CN117914378B - 一种5g直放站信号处理方法及*** - Google Patents
一种5g直放站信号处理方法及*** Download PDFInfo
- Publication number
- CN117914378B CN117914378B CN202311694830.4A CN202311694830A CN117914378B CN 117914378 B CN117914378 B CN 117914378B CN 202311694830 A CN202311694830 A CN 202311694830A CN 117914378 B CN117914378 B CN 117914378B
- Authority
- CN
- China
- Prior art keywords
- data
- signal
- characteristic
- nonlinear distortion
- frequency
- 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
Links
- 238000003672 processing method Methods 0.000 title claims description 15
- 238000006243 chemical reaction Methods 0.000 claims abstract description 127
- 238000004088 simulation Methods 0.000 claims abstract description 122
- 230000001629 suppression Effects 0.000 claims abstract description 80
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000012937 correction Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000012544 monitoring process Methods 0.000 claims abstract description 39
- 230000015654 memory Effects 0.000 claims abstract description 36
- 230000007787 long-term memory Effects 0.000 claims abstract description 13
- 230000006403 short-term memory Effects 0.000 claims abstract description 13
- 238000010276 construction Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims description 127
- 238000009826 distribution Methods 0.000 claims description 66
- 230000008859 change Effects 0.000 claims description 64
- 238000004422 calculation algorithm Methods 0.000 claims description 41
- 230000009467 reduction Effects 0.000 claims description 41
- 230000003595 spectral effect Effects 0.000 claims description 37
- 230000004927 fusion Effects 0.000 claims description 26
- 238000007781 pre-processing Methods 0.000 claims description 26
- 238000013135 deep learning Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 24
- 238000001228 spectrum Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 15
- 238000003066 decision tree Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000005065 mining Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 14
- 230000008901 benefit Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000003313 weakening effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005562 fading Methods 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000010207 Bayesian analysis Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007418 data mining Methods 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
- 238000011156 evaluation Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/155—Ground-based stations
- H04B7/15528—Control of operation parameters of a relay station to exploit the physical medium
- H04B7/15542—Selecting at relay station its transmit and receive resources
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/0475—Generative networks
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
- G06N3/092—Reinforcement learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/155—Ground-based stations
- H04B7/15564—Relay station antennae loop interference reduction
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/155—Ground-based stations
- H04B7/17—Ground-based stations employing pulse modulation, e.g. pulse code modulation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03012—Arrangements for removing intersymbol interference operating in the time domain
- H04L25/03019—Arrangements for removing intersymbol interference operating in the time domain adaptive, i.e. capable of adjustment during data reception
- H04L25/03082—Theoretical aspects of adaptive time domain methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03159—Arrangements for removing intersymbol interference operating in the frequency domain
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03165—Arrangements for removing intersymbol interference using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Radio Relay Systems (AREA)
Abstract
本发明涉及无线通信网络技术领域,尤其涉及一种5G直放站信号处理方法及***。所述方法包括以下步骤:对5G信号数据进行模数转换和数字下变频,得到中频信号数据;对历史信号监测数据进行记忆模型构建,得到长短期记忆模型;对历史信号监测数据进行对抗训练,得到生成对抗网络模型;基于生成对抗网络模型进行数据拟态,得到非线性失真模拟数据以及模拟原始数据;对时钟偏移校正数据进行非线性失真补偿,得到非线性失真补偿数据;基于深度Q网络模型对非线性失真补偿数据进行多信号干扰预测,从而获取多信号干扰预测数据;对多信号干扰预测数据进行抑制波束策略训练,从而获取抑制波束策略。本发明能够实现对5G直放站信号数据进行精确干扰抑制。
Description
技术领域
本发明涉及无线通信网络技术领域,尤其涉及一种5G直放站信号处理方法及***。
背景技术
5G直放站是一种用于增强5G信号覆盖的中继设备,它可以在同频段内对基站和移动终端之间的上行和下行信号进行双向放大,随着5G的应用不断广泛起来,5G直放站的需求也在不断增加,从而导致多个移动终端同时使用同一频段的信号,造成多用户信号干扰问题愈发严重,进而使信号的质量下降,现如今,针对这一问题的解决方法有多天线技术、多址接入技术等,但天线单元成本高且功耗大,多址接入技术对小数据包的传输效率较低,因为没有足够的原始信号数据集的问题,也很难利用深度学习的方法对信号数据进行训练。
发明内容
基于此,本发明有必要提供一种5G直放站信号处理方法,以解决至少一个上述技术问题。
为实现上述目的,一种5G直放站信号处理方法,包括以下步骤:
步骤S1:获取5G直放站的5G信号数据;对5G信号数据进行模数转换,从而获取数字信号数据;对数字信号数据进行数字下变频,从而获取中频信号数据;
步骤S2:获取5G直放站的历史信号监测数据;对历史信号监测数据进行记忆模型构建,从而获取长短期记忆模型;基于长短期记忆模型对中频信号数据进行时钟偏移校正,从而获取时钟偏移校正数据;
步骤S3:对历史信号监测数据进行对抗训练,从而获取生成对抗网络模型集;基于生成对抗网络模型集进行数据拟态,从而获取非线性失真模拟数据以及模拟原始数据,其中数据拟态包括非线性失真数据拟态以及原始数据拟态;对非线性失真模拟数据以及模拟原始数据进行深度学习训练,从而获取非线性失真补偿模型;基于非线性失真补偿模型对时钟偏移校正数据进行非线性失真补偿,从而获取非线性失真补偿数据;
步骤S4:利用Q-learning算法构建深度Q网络模型;基于深度Q网络模型对非线性失真补偿数据进行多信号干扰预测,从而获取多信号干扰预测数据;对多信号干扰预测数据进行抑制波束策略训练,从而获取抑制波束策略;
步骤S5:利用抑制波束策略对非线性失真补偿数据进行干扰抑制,从而获取干扰抑制信号数据;对干扰抑制信号数据进行高频转换,从而得到高频信号数据,以执行5G直放站信号的处理作业。
本发明首先通过获取5G直放站的5G信号数据,可以对信号的质量和特征进行实时监测和分析;通过模数转换,可以将信号数据转换为数字信号数据,从而提高信号的处理效率和精度;通过数字下变频,可以将数字信号数据转换为中频信号数据,从而降低信号的采样率和带宽,减少信号的噪声和干扰。通过获取5G直放站的历史信号监测数据,可以利用历史数据的规律和特征进行信号的预测和优化;通过记忆模型构建,可以构建长短期记忆模型,从而实现对信号数据的动态学习和记忆;基于长短期记忆模型对中频信号数据进行时钟偏移校正,可以消除信号数据的时钟偏移误差,从而提高信号的同步性和稳定性。通过对历史信号监测数据进行对抗训练,可以构建生成对抗网络模型,从而实现对信号数据的高效生成和模拟;基于生成对抗网络模型进行数据拟态,可以获取非线性失真模拟数据以及模拟原始数据,从而模拟信号数据的非线性失真情况;根据非线性失真模拟数据以及模拟原始数据对时钟偏移校正数据进行非线性失真补偿,可以消除信号数据的非线性失真影响,从而提高信号的线性度和质量。利用Q-learning算法构建深度Q网络模型,可以实现对信号数据的深度学习和智能决策;基于深度Q网络模型对非线性失真补偿数据进行多信号干扰预测,可以预测信号数据的多信号干扰情况,从而提前做好干扰抑制的准备;对多信号干扰预测数据进行抑制波束策略训练,可以获取抑制波束策略,从而实现对信号数据的动态调整和优化。利用抑制波束策略对非线性失真补偿数据进行干扰抑制,可以抑制信号数据的多信号干扰,从而提高信号的信噪比和清晰度;对干扰抑制信号数据进行高频转换,可以得到高频信号数据,从而执行5G直放站信号的处理作业,实现信号的高速传输和高效应用。
优选地,本发明还提供了一种5G直放站信号处理***,用于执行如上所述的5G直放站信号处理方法,该5G直放站信号处理***包括:
数字下变频模块,用于获取5G直放站的5G信号数据;对5G信号数据进行模数转换,从而获取数字信号数据;对数字信号数据进行数字下变频,从而获取中频信号数据;
偏移校正模块,用于获取5G直放站的历史信号监测数据;对历史信号监测数据进行记忆模型构建,从而获取长短期记忆模型;基于长短期记忆模型对中频信号数据进行时钟偏移校正,从而获取时钟偏移校正数据;
非线性失真补偿模块,用于对历史信号监测数据进行对抗训练,从而获取生成对抗网络模型集;基于生成对抗网络模型集进行数据拟态,从而获取非线性失真模拟数据以及模拟原始数据,其中数据拟态包括非线性失真数据拟态以及原始数据拟态;对非线性失真模拟数据以及模拟原始数据进行深度学习训练,从而获取非线性失真补偿模型;基于非线性失真补偿模型对时钟偏移校正数据进行非线性失真补偿,从而获取非线性失真补偿数据;
抑制波束策略训练模块,用于利用Q-learning算法构建深度Q网络模型;基于深度Q网络模型对非线性失真补偿数据进行多信号干扰预测,从而获取多信号干扰预测数据;对多信号干扰预测数据进行抑制波束策略训练,从而获取抑制波束策略;
高频转换模块,用于利用抑制波束策略对非线性失真补偿数据进行干扰抑制,从而获取干扰抑制信号数据;对干扰抑制信号数据进行高频转换,从而得到高频信号数据,以执行5G直放站信号的处理作业。
综上所述,本发明提供了一种5G直放站信号处理***,该5G直放站信号处理***由数字下变频模块、偏移校正模块、非线性失真补偿模块、抑制波束策略训练模块以及高频转换模块组成,能够实现本发明所述任意一种5G直放站信号处理方法,***内部结构互相协作,通过采用对抗生成网络模型对信号数据进行模拟,从而得到足够多且模拟更加精确的模型训练集和测试集,为后续抑制波束策略训练模块中构建深度Q网络模型提供了数据基础,并且基于深度Q网络模型的特性,可以很好的反映出5G直放站信号中由于多用户公用同频信号而导致的信号干扰问题,从而针对性的预测出抑制的波束,从而简化了5G直放站信号处理***的操作流程。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明5G直放站信号处理方法的步骤流程示意图;
图2为图1中步骤S1的详细步骤流程示意图;
图3为图2中步骤S2的详细步骤流程示意图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图3,本发明提供了一种5G直放站信号处理方法,所述方法包括以下步骤:
步骤S1:获取5G直放站的5G信号数据;对5G信号数据进行模数转换,从而获取数字信号数据;对数字信号数据进行数字下变频,从而获取中频信号数据;
步骤S2:获取5G直放站的历史信号监测数据;对历史信号监测数据进行记忆模型构建,从而获取长短期记忆模型;基于长短期记忆模型对中频信号数据进行时钟偏移校正,从而获取时钟偏移校正数据;
步骤S3:对历史信号监测数据进行对抗训练,从而获取生成对抗网络模型集;基于生成对抗网络模型集进行数据拟态,从而获取非线性失真模拟数据以及模拟原始数据,其中数据拟态包括非线性失真数据拟态以及原始数据拟态;对非线性失真模拟数据以及模拟原始数据进行深度学习训练,从而获取非线性失真补偿模型;基于非线性失真补偿模型对时钟偏移校正数据进行非线性失真补偿,从而获取非线性失真补偿数据;
步骤S4:利用Q-learning算法构建深度Q网络模型;基于深度Q网络模型对非线性失真补偿数据进行多信号干扰预测,从而获取多信号干扰预测数据;对多信号干扰预测数据进行抑制波束策略训练,从而获取抑制波束策略;
步骤S5:利用抑制波束策略对非线性失真补偿数据进行干扰抑制,从而获取干扰抑制信号数据;对干扰抑制信号数据进行高频转换,从而得到高频信号数据,以执行5G直放站信号的处理作业。
本发明实施例中,请参考图1所示,为本发明5G直放站信号处理方法的步骤流程示意图,在本实例中,所述5G直放站信号处理方法的步骤包括:
步骤S1:获取5G直放站的5G信号数据;对5G信号数据进行模数转换,从而获取数字信号数据;对数字信号数据进行数字下变频,从而获取中频信号数据;
本发明实施例中,5G直放站通过天线接收无线信号,将其输入到模数转换器(ADC)中,将模拟信号转换为数字信号。数字信号经过数字下变频器(DDC)的处理,将其频率降低到中频范围,以便于后续的信号处理。
步骤S2:获取5G直放站的历史信号监测数据;对历史信号监测数据进行记忆模型构建,从而获取长短期记忆模型;基于长短期记忆模型对中频信号数据进行时钟偏移校正,从而获取时钟偏移校正数据;
本发明实施例通过5G直放站从数据库中读取历史信号监测数据,包括信号的时钟信息、频率信息、幅度信息等。利用长短期记忆(LSTM)网络,对历史信号监测数据进行训练,得到一个能够捕捉信号时序特征的记忆模型。利用该记忆模型,对中频信号数据进行预测,得到信号的时钟偏移量,并对信号进行时钟偏移校正,消除时钟误差的影响。
步骤S3:对历史信号监测数据进行对抗训练,从而获取生成对抗网络模型集;基于生成对抗网络模型集进行数据拟态,从而获取非线性失真模拟数据以及模拟原始数据,其中数据拟态包括非线性失真数据拟态以及原始数据拟态;对非线性失真模拟数据以及模拟原始数据进行深度学习训练,从而获取非线性失真补偿模型;基于非线性失真补偿模型对时钟偏移校正数据进行非线性失真补偿,从而获取非线性失真补偿数据;
本发明实施例通过利用生成对抗网络(GAN),对历史信号监测数据进行对抗训练,得到两个能够生成和判别信号的生成对抗网络模型。利用这两个模型进行数据拟态,即分别利用这两个生成对抗网络模型进行非线性失真特征信号数据的拟态以及原始信号数据的拟态,并对得到的非线性失真模拟数据以及模拟原始数据进行深度学习训练,即在得到足够的训练集之后,对该训练集分别进行非线性失真特征以及原始信号特征的挖掘,并以非线性失真补偿为目标,即根据原始信号特征对非线性失真信号特征进行还原为目标,获取非线性失真补偿模型,并基于该模型对信号数据进行非线性失真补偿,从而获取非线性失真补偿数据,即进行非线性失真补偿后的信号数据。
步骤S4:利用Q-learning算法构建深度Q网络模型;基于深度Q网络模型对非线性失真补偿数据进行多信号干扰预测,从而获取多信号干扰预测数据;对多信号干扰预测数据进行抑制波束策略训练,从而获取抑制波束策略;
本发明实施例通过利用Q-learning算法,对非线性失真补偿数据进行深度强化学习,构建一个深度Q网络(DQN)模型,该模型能够根据信号的状态和动作,输出信号的Q值,即信号的质量评估。基于该模型,对非线性失真补偿数据进行多信号干扰预测,即预测信号中存在的多种干扰信号的类型、位置、强度等信息,从而获取多信号干扰预测数据。利用多信号干扰预测数据,对深度Q网络模型进行抑制波束策略训练,即通过调整信号的波束方向和波束宽度,使得信号的Q值最大化,从而获取抑制波束策略。
步骤S5:利用抑制波束策略对非线性失真补偿数据进行干扰抑制,从而获取干扰抑制信号数据;对干扰抑制信号数据进行高频转换,从而得到高频信号数据,以执行5G直放站信号的处理作业。
本发明实施例通过利用抑制波束策略,对非线性失真补偿数据进行干扰抑制,即通过控制信号的波束形成,使得信号的主瓣指向目标方向,信号的旁瓣指向干扰方向,从而降低干扰信号的影响,获取干扰抑制信号数据。对干扰抑制信号数据进行高频转换,即通过数字上变频器(DUC)的处理,将信号的频率提升到高频范围,以便于信号的传输和接收,从而得到高频信号数据,以执行5G直放站信号的处理作业。
本发明首先通过获取5G直放站的5G信号数据,可以对信号的质量和特征进行实时监测和分析;通过模数转换,可以将信号数据转换为数字信号数据,从而提高信号的处理效率和精度;通过数字下变频,可以将数字信号数据转换为中频信号数据,从而降低信号的采样率和带宽,减少信号的噪声和干扰。通过获取5G直放站的历史信号监测数据,可以利用历史数据的规律和特征进行信号的预测和优化;通过记忆模型构建,可以构建长短期记忆模型,从而实现对信号数据的动态学习和记忆;基于长短期记忆模型对中频信号数据进行时钟偏移校正,可以消除信号数据的时钟偏移误差,从而提高信号的同步性和稳定性。通过对历史信号监测数据进行对抗训练,可以构建生成对抗网络模型,从而实现对信号数据的高效生成和模拟;基于生成对抗网络模型进行数据拟态,可以获取非线性失真模拟数据以及模拟原始数据,从而模拟信号数据的非线性失真情况;根据非线性失真模拟数据以及模拟原始数据对时钟偏移校正数据进行非线性失真补偿,可以消除信号数据的非线性失真影响,从而提高信号的线性度和质量。利用Q-learning算法构建深度Q网络模型,可以实现对信号数据的深度学习和智能决策;基于深度Q网络模型对非线性失真补偿数据进行多信号干扰预测,可以预测信号数据的多信号干扰情况,从而提前做好干扰抑制的准备;对多信号干扰预测数据进行抑制波束策略训练,可以获取抑制波束策略,从而实现对信号数据的动态调整和优化。利用抑制波束策略对非线性失真补偿数据进行干扰抑制,可以抑制信号数据的多信号干扰,从而提高信号的信噪比和清晰度;对干扰抑制信号数据进行高频转换,可以得到高频信号数据,从而执行5G直放站信号的处理作业,实现信号的高速传输和高效应用。
优选地,步骤S1包括以下步骤:
步骤S11:获取5G直放站的5G信号数据,并利用傅里叶变换法对5G信号数据进行时域特征分析,从而获取时域特征数据;
步骤S12:根据时域特征数据得到信号波形特性数据,其中信号波形特征数据包括峰均比数据、频域特性数据以及调制特性数据;
步骤S13:对峰均比数据进行脉冲波比例预测,从而获取脉冲波比例预测数据;
步骤S14:获取模数转换指标数据,并根据模数转换指标数据对脉冲波比例预测数据进行降峰策略选择,从而获取降峰策略数据集;
步骤S15:对频域特性数据进行频率分布特征分析,从而获取频率分布特征数据;
步骤S16:根据模数转换指标数据对频率分布特征数据进行降噪比策略选择,从而获取降噪比策略数据集;
步骤S17:对调制特性数据进行载波偏差特征分析,从而获取载波频率偏差特征数据;对调制特性数据进行相位偏差特征分析,从而获取相位偏差特征数据;
步骤S18:获取下变频误码率指标数据,并根据下变频误码率指标数据对载波频率偏差特征数据以及相位偏差特征数据进行变频补偿策略选择,从而获取变频补偿策略数据集;
步骤S19:利用决策树算法对降峰策略数据集以及降噪比策略数据集进行决策树转换,从而获取模数转换策略树数据;
步骤S110:基于模数转换策略树数据对5G信号数据进行模数转换,从而获取数字信号数据;
步骤S111:基于变频补偿策略数据集对数字信号数据进行数字下变频,从而获取中频信号数据。
作为本发明的一个实施例,参考图2所示,为图1中步骤S1的详细步骤流程示意图,在本实施例中步骤S1包括以下步骤:
步骤S11:获取5G直放站的5G信号数据,并利用傅里叶变换法对5G信号数据进行时域特征分析,从而获取时域特征数据;
本发明实施例中,5G直放站通过天线接收无线信号,将其输入到傅里叶变换器(FFT)中,将信号从频域转换为时域,得到信号的时域波形。对信号的时域波形进行时域特征分析,包括信号的峰值、均值、方差、偏度、峰度等,从而获取时域特征数据。,中5G直放站通过天线接收无线信号,将其输入到傅里叶变换器(FFT)中,将信号从频域转换为时域,得到信号的时域波形。对信号的时域波形进行时域特征分析,包括信号的峰值、均值、方差、偏度、峰度等,从而获取时域特征数据。
步骤S12:根据时域特征数据得到信号波形特性数据,其中信号波形特征数据包括峰均比数据、频域特性数据以及调制特性数据;
本发明实施例通过根据时域特征数据,计算信号的峰均比(PAPR),即信号的峰值与均值的比值,作为信号的峰均比数据。利用傅里叶变换器(FFT)将信号从时域转换为频域,得到信号的频域波形。对信号的频域波形进行频域特征分析,包括信号的频率、带宽、功率谱密度等,作为信号的频域特性数据。利用调制识别器(MDR)对信号进行调制识别,得到信号的调制类型、调制参数等,作为信号的调制特性数据。
步骤S13:对峰均比数据进行脉冲波比例预测,从而获取脉冲波比例预测数据;
本发明实施例通过利用神经网络(NN),对峰均比数据进行训练,得到一个能够预测信号中脉冲波的比例的神经网络模型。利用该模型,对峰均比数据进行脉冲波比例预测,即预测信号中脉冲波的个数和幅度占信号总个数和幅度的比例,从而获取脉冲波比例预测数据。
步骤S14:获取模数转换指标数据,并根据模数转换指标数据对脉冲波比例预测数据进行降峰策略选择,从而获取降峰策略数据集;
本发明实施例通过5G直放站从数据库中读取模数转换指标数据,包括模数转换器(ADC)的采样率、量化位数、动态范围等。根据模数转换指标数据,对脉冲波比例预测数据进行降峰策略选择,即选择合适的降峰方法,如峰值削波、峰值限幅、峰值压缩等,以降低信号的峰均比,减少模数转换器的非线性失真,从而获取降峰策略数据集。
步骤S15:对频域特性数据进行频率分布特征分析,从而获取频率分布特征数据;
本发明实施例通过对频域特性数据进行频率分布特征分析,包括信号的频率分布类型、频率分布参数、频率分布熵等,从而获取频率分布特征数据。
步骤S16:根据模数转换指标数据对频率分布特征数据进行降噪比策略选择,从而获取降噪比策略数据集;
本发明实施例通过根据模数转换指标数据,对频率分布特征数据进行降噪比策略选择,即选择合适的降噪比方法,如滤波器、波束形成、频谱分配等,以降低信号的噪声功率,提高信号的信噪比,从而获取降噪比策略数据集。
步骤S17:对调制特性数据进行载波偏差特征分析,从而获取载波频率偏差特征数据;对调制特性数据进行相位偏差特征分析,从而获取相位偏差特征数据;
本发明实施例通过对调制特性数据进行载波偏差特征分析,包括信号的载波频率、载波频率偏差、载波频率偏差率等,从而获取载波频率偏差特征数据。对调制特性数据进行相位偏差特征分析,包括信号的相位、相位偏差、相位偏差率等,从而获取相位偏差特征数据。
步骤S18:获取下变频误码率指标数据,并根据下变频误码率指标数据对载波频率偏差特征数据以及相位偏差特征数据进行变频补偿策略选择,从而获取变频补偿策略数据集;
本发明实施例通过5G直放站从数据库中读取下变频误码率指标数据,包括数字下变频器(DDC)的采样率、量化位数、动态范围、误码率等。根据下变频误码率指标数据,对载波频率偏差特征数据以及相位偏差特征数据进行变频补偿策略选择,即选择合适的变频补偿方法,如载波同步、相位同步、频率跟踪等,以消除信号的载波频率偏差和相位偏差,减少数字下变频器的误码率,从而获取变频补偿策略数据集。
步骤S19:利用决策树算法对降峰策略数据集以及降噪比策略数据集进行决策树转换,从而获取模数转换策略树数据;
本发明实施例通过利用决策树算法,对降峰策略数据集以及降噪比策略数据集进行决策树转换,即根据信号的特征和模数转换指标,构建一个能够输出最优模数转换策略的决策树模型,从而获取模数转换策略树数据。
步骤S110:基于模数转换策略树数据对5G信号数据进行模数转换,从而获取数字信号数据;
本发明实施例通过基于模数转换策略树数据,对5G信号数据进行模数转换,即根据决策树模型的输出,选择合适的降峰策略和降噪比策略,对信号进行预处理,然后将信号输入到模数转换器(ADC)中,将模拟信号转换为数字信号,从而获取数字信号数据。
步骤S111:基于变频补偿策略数据集对数字信号数据进行数字下变频,从而获取中频信号数据。
本发明实施例通过基于变频补偿策略数据集,对数字信号数据进行数字下变频,即根据变频补偿策略的输出,选择合适的载波同步和相位同步方法,对信号进行变频补偿,然后将信号输入到数字下变频器(DDC)中,将信号的频率降低到中频范围,从而获取中频信号数据。
本发明首先通过获取5G直放站的5G信号数据,可以对信号的质量和特征进行实时监测和分析;利用傅里叶变换法对5G信号数据进行时域特征分析,可以从时域角度对5G信号数据进行特征提取和分类,从而获取时域特征数据。根据时域特征数据得到信号波形特性数据,可以从波形角度对5G信号数据进行特征描述和识别,从而获取信号波形特征数据,其中信号波形特征数据包括峰均比数据、频域特性数据以及调制特性数据,这些数据可以反映信号的峰值、频率和调制等重要信息。对峰均比数据进行脉冲波比例预测,可以预测信号数据中脉冲波的比例,从而获取脉冲波比例预测数据,这些数据可以为后续的降峰策略选择提供参考和依据。获取模数转换指标数据,并根据模数转换指标数据对脉冲波比例预测数据进行降峰策略选择,可以根据模数转换的要求和目标,选择合适的降峰策略,从而获取降峰策略数据集,这些数据集可以为后续的模数转换提供指导和优化。对频域特性数据进行频率分布特征分析,可以从频域角度对5G信号数据进行特征提取和分类,从而获取频率分布特征数据,这些数据可以反映信号的频率分布情况,以及信号的能量和频谱等重要信息。根据模数转换指标数据对频率分布特征数据进行降噪比策略选择,可以根据模数转换的要求和目标,选择合适的降噪比策略,从而获取降噪比策略数据集,这些数据集可以为后续的模数转换提供指导和优化。对调制特性数据进行载波偏差特征分析,从而获取载波频率偏差特征数据;对调制特性数据进行相位偏差特征分析,从而获取相位偏差特征数据,这些数据可以反映信号的载波频率和相位等重要信息,以及信号的偏差和误差等问题。获取下变频误码率指标数据,并根据下变频误码率指标数据对载波频率偏差特征数据以及相位偏差特征数据进行变频补偿策略选择,可以根据下变频的要求和目标,选择合适的变频补偿策略,从而获取变频补偿策略数据集,这些数据集可以为后续的数字下变频提供指导和优化。利用决策树算法对降峰策略数据集以及降噪比策略数据集进行决策树转换,可以利用决策树的结构和逻辑,对降峰策略和降噪比策略进行整合和优化,从而获取模数转换策略树数据,这些数据可以为后续的模数转换提供更高效和智能的策略选择。基于模数转换策略树数据对5G信号数据进行模数转换,可以将信号数据转换为数字信号数据,从而提高信号的处理效率和精度,同时实现信号的降峰和降噪比等目标,从而获取数字信号数据。基于变频补偿策略数据集对数字信号数据进行数字下变频,可以将数字信号数据转换为中频信号数据,从而降低信号的采样率和带宽,减少信号的噪声和干扰,同时实现信号的变频补偿等目标,从而获取中频信号数据。
作为本发明的一个实施例,参考图3所示,为步骤S2的详细步骤流程示意图,在本实施例中步骤S2包括以下步骤:
步骤S21:获取5G直放站的历史信号监测数据,其中历史信号监测数据包括历史信号数据集以及时钟偏移数据集;
本发明实施例通过5G直放站从数据库中读取历史信号监测数据,包括历史信号数据集和时钟偏移数据集。历史信号数据集是指5G直放站在过去一段时间内收发的信号数据,包括信号的时钟信息、频率信息、幅度信息等。时钟偏移数据集是指5G直放站在过去一段时间内记录的时钟偏移量,即信号的发送时钟和接收时钟之间的差值。
步骤S22:对时钟偏移数据集进行重要特征划分,从而获取重要特征数据以及遗忘特征数据;
本发明实施例通过对时钟偏移数据集进行重要特征划分,即根据时钟偏移量的大小、变化趋势、周期性等,将时钟偏移数据集分为重要特征数据和遗忘特征数据。重要特征数据是指对信号的时钟偏移校正有较大影响的时钟偏移量,如突变的、异常的、随机的等。遗忘特征数据是指对信号的时钟偏移校正有较小影响的时钟偏移量,如平稳的、正常的、规律的等。
步骤S23:利用循环神经网络算法对重要特征数据以及遗忘特征数据进行记忆模型构建,从而获取长短期记忆模型;
本发明实施例通过利用循环神经网络(RNN)算法,对重要特征数据以及遗忘特征数据进行记忆模型构建,即利用RNN的循环结构和门控机制,对时钟偏移量的时序特征进行学习,得到一个能够记忆和遗忘时钟偏移量的长短期记忆(LSTM)模型,从而获取长短期记忆模型。
步骤S24:基于长短期记忆模型对中频信号数据进行时钟偏移标签,从而获取时钟偏移标签数据;
本发明实施例通过基于长短期记忆模型,对中频信号数据进行时钟偏移标签,即利用LSTM模型的输出,对中频信号数据中的每个信号样本进行时钟偏移量的预测,并将预测值作为信号样本的时钟偏移标签,从而获取时钟偏移标签数据。
步骤S25:利用梯度下降法对时钟偏移标签数据进行相位偏移最小预测,从而获取相位偏差预测数据;
本发明实施例通过利用梯度下降法,对时钟偏移标签数据进行相位偏移最小预测,即利用梯度下降法的优化算法,寻找一个最优的相位偏移量,使得信号的相位偏移量与时钟偏移标签数据的差值的平方和最小,从而获取相位偏差预测数据。
步骤S26:根据相位偏差预测数据并利用相位旋转补偿法对中频信号数据进行时钟偏移校正,从而获取时钟偏移校正数据。
本发明实施例通过根据相位偏差预测数据,利用相位旋转补偿法,对中频信号数据进行时钟偏移校正,即利用相位旋转补偿法的公式,对中频信号数据中的每个信号样本进行相位旋转,使得信号的相位偏移量与相位偏差预测数据一致,从而消除时钟偏移的影响,获取时钟偏移校正数据。
本发明首先通过获取5G直放站的历史信号监测数据,可以利用历史数据的规律和特征进行信号的预测和优化;其中历史信号监测数据包括历史信号数据集以及时钟偏移数据集,这些数据集可以反映信号的变化和时钟偏移的情况,以及信号的误差和问题。对时钟偏移数据集进行重要特征划分,可以根据时钟偏移的重要性和影响,将时钟偏移数据集分为重要特征数据以及遗忘特征数据,从而获取重要特征数据以及遗忘特征数据,这些数据可以为后续的记忆模型构建提供有效的输入和输出。利用循环神经网络算法对重要特征数据以及遗忘特征数据进行记忆模型构建,可以利用循环神经网络的结构和逻辑,对重要特征数据以及遗忘特征数据进行动态学习和记忆,从而获取长短期记忆模型,这个模型可以为后续的时钟偏移标签和校正提供智能的策略和方法。基于长短期记忆模型对中频信号数据进行时钟偏移标签,可以根据长短期记忆模型的输出和判断,对中频信号数据进行时钟偏移的标识和分类,从而获取时钟偏移标签数据,这些数据可以为后续的相位偏移最小预测提供有效的参考和依据。利用梯度下降法对时钟偏移标签数据进行相位偏移最小预测,可以利用梯度下降法的优化和迭代,对时钟偏移标签数据进行相位偏移的最小化预测,从而获取相位偏差预测数据,这些数据可以为后续的相位旋转补偿提供有效的参数和方向。根据相位偏差预测数据并利用相位旋转补偿法对中频信号数据进行时钟偏移校正,可以根据相位偏差预测数据的值和方向,利用相位旋转补偿法对中频信号数据进行时钟偏移的校正和消除,从而获取时钟偏移校正数据,这些数据可以提高信号的同步性和稳定性。
优选地,步骤S3包括以下步骤:
步骤S31:利用卷积神经网络算法对历史信号数据集进行随机噪声模拟,从而获取随机噪声数据;利用卷积神经网络算法对历史信号数据集进行先验分布模拟,从而获取先验分布数据;
步骤S32:对随机噪声数据以及先验分布数据进行非线性失真筛选并转换,从而获取基础模拟非线性失真数据以及基础模拟原始数据;
步骤S33:对基础模拟非线性失真数据以及基础模拟原始数据进行生成器网络模型构建,从而获取生成器网络模型集;
步骤S34:对历史信号数据集进行深度特征提取,从而获取深度信号特征数据;
步骤S35:对深度信号特征数据进行判别器网络模型构建,从而获取判别器网络模型集;
步骤S36:对生成器网络模型集以及判别器网络模型集进行对抗训练,从而获取生成对抗网络模型集;
步骤S37:基于生成对抗网络模型集进行非线性失真数据拟态,从而获取非线性失真模拟数据;基于生成对抗网络模型集进行原始数据拟态,从而获取模拟原始数据;
步骤S38:对非线性失真模拟数据以及模拟原始数据进行预处理,从而获取失真模拟预处理数据以及模拟原始预处理数据;
步骤S39:对失真模拟预处理数据以及模拟原始预处理数据进行深度学习训练,从而获取非线性失真补偿模型;
步骤S310:基于非线性失真补偿模型对时钟偏移校正数据进行非线性失真补偿,从而获取非线性失真补偿数据。
本发明实施例通过利用卷积神经网络(CNN)算法,对历史信号数据集进行随机噪声模拟,即利用CNN的卷积层和池化层,对历史信号数据集中的每个信号样本添加不同类型和强度的随机噪声,从而获取随机噪声数据。利用CNN算法,对历史信号数据集进行先验分布模拟,即利用CNN的全连接层和激活层,对历史信号数据集中的每个信号样本生成一个符合先验分布的随机变量,从而获取先验分布数据。对随机噪声数据以及先验分布数据进行非线性失真筛选并转换,即根据随机噪声数据和先验分布数据的值,选择合适的非线性函数,如指数函数、对数函数、幂函数等,对历史信号数据集中的每个信号样本进行非线性变换,从而获取基础模拟非线性失真数据,即模拟信号经过非线性器件后的输出信号,以及基础模拟原始数据,即模拟信号经过非线性器件前的输入信号。对非线性失真模拟数据以及模拟原始数据进行生成器网络模型构建,即利用生成器网络(G)的结构,对非线性失真模拟数据以及模拟原始数据进行训练,得到能够从先验分布数据生成非线性失真模拟数据的模型和能够从先验分布数据生成模拟原始数据的模型,从而获取生成器网络模型集。对历史信号数据集进行深度特征提取,即利用深度学习(DL)的方法,对历史信号数据集中的每个信号样本进行特征提取,得到信号的深度特征,如信号的时域特征、频域特征、调制特征等,从而获取深度信号特征数据。对深度信号特征数据进行判别器网络模型构建,即利用判别器网络(D)的结构,对深度信号特征数据进行训练,得到两个能够判别信号是否为真实信号或生成信号的判别器网络模型,具体地,一个模型训练以具有非线性失真特征的信号为判别训练的目标进行,另一个模型不以非线性失真特征的信号为判别训练的目标进行,从而获取判别器网络模型集。对生成器网络模型集以及判别器网络模型集进行对抗训练,即利用生成对抗网络(GAN)的框架,对生成器网络模型集和判别器网络模型集进行交替训练,使得生成器网络模型集能够生成越来越逼真的信号,而判别器网络模型能够越来越准确地判别信号的真伪,从而获取生成对抗网络模型集。基于生成对抗网络模型集进行非线性失真数据拟态,从而获取非线性失真模拟数据;基于生成对抗网络模型集进行原始数据拟态,从而获取模拟原始数据;,即利用生成对抗网络模型集的输出,分别对时钟偏移校正数据进行数据拟态,生成非线性失真模拟数据,即模拟信号经过非线性器件后的输出信号,以及模拟原始数据,即模拟信号经过非线性器件前的输入信号,从而获取非线性失真模拟数据以及模拟原始数据。对非线性失真模拟数据以及模拟原始数据进行预处理,即对非线性失真模拟数据以及模拟原始数据进行归一化、标准化、去噪等操作,使得数据符合深度学习训练的要求,从而获取失真模拟预处理数据以及模拟原始预处理数据。对失真模拟预处理数据以及模拟原始预处理数据进行深度学习训练,即利用深度学习(DL)的方法,对失真模拟预处理数据以及模拟原始预处理数据进行训练,得到一个能够从失真模拟预处理数据还原模拟原始预处理数据的非线性失真补偿模型,从而获取非线性失真补偿模型。基于非线性失真补偿模型,对时钟偏移校正数据进行非线性失真补偿,即利用非线性失真补偿模型的输出,对时钟偏移校正数据进行非线性失真补偿,即通过优化算法,寻找一个非线性函数,使得其输入为时钟偏移校正数据,输出为模拟原始预处理数据,从而消除非线性失真的影响,获取非线性失真补偿数据。
本发明首先通过利用卷积神经网络算法对历史信号数据集进行随机噪声模拟,可以模拟信号数据的随机噪声情况,从而获取随机噪声数据,这些数据可以为后续的非线性失真筛选和转换提供有效的输入;利用卷积神经网络算法对历史信号数据集进行先验分布模拟,可以模拟信号数据的先验分布情况,从而获取先验分布数据,这些数据可以为后续的非线性失真筛选和转换提供有效的输出。对随机噪声数据以及先验分布数据进行非线性失真筛选并转换,可以根据随机噪声数据和先验分布数据的差异和关系,对随机噪声数据进行非线性失真的筛选和转换,从而获取基础模拟非线性失真数据以及基础模拟原始数据,这些数据可以为后续的生成器网络模型构建提供有效的输入和输出。对非线性失真模拟数据以及模拟原始数据进行生成器网络模型构建,可以利用生成器网络的结构和逻辑,对非线性失真模拟数据以及模拟原始数据进行高效生成和模拟,从而获取生成器网络模型,这个模型可以为后续的数据拟态提供智能的策略和方法。对历史信号数据集进行深度特征提取,可以从深度角度对信号数据进行特征提取和分类,从而获取深度信号特征数据,这些数据可以反映信号的深层次的规律和特征,以及信号的优劣和问题。对深度信号特征数据进行判别器网络模型构建,可以利用判别器网络的结构和逻辑,对深度信号特征数据进行高效判别和识别,从而获取判别器网络模型,这个模型可以为后续的对抗训练提供有效的评价和反馈。对生成器网络模型以及判别器网络模型进行对抗训练,可以利用对抗训练的优化和迭代,对生成器网络模型以及判别器网络模型进行动态调整和优化,从而获取生成对抗网络模型,这个模型可以为后续的数据拟态提供更高效和智能的策略和方法。基于生成对抗网络模型进行数据拟态,可以利用生成对抗网络模型的输出和判断,对信号数据进行高效拟态和模拟,从而获取非线性失真模拟数据以及模拟原始数据,这些数据可以为后续的非线性失真补偿提供有效的参考和依据。对非线性失真模拟数据以及模拟原始数据进行预处理,可以对非线性失真模拟数据以及模拟原始数据进行必要的清洗和规范,从而获取失真模拟预处理数据以及模拟原始预处理数据,这些数据可以为后续的深度学习训练提供有效的输入和输出。对失真模拟预处理数据以及模拟原始预处理数据进行深度学习训练,可以利用深度学习的优化和迭代,对失真模拟预处理数据以及模拟原始预处理数据进行动态学习和训练,从而获取非线性失真补偿模型,这个模型可以为后续的非线性失真补偿提供有效的参数和方向。基于非线性失真补偿模型对时钟偏移校正数据进行非线性失真补偿,可以根据非线性失真补偿模型的值和方向,对时钟偏移校正数据进行非线性失真的补偿和消除,从而获取非线性失真补偿数据,这些数据可以提高信号的线性度和质量。
优选地,步骤S34包括以下步骤:
步骤S341:对历史信号数据集进行标准化分段,从而获取标准化分段数据;
步骤S342:对标准化分段数据进行信号特征聚类,从而获取信号特征聚类数据;
步骤S343:对信号特征聚类数据进行相位趋势分析,从而获取相位趋势数据;
步骤S344:对信号特征聚类数据进行波形趋势分析,从而获取波形趋势数据;
步骤S345:对相位趋势数据以及波形趋势数据进行交叉熵衡量,从而获取衡量趋势数据;
步骤S346:对衡量趋势数据进行趋势特征挖掘,从而获取衡量趋势特征数据;
步骤S347:根据衡量趋势特征数据对历史信号数据集进行深度特征提取,从而获取深度信号特征数据。
本发明实施例通过对历史信号数据集进行标准化分段,即对历史信号数据集中的每个信号样本进行标准化处理,使得信号的均值为0,方差为1,然后将信号按照一定的长度进行分段,从而获取标准化分段数据。对标准化分段数据进行信号特征聚类,即利用聚类算法,如K-means算法,对标准化分段数据中的每个信号分段进行特征提取,得到信号的特征向量,然后根据特征向量的相似度,将信号分段分为若干个类别,从而获取信号特征聚类数据。对信号特征聚类数据进行相位趋势分析,即对信号特征聚类数据中的每个类别进行相位分析,得到信号的相位变化曲线,然后对信号的相位变化曲线进行趋势分析,得到信号的相位趋势,如上升、下降、波动等,从而获取相位趋势数据。对信号特征聚类数据进行波形趋势分析,即对信号特征聚类数据中的每个类别进行波形分析,得到信号的波形变化曲线,然后对信号的波形变化曲线进行趋势分析,得到信号的波形趋势,如增强、衰减、稳定等,从而获取波形趋势数据。对相位趋势数据以及波形趋势数据进行交叉熵衡量,即利用交叉熵(CE)的公式,对相位趋势数据以及波形趋势数据进行衡量,得到信号的趋势之间的相似度,从而获取衡量趋势数据。对衡量趋势数据进行趋势特征挖掘,即利用数据挖掘的方法,如关联规则挖掘,对衡量趋势数据进行分析,得到信号的趋势之间的关联规则,从而获取衡量趋势特征数据。根据衡量趋势特征数据,对历史信号数据集进行深度特征提取,即利用深度学习(DL)的方法,对历史信号数据集中的每个信号样本进行特征提取,得到信号的深度特征,如信号的趋势特征、频域特征、调制特征等,从而获取深度信号特征数据。
本发明首先通过对历史信号数据集进行标准化分段,可以对信号数据进行规范化和分割,从而获取标准化分段数据,这些数据可以为后续的信号特征聚类提供有效的输入和输出。对标准化分段数据进行信号特征聚类,可以利用聚类算法对标准化分段数据进行特征提取和分类,从而获取信号特征聚类数据,这些数据可以反映信号的特征和类别,以及信号的相似性和差异性。对信号特征聚类数据进行相位趋势分析,可以从相位角度对信号特征聚类数据进行趋势分析和预测,从而获取相位趋势数据,这些数据可以反映信号的相位变化和趋势,以及信号的稳定性和问题。对信号特征聚类数据进行波形趋势分析,可以从波形角度对信号特征聚类数据进行趋势分析和预测,从而获取波形趋势数据,这些数据可以反映信号的波形变化和趋势,以及信号的峰值和问题。对相位趋势数据以及波形趋势数据进行交叉熵衡量,可以利用交叉熵的计算和比较,对相位趋势数据以及波形趋势数据进行衡量和评价,从而获取衡量趋势数据,这些数据可以反映相位趋势和波形趋势的关系和差异,以及信号的优劣和问题。对衡量趋势数据进行趋势特征挖掘,可以利用挖掘算法对衡量趋势数据进行特征挖掘和提取,从而获取衡量趋势特征数据,这些数据可以反映信号的趋势特征和规律,以及信号的优势和劣势。根据衡量趋势特征数据对历史信号数据集进行深度特征提取,可以利用深度学习的优化和迭代,对历史信号数据集进行深度特征提取和分类,从而获取深度信号特征数据,这些数据可以反映信号的深层次的规律和特征,以及信号的优劣和问题。
优选地,步骤S4包括以下步骤:
步骤S41:对模拟原始数据以及5G信号数据进行数据整合,从而获取信号样本数据集;
步骤S42:对非线性失真补偿数据进行补偿衰弱分析,从而获取补偿波束衰弱数据;
步骤S43:对信号样本数据集以及补偿波束衰弱数据进行干扰特征融合,从而获取干扰特征融合数据;
步骤S44:利用Q-learning算法对干扰特征融合数据进行Q模型构建,从而获取深度Q网络模型;
步骤S45:基于深度Q网络模型对非线性失真补偿数据进行多信号干扰预测,从而获取多信号干扰预测数据;
步骤S46:对多信号干扰预测数据进行抑制波束策略训练,从而获取抑制波束策略。
本发明实施例通过对模拟原始数据以及5G信号数据进行数据整合,即将模拟原始数据和步骤S1中获取的5G直放站的5G信号数据按照一定的比例和顺序进行拼接,从而获取信号样本数据集,该数据集包含了真实信号和生成信号的混合信号。对非线性失真补偿数据进行补偿衰弱分析,即利用衰弱模型,对非线性失真补偿数据中的每个信号样本进行衰弱计算,得到信号的衰弱量,从而获取补偿波束衰弱数据,该数据表示了信号在传输过程中的衰减情况。对信号样本数据集以及补偿波束衰弱数据进行干扰特征融合,即利用特征融合的方法,如加权平均法,对信号样本数据集以及补偿波束衰弱数据进行融合,得到信号的干扰特征,如干扰类型、干扰强度、干扰位置等,从而获取干扰特征融合数据。利用Q-learning算法,对干扰特征融合数据进行Q模型构建,即利用Q-learning算法的更新公式,对干扰特征融合数据中的每个信号样本进行Q值的计算,得到信号的Q值,即信号的质量评估。然后利用深度神经网络(DNN)的结构,对信号的Q值进行训练,得到一个能够根据信号的状态和动作输出信号的Q值的深度Q网络(DQN)模型,从而获取深度Q网络模型。基于深度Q网络模型,对非线性失真补偿数据进行多信号干扰预测,即利用深度Q网络模型的输出,对非线性失真补偿数据中的每个信号样本进行多信号干扰的预测,得到信号中存在的多种干扰信号的类型、位置、强度等信息,从而获取多信号干扰预测数据。对多信号干扰预测数据进行抑制波束策略训练,即利用深度Q网络模型的反馈机制,对多信号干扰预测数据中的每个信号样本进行抑制波束策略的训练,得到一个能够根据信号的干扰情况调整信号的波束方向和波束宽度的抑制波束策略,从而获取抑制波束策略。
本发明首先通过对模拟原始数据以及5G信号数据进行数据整合,可以将模拟原始数据和信号数据进行有效的合并和匹配,从而获取信号样本数据集,这些数据集可以为后续的干扰特征融合提供有效的输入和输出。对非线性失真补偿数据进行补偿衰弱分析,可以分析非线性失真补偿数据的衰弱情况和原因,从而获取补偿波束衰弱数据,这些数据可以反映非线性失真补偿数据的波束质量和问题,以及信号的衰减和干扰。对信号样本数据集以及补偿波束衰弱数据进行干扰特征融合,可以利用融合算法对信号样本数据集以及补偿波束衰弱数据进行特征融合和优化,从而获取干扰特征融合数据,这些数据可以反映信号的干扰特征和规律,以及信号的优劣和问题。利用Q-learning算法对干扰特征融合数据进行Q模型构建,可以利用Q-learning算法的结构和逻辑,对干扰特征融合数据进行深度学习和智能决策,从而获取深度Q网络模型,这个模型可以为后续的多信号干扰预测提供智能的策略和方法。基于深度Q网络模型对非线性失真补偿数据进行多信号干扰预测,可以利用深度Q网络模型的输出和判断,对非线性失真补偿数据进行多信号干扰的预测和分析,从而获取多信号干扰预测数据,这些数据可以为后续的抑制波束策略训练提供有效的参考和依据。对多信号干扰预测数据进行抑制波束策略训练,可以利用训练算法对多信号干扰预测数据进行抑制波束的策略训练和优化,从而获取抑制波束策略,这个策略可以为后续的干扰抑制提供有效的参数和方向。
优选地,步骤S42包括以下步骤:
步骤S421:对非线性失真补偿数据进行补偿信号特征提取,从而获取补偿信号特征数据;
步骤S422:对补偿信号特征数据进行波束方向概率分析,从而获取波束方向概率数据;
步骤S423:对补偿信号特征数据进行仰角变化分析,从而获取波束仰角变化数据;
步骤S424:对补偿信号特征数据进行方位角变化分析,从而获取波束方位角变化数据;
步骤S425:对波束仰角变化数据以及波束方位角变化数据进行波束形状特征分析,从而获取波束形状变化特征数据;
步骤S426:对波束形状变化特征数据以及波束方向概率数据进行补偿衰弱分析,从而获取补偿波束衰弱数据。
本发明实施例通过对非线性失真补偿数据进行补偿信号特征提取,即利用特征提取的方法,如小波变换,对非线性失真补偿数据中的每个信号样本进行特征提取,得到信号的补偿信号特征,如信号的补偿幅度、补偿相位、补偿频率等,从而获取补偿信号特征数据。对补偿信号特征数据进行波束方向概率分析,即利用概率分析的方法,如贝叶斯分析,对补偿信号特征数据中的每个信号样本进行波束方向的概率计算,得到信号的波束方向的概率分布,从而获取波束方向概率数据,该数据表示了信号的波束方向的可能性。对补偿信号特征数据进行仰角变化分析,即利用变化分析的方法,如趋势分析,对补偿信号特征数据中的每个信号样本进行仰角的变化分析,得到信号的仰角变化曲线,从而获取波束仰角变化数据,该数据表示了信号的仰角随时间的变化情况。对补偿信号特征数据进行方位角变化分析,即利用变化分析的方法,如趋势分析,对补偿信号特征数据中的每个信号样本进行方位角的变化分析,得到信号的方位角变化曲线,从而获取波束方位角变化数据,该数据表示了信号的方位角随时间的变化情况。对波束仰角变化数据以及波束方位角变化数据进行波束形状特征分析,即利用特征分析的方法,如主成分分析,对波束仰角变化数据以及波束方位角变化数据进行特征提取,得到信号的波束形状变化特征,如波束的宽度、高度、倾斜度等,从而获取波束形状变化特征数据。对波束形状变化特征数据以及波束方向概率数据进行补偿衰弱分析,即利用衰弱模型,对波束形状变化特征数据以及波束方向概率数据进行衰弱计算,得到信号的补偿波束衰弱量,从而获取补偿波束衰弱数据,该数据表示了信号在波束形状变化和波束方向变化后的衰减情况。
本发明首先通过对非线性失真补偿数据进行补偿信号特征提取,可以对非线性失真补偿数据进行有效的特征提取和分类,从而获取补偿信号特征数据,这些数据可以反映补偿信号的特征和类别,以及补偿信号的优劣和问题。对补偿信号特征数据进行波束方向概率分析,可以利用概率分析的方法,对补偿信号特征数据进行波束方向的分析和预测,从而获取波束方向概率数据,这些数据可以反映补偿信号的波束方向的概率分布和趋势,以及波束方向的稳定性和问题。对补偿信号特征数据进行仰角变化分析,可以利用变化分析的方法,对补偿信号特征数据进行波束仰角的分析和预测,从而获取波束仰角变化数据,这些数据可以反映补偿信号的波束仰角的变化和趋势,以及波束仰角的影响和问题。对补偿信号特征数据进行方位角变化分析,可以利用变化分析的方法,对补偿信号特征数据进行波束方位角的分析和预测,从而获取波束方位角变化数据,这些数据可以反映补偿信号的波束方位角的变化和趋势,以及波束方位角的影响和问题。对波束仰角变化数据以及波束方位角变化数据进行波束形状特征分析,可以利用特征分析的方法,对波束仰角变化数据以及波束方位角变化数据进行波束形状的分析和预测,从而获取波束形状变化特征数据,这些数据可以反映补偿信号的波束形状的变化和趋势,以及波束形状的影响和问题。对波束形状变化特征数据以及波束方向概率数据进行补偿衰弱分析,可以利用衰弱分析的方法,对波束形状变化特征数据以及波束方向概率数据进行补偿波束的衰弱分析和预测,从而获取补偿波束衰弱数据,这些数据可以反映补偿信号的补偿波束的衰弱情况和原因,以及补偿波束的质量和问题。
优选地,步骤S43包括以下步骤:
步骤S431:获取5G直放站的信号方位角数据以及信号仰角数据;
步骤S432:对信号方位角数据、信号仰角数据以及补偿波束衰弱数据进行多方向衰弱特征分析,从而获取多方向衰弱特征数据;
步骤S433:通过功率谱密度计算公式对信号样本数据集进行功率谱密度分析,从而获取功率谱密度分析数据;
步骤S434:对信号样本数据集进行时频特征分析,从而获取时频特征数据;
步骤S435:对多方向衰弱特征数据以及功率谱密度分析数据进行同频干扰分布分析,从而获取同频干扰分布数据;
步骤S436:对多方向衰弱特征数据以及时频特征数据进行同调制判别分析,从而获取同调制干扰数据;
步骤S437:对同频干扰分布数据以及同调制干扰数据进行干扰特征融合,从而获取干扰特征融合数据。
本发明实施例通过5G直放站通过天线阵列接收用户信号,利用波束成形技术,对用户信号进行方向定位,得到用户信号的方向信息,该信息表示了用户信号的方位角和仰角。对用户信号的方位角数据、仰角数据以及补偿波束衰弱数据进行多方向衰弱特征分析,即利用特征分析的方法,如主成分分析,对用户信号的方位角数据、仰角数据以及补偿波束衰弱数据进行特征提取,得到信号的多方向衰弱特征,包括信号的衰弱角度、衰弱程度、衰弱范围,从而获取多方向衰弱特征数据,即根据信号站获取的各个用户发射的信号方向角度与作为非线性失真补偿的信号数据的衰弱特征进行匹配,从而得到该信号站不同用户信号的非线性失真的时序上的趋势特征。通过功率谱密度计算公式,对信号样本数据集进行功率谱密度分析,即利用功率谱密度(PSD)的公式,对信号样本数据集中的每个信号样本进行功率谱密度的计算,得到信号的功率谱密度曲线,从而获取功率谱密度分析数据,该数据表示了信号的功率随频率的分布情况。对信号样本数据集进行时频特征分析,即利用时频分析的方法,如短时傅里叶变换,对信号样本数据集中的每个信号样本进行时频特征的提取,得到信号的时频分布图,从而获取时频特征数据,该数据表示了信号的频率随时间的变化情况。对多方向衰弱特征数据以及功率谱密度分析数据进行同频干扰分布分析,即利用分布分析的方法,如卡方分布,对多方向衰弱特征数据以及功率谱密度分析数据进行分布拟合,得到信号的同频干扰分布,从而获取同频干扰分布数据,该数据表示了信号在同一频率上的干扰情况。对多方向衰弱特征数据以及时频特征数据进行同调制判别分析,即利用判别分析的方法,如支持向量机,对多方向衰弱特征数据以及时频特征数据进行判别分类,得到信号的同调制干扰类型,从而获取同调制干扰数据,该数据表示了信号的调制方式是否与干扰信号相同。对同频干扰分布数据以及同调制干扰数据进行干扰特征融合,即利用特征融合的方法,如加权平均法,对同频干扰分布数据以及同调制干扰数据进行融合,得到信号的干扰特征,如干扰强度、干扰位置、干扰范围等,从而获取干扰特征融合数据。
本发明首先通过获取5G直放站的用户信号方向数据,可以获取用户信号的方向信息,从而反映用户信号的来源和目标,以及用户信号的分布和密度。对用户信号方向数据以及补偿波束衰弱数据进行多方向衰弱特征分析,可以利用分析方法对用户信号方向数据以及补偿波束衰弱数据进行多方向的衰弱特征分析和预测,从而获取多方向衰弱特征数据,这些数据可以反映用户信号的衰弱情况和原因,以及补偿波束的衰弱影响和问题。通过功率谱密度计算公式对信号样本数据集进行功率谱密度分析,可以利用计算公式对信号样本数据集进行功率谱密度的计算和分析,从而获取功率谱密度分析数据,这些数据可以反映信号样本的功率谱密度的值和分布,以及信号样本的能量和频谱等重要信息。对信号样本数据集进行时频特征分析,可以利用分析方法对信号样本数据集进行时频特征的分析和预测,从而获取时频特征数据,这些数据可以反映信号样本的时频特征的值和分布,以及信号样本的时域和频域等重要信息。对多方向衰弱特征数据以及功率谱密度分析数据进行同频干扰分布分析,可以利用分析方法对多方向衰弱特征数据以及功率谱密度分析数据进行同频干扰的分布分析和预测,从而获取同频干扰分布数据,这些数据可以反映信号样本的同频干扰的分布和趋势,以及同频干扰的影响和问题。对多方向衰弱特征数据以及时频特征数据进行同调制判别分析,可以利用判别分析的方法对多方向衰弱特征数据以及时频特征数据进行同调制的判别分析和预测,从而获取同调制干扰数据,这些数据可以反映信号样本的同调制干扰的情况和原因,以及同调制干扰的影响和问题。对同频干扰分布数据以及同调制干扰数据进行干扰特征融合,可以利用融合方法对同频干扰分布数据以及同调制干扰数据进行干扰特征的融合和优化,从而获取干扰特征融合数据,这些数据可以反映信号样本的干扰特征和规律,以及信号样本的优劣和问题。
优选地,步骤S433中的功率谱密度计算公式如下所示:
;
式中,为功率谱密度计算函数,/>为信号样本数据集中第/>个信号数据的频率尖峰指数,/>为信号样本数据集中第/>个信号数据的频率平台指数,/>为信号样本数据集中第个信号数据的幅度,/>是信号样本数据集中第/>个信号数据的相位,/>为信号的干扰权重系数,/>为频率尖峰和频率平台出现的概率,/>为信号样本数据集中第/>个信号的频率大小,为自然对数的底数,/>为信号的初始相位。
本发明构造了一种功率谱密度计算公式,该公式能够根据信号的频率尖峰指数和频率平台指数,对信号的频率特征进行量化,从而区分不同类型的信号。该公式能够根据信号的干扰权重系数和频率尖峰和频率平台出现的概率,对信号的干扰特征进行量化,从而评估信号的干扰程度。该公式能够根据信号的初始相位,对信号的相位特征进行量化,从而反映信号的相位变化情况。该公式能够通过指数函数、余切函数、对数函数和平方根函数,对信号的功率谱密度进行非线性变换,从而增强信号的功率谱密度的表达能力,使其能够适应不同的信号场景。具体地,是指数函数,它能够根据信号的幅度和相位的差异,对信号的功率谱密度进行放大或缩小,从而突出信号的频率尖峰或频率平台;/>是干扰权重系数和频率尖峰和频率平台出现的概率的乘积,它能够根据信号的干扰程度和频率特征的稀疏性,对信号的功率谱密度进行调节,从而降低信号的干扰噪声或增加信号的频率分辨率;/>是余切函数,它能够根据信号的频率大小,对信号的功率谱密度进行非线性变换,从而使信号的功率谱密度在高频区域更加平滑,而在低频区域更加尖锐;是对数函数的幂函数,它能够根据信号的频率大小和幅度和相位的差异,对信号的功率谱密度进行非线性变换,从而使信号的功率谱密度在低频区域更加平滑,而在高频区域更加尖锐;/>是自然对数的底数和干扰权重系数的平方根,它能够根据信号的干扰程度,对信号的功率谱密度进行平移,从而使信号的功率谱密度的最小值不为零,避免出现负值或无穷大的情况;/>是信号的初始相位,它能够根据信号的相位变化情况,对信号的功率谱密度进行旋转,从而使信号的功率谱密度与信号的相位一致,反映信号的相位特征;公式整体是对信号样本数据集中的每个信号数据进行功率谱密度计算的求和,它能够将信号样本数据集中的所有信号数据的功率谱密度进行叠加,从而得到信号样本数据集的整体功率谱密度,反映信号样本数据集的功率特征。综上,该公式考虑了多用户信号干扰的问题中,功率谱密度中频率尖峰的频率平台的出现概率以及初始相位的影响,因此是在5G直放站的多用户信号干扰问题中比较具有适应性的计算公式。需要说明的是,步骤S433中通过该计算公式对信号样本数据集进行功率谱密度分析,从而获取功率谱密度分析数据,但并不仅限于使用该公式才能得到功率谱密度分析数据,使用常规的功率谱密度分析手段也可以得到相应的功率谱密度分析数据,例如使用非参数化的方法,包括周期图等方法,来直接估计功率谱密度,但对于5G直放站中所凸显的多用户信号干扰问题并不具有适应性。
优选地,本发明还提供了一种5G直放站信号处理***,用于执行如上所述的5G直放站信号处理方法,该5G直放站信号处理***包括:
数字下变频模块,用于获取5G直放站的5G信号数据;对5G信号数据进行模数转换,从而获取数字信号数据;对数字信号数据进行数字下变频,从而获取中频信号数据;
偏移校正模块,用于获取5G直放站的历史信号监测数据;对历史信号监测数据进行记忆模型构建,从而获取长短期记忆模型;基于长短期记忆模型对中频信号数据进行时钟偏移校正,从而获取时钟偏移校正数据;
非线性失真补偿模块,对历史信号监测数据进行对抗训练,从而获取生成对抗网络模型集;基于生成对抗网络模型集进行数据拟态,从而获取非线性失真模拟数据以及模拟原始数据,其中数据拟态包括非线性失真数据拟态以及原始数据拟态;对非线性失真模拟数据以及模拟原始数据进行深度学习训练,从而获取非线性失真补偿模型;基于非线性失真补偿模型对时钟偏移校正数据进行非线性失真补偿,从而获取非线性失真补偿数据;
抑制波束策略训练模块,用于利用Q-learning算法构建深度Q网络模型;基于深度Q网络模型对非线性失真补偿数据进行多信号干扰预测,从而获取多信号干扰预测数据;对多信号干扰预测数据进行抑制波束策略训练,从而获取抑制波束策略;
高频转换模块,用于利用抑制波束策略对非线性失真补偿数据进行干扰抑制,从而获取干扰抑制信号数据;对干扰抑制信号数据进行高频转换,从而得到高频信号数据,以执行5G直放站信号的处理作业。
综上所述,本发明提供了一种5G直放站信号处理***,该5G直放站信号处理***由数字下变频模块、偏移校正模块、非线性失真补偿模块、抑制波束策略训练模块以及高频转换模块组成,能够实现本发明所述任意一种5G直放站信号处理方法,***内部结构互相协作,通过采用对抗生成网络模型对信号数据进行模拟,从而得到足够多且模拟更加精确的模型训练集和测试集,为后续抑制波束策略训练模块中构建深度Q网络模型提供了数据基础,并且基于深度Q网络模型的特性,可以很好的反映出5G直放站信号中由于多用户公用同频信号而导致的信号干扰问题,从而针对性的预测出抑制的波束,从而简化了5G直放站信号处理***的操作流程。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种5G直放站信号处理方法,其特征在于,包括以下步骤:
步骤S1:获取5G直放站的5G信号数据;对5G信号数据进行模数转换,从而获取数字信号数据;对数字信号数据进行数字下变频,从而获取中频信号数据;
步骤S2:获取5G直放站的历史信号监测数据;对历史信号监测数据进行记忆模型构建,从而获取长短期记忆模型;基于长短期记忆模型对中频信号数据进行时钟偏移校正,从而获取时钟偏移校正数据;
步骤S3:对历史信号监测数据进行对抗训练,从而获取生成对抗网络模型集;基于生成对抗网络模型集进行数据拟态,从而获取非线性失真模拟数据以及模拟原始数据,其中数据拟态包括非线性失真数据拟态以及原始数据拟态;对非线性失真模拟数据以及模拟原始数据进行深度学习训练,从而获取非线性失真补偿模型;基于非线性失真补偿模型对时钟偏移校正数据进行非线性失真补偿,从而获取非线性失真补偿数据;
步骤S4:利用Q-learning算法构建深度Q网络模型;基于深度Q网络模型对非线性失真补偿数据进行多信号干扰预测,从而获取多信号干扰预测数据;对多信号干扰预测数据进行抑制波束策略训练,从而获取抑制波束策略;
步骤S5:利用抑制波束策略对非线性失真补偿数据进行干扰抑制,从而获取干扰抑制信号数据;对干扰抑制信号数据进行高频转换,从而得到高频信号数据,以执行5G直放站信号的处理作业。
2.根据权利要求1所述的5G直放站信号处理方法,其特征在于,步骤S1包括以下步骤:
步骤S11:获取5G直放站的5G信号数据,并利用傅里叶变换法对5G信号数据进行时域特征分析,从而获取时域特征数据;
步骤S12:根据时域特征数据得到信号波形特性数据,其中信号波形特征数据包括峰均比数据、频域特性数据以及调制特性数据;
步骤S13:对峰均比数据进行脉冲波比例预测,从而获取脉冲波比例预测数据;
步骤S14:获取模数转换指标数据,并根据模数转换指标数据对脉冲波比例预测数据进行降峰策略选择,从而获取降峰策略数据集;
步骤S15:对频域特性数据进行频率分布特征分析,从而获取频率分布特征数据;
步骤S16:根据模数转换指标数据对频率分布特征数据进行降噪比策略选择,从而获取降噪比策略数据集;
步骤S17:对调制特性数据进行载波偏差特征分析,从而获取载波频率偏差特征数据;对调制特性数据进行相位偏差特征分析,从而获取相位偏差特征数据;
步骤S18:获取下变频误码率指标数据,并根据下变频误码率指标数据对载波频率偏差特征数据以及相位偏差特征数据进行变频补偿策略选择,从而获取变频补偿策略数据集;
步骤S19:利用决策树算法对降峰策略数据集以及降噪比策略数据集进行决策树转换,从而获取模数转换策略树数据;
步骤S110:基于模数转换策略树数据对5G信号数据进行模数转换,从而获取数字信号数据;
步骤S111:基于变频补偿策略数据集对数字信号数据进行数字下变频,从而获取中频信号数据。
3.根据权利要求2所述的5G直放站信号处理方法,其特征在于,步骤S2包括以下步骤:
步骤S21:获取5G直放站的历史信号监测数据,其中历史信号监测数据包括历史信号数据集以及时钟偏移数据集;
步骤S22:对时钟偏移数据集进行重要特征划分,从而获取重要特征数据以及遗忘特征数据;
步骤S23:利用循环神经网络算法对重要特征数据以及遗忘特征数据进行记忆模型构建,从而获取长短期记忆模型;
步骤S24:基于长短期记忆模型对中频信号数据进行时钟偏移标签,从而获取时钟偏移标签数据;
步骤S25:利用梯度下降法对时钟偏移标签数据进行相位偏移最小预测,从而获取相位偏差预测数据;
步骤S26:根据相位偏差预测数据并利用相位旋转补偿法对中频信号数据进行时钟偏移校正,从而获取时钟偏移校正数据。
4.根据权利要求3所述的5G直放站信号处理方法,其特征在于,步骤S3包括以下步骤:
步骤S31:利用卷积神经网络算法对历史信号数据集进行随机噪声模拟,从而获取随机噪声数据;利用卷积神经网络算法对历史信号数据集进行先验分布模拟,从而获取先验分布数据;
步骤S32:对随机噪声数据以及先验分布数据进行非线性失真筛选并转换,从而获取基础模拟非线性失真数据以及基础模拟原始数据;
步骤S33:对基础模拟非线性失真数据以及基础模拟原始数据进行生成器网络模型构建,从而获取生成器网络模型集;
步骤S34:对历史信号数据集进行深度特征提取,从而获取深度信号特征数据;
步骤S35:对深度信号特征数据进行判别器网络模型构建,从而获取判别器网络模型集;
步骤S36:对生成器网络模型集以及判别器网络模型集进行对抗训练,从而获取生成对抗网络模型集;
步骤S37:基于生成对抗网络模型集进行非线性失真数据拟态,从而获取非线性失真模拟数据;基于生成对抗网络模型集进行原始数据拟态,从而获取模拟原始数据;
步骤S38:对非线性失真模拟数据以及模拟原始数据进行预处理,从而获取失真模拟预处理数据以及模拟原始预处理数据;
步骤S39:对失真模拟预处理数据以及模拟原始预处理数据进行深度学习训练,从而获取非线性失真补偿模型;
步骤S310:基于非线性失真补偿模型对时钟偏移校正数据进行非线性失真补偿,从而获取非线性失真补偿数据。
5.根据权利要求4所述的5G直放站信号处理方法,其特征在于,步骤S34包括以下步骤:
步骤S341:对历史信号数据集进行标准化分段,从而获取标准化分段数据;
步骤S342:对标准化分段数据进行信号特征聚类,从而获取信号特征聚类数据;
步骤S343:对信号特征聚类数据进行相位趋势分析,从而获取相位趋势数据;
步骤S344:对信号特征聚类数据进行波形趋势分析,从而获取波形趋势数据;
步骤S345:对相位趋势数据以及波形趋势数据进行交叉熵衡量,从而获取衡量趋势数据;
步骤S346:对衡量趋势数据进行趋势特征挖掘,从而获取衡量趋势特征数据;
步骤S347:根据衡量趋势特征数据对历史信号数据集进行深度特征提取,从而获取深度信号特征数据。
6.根据权利要求5所述的5G直放站信号处理方法,其特征在于,步骤S4包括以下步骤:
步骤S41:对模拟原始数据以及5G信号数据进行数据整合,从而获取信号样本数据集;
步骤S42:对非线性失真补偿数据进行补偿衰弱分析,从而获取补偿波束衰弱数据;
步骤S43:对信号样本数据集以及补偿波束衰弱数据进行干扰特征融合,从而获取干扰特征融合数据;
步骤S44:利用Q-learning算法对干扰特征融合数据进行Q模型构建,从而获取深度Q网络模型;
步骤S45:基于深度Q网络模型对非线性失真补偿数据进行多信号干扰预测,从而获取多信号干扰预测数据;
步骤S46:对多信号干扰预测数据进行抑制波束策略训练,从而获取抑制波束策略。
7.根据权利要求6所述的5G直放站信号处理方法,其特征在于,步骤S42包括以下步骤:
步骤S421:对非线性失真补偿数据进行补偿信号特征提取,从而获取补偿信号特征数据;
步骤S422:对补偿信号特征数据进行波束方向概率分析,从而获取波束方向概率数据;
步骤S423:对补偿信号特征数据进行仰角变化分析,从而获取波束仰角变化数据;
步骤S424:对补偿信号特征数据进行方位角变化分析,从而获取波束方位角变化数据;
步骤S425:对波束仰角变化数据以及波束方位角变化数据进行波束形状特征分析,从而获取波束形状变化特征数据;
步骤S426:对波束形状变化特征数据以及波束方向概率数据进行补偿衰弱分析,从而获取补偿波束衰弱数据。
8.根据权利要求7所述的5G直放站信号处理方法,其特征在于,步骤S43包括以下步骤:
步骤S431:获取5G直放站的信号方位角数据以及信号仰角数据;
步骤S432:对信号方位角数据、信号仰角数据以及补偿波束衰弱数据进行多方向衰弱特征分析,从而获取多方向衰弱特征数据;
步骤S433:通过功率谱密度计算公式对信号样本数据集进行功率谱密度分析,从而获取功率谱密度分析数据;
步骤S434:对信号样本数据集进行时频特征分析,从而获取时频特征数据;
步骤S435:对多方向衰弱特征数据以及功率谱密度分析数据进行同频干扰分布分析,从而获取同频干扰分布数据;
步骤S436:对多方向衰弱特征数据以及时频特征数据进行同调制判别分析,从而获取同调制干扰数据;
步骤S437:对同频干扰分布数据以及同调制干扰数据进行干扰特征融合,从而获取干扰特征融合数据。
9.根据权利要求8所述的5G直放站信号处理方法,其特征在于,步骤S433中的功率谱密度计算公式如下所示:
;
式中,为功率谱密度计算函数,/>为信号样本数据集中第/>个信号数据的频率尖峰指数,/>为信号样本数据集中第个信号数据的频率平台指数,/>为信号样本数据集中第/>个信号数据的幅度,/>是信号样本数据集中第/>个信号数据的相位,/>为信号的干扰权重系数,为频率尖峰和频率平台出现的概率,/>为信号样本数据集中第/>个信号的频率大小,/>为自然对数的底数,/>为信号的初始相位。
10.一种5G直放站信号处理***,其特征在于,用于执行如权利要求1所述的5G直放站信号处理方法,该5G直放站信号处理***包括:
数字下变频模块,用于获取5G直放站的5G信号数据;对5G信号数据进行模数转换,从而获取数字信号数据;对数字信号数据进行数字下变频,从而获取中频信号数据;
偏移校正模块,用于获取5G直放站的历史信号监测数据;对历史信号监测数据进行记忆模型构建,从而获取长短期记忆模型;基于长短期记忆模型对中频信号数据进行时钟偏移校正,从而获取时钟偏移校正数据;
非线性失真补偿模块,用于对历史信号监测数据进行对抗训练,从而获取生成对抗网络模型集;基于生成对抗网络模型集进行数据拟态,从而获取非线性失真模拟数据以及模拟原始数据,其中数据拟态包括非线性失真数据拟态以及原始数据拟态;对非线性失真模拟数据以及模拟原始数据进行深度学习训练,从而获取非线性失真补偿模型;基于非线性失真补偿模型对时钟偏移校正数据进行非线性失真补偿,从而获取非线性失真补偿数据;
抑制波束策略训练模块,用于利用Q-learning算法构建深度Q网络模型;基于深度Q网络模型对非线性失真补偿数据进行多信号干扰预测,从而获取多信号干扰预测数据;对多信号干扰预测数据进行抑制波束策略训练,从而获取抑制波束策略;
高频转换模块,用于利用抑制波束策略对非线性失真补偿数据进行干扰抑制,从而获取干扰抑制信号数据;对干扰抑制信号数据进行高频转换,从而得到高频信号数据,以执行5G直放站信号的处理作业。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311694830.4A CN117914378B (zh) | 2023-12-12 | 2023-12-12 | 一种5g直放站信号处理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311694830.4A CN117914378B (zh) | 2023-12-12 | 2023-12-12 | 一种5g直放站信号处理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117914378A CN117914378A (zh) | 2024-04-19 |
CN117914378B true CN117914378B (zh) | 2024-06-18 |
Family
ID=90688704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311694830.4A Active CN117914378B (zh) | 2023-12-12 | 2023-12-12 | 一种5g直放站信号处理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117914378B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115589250A (zh) * | 2022-09-30 | 2023-01-10 | 中国人民解放军陆军工程大学 | 一种星地中继物联网大规模中继选择与功率控制方法 |
CN116506918A (zh) * | 2023-05-08 | 2023-07-28 | 安徽大学 | 一种基于缓存区预测的中继选择方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115580371A (zh) * | 2021-06-21 | 2023-01-06 | 中兴通讯股份有限公司 | 干扰处理方法、装置和计算机可读存储介质 |
-
2023
- 2023-12-12 CN CN202311694830.4A patent/CN117914378B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115589250A (zh) * | 2022-09-30 | 2023-01-10 | 中国人民解放军陆军工程大学 | 一种星地中继物联网大规模中继选择与功率控制方法 |
CN116506918A (zh) * | 2023-05-08 | 2023-07-28 | 安徽大学 | 一种基于缓存区预测的中继选择方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117914378A (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10541765B1 (en) | Processing of communications signals using machine learning | |
US11133865B2 (en) | Optical network performance evaluation using a hybrid neural network | |
CN110166154B (zh) | 一种基于神经网络的软件无线电频谱监测识别的方法 | |
US10887009B2 (en) | G-OSNR estimation on dynamic PS-QAM channels using hybrid neural networks | |
CN112347871B (zh) | 一种用于通信载波监视***的干扰信号调制识别方法 | |
Wu et al. | LiDAR-aided mobile blockage prediction in real-world millimeter wave systems | |
CN103308463A (zh) | 一种近红外光谱特征谱区选择方法 | |
CN114422059B (zh) | 信道预测方法、装置、电子设备及存储介质 | |
CN116866129A (zh) | 一种无线通信信号检测方法 | |
CN113242066B (zh) | 一种多小区大规模mimo通信智能功率分配方法 | |
CN113490223A (zh) | 一种基于irs的无线供能反向散射通信方法及*** | |
Fonseca et al. | Radio access technology characterisation through object detection | |
CN114757224A (zh) | 一种基于持续学习和联合特征提取的特定辐射源识别方法 | |
CN109450573A (zh) | 一种基于深度神经网络的频谱感知方法 | |
CN117914378B (zh) | 一种5g直放站信号处理方法及*** | |
CN111597873B (zh) | 一种基于支持向量数据描述的超短波威胁信号感知方法 | |
Scalingi et al. | A Framework for Wireless Technology Classification using Crowdsensing Platforms | |
CN115600101B (zh) | 一种基于先验知识的无人机信号智能检测方法及装置 | |
CN112751633A (zh) | 一种基于多尺度窗口滑动的宽带频谱检测方法 | |
Islam et al. | A deep neural network-based communication failure prediction scheme in 5g ran | |
Omondi et al. | Variational autoencoder-enhanced deep neural network-based detection for MIMO systems | |
Corroy et al. | Distributed sensing of a slowly time-varying sparse spectrum using matrix completion | |
Lei et al. | Adaptive Beam Sweeping With Supervised Learning | |
Saiko et al. | Method of Increasing the Efficiency of Managing Energy Potential Protected Radioliniy Terahertz Range using Artificial Intelligence (short paper). | |
CN118316797B (zh) | 远程物联设备的自动组网方法及*** |
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 |