一种基于归一化流的信号检测方法技术

本发明专利技术公开了一种基于归一化流的信号检测方法，获取接收信号的噪声数据集，并根据噪声数据集获取混合高斯分布的归一化概率密度，根据混合高斯分布的归一化概率密度，获取服从归一化的混合高斯分布的潜在变量与噪声分量的关系，将噪声数据集输入神经网络中，并根据潜在变量与噪声分量的关系计算潜在变量，根据所计算的潜在变量，计算噪声数据集的损失函数集，根据损失函数集中最小的损失函数，寻找具有最大对数似然数的信号，完成对信号的检测。本发明专利技术通过混合高斯噪声来获取潜在的变量，进而能够通过神经网络训练得到的最大对数似然值，进一步则可获取到所期望检测的信号，其在使用时，能够在混合有高斯噪声的情况下，依旧具有良好的检测性能。具有良好的检测性能。具有良好的检测性能。

【技术实现步骤摘要】
一种基于归一化流的信号检测方法


[0001]本专利技术涉及一种基于归一化流的信号检测方法，属于无线传输领域


技术介绍

[0002]传统的信号检测算法多数为通过改造噪声进行检测，但在实际的通信场景中，信道环境恶劣，信道中的噪声很可能是非高斯的，例如混合高斯噪声，在这种情况下，传统的信号检测算法就会受到严重的影响，无法实现对信号检测精准检测，其难以满足目前对于高精度检测的需求。
[0003]公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域普通技术人员所公知的现有技术。

技术实现思路

[0004]本专利技术的目的在于克服现有技术中的不足，提供一种基于归一化流的信号检测方法，以解决现有技术中对于信道中噪声为非高斯时，传统信号检测算无法实现高精度检测的技术问题。
[0005]为解决上述技术问题，本专利技术是采用下述技术方案实现的：
[0006]一种基于归一化流的信号检测方法，包括：
[0007]接收信号，获取包含有期待测信号的噪声数据集；
[0008]将噪声数据集输入预先训练的神经网络中计算潜在变量；
[0009]根据所计算的潜在变量，计算噪声数据集的损失函数集；
[0010]根据损失函数集中最小的损失函数，寻找具有最大对数似然数的信号，得到期待信号；
[0011]其中，所述神经网络的训练包括：
[0012]根据噪声数据集获取混合高斯分布的归一化概率密度；根据混合高斯分布的归一化概率密度，获取服从归一化的混合高斯分布的潜在变量与噪声分量的关系；
[0013]所述神经网络根据潜在变量与噪声分量的关系计算潜在变量的数值。
[0014]作为本专利技术的一种优选技术方案，所述噪声数据集的计算公式为：
[0015][0016]其中，y为M维的接收向量，H为M
×
K维的空域CSI矩阵，x为k维的发射信号向量，为各终端的总发射功率；
[0017]H＝[h1,h2,
…
h
k
][0018]其中，n为噪声分量，hk为第K个用户的信道脉冲响应。
[0019]作为本专利技术的一种优选技术方案，所述信道脉冲响应的计算公式为：
[0020][0021]其中，L为多径信道的路径总数，β
k
为第k个用户在第l个路径上的路径损耗，e(v1)为水平方向上的导向矢量，e(u1)为垂直方向上的导向矢量；
[0022][0023][0024]其中，M
v
为垂直方向上的天线数，M
h
为水平方向上的天线数。
[0025]作为本专利技术的一种优选技术方案，根据所述混合高斯分布的归一化概率密
[0026][0027]度获取的潜在变量与噪声分量的关系为：
[0028]其中，n为噪声分量，θ为网络参数，v潜在变量，dv为天线在垂直方向的间距，dn为天线在水平方向的间距，对数行列式项，为雅可比矩阵行列式绝对值的对数。
[0029]作为本专利技术的一种优选技术方案，通过所述神经网络计算潜在变量包括：将噪声数据集中的每个数据输入至神经网络中，计算与噪声数据集中的每个数据所对应的每一层网络的对数行列值，并输入至下一层网络中，完成对潜在变量的计算。
[0030]作为本专利技术的一种优选技术方案，通过所述神经网络计算潜在变量的公式为：
[0031][0032]其中，n为噪声分量，v为潜在变量，h
k
为神经网络的隐藏层，f
k
为每一层中的函数运算；
[0033][0034]其中，为复合函数，f(
·
)为归一化流网络的一个子层。
[0035]作为本专利技术的一种优选技术方案，所述损失函数的计算公式为：
[0036][0037]其中，L为网络层数，V为潜在变量，θ为网络参数，hk为第k个用户的信道脉冲响应。
[0038]作为本专利技术的一种优选技术方案，寻找具有最大所述对数似然数的信号的计算公式为：
[0039][0040]其中，x*为所找到的信号，X为信号集。
[0041]与现有技术相比，本专利技术所达到的有益效果：
[0042]本专利技术通过混合高斯噪声来获取潜在的变量，进而能够通过神经网络训练得到的最大对数似然值，进一步则可获取到所期望检测的信号，其在使用时，能够在混合有高斯噪声的情况下，依旧具有良好的检测性能，更加适用于在信道环境复杂的情况下使用。
附图说明
[0043]图1是本专利技术的流程图；
[0044]图2是本专利技术的流程框图。
具体实施方式
[0045]下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。
[0046]在本专利技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本专利技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0047]在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本专利技术中的具体含义。
[0048]如图1和图2所示，一种基于归一化流的信号检测方法，包括：
[0049]接收信号，获取包含有期待信号的噪声数据集；
[0050]将噪声数据集输入预先训练的神经网络中计算潜在变量；
[0051]根据所计算的潜在变量，计算噪声数据集的损失函数集；
[0052]根据损失函数集中最小的损失函数，寻找具有最大对数似然数的信号，得到期待信号；
[0053]其中，所述神经网络的训练包括：
[0054]根据噪声数据集获取混合高斯分布的归一化概率密度；根据混合高斯分布的归一化概率密度，获取服从归一化的混合高斯分布的潜在变量与噪声分量的关系；
[0055]所述神经网络根据潜在变量与噪声分量的关系计算潜在变量的数值。
[0056]本专利技术优选为采用的是单小区多用户大规模3D MIMO系统模型，该模型有K个用户，每个用户配备单天线。基站端本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于归一化流的信号检测方法，其特征在于，包括：接收信号，获取包含有期待信号的噪声数据集；将噪声数据集输入预先训练的神经网络中计算潜在变量；根据所计算的潜在变量，计算噪声数据集的损失函数集；根据损失函数集中最小的损失函数，寻找具有最大对数似然数的信号，得到期待信号；其中，所述神经网络的训练包括：根据噪声数据集获取混合高斯分布的归一化概率密度；根据混合高斯分布的归一化概率密度，获取服从归一化的混合高斯分布的潜在变量与噪声分量的关系；所述神经网络根据潜在变量与噪声分量的关系计算潜在变量的数值。2.根据权利要求1所述的一种基于归一化流的信号检测方法，其特征在于，所述噪声数据集的计算公式为：其中，y为M维的接收向量，H为M
×
K维的空域CSI矩阵，x为k维的发射信号向量，为各终端的总发射功率；H＝[h1,h2,
…
h
k
]其中，n为噪声分量，h
k
为第K个用户的信道脉冲响应。3.根据权利要求2所述的一种基于归一化流的信号检测方法，其特征在于，所述信道脉冲响应的计算公式为：其中，L为多径信道的路径总数，β
k
为第k个用户在第l个路径上的路径损耗，e(v1)为水平方向上的导向矢量，e(u1)为垂直方向上的导向矢量；)为垂直方向上的导向矢量；其中，M
v
为垂直方向上的天线数，M
h
...

【专利技术属性】
技术研发人员：李飞，王树晨，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：