【技术实现步骤摘要】
一种基于一维多输入卷积神经网络的信道编码盲识别方法
本专利技术属于通信
,具体涉及一种基于一维多输入卷积神经网络的信道编码盲识别方法。
技术介绍
近年来,随着通信技术的不断发展,无论是在卫星、移动互联网通信领域,还是软件无线电通信领域,如何在信号传输过程中进行噪声干扰识别、在非合作通信系统中进行信息与信号的截获识别、以及在复杂恶劣通信环境中实现自适应的智能可靠的通信系统,都是当前研究热点,而信道编码识别及参数估计是其中必须解决的关键部分和技术难点。信道编码识别技术通常指在没有控制信道辅助的情况下,接收端根据收到的数据快速地分析出信号的编码类型和编码参数(码率),为进一步数据分析处理提供可靠保障。当前应用范围较广的信道编码类型主要有BCH码、卷积码、RS码、卷积码的级联编码、Turbo码和LDPC码,不同编码类型的特点不同,如卷积码属于非分组码,与线性分组码不同的是,卷积码具有记忆性。但在实际信道编码识别过程中,现有技术的算法主要是针对同种类型的编码进行参数估计,较少有对多种类型的编码同时实现编码类型及编码参数的估计。且针对不同的编码类型采用不同的算法的泛化能力不强,复杂度较高,部分还需要先验信息。如现有技术中,中国西安电子科技大学张陈和在其论文《卷积码盲识别技术研究》中针对传统的卷积码参数识别中求解校验序列识别方法的不足加以改进,提出了一种基于统计原理的卷积码盲识别算法。该方案的缺点是在高误码的情况下,无法直接通过提取数据分析矩阵方法得到码长,导致无法求取校验序列。法国南部列塔尼大学M.Mara ...
【技术保护点】
1.一种基于一维多输入卷积神经网络的信道编码盲识别方法,其特征在于:所述基于一维多输入卷积神经网络的信道编码盲识别方法包括如下步骤:/nS1、获取信道编码二进制流数据,构建信道编码样本集;/nS2、对所述信道编码样本集中的样本分别进行传统特征提取和组词处理,所述组词处理将所述样本的数据以每四比特表示为一个词,满足关系式(X
【技术特征摘要】
1.一种基于一维多输入卷积神经网络的信道编码盲识别方法,其特征在于:所述基于一维多输入卷积神经网络的信道编码盲识别方法包括如下步骤:
S1、获取信道编码二进制流数据,构建信道编码样本集;
S2、对所述信道编码样本集中的样本分别进行传统特征提取和组词处理,所述组词处理将所述样本的数据以每四比特表示为一个词,满足关系式(X1,X2,X3,…,Xn)=(X1X2X3X4,X5X6X7X8,…,Xn-3Xn-2Xn-1Xn),其中,X1至Xn分别为各样本中的第1个至第n个比特数据,并对每个词进行量化处理,所述量化处理后的词为第一输入值;
S3、将所述传统特征提取中提取的特征均表示为一维特征向量,对各所述一维特征向量以零元素填充进行维度补齐,并将各所述一维特征向量合并为特征矩阵,所述特征矩阵为第二输入值;
S4、构建一维多输入卷积神经网络模型,所述一维多输入卷积神经网络模型包括第一输入层、第二输入层、特征融合层和分类层,所述第一输入层包括依次连接的词嵌入层、第一卷积层、第二卷积层、第一最大池化层和特征提取模块,所述特征提取模块包括至少一个Inception模块,所述第二输入层包括第五特征提取层,所述第五特征提取层包括至少一个Inception模块,所述第一输入值经所述第一输入层输出第一提取特征,所述第二输入值经所述第二输入层输出第二提取特征,所述第一提取特征和第二提取特征经所述特征融合层进行融合输出第三提取特征,所述第三提取特征输出至所述分类层进行编码识别,并输出识别结果;
S5、根据所述信道编码样本集训练所述一维多输入卷积神经网络模型,获得最终一维多输入卷积神经网络模型;
S6、采集待识别的信道编码二进制流数据,并根据所述待识别的信道编码二进制流数据获取所述第一输入值和第二输入值,将所述第一输入值和第二输入值输入所述最终一维多输入卷积神经网络模型中进行编码识别,统计各样本识别的类别次数,判定类别次数中最多的一类作为所述待识别的信道编码二进制流数据的实际编码类型和编码参数。
2.如权利要求1所述的基于一维多输入卷积神经网络的信道编码盲识别方法,其特征在于:所述信道编码样本集的构建过程如下:
设定样本截断长度为M比特、固定滑动长度为N比特、随机滑动长度为L比特,自所述信道编码二进制流数据的起点,每间隔M比特截取一个样本后,滑动N+L比特再次截取,直至所述信道编码二进制流数据的终点,截取的样本总和构成所述信道编码样本集。
3.如权利要求1所述的基于一维多输入卷积神经网络的信道编码盲识别方法,其特征在于:所述传统特征提...
【专利技术属性】
技术研发人员:廖志州,夏少杰,马宇锋,冯秋晨,董赵宇,许文祥,祝中科,张永晋,瞿崇晓,范长军,
申请(专利权)人:中国电子科技集团公司第五十二研究所,
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。