CN113271272B - 一种基于残差神经网络的单通道时频混叠信号盲分离方法 - Google Patents

Abstract

本发明一种基于残差神经网络的单通道时频混叠信号盲分离方法，包括以下步骤：步骤1：获取单通道时频混叠信号；步骤2：根据步骤1得到的混叠信号，构造数据集，数据集包括训练集和测试集；步骤3：搭建残差神经网络，通过步骤2得到的数据集对残差神经网络进行训练和测试；步骤4：创建网络损失函数；步骤5：将混叠信号输入步骤3得到的残差神经网络，得到分离后的两路源信号波形；步骤6：将步骤4得到的源信号波形送入调节器解调即可完成时频混叠信号的盲分离；本发明采用数据驱动的深度学习方法弥补人工对分离问题模型刻画的不足，从大量样本中学习信号的深层特征并进行拟合，避免了复杂且繁琐的人工设计；训练特征构造复杂度低。

Description

一种基于残差神经网络的单通道时频混叠信号盲分离方法

技术领域

本发明涉及信号处理技术领域，具体涉及一种基于残差神经网络的单通道时频混叠信号盲分离方法。

背景技术

信号盲分离技术是一种新型的信号处理方法，对于合作通信而言，通信设备的密集化会造成信号之间的干扰加强。单通道盲分离技术可以用来对混合信号进行干扰抑制，提升通信设备的接收性能。对于非合作通信而言，单通道信号盲分离可以作为非合作通信捕获分析和干扰抑制的关键模块。发送端的多个源信号通过天线发射出去，经过若干个混合模型后，接收端得到源信号在某种条件下的混合，盲分离的任务就是接收方在缺乏混合信号和传输信道的先验知识的条件下从混合信号中恢复出发送端的多个源信号。

单通道信号盲分离指有多路发射天线，一路接收天线的场景，这在数学上属于欠定问题，不存在定解。目前已有的方法主要有以下两类，分别存在不同的局限性。第一种方法是通道将单通道分离模型转化为多通道分离模型，将欠定盲分离转化为适定盲分离，或者是利用混合信号的参数差异等来实现信号的分离。独立分量分析，FastICA，小波变换等为其中的代表方法，这类方法的缺点是需要先对混合信号进行处理，以获得一定量的信息或者构造相应的分离条件。然后再使用多通道分离模型进行处理，复杂度较高，数据处理量较大。第二种方法是符号序列与传输信道的参数联合估计，其中的两个代表方法分别是粒子滤波算法和PSP算法。为保证分离效果，粒子滤波算法需要使用大量的粒子来模拟***的状态，而***的计算量将会随着粒子数的增加呈现指数级别的增长，算法复杂度高，运算量巨大。PSP方法需要遍历符号序列来找寻***最优解，运算量仍然很大。

发明内容

本发明针对现有技术存在的问题算法简单，单通道信号盲分离效率高、低信噪比条件下信号分离的准确度高的基于残差神经网络的单通道时频混叠信号盲分离方法。

本发明采用的技术方案是：一种基于残差神经网络的单通道时频混叠信号盲分离方法，包括以下步骤：

步骤1：获取单通道时频混叠信号；

步骤2：根据步骤1得到的混叠信号，构造数据集，数据集包括训练集和测试集；

步骤3：搭建残差神经网络，所述残差神经网络为多尺度堆叠时域残差神经网络，包括特征提取模块、分离系数计算模块和波形恢复模块；

特征提取模块对输入的一维混合信号进行特征提取，将其由信号空间映射到高维特征空间中，得到信号对应的特征表示，表示为x_feature：

x_feature＝h_{feature-mapping}(x)

其中，h_{feature-mapping}为特征映射操作，包含了1×1卷积、层归一化、PRelu激活函数、深度可分离卷积、ReLu激活函数功能；

分离系数计算模块包括三个时域残差堆叠块(Stacked Time-domain ResidualBlock,Stacked-TRB)，每一个时域残差堆叠块包含三个多尺度残差单元块(Multi-scaleResidual Block,MRB)和一个一维反卷积层；根据提取到的特征x_feature估计各个源的分离系数β，然后将特征与分离系数点乘，得到各个源对应的特征s_sep-feature：

β＝f_sep(x_feature)

其中，f_sep为包含时域残差堆叠块的分离系数计算模块；

波形恢复模块完成输出从特征空间到信号空间的映射，将各个源对应的特征s_sep-feature映射回信号空间，恢复源信号波形s^*：

s^*＝h_{signal-mapping}(s_sep-feature)

其中：h_{signal-mapping}为信号映射操作，包含了一维反卷积操作，层归一化和PReLu激活函数；

步骤4：创建自定义的网络损失函数，输出loss值供网络使用梯度下降法进行优化：

其中，θ为网络可优化参数，l_MSE为loss值，

和

分别表示多尺度堆叠时域残差神经网络输出的第一路和第二路分离信号，

和

分别表示第一路和第二路标签源信号；l_MSE1表示

对应

对应

l_MSE2刚好与l_MSE1的对应关系相反，表示

对应

对应标签

步骤5：将混叠信号输入步骤3得到的残差神经网络，通过步骤2得到的数据集对残差神经网络进行训练和测试，得到分离后的两路源信号波形，完成时频混叠信号的盲分离；

步骤6：将步骤5得到的源信号波形送入解调器解调即可得到分离信号的比特数据。

进一步的，所述步骤2中的训练集和测试集构造过程如下：

提取混合信号的实部和虚部作为网络训练特征；

分别提取两路源信号各自的实部和虚部作为目标样本；

将网络训练特征和目标样本构造为二维矩阵，形成数据集。

进一步的，所述步骤1中混叠信号通过以下方法处理得到：

x(t)＝As(t)+n(t)

其中：x(t)为混合信号，A为混合矩阵，s(t)为源信号，n(t)为信道噪声。

进一步的，所述步骤5包括以下过程：

将数据按固定长度分为多段等长序列；

将固定数量的序列组合为mini_batch，输入神经网络；

通过反向梯度下降算法对各个部分的参数进行更新，使用Adam优化算法进行迭代优化；

网络输出分离后的两路源信号波形。

一种基于残差神经网络的单通道时频混叠信号盲分离方法的分离装置，包括：

信号获取模块：用于获取单通道时频混叠信号；

构造模块：用于根据单通道时频混叠信号构造残差神经网络所需数据集；

信号分离模块：采用训练好的残差神经网络获得源信号波形；

解调模块：用于将源信号波形进行解调。

一种控制设备，其特征在于，包括：

至少一个存储器，用于存储程序指令；

至少一个处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行权利要求1～4任一项所述方法的步骤。

一种计算机可读存储介质，其特征在于，计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现权利要求1～4任一项所述方法的步骤。

本发明的有益效果是：

(1)本发明采用数据驱动的深度学习方法弥补人工对分离问题模型刻画的不足，从大量样本中学习信号的深层特征并进行拟合，避免了复杂且繁琐的人工设计；

(2)本发明中的残差神经网络输入为混合信号的实部和虚部构成的二维矩阵，训练特征构造复杂度低；

(3)本发明提出的损失函数解决了标签排序问题，即无法确定网络输出的两路分离信号与两路标签源信号的对应情况；本文通过损失值大小判断网络输出的两路分离信号与标签源信号的接近程度，选择损失值最小的对应情况进行优化，加快了网络的收敛速度；

(4)本发明通过学习含有噪声的混合信号集可以适应噪声环境，在低信噪比下获得更好的分离效果，有效降低单通道时频混叠信号的分离难度，改善分离性能，提升分离***的鲁棒性。

附图说明

图1为本发明方法流程示意图。

图2为本发明中采用的多尺度堆叠时域残差神经网络结构示意图。

图3为本发明中多尺度残差单元块结构示意图。

图4为本发明的波形分离效果图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步说明。

一种基于残差神经网络的单通道时频混叠信号盲分离方法，包括以下步骤：

步骤1：获取单通道时频混叠信号；采用设备NIUSRP 2930软件无线电平台产生并接收两路过信道后的数字调制信号；得到的两路源信号采样后线性叠加为一路混合信号。

采集到的过信道后的混合信号x(t)，对信号进行采样得到x，混合信号盲分离数学模型采用线性瞬时混合模型：

x(t)＝As(t)+n(t)

其中：x(t)为混合信号，A为混合矩阵，s(t)为源信号，n(t)为信道噪声。

x(t)＝{x₁(t)}^T，源信号s(t)＝{s₁(t),s₂(t)}^T，估计信号s^*(t)＝{s^* ₁(t),s^* ₂(t)}^T，A为混合矩阵，则单通道盲源分离瞬时混合模型为：

步骤2：根据步骤1得到的混叠信号，构造数据集，数据集包括训练集和测试集；混合信号的实部和虚部是信号简单且重要的两个特征，将两者分别提取出来作为网络训练特征；将两路源信号各自的实部和虚部分别提取出来作为目标样本；将网络训练特征和目标样本构造为一个二维矩阵作为网络训练(训练集)和测试的数据集(测试集)。

步骤3：搭建残差神经网络，通过步骤2得到的数据集对残差神经网络进行训练和测试；

搭建多尺度堆叠时域残差神经网络，由特征映射模块、分离系数计算模块和波形恢复模块组成，如图2所示。

特征提取模块，包括1×1卷积、层归一化、激活函数(PRelu)、深度可分离卷积、层归一化、激活函数(Relu)。在模块中加入残差连接，通道数设置为512，深度可分离卷积中的深度卷积核大小为L，滑动步长为L/2。模块功能是对一维混合信号进行特征提取，将其从信号空间映射到高维特征空间中，得到信号对应的特征表示。其中，深度可分离卷积是普通卷积在通道上的分解，将一个卷积核***为独立的深度卷积和点向卷积，可以有效减少参数数量，运算成本和模型大小；层归一化是对一个中间层的所有神经元进行归一化，使其输入分布在训练过程中保持一致，解决每次梯度下降更新参数导致的内部协变量偏移问题，从而增强网络泛化能力，同时避免了梯度消失和梯度***。

x_feature＝h_{feature-mapping}(x)

其中，h_{feature-mapping}为特征映射操作；

分离系数计算模块，由三个时域残差堆叠块(Stacked-TRB)构成，每一个TRB由3个多尺度残差单元块(MRB)和一个一维反卷积层组成，如图3所示。多尺度残差单元块用于估计分离系数，反卷积层用于恢复特征通道数和特征维度；其中的卷积核均为膨胀卷积核，膨胀卷积可以在不使用池化操作损失信息的情况下增大感受野，获取多尺度上下文信息，充分对信号分离的长时依赖性建模。每一次堆叠块的输出将作为下一次的输入，进一步加深网络层数。

一个n-MRB由五个卷积层组成，卷积层1相当于一个瓶颈层用于降维，卷积层2和卷积层3的通道数为n/2，卷积层4和卷积层5的通道数为n，卷积核大小依次为1、3、3、3、3，层与层之间使用残差连接。3个堆叠的n-MRB的卷积核膨胀率按指数增加，依次为1、2、4。一维反卷积层的输出通道数为512。

根据提取到的特征x_feature估计各个源的分离系数β，然后将特征与分离系数点乘，得到各个源对应的特征s_sep-feature：

β＝f_sep(x_feature)

其中，f_sep为包含时域残差堆叠块的分离系数计算模块。

分离系数计算模块和波形恢复模块之间设置有激活层，使用ReLu作为激活函数，加入非线性，输出分离系数。

波形恢复模块，依次包括以为反卷积、层归一化、激活函数(PRelu)。完成输出从特征空间到信号空间的映射，恢复信号序列长度。

步骤4：将混叠信号输入步骤3得到的残差神经网络，得到分离后的两路源信号波形；

将用于训练的混合信号x按长度L分为多段等长序列

k表示分段序号。

将一定数量的序列组合为一个mini_batch，即

按批次输入特征提取模块，然后输出对应特征

接着将特征输入分离系数计算模块，输出对应分离系数

最后通过波形恢复模块将各个源的特征映射回信号空间，得到两路分离波形信号

和

使用自定义的网络损失函数，输出loss值供网络使用梯度下降法进行优化；由于我们无法对网络输出的两路分离信号与标签源信号的正确对应情况进行判断和确定，所以网络的优化方向也无法确定，这时就出现了标签排序问题；使用本文自定义的损失函数，计算出不同对应情况下的均方误差值，选择误差值最小的对应情况作为网络的优化方向，解决标签排序问题，加快网络收敛速度。

本文的损失函数定义如下：

其中，θ为网络可优化参数，l_MSE为loss值，

和

分别表示多尺度堆叠时域残差神经网络输出的第一路和第二路分离信号，

和

分别表示第一路和第二路标签源信号。l_MSE1表示

对应

对应

l_MSE2刚好与l_MSE1的对应关系相反，表示

对应

对应标签

通过反向梯度下降算法对各个部分的参数θ＝{θ_{feature-mapping}、θ_sep、θ_{signal-mapping}}进行更新，使用Adam优化算法进行迭代优化，提高训练速度。

其中，η为学习率，l_MSE为loss值。

步骤5：将步骤4得到的源信号波形送入调节器解调即可完成时频混叠信号的盲分离。

实施例1

1.仿真条件

采用的硬件资源为NVDIA GeForce RTX 2080 GPU，Intel(R)Core(TM)i7-8700KCPU，使用Pytorch作为深度学习框架。设计接受序列长度seq_len为80的多尺度堆叠时域残差神经网络，学习率设置为0.001；每一次训练的批次大小mini_batch设置为16。

2.仿真内容

使用设备NIUSRP 2930软件无线电平台生成并接收用于训练的数字调制信号，载频915MHz，设置IQ采样频率fs为1MHz，成型滤波器采用滚降系数为0.35的根升余弦滤波器，码速率500KBaud，信噪比SNR为5dB；调制方式不同的源信号线性叠加得到一路混合信号，每一类调制信号共有4×10⁶个样本。调制方式采用BPSK和QPSK两种。将数据集的80％作为训练集，20％作为测试集送入设计好的多尺度堆叠时域残差神经网络中进行训练，迭代200个epoch。

3.仿真结果

将混合信号对应的数据集送入多尺度堆叠时域残差神经网络进行性能测试，得到混合信号的分离性能曲线图。图4-(a)的曲线举例表明第一路BPSK信号的分离效果，图4-(b)的曲线表明第二路QPSK信号的分离效果，横轴表示信号长度(以采样点数表示)，纵轴表示信号幅度，由图中网络输出波形与标签信号波形的拟合程度可以判别分离准确度。

本发明将多尺度堆叠时域残差神经网络应用于单通道时频混叠信号盲分离进行特征提取，可以在不需要信道参数的条件下有效地从复杂的混合信号中得到每一路源信号对应的有效特征并生成每一路源信号对应的分离系数，完成源信号波形盲分离，然后再用解调器解调得到比特流。改善了现有技术算法设计复杂的问题，降低了单通道盲分离的繁琐度，在保证高准确度的条件下提高了分离效率。同时，含有噪声的训练数据可以使神经网络适应噪声环境，改善了分离***的鲁棒性，在低信噪比下相比于传统方法表现出更好的分离性能。

选择神经网络主要有以下三个原因：一是神经网络可以通过大量参数拟合复杂的模型，避免人工设计，从理论上来说，只要数据集设计正确，参数量足够大，神经网络就可以拟合任何模型，并且得到理想效果；二是多尺度堆叠时域残差神经网络在处理具有长时依赖性的序列数据上表现出了优越性；三是其他方法都需要较本发明更为复杂的数据处理、人工设计和特征提取，多尺度堆叠时域残差神经网络免除了这一弊端。

Claims (5)

1.一种基于残差神经网络的单通道时频混叠信号盲分离方法，其特征在于，包括以下步骤：

步骤1：获取单通道时频混叠信号；

步骤2：根据步骤1得到的混叠信号，构造数据集，数据集包括训练集和测试集；

训练集和测试集构造过程如下：

提取混合信号的实部和虚部作为网络训练特征；

分别提取两路源信号各自的实部和虚部作为目标样本；

将网络训练特征和目标样本构造为二维矩阵，形成数据集；

步骤3：搭建残差神经网络，所述残差神经网络为多尺度堆叠时域残差神经网络，包括特征提取模块、分离系数计算模块和波形恢复模块；

特征提取模块对输入的一维混合信号进行特征提取，将其由信号空间映射到高维特征空间中，得到信号对应的特征表示，表示为x_feature：

x_feature＝h_{feature-mapping}(x)

其中，h_{feature-mapping}为特征映射操作，包括1×1卷积、层归一化、PRelu激活函数、深度可分离卷积、ReLu激活函数功能；

分离系数计算模块包括三个时域残差堆叠块，每一个时域残差堆叠块包含三个多尺度残差单元块和一个一维反卷积层；根据提取到的特征x_feature估计各个源的分离系数β，然后将特征与分离系数点乘，得到各个源对应的特征s_sep-feature：

β＝f_sep(x_feature)

其中，f_sep为包含时域残差堆叠块的分离系数计算模块；

波形恢复模块完成输出从特征空间到信号空间的映射，将各个源对应的特征s_sep-feature映射回信号空间，恢复源信号波形s^*：

s^*＝h_{signal-mapping}(s_sep-feature)

其中：h_{signal-mapping}为信号映射操作，包括一维反卷积操作，层归一化和PReLu激活函数；

步骤4：创建自定义的网络损失函数，输出loss值供网络使用梯度下降法进行优化：

其中，θ为网络可优化参数，l_MSE为loss值，

和

分别表示多尺度堆叠时域残差神经网络输出的第一路和第二路分离信号，

和

分别表示第一路和第二路标签源信号；l_MSE1表示

对应

对应

l_MSE2刚好与l_MSE1的对应关系相反，表示

对应

对应标签

步骤5：将混叠信号输入步骤3得到的残差神经网络，通过步骤2得到的数据集对残差神经网络进行训练和测试，得到分离后的两路源信号波形，完成时频混叠信号的盲分离；

包括以下过程：

将数据按固定长度分为多段等长序列；

将固定数量的序列组合为mini_batch，输入神经网络；

通过反向梯度下降算法对各个部分的参数进行更新，使用Adam优化算法进行迭代优化；

网络输出分离后的两路源信号波形；

步骤6：将步骤5得到的源信号波形送入解调器解调即可得到分离信号的比特数据。

2.根据权利要求1所述的一种基于残差神经网络的单通道时频混叠信号盲分离方法，其特征在于，所述步骤1中混叠信号通过以下方法处理得到：

x(t)＝As(t)+n(t)

其中：x(t)为混合信号，A为混合矩阵，s(t)为源信号，n(t)为信道噪声。

3.基于权利要求1～2任一种所述方法的分离装置，其特征在于，包括：

信号获取模块：用于获取单通道时频混叠信号；

构造模块：用于根据单通道时频混叠信号构造残差神经网络所需数据集；

信号分离模块：采用训练好的残差神经网络获得源信号波形；

解调模块：用于将源信号波形进行解调。

4.一种控制设备，其特征在于，包括：

至少一个存储器，用于存储程序指令；

至少一个处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行权利要求1～2任一项所述方法的步骤。

5.一种计算机可读存储介质，其特征在于，计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现权利要求1～2任一项所述方法的步骤。

Images