一种基于深度学习的信号检测方法技术

本发明专利技术属于无线通信领域，涉及一种基于深度学习的信号检测方法：对时域信号采样向量进行能量归一化后，输入单节点检测神经网络，输出主信号存在或不存在的两类概率向量，取其中较大者，得到单节点检测结果，作为信号检测结果；或，对不同节点的时域信号采样向量进行能量归一化后，输入单节点检测神经网络，输出主信号存在或不存在的两类概率向量，并作为多节点协作检测神经网络的输入，得到多节点检测结果，作为信号检测结果；其中，所述单节点检测神经网络通过二段训练法进行训练。本发明专利技术有效挖掘、利用了调制信号的结构化信息和单节点的软信息，提升了单节点检测性能和多节点协作检测性能，改善了已有的传统信号检测方法的以上缺陷。

【技术实现步骤摘要】
一种基于深度学习的信号检测方法
本专利技术属于无线通信领域，具体涉及一种基于深度学习的信号检测方法。
技术介绍
认知无线电是解决频谱稀缺问题的重要技术之一，受到工业界和学术界的高度关注。认知无线电的特征之一是次级用户通过对主发射机信号的检测，确定是否存在可利用的频谱空穴。检测性能直接影响到次级用户频谱效率和主用户能否正常通信，因此，如何在尽可能低的信噪比下实现尽可能低的虚警概率和漏检概率的可靠检测，对于认知无线电的发展至关重要。能量检测是一种常见的检测技术，但在实际系统中，其性能往往受限于背景噪声能量估计的不确定性，而导致SNR-Wall的出现，即低于一定信噪比时，即便感知时间无限长也无法实现可靠检测。能量检测仅利用了信号的能量信息，而主信号通常为调制信号，其本身具有结构化的特征，该部分特征在纯噪声信号中并不存在，若能得到有效利用则可提升检测性能。深度神经网络具有很强的自动特征提取能力，其在计算机视觉、自然语言处理等领域的成功应用很好地证明了这一点，因此可作为以上问题的解决方案。人工神经网络作为一门活跃的边缘性交叉学科，众多方面有着十分广泛的应用。人工神经网络是由多个简单(通常是自适应的)单元及其层次化组织所构成的大规模并行互联的网络，它以类似于生物神经系统的方式与真实世界中的对象进行交互。一般将神经网络分为五类，单层前向网络、多层前向网络、反馈网络、随机神经网络以及竞争神经网络。而其中采用误差反向传播算法(Back-Propagationalgorithm,BP算法)和反馈网络中的Hopfield神经网络己经被广泛应用于多种学科中，而自组织神经网络作为竞争神经网络的一种，相对于这些神经网络来说，更加的智能化，可以自主学习，可以将输出结果划分种类区域等，拥有其他神经网络不可比拟的优势。但由于现有神经网络中的虚警概率和漏检概率较高，限制了其应用。
技术实现思路
本专利技术的目的在于提供一种基于深度学习的信号检测方法，采用单节点检测神经网络时有较低的虚警概率和漏检概率，可以得到较高的检测概率；采用多节点协作检测网络可以对软信息进行融合，得到更高的检测概率。本专利技术采用下述技术方案：一种基于深度学习的信号检测方法，所述信号检测方法为：当对单节点进行检测时，将时域信号采样向量进行能量归一化后，输入单节点检测神经网络，输出主信号存在或不存在的两类概率向量，取其中较大者，作为信号检测结果；当对多节点进行检测时，将对不同节点的时域信号采样向量进行能量归一化后，输入单节点检测神经网络，输出主信号存在或不存在的两类概率向量，并作为多节点协作检测神经网络的输入，将多节点协作检测神经网络的输出作为信号检测结果；其中，当对单节点进行检测时和对多节点进行检测时，所述单节点检测神经网络均通过二段训练法进行训练。在信号检测中，一个区域里有很多个节点，一个节点是一个用户，大小尺度衰落都是不同的。单节点检测是指对一个节点进行信号检测，可以采用本专利技术提供的单节点检测神经网络进行信号检测；当需要对多个节点检测时，可以采取本专利技术提供的多节点协作检测神经网络，进行多节点检测，其中，多节点根据系统进行检测，如4个或8个节点。所述单节点检测神经网络结构包括两个具有60个大小为10的滤波器的卷积层、一个128神经元的全连接层、一个输入组合层、两个128神经元的长短期记忆网络(LSTM)层、一个128神经元的全连接层和一个2神经元的全连接层；所述单节点检测神经网络通过前向计算得到检测结果。所述单节点检测神经网络结构中的两个具有60个大小为10的滤波器的卷积层、一个128神经元的全连接层、一个输入组合层、两个128神经元的长短期记忆网络(LSTM)层和一个128神经元的全连接层均采用ReLU作为激活函数；所述单节点检测神经网络结构中的一个2神经元的全连接层采用SOFTMAX作为激活函数。所述单节点检测神经网络为训练完成后的神经网络，所述单节点检测神经网络在训练过程中分为两个阶段：(1)损失收敛阶段：漏检概率和虚警概率均随着训练轮次的增加而下降；(2)指标权衡阶段：漏检概率和虚警概率随着训练轮次的变化呈现出相互权衡的状态，一个指标的上升对应着另一个指标的下降。所述单节点检测神经网络通过二段训练法进行训练，训练样本包括训练集和验证集，所述训练的方法为：(1)损失收敛阶段：训练直至验证集损失连续20轮不下降；(2)指标权衡阶段：从损失收敛阶段最佳模型开始，训练直至虚警概率进入预设目标区间。所述多节点协作检测神经网络结构包括一个32神经元的全连接层、一个8神经元的全连接层和一个2神经元的全连接层；所述多节点协作检测神经网络通过前向计算得到检测结果。所述多节点协作检测神经网络为训练完成后的神经网络，训练的方法可以为梯度下降法。与现有技术相比，本专利技术提供的信号检测方法：一是通过经二段训练法训练后的单节点检测神经网络进行特征提取，通过二段训练法可以得到较低的漏检概率和较高的检测概率，从而得到更佳的信号检测结果。二是通过协作检测，协作检测是一种通过协调多个检测节点之间的信息共享，有效提升检测性能的技术。协作检测中，对于各单节点软信息(存在物理意义难以解释，融合过程是非线性的的缺点)的有效利用可大大增强检测性能；而多节点检测神经网络中的神经网络权重通过训练数据学习得到，无需先验知识，并且具有很强的非线性映射拟合能力，因此，由一个专门的神经网络负责软信息的融合，可以得到更佳的信号检测结果。在本专利技术提供的信号检测方法中：单节点检测神经网络(DetectNet)对各种调制方式的主信号均能有效检测，能在同类调制方式信号之间很好地泛化，且在各采样点数下均能保持比能量检测低5dB左右的SNR-Wall；多节点检测神经网络(SoftcombinationNet)能在达到与逻辑或融合准则相近的检测概率的同时，取得更低的虚警概率。本专利技术有效挖掘、利用了调制信号的结构化信息和单节点的软信息，提升了单节点检测性能和多节点协作检测性能，改善了已有的传统信号检测方法的以上缺陷。附图说明图1为单节点检测神经网络结构图；图2为多节点协作检测神经网络结构图；图3为本专利技术实施例中一次训练过程中性能指标变化情况示例；图4为本专利技术实施例中单节点检测神经网络和其他常见神经网络的检测性能比较；图5为本专利技术实施例中单节点检测神经网络对不同调制方式主信号的检测性能；图6为本专利技术实施例中单节点检测神经网络在不同调制方式主信号之间的检测泛化能力；图7为本专利技术实施例中各采样点数下，本专利技术提出的单节点检测神经网络和能量检测的SNR-Wall比较；图8为本专利技术实施例中多节点协作检测神经网络和现逻辑或融合法则的检测性能比较。具体实施方式下面结合附图和实施例，详细描述本专利技术的具体实施方式。图1给出了单节点检测神经网络结构图，以下将其命名为“DetectNet”，所述的DetectNet由两个具有60个大小为10的滤波器的卷积层(Conv1和Conv2)、一个128神经元的全连接层(FC1)、一个输入组合层(Concatenatedlayer)、两个128神经元的LSTM层(LSTM1和LSTM2)、一个128神经元的全连接层(FC2)和一个2神经元的全连接层(FC3)组成。除了最后一个全连接层使用SOFTMAX作为激活函数之外，本文档来自技高网...

【技术保护点】
1.一种基于深度学习的信号检测方法，其特征在于，所述信号检测方法为：当对单节点进行检测时，将时域信号采样向量进行能量归一化后，输入单节点检测神经网络，输出主信号存在或不存在的两类概率向量，取其中较大者，作为信号检测结果；当对多节点进行检测时，将对不同节点的时域信号采样向量进行能量归一化后，输入单节点检测神经网络，输出主信号存在或不存在的两类概率向量，并作为多节点协作检测神经网络的输入，将多节点协作检测神经网络的输出作为信号检测结果；其中，当对单节点进行检测时和对多节点进行检测时，所述单节点检测神经网络均通过二段训练法进行训练。

【技术特征摘要】
1.一种基于深度学习的信号检测方法，其特征在于，所述信号检测方法为：当对单节点进行检测时，将时域信号采样向量进行能量归一化后，输入单节点检测神经网络，输出主信号存在或不存在的两类概率向量，取其中较大者，作为信号检测结果；当对多节点进行检测时，将对不同节点的时域信号采样向量进行能量归一化后，输入单节点检测神经网络，输出主信号存在或不存在的两类概率向量，并作为多节点协作检测神经网络的输入，将多节点协作检测神经网络的输出作为信号检测结果；其中，当对单节点进行检测时和对多节点进行检测时，所述单节点检测神经网络均通过二段训练法进行训练。2.根据权利要求1所述的基于深度学习的信号检测方法，其特征在于，所述单节点检测神经网络结构包括两个具有60个大小为10的滤波器的卷积层、一个128神经元的全连接层、一个输入组合层、两个128神经元的长短期记忆网络(LSTM)层、一个128神经元的全连接层和一个2神经元的全连接层；所述单节点检测神经网络通过前向计算得到检测结果。3.根据权利要求2所述的基于深度学习的信号检测方法，其特征在于，所述单节点检测神经网络结构中的两个具有60个大小为10的滤波器的卷积层、一个128神经元的全连接层、一个输入组合层、两个12...

【专利技术属性】
技术研发人员：钟财军，高佳宝，易雪梅，陈晓明，张朝阳，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33