序列检测；
所述的步骤2)中所述的协作式时变双向循环神经网络结构包括以下部分：
1)该神经网络的输入序列为IK＝[i1,i2,...,iK]T，其中对于k时刻，神经网络的输入为
Figure FDA0003578277310000022
则神经网络的输入层的神经元个数为l；
2)神经网络的隐含层为N1，在神经网络隐含层前后层之间为协作式结构，在第k时刻，网络的第n层向n+1层传播的方式为：
Figure FDA0003578277310000023
Figure FDA0003578277310000024
其中
Figure FDA0003578277310000025
为在第k时刻第n+1层的前向网络的输入，
Figure FDA0003578277310000026
为在第k时刻第n+1层的后向网络的输入，
Figure FDA0003578277310000027
为第k时刻第n层的前向网络的输出，
Figure FDA0003578277310000028
为第k时刻第n层的后向网络的输出，
Figure FDA0003578277310000029
为把第n层的输出组合起来的权值，m为协作长度，代表的是在第n层向n+1层传播的时候使用了第n层的当前时刻以及前m-1个时刻的输出进行协作；
3)在神经网络的最后一层的前后向网络进行合并的时候使用时变的权值来合并，得到神经网络最后的输出，在第k时刻神经网络的输出ok为：
Figure FDA00035782773100000210
其中
Figure FDA00035782773100000211
表示最后一层的前向网络的输出，
Figure FDA00035782773100000212
表示最后一层的后向网络的输出，[·,·]表示把两个输出拼接在一起，W(k)表示时变的权值。
2.根据权利要求1所述的一种基于协作式时变双向循环神经网络通信信号检测方法，其特征在于，所述的时变的权值的获取方法为，构建一个全连接神经网络，把时间k作为输入，输出时变权值W(k)：
W(k)＝NNfully(k) (6)
其中NNfully(·)为全连接神经网络代表的函数。
CN201911265807.7A 2019-06-06 2019-12-11 一种基于协作式时变双向循环神经网络通信信号检测方法 Active CN110826703B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910492246 2019-06-06
CN2019104922468 2019-06-06

Publications (2)

Publication Number Publication Date
CN110826703A CN110826703A (zh) 2020-02-21
CN110826703B true CN110826703B (zh) 2022-06-07

Family

ID=69544670

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911265807.7A Active CN110826703B (zh) 2019-06-06 2019-12-11 一种基于协作式时变双向循环神经网络通信信号检测方法

Country Status (1)

Country Link
CN (1) CN110826703B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111711585B (zh) * 2020-06-11 2021-06-22 西安交通大学 一种基于深度学习的实时信号序列检测方法
CN113300904B (zh) * 2021-04-14 2022-07-15 浙江工业大学 一种基于放大转发和模拟网络编码策略的移动分子通信双向网络性能分析方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106647808A (zh) * 2017-01-05 2017-05-10 南宁市健佳网络科技有限公司 一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法
CN109525369A (zh) * 2018-11-28 2019-03-26 电子科技大学 一种基于循环神经网络的信道编码类型盲识别方法
CN109670580A (zh) * 2018-12-21 2019-04-23 浙江工业大学 一种基于时间序列的数据修复方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190138887A1 (en) * 2017-11-01 2019-05-09 Board Of Trustees Of Michigan State University Systems, methods, and media for gated recurrent neural networks with reduced parameter gating signals and/or memory-cell units

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106647808A (zh) * 2017-01-05 2017-05-10 南宁市健佳网络科技有限公司 一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法
CN109525369A (zh) * 2018-11-28 2019-03-26 电子科技大学 一种基于循环神经网络的信道编码类型盲识别方法
CN109670580A (zh) * 2018-12-21 2019-04-23 浙江工业大学 一种基于时间序列的数据修复方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Learning Optimal Resource Allocations in Wireless Systems;Mark Eisen 等;《IEEE Transactions on Signal Processing》;20190515;第67卷(第10期);全文 *
多智能体强化学习在城市交通网络信号控制方法中的应用综述;杨文臣 等;《计算机应用研究》;20180630;第35卷(第6期);全文 *

Also Published As

Publication number Publication date
CN110826703A (zh) 2020-02-21

Similar Documents

Publication Publication Date Title
CN110826703B (zh) 一种基于协作式时变双向循环神经网络通信信号检测方法
CN108566257B (zh) 一种基于反向传播神经网络的信号恢复方法
CN109063615B (zh) 一种手语识别方法及***
CN106599920A (zh) 一种基于耦合隐半马尔可夫模型的航空轴承故障诊断方法
CN114143040B (zh) 一种基于多通道特征重构的对抗信号检测方法
CN112600618B (zh) 一种基于注意力机制的可见光信号均衡***及方法
CN110061946B (zh) 一种面向高铁的深度信号检测方法
CN110932809A (zh) 光纤信道模型模拟方法及装置
CN104048164B (zh) 一种管道内检测器里程测量装置及方法
CN102638282A (zh) 传输接口的阻抗与增益补偿装置与方法
CN109525253B (zh) 基于深度学习和集成方法的卷积码译码方法
CN112468230A (zh) 一种基于深度学习的无线紫外光散射信道估计方法
CN110233810A (zh) 一种混合噪声下基于深度学习的msk信号解调方法
CN112422208B (zh) 未知信道模型下基于对抗式学习的信号检测方法
CN114936976A (zh) 一种基于记忆感知模块的生成对抗网络雾霾图像复原方法
CN111711585B (zh) 一种基于深度学习的实时信号序列检测方法
CN113206808B (zh) 一种基于一维多输入卷积神经网络的信道编码盲识别方法
CN114152837B (zh) 一种多尺度小波变换下的波头识别方法及装置
CN116298657A (zh) 一种微弱故障行波下的多分支配电网故障定位方法
CN113890633B (zh) 一种基于深度神经网络的水声通信体制自适应选取方法
CN113608264B (zh) 联合叠前弹性反演参数及深度网络目标反演方法
CN112821971A (zh) 一种基于对抗式学习的时变信道信号检测方法
CN115688049A (zh) 一种基于改进gwo优化bpnn的数据融合方法、装置和存储介质
CN112565120B (zh) 一种基于二阶差分的可见光通信***信道估计方法
CN115422977A (zh) 基于cnn-bls网络的雷达辐射源信号识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant