基于深度学习提高仪器矢量信号分析性能的处理方法技术

本发明专利技术涉及一种基于深度学习提高仪器矢量信号分析性能的处理方法，包括(1)将经过非理想的分析仪射频接收机的失真信号进行ADC采样得到序列y，并引入前馈神经网络对y的硬件失真进行补偿(2)根据信号的调制类型和相应星座图的位置对数据序列y进行解析，估计信号要传送的码元序列数据s，并根据具有L层的多层感知器神经网络MLP估计误差ε；(3)根据具有L层的多层感知器神经网络MLP通过激活函数得到MLP输出层；(4)将所述的MLP输出层的输出结果校正y得到最终测量符号。(5)通过训练数据集以及使用反向传播算法BP训练得到MLP的权重集。采用了该方法，拟合出仪器接收机失真的数学特性，进而对失真进行校正，能够保留原本输入信号的特性。

A Method of Improving the Performance of Vector Signal Analysis Based on Deep Learning

The present invention relates to a processing method based on deep learning to improve the performance of instrument vector signal analysis, which includes: (1) acquiring sequence y by ADC sampling of the distorted signal from the radio frequency receiver of the non-ideal analyzer, and introducing feedforward neural network to compensate the hardware distortion of Y. (2) Analyzing data sequence y according to the modulation type of signal and the position of the corresponding constellation, estimating the signal. The symbol sequence data s to be transmitted is estimated according to MLP of the multi-layer perceptron neural network with L layer; (3) MLP output layer is obtained by activation function of the multi-layer perceptron neural network with L layer; (4) the output result of the MLP output layer is corrected by y to get the final measurement symbol. (5) The weight set of MLP is obtained by training data set and BP training. By using this method, the mathematical characteristics of the instrument receiver distortion are fitted, and then the distortion is corrected, which can retain the characteristics of the original input signal.

【技术实现步骤摘要】
基于深度学习提高仪器矢量信号分析性能的处理方法
本专利技术涉及仪器仪表领域，尤其涉及仪器仪表误差校正领域，具体是指一种基于深度学习提高仪器矢量信号分析性能的处理方法。
技术介绍
本专利技术属于仪器仪表
主要涉及对矢量信号分析类仪器的系统误差进行校正、以提高测量精度的相关应用领域。具体指基于深度学习方法对测量仪器的矢量测量结果进行修正、均衡的方法，以弥补测量仪器的系统误差给矢量测量性能带来的影响，提高矢量信号分析测量结果的准确性。本专利技术适用的测量仪器包括但不限于矢量信号分析仪(VectorSignalAnalyzer)，矢量测量结果包括但不限于误差矢量幅度(ErrorVectorMagnitude，EVM)。矢量信号分析广泛应用于无线通信设备测试中。支持矢量信号分析功能的仪器通常包含射频接收模块(例如放大器、混频器、滤波器等)，模数转换器(ADC)和数字信号处理单元(例如DSP、FPGA、CPU、GPU)。最具代表性的具备矢量信号分析功能的仪器是矢量信号分析仪，终端综测仪、基站综测仪等通信仪器一般也具有矢量信号分析功能。一般数字调制信号经过解调得到实部(记为I)和虚部(记为本文档来自技高网...

【技术保护点】
1.一种基于深度学习提高仪器矢量信号分析性能的处理方法，其特征在于，所述的方法包括以下步骤：(1)将经过非理想的分析仪射频接收机的失真信号进行ADC采样得到序列y，并引入前馈神经网络对y的硬件失真进行补偿；(2)根据信号的调制类型和相应星座图的位置对数据序列y进行解析，估计信号要传送的码元序列数据s，并根据具有L层的多层感知器神经网络MLP估计误差ε；(3)根据具有L层的多层感知器神经网络MLP通过激活函数得到MLP输出层；(4)将所述的MLP输出层的的输出结果校正y得到最终测量符号；(5)通过训练数据集以及使用反向传播算法BP训练得到MLP的权重集。

【技术特征摘要】
1.一种基于深度学习提高仪器矢量信号分析性能的处理方法，其特征在于，所述的方法包括以下步骤：(1)将经过非理想的分析仪射频接收机的失真信号进行ADC采样得到序列y，并引入前馈神经网络对y的硬件失真进行补偿；(2)根据信号的调制类型和相应星座图的位置对数据序列y进行解析，估计信号要传送的码元序列数据s，并根据具有L层的多层感知器神经网络MLP估计误差ε；(3)根据具有L层的多层感知器神经网络MLP通过激活函数得到MLP输出层；(4)将所述的MLP输出层的的输出结果校正y得到最终测量符号；(5)通过训练数据集以及使用反向传播算法BP训练得到MLP的权重集。2.根据权利要求1所述的基于深度学习提高仪器矢量信号分析性能的处理方法，其特征在于，所述的步骤(2)中的得出MLP中第一层的输出层，具体为：根据以下公式得出MLP中第一层的输出层：r1＝f1(s；θ1)＝s；其中，r＝{r1，…，rL}为每层的输出向量，θ＝{θ1，…，θL}为MLP内所有参数的集合，3.根据权利要求1所述的基于深度学习提高仪器矢量信号分析性能的处理方法，其特征在于，所述的步骤(2)中的得出MLP中的第二层至L-1层为网络的隐藏层。4.根据权利要求1所述的基于深度学习提高仪器矢量信号分析性能的处理方法，其特征在于，所述的步骤(2)中的得出MLP中第二层至L-1层，具体为：根据以下公式得出MLP中第二层至L-1层：rl＝fl(rl-1；θl)；其中，r＝{r1，…...

【专利技术属性】
技术研发人员：蒋政波，刘景鑫，洪伟，
申请(专利权)人：东南大学，上海创远仪器技术股份有限公司，
类型：发明
国别省市：江苏,32