【技术实现步骤摘要】
基于稀疏自编码器的m序列识别方法
本专利技术属于通信中二进制伪随机序列的估计和识别领域，特别涉及一种利用稀疏自编码网络的m序列的识别方法。
技术介绍
二进制伪随机序列因具有良好的伪随机特性被广泛应用在扩频通信领域中。m序列是最具代表性的一种伪随机序列，它的估计和识别是扩频系统中信息解密的基础，因此研究m序列的识别算法具有重要的理论意义和价值。现有的国内外对m序列识别研究的文献中，Massey算法、欧几里得算法都能达到识别序列生成多项式的目的，但受误码影响大。基于高阶统计分析的三阶相关函数(TripleCorrelationFunction，TCF)法因为过程简单、易被理解应用而受到广泛关注。在已公开的研究成果中，学者们根据TCF峰值出现的位置利用矩阵斜消法确定m序列的本原多项式，利用拟合优度检验提高峰值点检测的正确率，但在低信噪比峰值点检测的正确率还有待进一步提高。近年来，深度学习由于对复杂特征优秀的抽象和建模能力强，已引起了各领域学者们的广泛研究。自编码器作为深度学习的模型之一，可以捕捉到输入数据中的重要特征，已被应用于数据的分类识别中。为此利用m序列的三阶相关...
【技术保护点】
1.基于稀疏自编码器的m序列识别方法，其特征在于该方法包括以下步骤：步骤1、产生N不同周期T、不同信噪比下的完整m序列；步骤2、估计每个序列在[T/2,T/2]范围内的三阶相关函数，得到包含m序列特征信息的三阶相关矩阵；步骤3、提出取模映射方法降低三阶相关矩阵的维度，得到新的特征信息矩阵并向量化，得N个向量作为训练集样本；步骤4、建立稀疏自编码器网络用于样本特征的提取，引入softmax回归模型，将自编码器网络提取到的特征作为输入，用于分类识别；步骤5、利用代价函数最小化对稀疏自编码网络和softmax分类器逐层训练，然后整体微调优化模型；具体为首先利用梯度下降法和L‑BF...
【技术特征摘要】
1.基于稀疏自编码器的m序列识别方法，其特征在于该方法包括以下步骤：步骤1、产生N不同周期T、不同信噪比下的完整m序列；步骤2、估计每个序列在[T/2,T/2]范围内的三阶相关函数，得到包含m序列特征信息的三阶相关矩阵；步骤3、提出取模映射方法降低三阶相关矩阵的维度，得到新的特征信息矩阵并向量化，得N个向量作为训练集样本；步骤4、建立稀疏自编码器网络用于样本特征的提取，引入softmax回归模型，将自编码器网络提取到的特征作为输入，用于分类识别；步骤5、利用代价函数最小化对稀疏自编码网络和softmax分类器逐层训练，然后整体微调优化模型；具体为首先利用梯度下降法和L-BFGS算法分别最小化稀疏自编码器和softmax分类器的代价函数，然后通过BP算法整体微调优化模型；步骤6、参照步骤1-步骤3，将待识别的m序列构建成SAE网络分类模型的测试集样本，输入训练好的模型，完成识别。2.根据权利要求1所述的基于稀疏自编码器的m序列识别方法，其特征在于步骤2中，验证对于完整m序列或者数据足够长的m序列片段，在[T/2,T/2]范围内的三阶相关函数保持了良好的峰值特性，具体如下：2-1.对于周期为T的m序列，当采集到的数据包含一个完整m序列周期时，截取一个长度L＝T的序列，三阶相关函数可按式(1)估计：其中，1≤p,q≤L；2-2.当采集的数据不足一个m序列周期，即L＜T时，三阶相关函数按式(2)估计：2-3.对于完整周期m序列或者m序列片段，在[L/2,L/2]范围内均保持了m序列TCF原有的特性；因此可以用此区域内的TCF特性识别m序列；2-4.构造网络训练集样本时，以完整周期m序列(L＝T)的[L/2,L/2]范围为TCF的计算范围，即根据式(1)计算[T/2,T/2]范围内的TCF矩阵Θ：m序列的特征信息均包含在在这个三阶相关矩阵中。3.根据权利要求2所述的基于稀疏自编码器的m序列识别方法，其特征在于步骤3中，为降低网络的训练复杂度，提出取模映射方法，将维度较大的三阶相关矩阵映射到一个维度较小的矩阵中，m序列的特征仍包含在新的矩阵中，从而降低特征信息向量即网络输入样本的维度，具体如下：3-1.假定判定C(p,q)是否为峰值的门限为γ，当C(p,q)＞γ时，判定为峰值；否则为非峰值，且令C(p,q)＝0，更新三阶相关矩阵Θ；3-2.当m序列的周期较长时，若将矩阵Θ向量化后得到的(T/2)2×1的向量直接作为SAE网络的...
【专利技术属性】
技术研发人员：强芳芳，赵知劲，杨安锋，陈颖，沈雷，姜显扬，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。