基于深度学习的海洋无线通信信号处理方法及智能接收机技术

本发明专利技术涉及无线通信技术领域，尤其一种基于深度学习的海洋无线通信信号处理方法及智能接收机，方法包括根据预设的轻量型卷积神经网络构建海洋信号处理模型；接收由信号发射机发出的IQ信号；将IQ信号输入至预设的海洋信号处理模型中，输出恢复的信息比特流；其中，轻量型卷积神经网络包括依次连接的输入层、浅层特征提取部分、深度特征提取部分、第一卷积层、全局平均池化层、第二卷积层以及分类层，本发明专利技术提供的方法及智能接收机，对接收到的IQ信号进行处理时，直接将接收到的IQ信号输入至预设的海洋信号处理模型中，得到恢复的信息比特流，避免了因模块化优化而造成的误差的累积，有效提高了海洋MIMO通信系统可靠性。提高了海洋MIMO通信系统可靠性。提高了海洋MIMO通信系统可靠性。

【技术实现步骤摘要】
基于深度学习的海洋无线通信信号处理方法及智能接收机


[0001]本专利技术涉及无线通信
，尤其涉及一种基于深度学习的海洋无线通信信号处理方法及智能接收机。

技术介绍

[0002]随着人类对海洋的研究和探索，海洋的战略和经济意义日益凸显。从20世纪以来，陆地通信进行着日新月异的发展变革。然而，在浩瀚的海洋中，由于海上环境复杂多变，海上施工比较困难，海洋频谱有限等原因，海洋通信的发展明显滞后于陆地通信。近年来，随着海洋经济的不断发展，我国海事活动也日趋频繁。为了保障高效有序的海上通信服务，持续推进海上经济的发展，研发新一代的海洋通信技术与系统已经成为学术界和工业界一个备受瞩目的焦点。
[0003]传统的海上通信主要基于卫星通信，通信速率低且延迟较高，而随着无线通信技术的高速发展，在4G以及5G中作为关键技术的MIMO(Multiple input and Multiple output)技术成为近年来国内外海上通信领域研究的焦点。通过在海上平台搭建多个基于MIMO的通信基站，可以实现基站与船舶或其他海上作业平台的高速通信，能够在较大程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的海洋无线通信信号处理方法，其特征在于，所述方法包括：根据预设的轻量型卷积神经网络构建海洋信号处理模型；接收由信号发射机发出的IQ信号；将所述IQ信号输入至预设的海洋信号处理模型中，输出恢复的信息比特流；其中，所述轻量型卷积神经网络包括依次连接的输入层、浅层特征提取部分、深度特征提取部分、第一卷积层、全局平均池化层、第二卷积层以及分类层。2.根据权利要求1所述的基于深度学习的海洋无线通信信号处理方法，其特征在于，所述浅层特征提取部分包括三个依次连接卷积模块，每个卷积模块包括依次连接的一个卷积层、一个BN层以及一个ReLU层；所述深度特征提取部分包括若干个Bneck模块，其中所述浅层特征提取部分的输出还与所述深度特征提取部分中的第一个Bneck模块的输出深度串联后输入至第二个Bneck模块；所述分类层为由多个二分类器构成的分类层。3.根据权利要求1所述的基于深度学习的海洋无线通信信号处理方法，其特征在于，所述深层特征提取部分包括10个Bneck模块；其中，Bneck1
‑
4模块的卷积核的大小为1
×
3，Bneck5
‑
10模块的卷积核的大小为1
×
5；Bneck1
‑
3模块的激活函数为ReLU函数，Bneck4
‑
10模块的激活函数为h
‑
swish函数；Bneck9
‑
10模块中包括SE注意力机制模块。4.根据权利要求1所述的基于深度学习的海洋无线通信信号处理方法，其特征在于，所述根据预设的轻量型卷积神经网络构建海洋信号处理模型包括：获取训练数据集，随机初始化网络参数，其中训练数据集为：[Re(r)；Im(r)]
(i)
是输入的IQ信号数据；S
(i)
是输入数据的标签；N表示训练数据集的样本数；从训练数据集中随机选取N
B
个训练样本，输入至所述轻量型卷积神经网络中，进行模型训练，利用预设的损失函数计算当前损失值并更新网络参数；判断当前损失值是否小于预设阈值，若是，停止训练并保存当前网络参数，得到训练好的海洋信号处理模型，否则，再次从训练数据集中随机选取N
B
个训练样本，继续模型训练。5.根据权利要求4所述的基于深度学习的海洋无线通信信号处理方法，其特征在于，所述根据预设的轻量型卷积神经网络构建海洋信号处理模型还包括：对训练...

【专利技术属性】
技术研发人员：王斌，许珂，孙彦景，张育芝，刘洋，郑仕链，周华吉，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：