基于卷积神经网络的MIMO天线数目估计方法技术

本发明专利技术公开了基于卷积神经网络的MIMO天线数目估计方法，包括合作通信方的MIMO天线系统和第三方非合作通信接收方，其中，合作通信MIMO天线系统双方采用多天线发射和接收信号，非合作方采用单天线接收信号，非合作接收方包括如下步骤：1）信号的分类打包；2）模型构建；3）训练；4）测试；5）评价；6）调整。这种方法能提高对MIMO发射天线数目的估计准确率。

【技术实现步骤摘要】
基于卷积神经网络的MIMO天线数目估计方法
本专利技术属于无线通信领域，涉及多输入多输出(MultipleInputMultipleOutput,简称MIMO)发射天线数目估计，具体是基于卷积神经网络的MIMO天线数目估计方法。
技术介绍
MIMO信号的检测识别是非合作通信中的一个热点研究领域，无论是在军事通信领域方面还是民用通信领域方面。MIMO天线数目的估计是后续对于信道估计、编码方式识别以及信号解调的前提和关键。现有的算法主要有基于Akaike信息论准则(AkaikeInformationCriterion,简称AIC)的方法和最小描述长度(MinimumDescriptionLength,简称MDL)，以及随机矩阵信号噪声特征值分离的方法。此类算法存在不足之处在于，接收方的天线数量必须大于发射方的天线数量，在不知道发射方的天线数量情况下，需要接收方采用大量的天线。近年来，神经网络在图像处理和自然语言处理方面有着广泛的应用，同时在通信领域，神经网络在调制方式识别方面的研究也有着一定的进展。深度学习卷积神经网络具有特征提取功能，在将信号送入卷积神经网络中，可以让网络识别天线数目。
技术实现思路
本专利技术的目的是针对现有技术的不足，而提供基于卷积神经网络的MIMO天线数目估计方法。这种方法能提高对MIMO发射天线数目的估计准确率。实现本专利技术目的的技术方案是：基于卷积神经网络的MIMO天线数目估计方法，包括合作通信方的MIMO天线系统和第三方非合作方通信接收系统，其中，合作通信MIMO天线系统双方采用多天线发射和接收信号，非合作方采用单天线接收信号，非合作接收方包括如下步骤：1)信号的分类打包：单天线将采集的I/Q射频信号，输入到卷积神经网络前，进行标签处理，采集的信号数据针对发射端不同天线数目情况烙印不同的标签，为了给神经网络足够的信息，需要采集多组数据存储，单天线采集的I/Q两路射频信号，I/Q分量是正交的，互不相干，以1024个I/Q数据为一个训练包，2根天线、3根天线、4根天线训练时各采用2000组数目，组成数据集，信源数据经过编码调制，然后通过MIMO的信号处理加载数据到不同的天线上，MIMO信号处理包括空间复用和空间分集，空间复用将数据分成几个数据流，采用不同的编码矩阵，在不同的天线上传输，ASM为编码矩阵，S1,S2代表不同符号数据：空间分集对应于在不同信道发送相对冗余的数据，可以提高系统的稳定性，同时又可以分为接收分集和发射分集,分集技术中的空时块编码应用空间和时间分集，如Alamouti编码，BAL为编码矩阵，S1,S2代表不同符号数据,-代表取反，*代表共轭：在神经网络训练模型中，将同时输入了空间复用和空间分集的不同发射天线的数据；2)模型构建：将步骤1)得到的数据集输入到卷积神经网络模型，模型分类输出的是信号的不同发射天线数目，所述卷积神经网络模型设有顺序连接的输入层、第一卷积层、第二卷积层、第一密集连接层、第二密集连接层和输出层，其中，第一卷积层和第二卷积层中的激活函数为relu函数，第一密集连接层选择的激活函数为relu函数，第二密集连接层选择softmax分类激活函数，输出层输出3个节点，分别对应的是2根发射天线、3根发射天线、4根发射天线的3种情况；3)训练：根据1)中采集的数据，按照训练数据：测试数据＝7:3，将训练数据输入到卷积神经网络进行训练；4)测试：将测试数据集输入到步骤3)中训练好的卷积神经网络，根据天线数目估计卷积网络测试混淆矩阵中对角线上的值大于0.8和训练性能表现中训练精度和测试精度二者曲线的拟合度精度达到0.8以上，就认为测试数据通过训练模型的表现效果好；5)评价：依据步骤4)测试中表现，如果混淆矩阵中对角线上的值大于0.8，或者训练性能中的精度大于0.8，即认为卷积神经网络的性能就能满足天线数目估计分类的要求，当然值约接近1时，性能越好；6)调整：依据步骤4)中的测试和依据步骤5)的性能表现进行评价，如果测试的损失度随着训练的损失度一起下降，说明网络在学习，这是最好的，以此来决定是否更改步骤2)中模型的卷积核数目、大小参数，提升识别率。本技术方案中，不需要在接收端设置接收天线数目大于发射天线数目这一条件，能够避免当接收端接收天线数目少于发射端的发射天线数目时导致的估计性能急剧恶化情况，同时卷积神经网络保证了较高的估计性能，本技术方案具有构建模型数据量少且精度高的特点，与传统的MIMO天线数目估计方案相比，在接收端天线数量上有很强的优势，对于电子对抗战中有着重要的意义。这种方法能提高对MIMO发射天线数目的估计准确率。附图说明图1为实施例的MIMO天线识别结构示意图；图2为实施例的MIMO-OFDM系统结构示意图；图3为实施例的方法流程示意图；图4为实施例中的卷积神经网络结构示意图；图5为实施例中的天线数目估计分类精度示意图；图6为实施例中天线数目估计卷积网络测试混淆矩阵示意图；图7为实施例中的训练性能表现示意图。具体实施方式下面结合附图和实施对本专利技术的内容做进一步的详细说明，但不是对本专利技术限定。实施例：如图3，基于卷积神经网络的MIMO天线数目估计方法，包括合作通信方的MIMO天线系统和第三方非合作方通信接收系统，其中，合作通信MIMO天线系统双方采用多天线发射和接收信号，非合作方采用单天线接收信号，如图1所示，非合作接收方包括如下步骤：包括如下步骤：1)信号的分类打包：单天线将采集的I/Q射频信号，在输入到卷积神经网络前，进行标签处理，采集的信号数据针对发射端不同天线数目情况烙印不同的标签，为了给神经网络足够的信息，需要采集多组数据存储，单天线采集的I/Q两路信号，I/Q分量是正交的，互不相干，以1024个I/Q数据为一个训练包，2根天线、3根天线、4根天线发射情况下，各采集2000组，组成数据集，如图2所示，信源数据经过编码调制，然后通过MIMO的信号处理加载数据到不同的天线上，MIMO信号处理包括空间复用和空间分集，空间复用将数据分成几个数据流，采用不同的编码矩阵，在不同的天线上传输，ASM代表编码矩阵，S1,S2代表不同符号数据：空间分集对应于在不同信道发送相对冗余的数据，可以提高系统的稳定性，同时又可以分为接收分集和发射分集,分集技术中的空时块编码应用空间和时间分集，本例为Alamouti编码，BAL为编码矩阵，S1,S2代表不同符号数据,-代表取反，*代表共轭：在神经网络训练模型中，将同时输入了空间复用和空间分集的不同发射天线的数据；2)模型构建：将步骤1)得到的数据集输入到卷积神经网络模型，模型分类输出的是信号的不同发射天线数目，所述卷积神经网络模型设有顺序连接的输入层、第一卷积层、第二卷积层、第一密集连接层、第二密集连接层和输出层，其中，第一卷积层和第二卷积层中的激活函本文档来自技高网...

【技术保护点】
1.基于卷积神经网络的MIMO天线数目估计方法，包括合作通信方的MIMO天线系统和第三方非合作通信接收方，其中，合作通信MIMO天线系统双方采用多天线发射和接收信号，非合作方采用单天线接收信号，非合作接收方包括如下步骤：/n1)信号的分类打包：单天线将采集的I/Q射频信号进行标签处理，采集的I/Q射频信号数据针对发射端不同天线数目情况烙印不同的标签，采集多组数据存储，单天线采集的I/Q两路射频信号，I/Q分量是正交的，互不相干，以1024个I/Q数据为一个训练包，2根天线、3根天线、4根天线训练时各采用2000组，组成数据集。信源数据经过编码调制，然后通过MIMO的信号处理加载数据到不同的天线上，MIMO信号处理包括空间复用和空间分集，空间复用将数据分成几个数据流，采用不同的编码矩阵，在不同的天线上传输，S

【技术特征摘要】
1.基于卷积神经网络的MIMO天线数目估计方法，包括合作通信方的MIMO天线系统和第三方非合作通信接收方，其中，合作通信MIMO天线系统双方采用多天线发射和接收信号，非合作方采用单天线接收信号，非合作接收方包括如下步骤：
1)信号的分类打包：单天线将采集的I/Q射频信号进行标签处理，采集的I/Q射频信号数据针对发射端不同天线数目情况烙印不同的标签，采集多组数据存储，单天线采集的I/Q两路射频信号，I/Q分量是正交的，互不相干，以1024个I/Q数据为一个训练包，2根天线、3根天线、4根天线训练时各采用2000组，组成数据集。信源数据经过编码调制，然后通过MIMO的信号处理加载数据到不同的天线上，MIMO信号处理包括空间复用和空间分集，空间复用将数据分成几个数据流，采用不同的编码矩阵，在不同的天线上传输，S1,S2代表不同符号数据：



空间分集就是在不同信道发送相对冗余的数据，同时空间分集又可以分为接收分集和发射分集,分集技术中的空时块编码应用空间和时间分集，在卷积神经网络训练模型中，将同时输入空间复用和空间分集的不同发射天线的数据；
2)模型构建：将步骤1)得到的数据集输入到卷积神经网络模型，模型分类输出的是信号的不同发射天线数目，所...

【专利技术属性】
技术研发人员：谢跃雷，易国顺，刘信，蒋平，许强，邓涵方，肖潇，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45