一种天线信号的原始信号重构方法及装置制造方法及图纸

本发明专利技术涉及一种天线信号的原始信号重构方法及装置，所述方法至少包括：利用深度学习的BP训练算法，得到第一神经网络模型和第二神经网络模型；通过所构建的第一神经网络模型来从低维的目标信号中解出高维的稀疏信号θ；通过将所述稀疏信号θ输入所构建的第二神经网络模型来重构得到原始信号。本发明专利技术能够在减少所需天线数的基础上，同时传输相同的数据量，提高MIMO系统的复用增益和容量。提高MIMO系统的复用增益和容量。提高MIMO系统的复用增益和容量。

【技术实现步骤摘要】
一种天线信号的原始信号重构方法及装置
[0001]本分案申请的原始基础是申请号为(202080000955.0)、申请日为2020年4月7日、专利技术名称为“基于深度学习的MIMO多天线信号传输与检测技术”的专利申请。


[0002]本专利技术涉及移动通讯
，尤其涉及一种天线信号的原始信号重构方法及装置。

技术介绍

[0003]MIMO(Multiple
‑
Input Multiple
‑
Output)技术指在装置发射端和装置接收端分别使用多个发射天线和接收天线，使信号通过装置发射端与装置接收端的多个天线传送和接收，从而改善通信质量。根据收发两端天线数量，相对于普通的SISO(Single
‑
Input Single
‑
Output)系统，MIMO包括SIMO(Single
‑
Input Multiple
‑
Output)系统和MISO(Multiple
‑
Input Single
‑
Output)系统。它能充分利用空间资源，通过多个天线实现多发多收，在不增加频谱资源和天线发射功率的情况下，可以成倍的提高系统信道容量，显示出明显的优势，MIMO系统已经广泛应用于无线通信中——移动设备和网络普遍都会使用多根天线来增强连接性、提升网络速度和用户体验。大规模MIMO是5G超高数据速率的关键因素，可以带来更大网络容量，更广信号覆盖和更好的用户体验，将5G的潜力发挥到一个全新的水平。
[0004]根据空时映射方法的不同，MIMO技术大致可以分为两类：空间分集和空间复用。空间分集是指利用多根发送天线将具有相同信息的信号通过不同的路径发送出去，同时在接收机端获得同一个数据符号的多个独立衰落的信号，从而获得分集提高的接收可靠性。举例来说，在慢瑞利衰落信道中，使用一根发射天线N
r
根接收天线，发送信号通过N
r
个不同的路径。如果各个天线之间的衰落是独立的，可以获得最大的分集增益为N
r
。对于发射分集技术来说，同样是利用多条路径的增益来提高系统的可靠性。在一个具有N
t
根发射天线N
r
根接收天线的系统中，如果天线对之间的路径增益是独立均匀分布的瑞利衰落，可以获得的最大分集增益为N
t
N
r
。无线通信的不可靠性主要是由无线衰落信道时变和多径特性引起的，如何在不增加功率和不牺牲带宽情况下，同时减少多径衰落对基站和移动台的影响就显得很重要。唯一方法是采用抗衰落技术，克服多径衰落的有效方法是各种分集技术。分集技术主要用来对抗信道衰落。相反，MIMO信道中的衰落特性可以提供额外的信息来增加通信中的自由度。从本质上来讲，如果每对发送接收天线之间的衰落是独立的，那么可以产生多个并行的子信道。如果在这些并行的子信道上传输不同的信息流，可以提供传输数据速率，这被称为空间复用。但是，在高SNR(Signal to Noise Ratio，信噪比)的情况下，传输速率是自由度受限的。
[0005]MIMO凭借其两大优势：(1)提高信道的容量。MIMO接入点到MIMO客户端之间，可以同时发送和接收多个空间流，信道容量可以随着天线数量的增大而线性增大，因此可以利用MIMO信道成倍地提高无线信道容量，在不增加带宽和天线发送功率的情况下，频谱利用
率可以成倍地提高；(2)提高信道的可靠性。利用MIMO信道提供的空间复用增益及空间分集增益，可以利用多天线来抑制信道衰落。多天线系统的应用，使得并行数据流可以同时传送，可以显著克服信道的衰落，降低误码率，已经成为一项运用于802.11n的核心技术。802.11n是IEEE继802.11a/b/g后全新的无线局域网技术，速度可达600Mbps。同时，MIMO技术可改进已有802.11a/b/g网络的性能。
[0006]随着使用天线数目的增加，MIMO技术实现的复杂度大幅度增高，从而限制了天线的使用数目，不能充分发挥MIMO技术的优势。目前，如何在保证一定的系统性能的基础上降低MIMO技术的算法复杂度和实现复杂度，成为业界面对的巨大挑战。
[0007]人工智能指由人制造出来的机器所表现出来的智能。通常人工智能是指通过普通计算机程序模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)，来呈现人类智能的技术，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。我们坚信，未来数年，人工智能依然会“长驱直入”，为传统产业创造价值，并深刻改变我们的日常生活，如机器人领域、语言识别领域、图像识别领域、专家系统等。机器学习是人工智能的一个子集。机器学习目前主要解决分类问题、聚类问题、回归问题等，已广泛应用于字符识别、机器翻译、语音识别、搜索引擎、人脸识别、无人驾驶等领域。所有机器学习算法中最关键的是深度学习。
[0008]深度学习的概念源于人工神经网络的研究。深度学习的概念最早由机器学习领域的泰斗——多伦多大学GE.Hinton教授提出，其两个核心观点是：(1)含有多隐层的人工神经网络有着很优秀的特征学习能力，对学习到的特征数据有着更深刻的展示，可以更好的分类或可视化最终得到的网络数据；(2)深度神经网络可以通过“逐层初始化”来克服训练其本身网络参数上的难度，而逐层初始化可以通过无监督学习来实现。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。任何神经网络都可以有任何数量的层，输入或输出。输入神经元和最后一层输出神经元之间的层是深层神经网络的隐藏层。
[0009]围绕应用深度学习解决MIMO的问题，国内外也有不少专利技术专利成果。
[0010]现有技术如授权公告日为20180619的授权公告日为CN105610477B的专利文献提出的一种基于压缩感知的多发多收系统增强信号复用方法，在现有的MIMO技术的基础上，在现有的相关MIMO系统信号复用技术的基础上，选择压缩感知技术中的随机测量矩阵作为信号压缩复用矩阵，然后充分利用发送信号在过完备的冗余字典上呈现的稀疏特性，通过压缩感知重构算法，从低维的接收复用信号中解出高维的发送信号，从而大幅度提高给定MIMO系统收发天线数条件下的信号复用增益，更好地满足MIMO系统对宽带传输的应用要求，且具有确保接收端运用压缩感知领域成熟的优化重构算法高概率地重构出发送端经过压缩复用步骤发送的多路数据流、对现有MIMO系统修改小的优点。
[0011]中国申请号201510473741.6专利(自复数神经网络信道预测方法，西安电子科技大学)公开了一种复数神经网络信道预测方法，主要解决MIMO系统中由于信道时变而导致的信道衰落问题。其技术方案是：1.基站对信道进行测量得到含有估计误差的信道系数训练序列；2.根据得到的信道系数序列得到相应的训练样本和期望输出；3.输入训练样本进行复数小波本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种天线信号的原始信号重构方法，其特征在于，所述方法至少包括：利用深度学习的BP训练算法，得到第一神经网络模型和第二神经网络模型；通过所构建的第一神经网络模型来从低维的目标信号中解出高维的稀疏信号θ；通过将所述稀疏信号θ输入所构建的第二神经网络模型来重构得到原始信号。2.根据权利要求1所述的天线信号的原始信号重构方法，其特征在于，利用深度学习的BP训练算法，得到第一神经网络模型和第二神经网络模型的步骤包括：利用y和θ，构成了第一组训练样本；利用θ和x，构成了第二组训练样本；经由深度学习的BP训练算法，第一组训练样本得到第一神经网络模型，第二组训练样本得到第二神经网络模型，当输入信号为信号y时，即得到重构的发送数据y表示第一神经网络模型的输入信号，θ表示稀疏向量；x表示发送信号向量，表示输出的原始的发送数据流。3.根据权利要求1或2所述的天线信号的原始信号重构方法，其特征在于，所述方法还包括：将低维目标信号进行信道估计并将得到的信道参数矩阵作为第一神经网络模型的输入。4.根据权利要求1～3任一项所述的天线信号的原始信号重构方法，其特征在于，所述方法还包括：将发送信号向量x的所有可能组合分别作为冗余字典的不同列向量的方式组成冗余字典D，实现发送信号向量的稀疏信号θ。5.根据权利要求1～4任一项所述的天线信号的原始信号重构方法，其特征在于，训练神经网络模型的过程主要包括：计算代价函数J(θ)，调整参数θ，使得代价函数值J(θ)尽量小，其中，代价函数J(θ)是采用正向传播算法对每一个样本计算当前神经网络模型下该样本的输出得到的。6.根据权利要求5所述的天线信号的原始信号重构方法，其特征在于，采用反向传播算法调整参数θ，使得代价函数值J(...

【专利技术属性】
技术研发人员：刘婵梓，曲春晓，陈高，刘新宇，周清峰，
申请(专利权)人：东莞理工学院，
类型：发明
国别省市：