CN117439714A - 信号检测方法及设备、存储介质 - Google Patents
信号检测方法及设备、存储介质 Download PDFInfo
- Publication number
- CN117439714A CN117439714A CN202210831551.7A CN202210831551A CN117439714A CN 117439714 A CN117439714 A CN 117439714A CN 202210831551 A CN202210831551 A CN 202210831551A CN 117439714 A CN117439714 A CN 117439714A
- Authority
- CN
- China
- Prior art keywords
- signal
- historical
- neural network
- real
- training
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 120
- 238000013528 artificial neural network Methods 0.000 claims abstract description 132
- 238000012549 training Methods 0.000 claims abstract description 111
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims description 44
- 230000005540 biological transmission Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 18
- 238000005562 fading Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000013499 data model Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 23
- 238000004891 communication Methods 0.000 description 15
- 238000013135 deep learning Methods 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
- H04L1/0045—Arrangements at the receiver end
- H04L1/0047—Decoding adapted to other signal detection operation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/20—Arrangements for detecting or preventing errors in the information received using signal quality detector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请公开了一种信号检测方法及设备、存储介质。其中,信号检测方法,包括:获取至少一组历史信号样本,其中,历史信号样本包括历史信道估计值、历史接收信号和历史调制信号;在获取到当前信道估计值和待测接收信号的情况下,将当前信道估计值和待测接收信号输入到预训练的预设神经网络进行信号检测,得到待测接收信号的信号估计值;其中,预训练的预设神经网络为通过至少一组历史信号样本对预设神经网络进行训练而得到。本申请实施例中,采用数据模型双驱动的方式,能够提升预设神经网络的信号检测性能,并且显著减少训练或检测所需的信息量,具有环境自适应性和泛化性,可以满足当前的信号检测需求,从而弥补相关方法中的技术空白。
Description
技术领域
本申请涉及通信技术领域,尤其是一种信号检测方法、信号检测设备、计算机存储介质及计算机程序产品。
背景技术
多输入多输出(Multiple In Multiple Out,MIMO)空分复用技术和正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)技术是无线通信***中极具竞争力的技术。MIMO空分复用技术可以使得***在***带宽和发射带宽不变的情况下容易获得空间分集增益和信道的容量增益,OFDM技术采用多个正交的子载波并行传输数据,使得每一路上的数据速率大大降低,并且加入了时间保护间隔,因此具有较强的抗多径干扰和频率选择性衰落的能力。
信号检测是OFDM***、MIMO***的关键技术之一,相关技术的信号检测方式主要包括线性检测、非线性检测和最优检测这三个方面,虽然均能够实现信号检测过程,但检测性能较低,无法满足日益增长的信号检测需求;例如,最优检测算法如最大似然检测算法,由于需要针对接收信号对所有可能的发送符号域进行全局搜索,因此复杂度较高;线性检测算法包括迫零算法和最小均方误差检测算法等,虽然计算复杂度不算很高,但检测精度并不高;非线性检测算法包括球形解码算法、连续干扰消除算法等,通过增加检测复杂度以提高检测精度。
发明内容
本申请实施例提供了一种信号检测方法、信号检测设备、计算机存储介质及计算机程序产品,能够提升信号检测性能。
第一方面,本申请实施例提供了一种信号检测方法,所述信号检测方法包括:
获取至少一组历史信号样本,其中,所述历史信号样本包括历史信道估计值、历史接收信号和历史调制信号;
在获取到当前信道估计值和待测接收信号的情况下,将所述当前信道估计值和所述待测接收信号输入到预训练的预设神经网络进行信号检测,得到所述待测接收信号的信号估计值;
其中,预训练的所述预设神经网络为通过至少一组所述历史信号样本对所述预设神经网络进行训练而得到。
第二方面,本申请实施例还提供了一种信号检测设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如前面所述的信号检测方法。
第三方面,本申请实施例还提供了一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行如前面所述的信号检测方法。
第四方面,本申请实施例还提供了一种计算机程序产品,计算机程序或所述计算机指令存储在计算机可读存储介质中,计算机设备的处理器从所述计算机可读存储介质读取所述计算机程序或所述计算机指令,所述处理器执行所述计算机程序或所述计算机指令,使得所述计算机设备执行如前面所述的信号检测方法。
本申请实施例中,基于获取到的包括历史信道估计值、历史接收信号和历史调制信号的历史信号样本,对预设神经网络进行训练而得到符合要求的神经网络模型,从而利用预训练的神经网络模型替代相关技术中的检测模型进行信号检测,由于采用数据模型双驱动的方式,即同时输入信道估计值和接收信号到预设神经网络中进行训练或检测,不仅可以使得预设神经网络更容易学习信道关联特征,从而提升信号检测性能,而且还能够显著减少训练或检测所需的信息量,具有良好的环境自适应性和泛化性,从而能够满足日益增长的信号检测需求,可以弥补相关方法中的技术空白。
附图说明
图1是本申请一个实施例提供的信号检测方法的流程图;
图2是本申请一个实施例提供的信号检测方法中,获取至少一组历史信号样本的流程图;
图3是本申请一个实施例提供的信号检测方法中,将当前信道估计值和待测接收信号输入到预训练的预设神经网络进行信号检测之前的流程图;
图4是本申请一个实施例提供的信号检测方法中,对预设神经网络进行训练而得到预训练的预设神经网络的流程图;
图5是本申请一个实施例提供的信号检测方法中,得到作为训练样本的第一实数数组的流程图;
图6是本申请一个实施例提供的信号检测方法中,得到作为训练样本的标签的第二实数数组的流程图;
图7是本申请一个实施例提供的信号检测方法中,得到历史接收信号的信号估计值之后的流程图;
图8是本申请一个实施例提供的信号检测方法中,得到待测接收信号的信号估计值的流程图;
图9是本申请另一个实施例提供的信号检测方法中,得到第三实数数组的流程图;
图10是本申请一个实施例提供的信号检测方法中,得到待测接收信号的实数信号估计结果之后的流程图;
图11是本申请一个实施例提供的信号检测方法中,得到待测接收信号的复数信号估计结果的流程图;
图12是本申请一个实施例提供的信号检测方法的执行流程图;
图13为本申请一个实施例提供的基于预设神经网络的MIMO***的原理示意图;
图14是本申请另一个实施例提供的信号检测方法中,将当前信道估计值和待测接收信号输入到预训练的预设神经网络进行信号检测之前的流程图;
图15为本申请另一个实施例提供的信号检测方法中,得到待测接收信号的信号估计值的流程图;
图16为本申请一个实施例提供的基于预设神经网络的OFDM***的原理示意图;
图17是本申请一个实施例提供的信号检测设备的示意图。
具体实施方式
为了使本申请的目的、技术方法及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
近年来,人工智能(Artificial Intelligence,AI)技术特别是深度学习在计算机视觉、自然语言处理、语音识别等多个领域获得了巨大成功。AI技术使能的智能无线通信被认为是未来6G发展主流方向之一,其基本思想是通过无线通信技术与AI技术的有机融合,大幅度提升无线通信***的性能。物理层AI设计包含了两种主流方法:一种是基于AI技术的端到端通信链路设计,一种是基于AI技术的通信模块算法设计。目前,基于AI技术的通信模块算法设计思路主要是基于数据驱动,即将某个或某几个通信模块看成一个未知的黑盒子,利用深度学习网络取而代之,该深度学习网络主要依赖海量数据训练得到,训练负担很重,较为耗时耗力,且应用场景较为单一,适用性不强,无法满足当前的信号检测需求。
基于此,本申请提供了一种信号检测方法、信号检测设备、计算机存储介质及计算机程序产品。其中一个实施例的信号检测方法,包括:获取至少一组历史信号样本,其中,历史信号样本包括历史信道估计值、历史接收信号和历史调制信号;在获取到当前信道估计值和待测接收信号的情况下,将当前信道估计值和待测接收信号输入到预训练的预设神经网络进行信号检测,得到待测接收信号的信号估计值;其中,预训练的预设神经网络为通过至少一组历史信号样本对预设神经网络进行训练而得到。该实施例中,基于获取到的包括历史信道估计值、历史接收信号和历史调制信号的历史信号样本,对预设神经网络进行训练而得到符合要求的神经网络模型,从而利用预训练的神经网络模型替代相关技术中的检测模型进行信号检测,由于采用数据模型双驱动的方式,即同时输入信道估计值和接收信号到预设神经网络中进行训练或检测,不仅可以使得预设神经网络更容易学习信道关联特征,从而提升信号检测性能,而且还能够显著减少训练或检测所需的信息量,具有良好的环境自适应性和泛化性,从而能够满足日益增长的信号检测需求,可以弥补相关方法中的技术空白。
下面结合附图,对本申请实施例作进一步阐述。
如图1所示,图1是本申请一个实施例提供的信号检测方法的流程图,该信号检测方法可以包括但不限于步骤S110至S120。
步骤S110:获取至少一组历史信号样本,其中,历史信号样本包括历史信道估计值、历史接收信号和历史调制信号;
步骤S120:在获取到当前信道估计值和待测接收信号的情况下,将当前信道估计值和待测接收信号输入到预训练的预设神经网络进行信号检测,得到待测接收信号的信号估计值;其中,预训练的预设神经网络为通过至少一组历史信号样本对预设神经网络进行训练而得到。
本步骤中,基于获取到的包括历史信道估计值、历史接收信号和历史调制信号的历史信号样本,对预设神经网络进行训练而得到符合要求的神经网络模型,从而利用预训练的神经网络模型替代相关技术中的检测模型进行信号检测,由于采用数据模型双驱动的方式,即同时输入信道估计值和接收信号到预设神经网络中进行训练或检测,不仅可以使得预设神经网络更容易学习信道关联特征,从而提升信号检测性能,而且还能够显著减少训练或检测所需的信息量,具有良好的环境自适应性和泛化性,从而能够满足日益增长的信号检测需求,可以弥补相关方法中的技术空白。
可以看出,相比于相关技术的基于数据驱动的深度学习网络,本申请实施例基于数据模型双驱动,即是在无线通信***原有技术基础上,不改变无线通信***的结构,利用深度学习网络代替相关检测模块以提升模型性能;相比于基于数据驱动的深度学习网络主要依赖海量数据,本申请实施例中的基于数据模型双驱动的深度学习网络只需依靠通信模型或者算法模型,以物理层已有模型为基础,可以显著减少训练、升级或检测所需的信息量,具有良好的环境自适应性和泛化性,具备广阔的发展前景。
在一实施例中,本申请实施例可以但不限于应用在OFDM技术或MIMO技术中,例如应用在MIMO技术下的OFDM接收机中,即可以将本申请实施例中的预设神经网络集成于OFDM接收机中,可以在OFDM接收机中对该预设神经网络进行训练,并在接收到相关信息之后,基于预训练的预设神经网络对信号进行检测,其基本原理与本申请实施例一致,不再赘述;可以理解地是,本领域技术人员也可以根据具体应用场景来选择应用本申请实施例的信号检测方法的方式,此处并未限定,例如,不排除随着网络***的进一步发展而衍生出多个可以适配于本申请实施例的信号检测方法的应用场景等。
在一实施例中,预设神经网络可以但不限于包括如下至少一:
深度神经网络;
卷积神经网络;
残差卷积神经网络;
带注意力机制的残差卷积神经网络。
上述给出的预设神经网络的示例可以为线下训练、线上部署的,也可以为统一在线下训练完成之后再进行线上部署的,也可以为统一在线上训练并完成部署的,此处不作限定;除了上述给出的预设神经网络的示例之外,本领域技术人员也可以根据具体应用场景的特点、需求等因素以考虑设置合适的预设神经网络,此处不再赘述。
在一实施例中,历史信道估计值和历史接收信号与当前信道估计值和待测接收信号形成区分,即历史信道估计值和历史接收信号的作用在于用来训练预设神经网络,当前信道估计值和待测接收信号则为待预设神经网络进行检测的信号参数,但随着训练过程的持续进行,当前信道估计值和待测接收信号也可能成为新的历史信道估计值和历史接收信号,也就是说,对于预设神经网络的训练可以为动态化的,在时间上具有一定的迁移性,以便于将更多的信号样本用于训练预设神经网络,以达到更好的训练效果,后续实施例中将针对预设神经网络的训练过程逐步展开详细描述。
在一实施例中,待通过至少一组历史信号样本对预设神经网络进行训练而得到预训练的预设神经网络之后,可以将历史信道估计值和历史接收信号作为一组检测数据输入到预设神经网络中进行再检测,根据检测结果判断预设神经网络的实际训练效果如何,有利于进一步判断预设神经网络的整体训练过程是否可能出现错误。
在一实施例中,历史信道估计值、历史接收信号以及当前信道估计值、待测接收信号可以通过一组信号按顺序发送而获取到的,也可以由各自对应的信号分别发送而获取到,此处并未限定。
在一实施例中,历史信号样本的具体个数可以根据具体应用场景进行设置,也即对于预设神经网络的训练样本可以根据具体应用场景进行设置,此处并未限定。
如图2所示,本申请的一个实施例,当历史信号样本为多组,且每个无线衰落信道对应于多组历史信号样本时,步骤S110可以但不限于包括步骤S111至步骤S113。
步骤S111:获取由发送端发送的历史调制信号;
步骤S112:在每个无线衰落信道中,对历史调制信号进行预设信号处理而在接收端得到接收导频信号、本地导频信号和历史接收信号;
步骤S113:将接收导频信号乘以本地导频信号的共轭,得到历史信道估计值。
本步骤中,由于历史信号样本为多组,且每个无线衰落信道对应于多组历史信号样本,因此通过获取由发送端发送的历史调制信号,使得能够在各个无线衰落信道中,分别地对历史调制信号进行预设信号处理,从而在接收端得到接收导频信号、本地导频信号和历史接收信号,进而通过将接收导频信号乘以本地导频信号的共轭而得到历史信道估计值,也就是说,由于信道的变化导致接收信号的幅度发生随机变化而产生信号衰落,因此对于每个无线衰落信道均可以对应地得到至少一组完整、不同的历史信号样本,这样总共能够生成多个历史信号样本以供预设神经网络进行训练,训练效果能够得到极大保证。
在一实施例中,发送端和接收端是一组相对概念,即发送端对应于信号的初始来源,接收端对应于信号的后端结果,此处并非限定发送端和接收端的具体呈现形式,只是用于清楚地说明本申请实施例的工作原理,在具体应用场景中可以设置具体的发送端和接收端,此处并未限定。
在一实施例中,获取由发送端发送的历史调制信号的方式可以为多种,此处限定。例如,可以通过获取由发送端发送的至少一组发送比特流信号,进而对至少一组发送比特流信号进行编码、调制而得到历史调制信号,也就是说,通过对初始的发送比特流信号进行预处理而得到历史调制信号;或者,可以由发送端预先将待处理的信号调节为历史调制信号,这样就可以直接从发送端获取到历史调制信号等。
在一实施例中,将接收导频信号乘以本地导频信号的共轭而得到历史信道估计值的具体方式可以为多种,此处并未限定。例如,可以但不限于采用最小二乘LS信道估计算法将接收导频信号乘以本地导频信号的共轭而得到历史信道估计值,或者可以但不限于采用本领域常见的其他传统通信算法所实现,其中,最小二乘法是一种在误差估计、不确定度、***辨识及预测、预报等数据处理领域得到应用的一种数学模型,为本领域技术人员所熟知,此处对其不作赘述。
在一实施例中,对历史调制信号进行预设信号处理的方式可以为多种,此处并未限定。例如,可以为对历史调制信号进行快速傅里叶变换、添加循环前缀之后得到第一输出信号,然后将该第一输出信号分别通过不同的无线衰落信道而得到不同的第二输出信号,然后对第二输出信号进行去循环前缀、逆傅里叶变换以实现信号还原,即可最终得到接收导频信号、本地导频信号和历史接收信号;又如,可以将历史调制信号输入到预设网络模型中,通过预设网络模型对该历史调制信号进行解调及均衡处理,最终得到接收导频信号、本地导频信号和历史接收信号。
如图3所示,本申请的一个实施例,当历史信号样本为多组时,步骤S120之前还包括但不限于步骤S130。
步骤S130:对于每组历史信号样本,以历史信道估计值和历史接收信号作为训练样本、以历史调制信号作为训练样本的标签,对预设神经网络进行训练而得到预训练的预设神经网络。
本步骤中,以历史信道估计值和历史接收信号作为训练样本,使得预设神经网络在训练时更容易学习到不同的无线衰落信道的特征,以获得更加良好的训练效果,并且无需采用其他训练样本即可实现完整的训练流程,因此训练所需参数和时间均会减少,并且以与历史信道估计值和历史接收信号相关联的历史调制信号作为训练样本的标签,能够提升预设神经网络训练的稳定性。
以下给出一个具体示例以说明上述各实施例的工作原理。
示例一:
首先,需要确定预设神经网络,假设在具有N个接收天线的MIMO***中,接收信号由Y表示,YData表示历史接收信号,YPilot表示接收导频信号,本地导频信号为XPilot。先通过XPilot和YPilot进行信道估计值计算,用如下公式(1)得到LS信道估计值
然后将LS信道估计值和YData一起输入到预设神经网络进行训练而得到最终的发送数据估计值/>
如图4所示,本申请的一个实施例,对步骤S130进行进一步说明,步骤S130可以包括但不限于步骤S131至S133。
步骤S131:对获取到的历史信道估计值、历史接收信号的实部和虚部进行组合,得到作为训练样本的第一实数数组;
步骤S132:对获取到的历史调制信号的实部和虚部进行组合,得到作为训练样本的标签的第二实数数组;
步骤S133:将第一实数数组和第二实数数组输入到预设神经网络进行训练,得到历史接收信号的信号估计值。
本步骤中,通过获取历史信道估计值、历史接收信号的实部和虚部以组合得到作为训练样本的第一实数数组,以及通过获取历史调制信号的实部和虚部进行组合得到作为训练样本的标签的第二实数数组,也就是说,统一将历史信道估计值、历史接收信号和历史调制信号的输入形式设置为符合预设神经网络输入要求的格式,以便于预设神经网络根据实数数组进行训练得到历史接收信号的信号估计值,并且在具体的应用场景中,相应的实部和虚部的值可以分别表征天线端口和接收天线的值,即通过实数数组的形式能够更好地适应神经网络的运算。
在一实施例中,除了上述的实数神经网络之外,预设神经网络还可以为其他类型,相应地,对于预设神经网络的输入可以随着预设神经网络的类型变化而变化,也就是说,上述实施例中的步骤S131至S133并不作为对输入到预设神经网络的内容的限定,还可以根据具体场景选择适宜的训练输入内容,此处不作限定。
如图5所示,本申请的一个实施例,对步骤S131进行进一步说明,步骤S131可以包括但不限于步骤S1311至S1312。
步骤S1311:获取历史信道估计值的第一实部和第一虚部,以及获取历史接收信号的第二实部和第二虚部;
步骤S1312:按预设顺序排列组合第一实部、第一虚部、第二实部和第二虚部,得到作为训练样本的第一实数数组。
本步骤中,通过分别获取历史信道估计值的第一实部和第一虚部,以及获取历史接收信号的第二实部和第二虚部,可以分别生成历史信道估计值和历史接收信号对应的实数集合,进而按照预设顺序排列组合各个实数集合中相应的第一实部、第一虚部、第二实部和第二虚部,就能够得到包括历史信道估计值和历史接收信号的第一实数数组。
在一实施例中,排列的预设顺序不限定,可以但不限于根据历史信道估计值和历史接收信号对应的实部和虚部分别进行排列,也即将历史信道估计值的实部和虚部排列在相邻位置,以及将历史接收信号的实部和虚部排列在相邻位置,或者可以根据具体应用场景进行顺序排列等。
如图6所示,本申请的一个实施例,当历史调制信号包括调制信号流,调制信号流包括多个层调制信号时,对步骤S132进行进一步说明,步骤S132可以包括但不限于步骤S1321至S1322。
步骤S1321:获取各个层调制信号的实部和虚部;
步骤S1322:按预设顺序排列组合各个层调制信号的实部和虚部,得到作为训练样本的标签的第二实数数组。
本步骤中,当历史调制信号包括调制信号流,调制信号流包括多个层调制信号,说明此时的历史调制信号相当于为一个信号层,通过获取其中的各个层调制信号的实部和虚部,就相当于获取到了历史调制信号的整个的实部和虚部,然后可以按照预设顺序排列组合各个层调制信号的实部和虚部而得到作为训练样本的标签的第二实数数组。
在一实施例中,排列的预设顺序不限定,可以但不限于根据各个层调制信号的实部和虚部分别进行排列,也即将每个层调制信号的实部和虚部排列在相邻位置,同时将相邻的层调制信号的实部和虚部排列在相邻位置等,或者可以根据具体应用场景进行顺序排列等。
如图7所示,本申请的一个实施例,步骤S133之后还包括但不限于步骤S134至S135,其中,步骤S134至S135用于确定得到预训练的预设神经网络。
步骤S134:根据历史接收信号的信号估计值和第二实数数组,得到预设神经网络对应的预设损失函数的当前数值;
步骤S135:当预设损失函数的当前数值符合预设收敛条件,确定得到预训练的预设神经网络。
本步骤中,通过训练得到的信号估计值和预确定的第二实数数组计算得到损失函数并基于计算数值判断是否符合预设收敛条件,以便于在确定计算数值不符合预设收敛条件的情况下,实现对于预设神经网络的进一步训练优化而得到新的信号估计值,以此类推,再通过新的信号估计值计算得到新的损失函数值并再次进行判断,从而能够不断地优化预设神经网络,使得最终训练得到的信号估计值不断逼近发送信号,而且由于可以灵活地支持不同长度的数据比特源和不同的调制方式,因此可以更可靠地应用在计算损失函数的相关场景中,最终能够训练得到符合要求的预设神经网络。
在一实施例中,预设损失函数包括如下至少之一:
均方误差(Mean Square Error,MSE)损失函数;
均方根误差(Root Mean Squared Error,RMSE)损失函数;
平均绝对值误差(Mean Absolute Error,MAE)损失函数;
欧氏距离损失函数;
余弦距离损失函数;
MSE损失函数、RMSE损失函数、MAE损失函数、欧氏距离损失函数和余弦距离损失函数的线性加权函数。
上述损失函数为本领域技术人员所熟知,在此对其不作赘述;或者,本领域技术人员还可以根据具体应用场景为预设神经网络设置相应的预设损失函数,此处并未限定。
以下给出具体示例以说明上述各实施例的工作原理。
示例二:
首先,基于MIMO***构建预设神经网络的训练输入,该预设神经网络为实数神经网络,所以需要把和YData的实部和虚部分开,构成一组实数数组,如:Re(YData),Im(YData)],其中Re(·)和Im(·)分别是取实部和取虚部的操作。由于MIMO***中/>有P个天线端口和R个接收天线上的值,YData有R个接收天线上的值,所以前面得到的实数数组中也包含了P个天线端口和R个接收天线上的实部和虚部的值,那么这个实数数组就作为预设神经网络的训练输入。
然后,进一步产生预设神经网络的训练样本的标签并进行模型训练。参照图12,通过发送端发出的发送比特流,通过编码和调制后生成了包含多层MIMO信号的发送调制信号XData(即历史调制信号),经过无线衰落信道之后,基于神经网络(即预训练的预设神经网络,下同,不再赘述)的MIMO信号检测器得到接收导频信号YPilot、接收信号YData和本地导频信号XPilot,按照类似于上一步骤的操作,可以得到实数数组Re(YData),Im(YData)],以之作为训练样本,另外发送调制信号XData同样按照实部和虚部依次排列,组成一个一维实数数组,如下所示:
其中,K=T·Llayer,Llayer为MIMO信号的层数,T为每个层调制信号所占的资源粒子(Resource Element,RE)数,这个一维实数数组X′Data即作为训练样本的标签,可以看出,对于多层MIMO信号而言,由于是采用上述方式统一排列的,因此并不需要关注其具体长度或调制方式,也就是说,本示例可以灵活地支持不同长度的数据比特流和不同的调制方式。以此类推,在不同的无线衰落信道下,生成多组训练样本和标签,设定每组训练样本和标签的排列顺序和标签数据相同,并输入到预设神经网络中进行训练,得到发送信号估计值然后将该发送信号估计值与标签X′Data一起计算损失函数,待损失函数收敛到一定程度后即可以确定完成网络训练。
如图8所示,本申请的一个实施例,对步骤S120进行进一步说明,步骤S120包括但不限于步骤S121至S122。
步骤S121:对获取到的当前信道估计值和待测接收信号的实部和虚部进行组合,得到第三实数数组;
步骤S122:将第三实数数组输入到预训练的预设神经网络进行信号检测,得到待测接收信号的实数信号估计结果。
本步骤中,通过获取当前信道估计值和待测接收信号的实部和虚部以组合得到作为检测输入的第三实数数组,从而为预设神经网络提供对应符合要求的输入参量,也就是说,统一将当前信道估计值和待测接收信号的输入形式设置为符合预设神经网络输入要求的格式,以便于预设神经网络根据实数数组进行检测得到待测接收信号的实数信号估计结果。
在一实施例中,除了上述输出的实数信号估计结果之外,预设神经网络还可以输出为其他类型,相应地,对于预设神经网络的输入可以随着预设神经网络的输出类型变化而变化,此处并未限定。
如图9所示,本申请的一个实施例,对步骤S121进行进一步说明,步骤S121包括但不限于步骤S1211至S1212。
步骤S1211:获取当前信道估计值的第三实部和第三虚部,以及获取待测接收信号的第四实部和第四虚部;
步骤S1212:按预设顺序排列组合第三实部、第三虚部、第四实部和第四虚部,得到第三实数数组。
本步骤中,通过分别获取当前信道估计值的第三实部和第三虚部,以及获取待测接收信号的第四实部和第四虚部,可以分别生成当前信道估计值和待测接收信号对应的实数集合,进而按照预设顺序排列组合各个实数集合中相应的第三实部、第三虚部、第四实部和第四虚部,就能够得到包括当前信道估计值和待测接收信号的第三实数数组。
在一实施例中,排列的预设顺序不限定,可以但不限于根据当前信道估计值和待测接收信号对应的实部和虚部分别进行排列,也即将当前信道估计值的实部和虚部排列在相邻位置,以及将待测接收信号的实部和虚部排列在相邻位置,或者可以根据具体应用场景进行顺序排列等。
如图10所示,本申请的一个实施例,对步骤S122之后的步骤实施例进行进一步说明,步骤S122之后还包括但不限于步骤S123至S124。
步骤S123:对待测接收信号的实数信号估计结果进行复数转换处理,得到待测接收信号的复数信号估计结果;
步骤S124:对复数信号估计结果进行解调、译码,得到输出信号。
本步骤中,通过对待测接收信号的实数信号估计结果得到待测接收信号的复数信号估计结果,以便于通过该复数信号估计结果进行进一步地进行解调和译码,从而得到最终的输出信号。
如图11所示,本申请的一个实施例,在实数信号估计结果包括实数信号估计数组,实数信号估计数组包括按顺序排列的多个层信号的实部和虚部的情况下,对步骤S123进行进一步说明,步骤S123可以但不限于包括步骤S1231至S1232。
步骤S1231:分别对实数信号估计数组中的各个层信号的实部和虚部进行复数转换,得到各个层信号对应的复数转换数据;
步骤S1232:按预设顺序排列组合各个复数转换数据,得到待测接收信号的复数信号估计结果。
本步骤中,由于实数信号估计结果包括实数信号估计数组,且实数信号估计数组包括按顺序排列的多个层信号的实部和虚部,因此可以分别对实数信号估计数组中的各个层信号的实部和虚部进行复数转换,从而得到每个层信号对应的复数转换数据,进而通过对各个复数转换数据进行排列组合,能够准确可靠地得到待测接收信号的复数信号估计结果。
以下给出一个具体示例以说明上述各实施例的工作原理。
示例三:
如图12所示,利用预设神经网络实施在线信号检测,预设神经网络训练完成之后即可部署在MIMO***中的接收端进行在线信号检测。当在线信号检测时,可以参照示例一和示例二中的方式类似的得到预设神经网络的输入参数,然后预设神经网络进行在线检测,得到预设神经网络的输出即发送信号的估计值,然后完成实数数组到均衡后复数值数据的转换,如下操作所示:
其中,complex(·)表示组成一个复数值数据的操作,利用转换得到的复数值数据再进行后续传解调和译码,得到最终的输出信号。
以下给出一个完整流程示例以说明上述各实施例的工作原理。
示例四:
如图13所示,在一个MIMO技术下的OFDM***中,设置有基于神经网络(即本申请实施例中的预设神经网络)的MIMO信号检测器和LS信道估计模块,此时有L=2个数据层,P=2个天线端口和T=2个物理发送天线,R=2个物理接收天线。接收端频域信号Y可以表示为公式(2):
其中,X是这2个数据层调制后的发送信号,维度是L×1,即2×1;H是发送端和接收端之间的无线信道矩阵,维度是T×R,即2×2;N是加性高斯白噪声,维度是R×1,即2×1。频域接收信号YData和接收导频信号YPilot的维度也是R×1,即2×1,接收端的本地导频信号XPilot的维度为P×1,即2×1。假设频域接收信号和接收导频信号一共占了2个OFDM符号,那么接收导频信号则占了第一个OFDM符号,频域接收信号占了第二个OFDM符号。
本示例提出的基于神经网络的MIMO信号检测方法就是着眼于如何从接收端频域信号Y中检测出发送信号X,其具体步骤如下:
步骤1:确定基于神经网络的MIMO信号检测器的结构。先把XPilot和YPilot输入到LS信道估计子模块,用上述示例一中的公式(1)得到LS信道估计值其维度为P×R,即2×2。然后将/>和YData一起输入到基于神经网络的MIMO信号检测器,得到最终的发送数据估计值/>其中,LS信道估计子模块可以依靠相关技术中的方法构建,基于神经网络的MIMO信号检测器采用一个卷积神经网络(Convolutional Neural Network,CNN)。
步骤2:构建卷积神经网络MIMO信号检测器的训练输入。按照上述示例一中的类似方式,将和YData的实部和虚部分开,构成一组维度为120×12的实数数组并按照顺序排列。由于MIMO***中/>有P=2个天线端口和R=2个接收天线上的值,YData有R=2个接收天线上的值,如果MIMO信号占用了10个资源块(每个资源块有12个子载波),即NRB=10个,那么一共占了120个子载波,这个实数数组的维度即为120×12,这个实数数组就作为卷积神经网络的训练输入。
步骤3:待产生MIMO信号检测器的训练样本的标签之后,进行模型训练。发送端生成发送调制信号XData(包含2个层MIMO信号),经过无线衰落信道后得到接收端的导频信号YPilot、接收信号YData和本地导频信号XPilot,按照步骤2的类似操作得到一个实数数组作为训练样本。
另外,发送调制信号XData按照实部和虚部依次排列,先排第一个层的调制信号,再排第二个层的调制信号,最终组成一个一维实数数组,如下所示:
其中,K=T·Llayer,Llayer=2为MIMO信号的层数,T=120为MIMO信号每个层调制信号所占的RE数。那么这个一维实数数组X′Data的维度为1×480,作为训练样本的标签。在不同的衰落信道下,生成多组训练样本和标签,并输入到CNN中进行训练,得到发送信号估计值然后将其和标签X′Data一起计算MSE损失函数,如下面公式(3)所示:
其中,n是每次训练的batch size样本数。当模型训练时,基于MSE损失函数利用Adam优化器对CNN进行训练,待损失函数收敛到一定程度后确定完成网络训练,此时保存模型参数,用于后续在线信号检测。
步骤4:实施在线MIMO信号检测,CNN训练完成之后即可部署在OFDM***中的接收端进行在线信号检测。当在线信号检测时,同样按照步骤1和步骤2中的处理流程,类似地先得到CNN的输入参数再进行在线检测,可以得到CNN的输出即发送信号的估计值,该发送信号的估计值包括相应的实数数组,然后完成实数数组到均衡后复数值数据的转换,如下操作:
其中,complex(·)表示组成一个复数值数据的操作,利用转换得到的复数值数据再进行后续传解调和译码,得到最终的输出信号。
可以看出,本申请实施例的信号检测方法,其输出是均衡后解层映射后的数据,并采用发送端调制后的信号作为训练标签,并使用MSE作为损失函数,使得估计值不断逼近发送信号,同时可以灵活地支持不同长度的数据比特流和不同的调制方式,具有良好的泛用性。
如图14所示,本申请的一个实施例,当历史信号样本为多组,且预设神经网络包括增强信道估计子网络和信道均衡子网络时,步骤S120之前还包括但不限于步骤S140至S150。
步骤S140:对于每组历史信号样本,将历史信道估计值输入到增强信道估计子网络进行信道增强估计训练,得到第一预估结果;
步骤S150:将第一预估结果和历史接收信号输入到信道均衡子网络中进行信道均衡训练而得到预训练的预设神经网络。
本步骤中,预设神经网络包括增强信道估计子网络和信道均衡子网络这两个子网络,每个子网络分别具备单独的性能,因此对于每组历史信号样本来说,可以分别将历史信道估计值输入到增强信道估计子网络进行信道增强估计训练得到第一预估结果,再将第一预估结果和历史接收信号输入到信道均衡子网络中进行信道均衡训练而得到预训练的预设神经网络,相比于功能一体化设置的预设神经网络,能够达到同样有效可靠的训练效果。
在一实施例中,增强信道估计子网络和信道均衡子网络可以一起进行训练,也可以单独地分别进行训练,或者本领域技术人员也可以根据具体应用场景选择相应的训练方式对增强信道估计子网络和信道均衡子网络进行训练等,此处并未限定。
如图15所示,本申请的一个实施例,步骤S120包括但不限于步骤S125至S126。
步骤S125:将当前信道估计值输入到预训练的增强信道估计子网络进行信道增强估计,得到第二预估结果;
步骤S126:将第二预估结果和待测接收信号输入到预训练的信道均衡子网络中进行信道均衡,得到待测接收信号的信号估计值。
本步骤中,当需要进行信号检测时,通过将当前信道估计值输入到预训练的增强信道估计子网络进行信道增强估计而直接得到第二预估结果,然后将第二预估结果和待测接收信号输入到预训练的信道均衡子网络中进行信道均衡,就能够得到待测接收信号的信号估计值,通过分别测试计算信道预估结果和最终的信号估计值,有利于提高预设神经网络的信号检测精度。
需要说明的是,步骤S140至S150、步骤S125至S126的工作原理与前述实施例中的相关步骤所类似,区别仅在于前述实施例中的预设神经网络为一体式结构,而本申请中的预设神经网络分为两个子网络,通过两个子网络的配合可以完整地实现单个的预设神经网络的功能,由于前述实施例中对于预设神经网络的详细原理及流程已经详细说明,因此本实施例的步骤实施例可以参照前述实施例中对于预设神经网络的详细原理及流程,为免冗余,在此不作赘述。
以下给出另一个完整流程示例以说明上述各实施例的工作原理。
示例五:
如图16所示,在一个MIMO技术下的OFDM***中,设置有基于神经网络(即本申请实施例中的预设神经网络)的MIMO信号检测器和LS信道估计模块,此时有L=4个数据层,P=4个天线端口和T=4个物理发送天线,R=4个物理接收天线。接收端频域信号Y可以表示为公式(4):
其中,X是这4个数据层调制后的发送信号,维度是L×1,即4×1;H是发送端和接收端之间的无线信道矩阵,维度是T×R,即4×4;N是加性高斯白噪声,维度是R×1,即4×1。频域接收信号YData和接收导频信号YPilot的维度也是R×1,即4×1,接收端的本地导频信号XPilot的维度为P×1,即4×1。假设频域接收信号和接收导频信号一共占了4个OFDM符号,那么接收导频信号则占了第一个OFDM符号,频域接收信号占了剩余3个OFDM符号。
本示例提出的基于神经网络的MIMO信号检测方法就是着眼于如何从接收端频域信号Y中检测出发送信号X,其具体步骤如下:
步骤1:确定基于神经网络的MIMO信号检测器的结构。先把XPilot和YPilot输入到LS信道估计子模块,用上述示例一中的公式(1)得到LS信道估计值其维度为P×R,即4×4。然后将/>和YData一起输入到基于神经网络的MIMO信号检测器,得到最终的发送数据估计值/>其中,LS信道估计子模块可以依靠相关技术中的方法构建,基于神经网络的MIMO信号检测器包含2个子网络:一个为增强信道估计子网络,用于信道估计增强,起到去除噪声、干扰的作用,提升信道估计值的质量;另一个为信道均衡子网络,用于信道均衡,进行MIMO信号的检测,这2个子网络都采用带有通道注意力机制的残差神经网络。
步骤2:构建增强信道估计子网络的训练输入,按照上述示例一中的类似方式,将的实部和虚部分开,构成一组维度为240×32的实数数组并按照顺序排列。由于MIMO***中/>有P=4个天线端口和R=4个接收天线上的值,YData有R=4个接收天线上的值。如果MIMO信号占用了20个资源块(每个资源块有12个子载波),即NRB=20个,那么一共占了240个子载波,并且导频占了一个OFDM符号,因此这个实数数组的维度即为240×32,这个实数数组H′LS就作为增强信道估计子网络的训练输入,把H′LS输入到增强信道估计子网络中,经过残差神经网络得到输出H″,其维度为240×32。
然后,构建信道均衡子网络的训练输入,把H″和YData的实部和虚部分开,构成一组实数数组,按照下面顺序排列,其维度为240×56:
这里YData占了3个OFDM符号,YData的维度是240*24。那么,这个维度为240×56的实数数组就作为信道均衡子网络的训练输入。
步骤3:待产生MIMO信号检测器的训练样本的标签之后,进行模型训练。发送端生成发送调制信号XData(包含3个OFDM符号上的4个层MIMO信号),经过无线衰落信道后得到接收端的导频信号YPilot、接收信号YData和本地导频信号XPilot,按照步骤2的类似操作分别得到增强信道估计子网络和信道均衡子网络的训练样本。
另外,发送调制信号XData按照实部和虚部依次排列,先排第一层的调制信号,再排第二层的调制信号,最终组成一个一维实数数组,如下所示:
其中,K=T·Llayer,Llayer=4为MIMO信号的层数,T=240*3为MIMO信号每个层层调制信号所占的RE数。那么这个一维实数数组X′Data的维度为1×5760,作为训练样本的标签。在不同的衰落信道下,生成多组训练样本和标签,并输入到增强信道估计子网络和信道均衡子网络进行整体训练,由信道均衡子网络输出而得到发送信号估计值然后将其和标签X′Data一起计算欧氏距离作为损失函数,如下面公式(5)所示:
其中,n是每次训练的batch size样本数。当模型训练时,基于欧氏距离的损失函数利用Adam优化器对残差神经网络进行训练,待损失函数收敛到一定程度后确定完成网络训练,此时保存模型参数,用于后续在线信号检测。
步骤4:实施在线MIMO信号检测,残差神经网络训练完成之后即可部署在OFDM***中的接收端进行在线信号检测。当在线信号检测时,同样按照步骤1和步骤2中的处理流程,类似地先得到残差神经网络的输入参数再进行在线检测,可以得到残差神经网络的输出即发送信号的估计值,该发送信号的估计值包括相应的实数数组,然后完成实数数组到均衡后复数值数据的转换,如下操作:
其中,complex(·)表示组成一个复数值数据的操作,利用转换得到的复数值数据再进行后续传解调和译码,得到最终的输出信号。
可以看出,本申请实施例的信号检测方法,其输出是均衡后解层映射后的数据,并采用发送端调制后的信号作为训练标签,并使用欧式距离作为损失函数,使得估计值不断逼近发送信号,同时可以灵活地支持不同长度的数据比特流和不同的调制方式,具有良好的泛用性。
另外,如图17所示,本申请的一个实施例还公开了一种信号检测设备100,包括:至少一个处理器110;至少一个存储器120,用于存储至少一个程序;当至少一个程序被至少一个处理器110执行时实现如前面任意实施例中的信号检测方法。
另外,本申请的一个实施例还公开了一种计算机可读存储介质,其中存储有计算机可执行指令,计算机可执行指令用于执行如前面任意实施例中的信号检测方法。
此外,本申请的一个实施例还公开了一种计算机程序产品,包括计算机程序或计算机指令,计算机程序或计算机指令存储在计算机可读存储介质中,计算机设备的处理器从计算机可读存储介质读取计算机程序或计算机指令,处理器执行计算机程序或计算机指令,使得计算机设备执行如前面任意实施例中的信号检测方法。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、***可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
Claims (20)
1.一种信号检测方法,包括:
获取至少一组历史信号样本,其中,所述历史信号样本包括历史信道估计值、历史接收信号和历史调制信号;
在获取到当前信道估计值和待测接收信号的情况下,将所述当前信道估计值和所述待测接收信号输入到预训练的预设神经网络进行信号检测,得到所述待测接收信号的信号估计值;
其中,预训练的所述预设神经网络为通过至少一组所述历史信号样本对所述预设神经网络进行训练而得到。
2.根据权利要求1所述的信号检测方法,其特征在于,所述历史信号样本为多组,每个无线衰落信道对应于多组所述历史信号样本;所述获取至少一组历史信号样本,包括:
获取由发送端发送的历史调制信号;
在每个所述无线衰落信道中,对所述历史调制信号进行预设信号处理而在接收端得到接收导频信号、本地导频信号和历史接收信号;
将所述接收导频信号乘以所述本地导频信号的共轭,得到历史信道估计值。
3.根据权利要求2所述的信号检测方法,其特征在于,基于如下步骤通过至少一组所述历史信号样本对所述预设神经网络进行训练而得到预训练的所述预设神经网络:
对于每组所述历史信号样本,以所述历史信道估计值和所述历史接收信号作为训练样本、以所述历史调制信号作为所述训练样本的标签,对所述预设神经网络进行训练而得到预训练的所述预设神经网络。
4.根据权利要求2所述的信号检测方法,其特征在于,当所述预设神经网络包括增强信道估计子网络和信道均衡子网络时,基于如下步骤通过至少一组所述历史信号样本对所述预设神经网络进行训练而得到预训练的所述预设神经网络:
对于每组所述历史信号样本,将所述历史信道估计值输入到所述增强信道估计子网络进行信道增强估计训练,得到第一预估结果;
将所述第一预估结果和所述历史接收信号输入到所述信道均衡子网络中进行信道均衡训练而得到预训练的所述预设神经网络。
5.根据权利要求4所述的信号检测方法,其特征在于,所述将所述当前信道估计值和所述待测接收信号输入到预训练的预设神经网络进行信号检测,得到所述待测接收信号的信号估计值,包括:
将所述当前信道估计值输入到预训练的所述增强信道估计子网络进行信道增强估计,得到第二预估结果;
将所述第二预估结果和所述待测接收信号输入到预训练的所述信道均衡子网络中进行信道均衡,得到所述待测接收信号的信号估计值。
6.根据权利要求3所述的信号检测方法,其特征在于,所述以所述历史信道估计值和所述历史接收信号作为训练样本、以所述历史调制信号作为所述训练样本的标签,对所述预设神经网络进行训练,包括:
对获取到的所述历史信道估计值、所述历史接收信号的实部和虚部进行组合,得到作为训练样本的第一实数数组;
对获取到的所述历史调制信号的实部和虚部进行组合,得到作为所述训练样本的标签的第二实数数组;
将所述第一实数数组和所述第二实数数组输入到所述预设神经网络进行训练,得到所述历史接收信号的信号估计值。
7.根据权利要求6所述的信号检测方法,其特征在于,所述对获取到的所述历史信道估计值、所述历史接收信号的实部和虚部进行组合,得到作为训练样本的第一实数数组,包括:
获取所述历史信道估计值的第一实部和第一虚部,以及获取所述历史接收信号的第二实部和第二虚部;
按预设顺序排列组合所述第一实部、所述第一虚部、所述第二实部和所述第二虚部,得到作为训练样本的第一实数数组。
8.根据权利要求6所述的信号检测方法,其特征在于,所述历史调制信号包括调制信号层,所述调制信号层包括多个层调制信号;所述对获取到的所述历史调制信号的实部和虚部进行组合,得到作为所述训练样本的标签的第二实数数组,包括:
获取各个所述层调制信号的实部和虚部;
按预设顺序排列组合各个所述层调制信号的实部和虚部,得到作为所述训练样本的标签的第二实数数组。
9.根据权利要求6所述的信号检测方法,其特征在于,所述得到所述历史接收信号的信号估计值之后,基于如下步骤确定得到预训练的所述预设神经网络:
根据所述历史接收信号的信号估计值和所述第二实数数组,得到所述预设神经网络对应的预设损失函数的当前数值;
当所述预设损失函数的当前数值符合预设收敛条件,确定得到预训练的所述预设神经网络。
10.根据权利要求9所述的信号检测方法,其特征在于,所述预设损失函数包括如下至少之一:
均方误差MSE损失函数;
均方根误差RMSE损失函数;
平均绝对值误差MAE损失函数;
欧氏距离损失函数;
余弦距离损失函数;
MSE损失函数、RMSE损失函数、MAE损失函数、欧氏距离损失函数和余弦距离损失函数的线性加权函数。
11.根据权利要求1所述的信号检测方法,其特征在于,所述将所述当前信道估计值和所述待测接收信号输入到预训练的预设神经网络进行信号检测,得到所述待测接收信号的信号估计值,包括:
对获取到的所述当前信道估计值和所述待测接收信号的实部和虚部进行组合,得到第三实数数组;
将所述第三实数数组输入到预训练的预设神经网络进行信号检测,得到所述待测接收信号的实数信号估计结果。
12.根据权利要求11所述的信号检测方法,其特征在于,所述对获取到的所述当前信道估计值和所述待测接收信号的实部和虚部进行组合,得到第三实数数组,包括:
获取所述当前信道估计值的第三实部和第三虚部,以及获取所述待测接收信号的第四实部和第四虚部;
按预设顺序排列组合所述第三实部、所述第三虚部、所述第四实部和所述第四虚部,得到第三实数数组。
13.根据权利要求11所述的信号检测方法,其特征在于,所述得到所述待测接收信号的实数信号估计结果之后,还包括:
对所述待测接收信号的实数信号估计结果进行复数转换处理,得到所述待测接收信号的复数信号估计结果;
对所述复数信号估计结果进行解调、译码,得到输出信号。
14.根据权利要求13所述的信号检测方法,其特征在于,所述实数信号估计结果包括实数信号估计数组,所述实数信号估计数组包括按顺序排列的多个层信号的实部和虚部;所述对所述待测接收信号的实数信号估计结果进行复数转换处理,得到所述待测接收信号的复数信号估计结果,包括:
分别对所述实数信号估计数组中的各个所述层信号的实部和虚部进行复数转换,得到各个所述层信号对应的复数转换数据;
按预设顺序排列组合各个所述复数转换数据,得到所述待测接收信号的复数信号估计结果。
15.根据权利要求2所述的信号检测方法,其特征在于,所述将所述接收导频信号乘以所述本地导频信号的共轭,得到历史信道估计值,包括:
采用最小二乘LS信道估计算法将所述接收导频信号乘以所述本地导频信号的共轭,得到历史信道估计值。
16.根据权利要求2所述的信号检测方法,其特征在于,所述获取由发送端发送的历史调制信号,包括:
获取由发送端发送的至少一组发送比特流信号;
对至少一组所述发送比特流信号进行编码、调制,得到历史调制信号。
17.根据权利要求1所述的信号检测方法,其特征在于,所述预设神经网络包括如下至少一:
深度神经网络;
卷积神经网络;
残差卷积神经网络;
带注意力机制的残差卷积神经网络。
18.一种信号检测设备,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当至少一个所述程序被至少一个所述处理器执行时实现如权利要求1至17任意一项所述的信号检测方法。
19.一种计算机可读存储介质,其特征在于,其中存储有处理器可执行的程序,所述处理器可执行的程序被处理器执行时用于实现如权利要求1至17任意一项所述的信号检测方法。
20.一种计算机程序产品,包括计算机程序或计算机指令,其特征在于,所述计算机程序或所述计算机指令存储在计算机可读存储介质中,计算机设备的处理器从所述计算机可读存储介质读取所述计算机程序或所述计算机指令,所述处理器执行所述计算机程序或所述计算机指令,使得所述计算机设备执行如权利要求1至17任意一项所述的信号检测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210831551.7A CN117439714A (zh) | 2022-07-15 | 2022-07-15 | 信号检测方法及设备、存储介质 |
PCT/CN2023/102432 WO2024012185A1 (zh) | 2022-07-15 | 2023-06-26 | 信号检测方法及设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210831551.7A CN117439714A (zh) | 2022-07-15 | 2022-07-15 | 信号检测方法及设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117439714A true CN117439714A (zh) | 2024-01-23 |
Family
ID=89535519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210831551.7A Pending CN117439714A (zh) | 2022-07-15 | 2022-07-15 | 信号检测方法及设备、存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117439714A (zh) |
WO (1) | WO2024012185A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1908241B1 (en) * | 2005-07-13 | 2016-11-09 | LG Electronics Inc. | Method for transmitting/receiving signal having spread training symbol in mobile communication system |
CN109921882B (zh) * | 2019-02-20 | 2021-08-27 | 深圳市宝链人工智能科技有限公司 | 一种基于深度学习的mimo解码方法、装置及存储介质 |
CN111464465B (zh) * | 2020-03-11 | 2022-05-06 | 重庆邮电大学 | 一种基于集成神经网络模型的信道估计方法 |
CN113890799B (zh) * | 2021-10-28 | 2022-10-25 | 华南理工大学 | 一种基于域对抗网络的水声通信信道估计与信号检测方法 |
-
2022
- 2022-07-15 CN CN202210831551.7A patent/CN117439714A/zh active Pending
-
2023
- 2023-06-26 WO PCT/CN2023/102432 patent/WO2024012185A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024012185A1 (zh) | 2024-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112637093B (zh) | 一种基于模型驱动深度学习的信号检测方法 | |
CN111628833B (zh) | 基于卷积神经网络的mimo天线数目估计方法 | |
KR101979394B1 (ko) | Mimo-ofdm 시스템 기반의 머신 러닝 모델을 이용한 적응적 전송 기법 결정 장치 및 그것을 이용한 적응적 전송 방법 | |
Zhao et al. | Deep Learning-Based channel estimation with SRGAN in OFDM Systems | |
US20140140425A1 (en) | Mimo communication system signal detection method | |
CN115943395A (zh) | 用于无导频ofdm通信的无线电接收器、发射器和*** | |
Ye et al. | Bilinear convolutional auto-encoder based pilot-free end-to-end communication systems | |
Park et al. | Learning how to demodulate from few pilots via meta-learning | |
CN113971430A (zh) | 信号检测及模型训练方法、装置、设备及存储介质 | |
KR102064301B1 (ko) | Mimo 시스템 기반의 앙상블 기계 학습을 이용한 신호 검출 장치 및 그 방법 | |
Zhang et al. | Lightweight automatic modulation classification via progressive differentiable architecture search | |
Dehri et al. | Blind digital modulation classification for STBC‐OFDM system in presence of CFO and channels estimation errors | |
CN114826832A (zh) | 信道估计方法、神经网络的训练方法及装置、设备 | |
Liu et al. | RecNet: Deep learning-based OFDM receiver with semi-blind channel estimation | |
CN117439714A (zh) | 信号检测方法及设备、存储介质 | |
KR101911168B1 (ko) | Mimo-ofdm 시스템을 이용한 적응적 신호 검출 방법 및 그 장치 | |
US20230216724A1 (en) | Context Aware Data Receiver for Communication Signals Based on Machine Learning | |
CN113242201B (zh) | 基于生成分类网络的无线信号增强解调方法及*** | |
WO2023041202A1 (en) | Improved pilot assisted radio propagation channel estimation based on machine learning | |
CN111786915B (zh) | 非线性失真条件下基于深度学习的无线通信方法及其*** | |
Yang et al. | Deep learning based detection and channel tracking for mimo systems | |
Lijun et al. | A signal demodulation algorithm based on generative adversarial networks | |
Ko et al. | Unsupervised machine intelligence for automation of multi-dimensional modulation | |
KR101937559B1 (ko) | Mimo-ofdm 시스템을 이용한 선형 근사화 신호 검출 장치 및 그 방법 | |
KR102576415B1 (ko) | 다중 인덱스 변조를 수행하는 직교 주파수 분할 다중화 시스템에서 수신기의 메시지 신호 검출 방법 및 수신기 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |