一种可学习维特比与核速率信号检测方法技术

本发明专利技术属于无线通信领域，具体的说，是一种可学习维特比与核速率信号检测方法。首先，通过收集通信的发送数据X与接收数据Y；其次，搭建CNN

【技术实现步骤摘要】
一种可学习维特比与核速率信号检测方法


[0001]本专利技术属于无线通信领域，具体的说，是一种可学习维特比与核速率信号检测方法，该方法基于卷积神经网络(CNN)和双向长短时记忆(BiLSTM)的联合数据和模型驱动。

技术介绍

[0002]迄今为止，在几乎所有的通信系统中，检测技术都发挥了至关重要的作用，包括通信信号检测、目标检测和强迫振荡检测。在通信信号检测领域，大多数基于模型的方法都依赖于发射序列和接收机处观测序列之间的统计关系。因此，许多常见的基于模型的检测方法，如维特比算法，需要在已知信道相关信息的情况下，在内存有限的因果信道中实现最优信号检测。然而，当信道知识(如衰落、噪声分布和相关模型)未知时，获取信道模型及其参数需要大量开销。此外，基于模型的方法对信道状态信息(CSI)的依赖性过于敏感，一旦估计的CSI与实际瞬时CSI略有偏差，信号检测性能就会急剧下降。特别是，在复杂和高度动态的通信网络场景中，如大规模多输入多输出(MIMO)系统、车辆网络和大规模密集网络，信道无法用严格的数学模型描述，导致信道建模困难。例如，在具有独特传播环境、高移动速度和低天线高度的车辆通信中，蜂窝车载无线信道(C
‑
V2X)与传统蜂窝通信信道有着显著的不同。车联网无线电波传播和信道建模的研究不仅要考虑传统蜂窝网络无线信道的传播机制和信道特性，还要结合业务需求充分考虑C
‑
V2X信道本身的特殊性。
[0003]为了解决基于模型的方法对底层信道统计信息的依赖性，深度学习中的深度神经网络(DNN)被应用于无线通信的物理层。在此之前，有学者提出了一种数据驱动的DNN和基于模型的高斯混合假设方法来实现无CSI的信号检测。然而，由于信道模型失配问题，上述方法的信号检测性能较差。纯数据驱动的DL方法有两个缺点。首先，神经网络学习的参数关系无法解释，导致学习任务的效果无法控制。其次，DNN需要大量的训练样本和训练时间，这与通信延迟是一个重要的度量指标的现实情况相反。

技术实现思路

[0004]为了解决上述技术问题，本专利技术披露了一种基于CNN
‑
BiLSTM的无信道状态信息可学习维特比算法，称为CBLV，以实现最大似然准则下的信号检测，通过使用CNN
‑
BiLSTM，该方法可以在具有不确定性场景的完美和不完美CSI中实现小样本训练下的低误码率。采用了两种方法来解决信道失配问题，因此即使在不满足高斯混合假设的泊松信道中，所提出的CBLV也能确保接近最优的信号检测性能。
[0005]本专利技术采用的具体技术方案如下：
[0006]一种可学习维特比与核速率信号检测方法，包括以下步骤：
[0007]S1、收集通信的发送数据X与接收数据Y，并获得有限记忆信道的记忆长度L；
[0008]S2、搭建并设计CNN
‑
BiLSTM网络作为分类神经网络；
[0009]S3、考虑使用维比特算法在内存有限的因果信道上的信号恢复问题；
[0010]S4、采用CNN
‑
BiLSTM神经网络和参数估计(即具有Akaike信息准则的高斯混合模
型)或非参数估计(即自适应核密度)来学习CSI；
[0011]S5、设计一个称为模式网络的小型模式识别网络将神经网络的标签从x[k]转换为
[0012]S6、解决CSI分解后的边际概率密度；
[0013]S7、采用基于线性扩散过程的自适应核密度估计，确保核密度估计结果最大程度地接近真实边缘概率密度；
[0014]S8、根据有限记忆信道的记忆长度L与学习到的CSI，实现最大似然概率准则下的信号检测。
[0015]进一步地，步骤S3中，考虑内存有限的因果信道上的信号恢复问题，具体为：假设传输序列由N个符号组成，则在时间k处传输的符号是x[k]∈M、k∈{1，2，
…
，N}。x[k]取自基数为m的符号集M，y[k]表示相应的信道输出。该信道符合马尔可夫记忆特性。因此，信道存储长度为L时，y[k]仅取决于第一个L信道输入x[k],
…
,x[k
‑
l+1]。N个矩的输出构成输出向量，Y＝[y[1],y[2],
…
y[N]]T
，类似地，X＝[X[1],X[2],
…
X[N]]T
。在数字通信中，与维特比算法相对应的传输序列向量通常是等概率的。
[0016]进一步地，步骤S3中，信道输入和输出向量之间的关系为
[0017][0018]其中，L<N，将确定时间k处输出y[k]的输入向量定义为其中，L<N，将确定时间k处输出y[k]的输入向量定义为此时，可以将输出y[k]视为信道输入向量的随机映射。生成Y的所有信道输入叠加到一维向量因此给定输入向量的信道输出的条件概率密度为:
[0019][0020]其中
[0021]进一步地，步骤S3中，维特比算法的目的是在最大似然准则(ML)下实现最大信号检测，具体为，
[0022]S31、ML的表达是
[0023][0024]其中，似然函数可以分解为：
[0025][0026]S32、定义为：
[0027][0028]最终，ML可以重写为：
[0029][0030]S33、该问题可以作为动态规划递归求解，其目标是找到到N级网格的最短路径，发送序列在每个时刻k被视为可能路径，是与第k条路径相关联的成本函数。确定到给定信道输出序列的最短路径Y＝[y[1],y[2],
…
y[N]]T
，即对应的N个发送序列向量该过程的求解算法是经典的维特比算法，其详细信息可以在数字通信标准教科书中找到。
[0031]进一步地，步骤S4中，为了便于阐述，将基于CNN
‑
BiLSTM神经网络结构的可学习维特比算法称为CBLV。CSI是维特比算法在ML准则下实现信号检测的关键。虽然传统的基于模型的维特比算法可以降低算法的复杂度，使算法的复杂度随着块的大小线性增长，但必要的CSI的获取是一个困难的问题。估计信道知识的额外成本使得该算法在信号检测应用中仅限于具有已知CSI的通信场景。为了解决传统算法对CSI的依赖性，提出的CBLV以数据驱动的方式学习保持维特比算法的完整性。
[0032]进一步地，步骤S4中，使用CNN
‑
BiLSTM结构的神经网络来帮助完成CSI的部分计算，具体为，
[0033]S41、为了学习CSI，的计算需要考虑。考虑到离散性和连续性对求解概率难度的影响，采用贝叶斯准则。分解过程是
[0034][0035]分解后的两个重要部分，包括分别通过CNN
‑
BiLSTM网络和GMM方法以及AIC或AKDE方法求解。一旦学习到CSI，CBLV可以在ML准则下实现信号检测。
[0036]S42、在维特比算法中，表示相对于当前发送序列向量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种可学习维特比与核速率信号检测方法，其特征在于，包括以下步骤：S1、收集通信的发送数据X与接收数据Y，并获得有限记忆信道的记忆长度L；S2、搭建并设计CNN
‑
BiLSTM网络作为分类神经网络；S3、考虑使用维比特算法在内存有限的因果信道上的信号恢复问题；S4、采用CNN
‑
BiLSTM神经网络和非参数估计来学习信道状态信息；S5、设计一个小型模式识别网络将神经网络的标签从x[k]转换为S6、解决CSI分解后的边际概率密度；S7、采用基于线性扩散过程的自适应核密度估计，确保核密度估计结果最大程度地接近真实边缘概率密度；S8、根据有限记忆信道的记忆长度L与学习到的CSI，实现最大似然概率准则下的信号检测。2.根据权利要求1所述的可学习维特比与核速率信号检测方法，其特征在于，所述步骤S3的具体流程为：设定传输序列由N个符号组成，在时间k处传输的符号是x[k]∈M、k∈{1，2，
…
，N}，x[k]取自基数为m的符号集M，y[k]表示相应的信道输出，信道存储长度为L时，y[k]仅取决于第一个L信道输入x[k],
…
,x[k
‑
l+1]，信道输入和输出向量之间的关系为：其中，L<N，将确定时间k处输出y[k]的输入向量定义为其中，L<N，将确定时间k处输出y[k]的输入向量定义为将输出y[k]视为信道输入向量的随机映射，生成Y的所有信道输入叠加到一维向量因此给定输入向量的信道输出的条件概率密度为:其中为CSI。3.根据权利要求2所述的可学习维特比与核速率信号检测方法，其特征在于，所述步骤S3中，维特比算法的目的是在最大似然准则下实现最大信号检测，具体为：S31、ML的表达：其中，似然函数可以分解为：S32、定义为：
最终，ML可以重写为：S33、发送序列在每个时刻k被视为可能路径，是与第k条路径相关联的成本函数。4.根据权利要求3所述的可学习维特比与核速率信号检测方法，其特征在于，所述步骤S4中，使用CNN
‑
BiLSTM结构的神经网络来帮助完成CSI的部分计算，具体为：S41、采用贝叶斯准则，分解过程是：分解后的两个重要部分，包括和P
Y
[
k
](y[k])分别通过CNN
‑

【专利技术属性】
技术研发人员：王小明，兰媛媛，蒋锐，徐友云，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：