一种基于自适应集成深度学习模型的SC-FDE系统信号检测方法技术方案

本发明专利技术涉及一种基于自适应集成深度学习模型的信号检测方法。采用集成的长短期记忆(LSTM)神经网络以端到端的方式替代SC‑FDE系统接收端的信道估计和频域均衡部分，训练LSTM神经网络所需的数据集由接收端提取的接收信号的特征和根据发送端使用的调制方式对应星座图所分配的标签组成。为保证系统的可靠性，采用线性判别分析(LDA)算法对特征信息进行降维，将多维度的特征信息作为集成模型的输入。为提高系统的自适应性，采用不同子信道的信号功率作为自适应因子，在网络输出端对每个子载波的输出进行自适应集成。此方法对于不同的通信系统，只需要根据所用系统框架生成数据集，利用训练得到的模型替代通信系统的某一部分即可，具有较强的泛化性。

【技术实现步骤摘要】
一种基于自适应集成深度学习模型的SC-FDE系统信号检测方法
本专利技术涉及智能通信
，特别涉及一种基于自适应集成深度学习模型的SC-FDE系统信号检测方法。
技术介绍
随着无线通信技术的发展，5G技术已成为当今社会的关注焦点。由于5G技术呈现高维度、高容量、高密集的特点，对如何利用海量的数据来降低系统的复杂度，提升系统可靠性成为技术的关键突破点。智能通信被认为是未来无线通信发展的必然趋势，尤其是在5G之后人们对通信质量的要求会越来越高。近几年人工智能技术再次兴起，深度学习作为机器学习和人工智能领域的最新趋势之一，为计算机视觉和机器学习带来了深刻的变革。深度学习目前已经成为一种数据分析工具，可应用于各个领域，无线通信领域便是其中之一。单载波频域均衡（SC-FDE）是在传统单载波传输和正交频分复用（OFDM）技术的基础上发展起来的一种新型宽带无线通信技术，它利用循环前缀（CP）和频域均衡来消除多径效应信号上的通道。然而，在信道估计和频域均衡过程中，由于码间干扰（ISI）和信道噪声的影响，系统的可靠性随着信道脉冲响应（CIR）的变化而变化。SC-FDE系统虽然在许多方面得到了改进，但一种优化的信号检测方案可以有效地提高5G通信的质量。
技术实现思路
本专利技术为了弥补现有技术中SC-FDE系统的信号检测方案中由于多种因素干扰造成的在特定的信噪比（SNR）下存在较高误比特率（BER）的不足，提供了一种以LSTM作为子网络，以不同子信道的信号功率作为自适应因子的自适应集成深度学习模型信号检测方法。本专利技术是通过如下技术方案实现的：一种基于自适应集成深度学习模型的SC-FDE系统信号检测方法，步骤如下：步骤1：基于SC-FDE无线通信系统框架生成深度模型所需的数据集，数据集的特征信息来自于在接收端提取的接收信号的特征，标签根据发送端使用的调制方式所对应的星座图进行分配；步骤2：将步骤1的数据集随机打乱并重新划分为10000组训练集和2000组验证集；步骤3：基于步骤2的数据集，利用线性判别分析(LDA)算法对特征信息进行降维，将多维度的特征信息作为集成模型的输入；步骤4：将一个SC-FDE符号中的256个子载波分别输入到多个LSTM子网络中进行自学习，子网络的数目等于多径信道的个数；步骤5：采用信号功率作为自适应因子将步骤4的每个子载波经过多个子网络的输出结果进行自适应集成；步骤6：根据由步骤1、步骤2、步骤3、步骤4和步骤5所建立的模型替代SC-FDE系统的信道估计和频域均衡部分进行在线测试。优选地，所述步骤1中，SC-FDE信号是利用随机序列在不同统计特性的信道条件下生成的，数据集特征信息的生成基于接收端的接收信号特征，选用QPSK作为发送端的调制方式，数据集的标签设定为1，2，3和4。优选地，所述步骤2中，对数据集进行归一化处理。优选地，所述步骤3中，将原始特征信息和LDA降维后的特征信息作为两种特征信息，集成模型根据两种特征信息优化参数，以增加模型的可拓展性。优选地，所述步骤4中，LSTM网络采用3层隐含层，每一层神经元个数分别为100，50，50，时间步长设置为1，并通过改进的蚁群优化算法进行优化。优选地，蚁群优化算法通过自适应因子P自适应的调节信息启发因子α，根据待预测数据与模型训练数据的对比情况确定信息素的强度来改变搜索随机性的大小。优选地，所述步骤5中，任意子载波经过每一个子网络后都会生成某一个星座图的点CX，根据信号功率在该信号总功率中所占的比例确定该子网络输出所乘系数完成自适应集成。所述步骤5中，自适应集成神经网络训练包括以下步骤：步骤5.1：将10000组多维度的特征信息输入到网络中训练，采用改进的蚁群优化算法优化神经网络，神经网络的学习率随着迭代次数的增加而减少；步骤5.2：将2000组验证集中不同维度的特征信息打乱顺序后对所建立网络性能进行验证。步骤5.3：损失函数选用交叉熵函数：。本专利技术的有益效果是：本专利技术涉及一种基于自适应集成深度学习模型的信号检测方法，采用创新性的结构设计，基于单载波频域均衡系统（SC-FDE）建立信号检测模型。采用集成的LSTM神经网络以端到端的方式替代SC-FDE系统接收端的信道估计和频域均衡部分，训练LSTM神经网络所需的数据集由接收端提取的接收信号的特征和根据发送端使用的调制方式对应星座图所分配的标签组成。为保证系统的可靠性，采用线性判别分析(LDA)算法对特征信息进行降维，将多维度的特征信息作为集成模型的输入。为提高系统的自适应性，采用不同子信道的信号功率作为自适应因子，在网络输出端对每个子载波的输出进行自适应集成。此方法对于不同的通信系统，只需要根据所用系统框架生成数据集，利用训练得到的模型替代通信系统的某一部分即可，具有较强的泛化性，更适合当下5G通信的要求。附图说明图1为本专利技术基于自适应集成深度学习模型的SC-FDE系统信号检测方法的SC-FDE系统模型结构图；图2为本专利技术基于自适应集成深度学习模型的SC-FDE系统信号检测方法的LSTM神经网络结构图；图3为本专利技术基于自适应集成深度学习模型的SC-FDE系统信号检测方法的基于自适应集成模型信号检测方案结构图；图4为本专利技术基于自适应集成深度学习模型的SC-FDE系统信号检测方法的信号功率特征图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1-图4为本专利技术的一种具体实施例，该实施例为一种基于自适应集成深度学习模型的SC-FDE系统信号检测方法，SC-FDE系统模型如图1所示，以下步骤步骤1：基于SC-FDE无线通信系统框架生成深度模型所需的数据集。数据集的特征信息来自于在接收端提取的接收信号的特征，标签根据发送端使用的调制方式所对应的星座图进行分配。所述步骤1中，SC-FDE无线通信系统的具体实现过程包括以下步骤：步骤1.1：在发送器中，数据位首先通过符号映射模块映射为符号，然后在SC-FDE符号之间插入CP作为保护间隔。保护间隔的长度需要大于无线信道的最大延迟扩展，以避免符号间干扰（ISI）。步骤1.2：通过多径衰落信道接收发送的SC-FDE符号，接收信号可以表示为：。步骤1.3：接收信号在移去CP后通过傅里叶变换将传输信号变换到频域，频域信号可表示为：。步骤1.4：频域均衡和信道估计是整个系统的关键部分，本文档来自技高网...

【技术保护点】
1.一种基于自适应集成深度学习模型的SC-FDE系统信号检测方法，其特征在于，包括以下步骤：/n步骤1：基于SC-FDE无线通信系统框架生成深度模型所需的数据集，数据集的特征信息来自于在接收端提取的接收信号的特征，标签根据发送端使用的调制方式所对应的星座图进行分配；/n步骤2：将步骤1的数据集随机打乱并重新划分为10000组训练集和2000组验证集，并对数据进行归一化处理；/n步骤3：基于步骤2的数据集，利用线性判别分析(LDA)算法对特征信息进行降维，将多维度的特征信息作为集成模型的输入；/n步骤4：将一个SC-FDE符号中的256个子载波分别输入到多个LSTM子网络中进行自学习，子网络的数目等于多径信道的个数；/n步骤5：采用信号功率作为自适应因子将步骤4的每个子载波经过多个子网络的输出结果进行自适应集成；/n步骤6：根据由步骤1、步骤2、步骤3、步骤4和步骤5所建立的模型以端到端的方式替代SC-FDE系统的信道估计和频域均衡部分进行在线测试，恢复出原始数据。/n

【技术特征摘要】
1.一种基于自适应集成深度学习模型的SC-FDE系统信号检测方法，其特征在于，包括以下步骤：
步骤1：基于SC-FDE无线通信系统框架生成深度模型所需的数据集，数据集的特征信息来自于在接收端提取的接收信号的特征，标签根据发送端使用的调制方式所对应的星座图进行分配；
步骤2：将步骤1的数据集随机打乱并重新划分为10000组训练集和2000组验证集，并对数据进行归一化处理；
步骤3：基于步骤2的数据集，利用线性判别分析(LDA)算法对特征信息进行降维，将多维度的特征信息作为集成模型的输入；
步骤4：将一个SC-FDE符号中的256个子载波分别输入到多个LSTM子网络中进行自学习，子网络的数目等于多径信道的个数；
步骤5：采用信号功率作为自适应因子将步骤4的每个子载波经过多个子网络的输出结果进行自适应集成；
步骤6：根据由步骤1、步骤2、步骤3、步骤4和步骤5所建立的模型以端到端的方式替代SC-FDE系统的信道估计和频域均衡部分进行在线测试，恢复出原始数据。


2.根据权利要求1所述的基于自适应集成深度学习模型的SC-FDE系统信号检测方法，其特征在于：
所述步骤2中，数据归一化的范围为（0，1）。


3.根据权利要求1所述的基于自适应集成深度学习模型的SC-FDE系统信号检测方法，其特征在于：
所述步骤3中，线性判别分析(LDA)算法的实现包括以下步骤：
步骤3.1：输入数据集；
步骤3.2：计算类内散度矩阵，类间散度矩阵以及；
步骤3.3：计算最大的d个特征值和对应的d个特征向量，得到投影矩阵；
步骤3.4：对数据集中的每一个数据特征转化为新的数据特征；
步骤3.5：得到降维后的数据集。


4.根据权利要求1所述...

【专利技术属性】
技术研发人员：李军，高通，李敬芳，王宝栓，朱平，乔元健，高鹏刚，辛同亮，李文鑫，
申请(专利权)人：齐鲁工业大学，亚萨合莱国强山东五金科技有限公司，
类型：发明
国别省市：山东;37