采用卷积神经网络信道簇检测的水声信道稀疏估计方法技术

本发明专利技术属于水声信号处理技术领域，具体涉及采用卷积神经网络信道簇检测的水声信道稀疏估计方法，用于OFDM水声通信系统，所述方法包括：获取对应不同数据块基于导频信息的频域信号；对上述频域信号进行信道粗估计；将信道粗估计结果输入预先建立和训练好的簇检测模型进行簇检测，得到信道簇位置信息；根据信道簇位置信息结合稀疏估计算法实现信道估计。本发明专利技术利用卷积神经网络对水声信道进行簇检测，进而将簇检测结果和稀疏估计类方法相结合，限制信道的搜索空间，降低噪声对信道估计的影响，提高估计精度，相比传统方法，该方法具有更高的信道估计精度以及稳定性和鲁棒性。高的信道估计精度以及稳定性和鲁棒性。高的信道估计精度以及稳定性和鲁棒性。

【技术实现步骤摘要】
采用卷积神经网络信道簇检测的水声信道稀疏估计方法


[0001]本专利技术属于水声信号处理
，具体涉及采用卷积神经网络信道簇检测的水声信道稀疏估计方法。

技术介绍

[0002]声波是水下无线通信的重要载体，水声信道特性复杂多变，具有强多途、强噪声、大多普勒频移，明显的空间和时间起伏等特点，给水声通信带来了非常大的困难和挑战。水声信道估计是完成水下信息传输的重要步骤，对信道参数的准确估计是提高通信性能的重要手段。
[0003]水声信道通常呈现簇状稀疏特性，即大部分信道冲激响应为零或近似于零，信道能量主要集中在稀疏的非均匀分布的簇状结构内。传统的信道估计方法，如最小二乘(LS)算法，最小均方误差(MMSE)算法，会在零抽头处引入噪声估计误差，同时信道估计所需的高阶估计器也存在较大的运算复杂度。
[0004]针对水声信道的稀疏特性，稀疏估计类方法被用来提高信道估计性能，近年来，基于压缩感知的信道估计方法由于具有较好的估计效果，受到了广泛的关注和研究。其中，正交匹配追踪(OMP)算法被证实相比于传统算法具有明显的性能优势，在此基础上，利用缓慢变化的水声信道的稳定稀疏特性，同步正交匹配追踪(SOMP)算法被应用于求解一段时间内信道的联合稀疏重构问题。该方法利用时间增益进一步提高了算法性能，但该方法没有充分利用水声信道稀疏簇状结构这一特点，仍存在簇区域外的噪声估计误差，影响信道估计精度。
[0005]如何在利用水声信道稀疏特性的基础上，检测水声信道簇状结构并利用它是提升稀疏估计类方法性能的关键，现有一些研究方法已经被提出用于检测信道簇结构，如利用粗略的信道估计结果判断每个抽头系数是否大于信道均值进行簇状分组，但当存在较大噪声干扰时，这种方式容易出现估计误差；传统的Page检测方法也可被应用于水声信道簇检测，但该算法需要根据环境调节参数，稳定性和鲁棒性较差。

技术实现思路

[0006]本专利技术的目的在于克服现有技术缺陷，提出了采用卷积神经网络信道簇检测的水声信道稀疏估计方法。
[0007]为了实现上述目的，本专利技术提出了一种采用卷积神经网络信道簇检测的水声信道稀疏估计方法，用于正交频分复用(OFDM)水声通信系统，所述方法包括：
[0008]步骤1)获取对应不同数据块基于导频信息的频域信号；
[0009]步骤2)对上述频域信号进行信道粗估计；
[0010]步骤3)将信道粗估计结果输入预先建立和训练好的簇检测模型进行簇检测，得到信道簇位置信息；
[0011]步骤4)根据信道簇位置信息结合稀疏估计算法实现信道估计。
[0012]作为上述方法的一种改进，步骤1)的所述对应不同数据块基于导频信息的频域信号，满足下式：
[0013]Y
p,l
＝diag(X
p,l
)F
p
h
l
+W
p,l
[0014]其中，Y
p,l
为第l个数据块基于导频信息的频域接收信号，l＝1,2,
…
,L，L为数据块总数，diag(X
p,l
)为对应的由导频符号X
p,l
组成的对角矩阵，F
p
为对应的傅里叶变换矩阵，W
p,l
为对应的频域加性噪声，h
l
∈N
×
1为第l个数据块对应的信道，N为信道长度。
[0015]作为上述方法的一种改进，所述步骤2)具体为：
[0016]采用下式对不同数据块基于导频信息的频域信号Y
p,l
进行信道粗估计，得到第l个数据块的信道粗估计结果
[0017][0018]其中，(
·
)
H
表示共轭转置，K
p
表示导频个数。
[0019]作为上述方法的一种改进，所述簇检测模型的输入为信道粗估计结果，输出为信道簇位置信息；采用“U
‑
net”架构的卷积神经网络，包括收缩路径和扩展路径，两种路径构成对称结构，其中，
[0020]所述收缩路径用于通过特征降维提取所需的特征；
[0021]所述扩展路径用于对提取到的特征进行解码，将解码得到的向量内每个数值和设定门限进行比较，获得对应的簇位置信息Ψ
n
，n∈[1,N]，进而得到信道长度为N的信道簇位置信息[Ψ1,
…
Ψ
n
,
…
Ψ
N
]。
[0022]作为上述方法的一种改进，对应的簇位置信息为Ψ
n
满足下式：
[0023][0024]其中，代表对应位置存在簇内信道冲激响应的概率，概率大于设定门限0.5，则认为此位置存在簇内信道冲激响应，否则，此位置不存在簇内信道冲激响应。
[0025]作为上述方法的一种改进，所述步骤4)具体包括：
[0026]根据获得的信道簇位置信息构建簇区域约束矩阵Ψ：
[0027]Ψ＝diag([Ψ1,
…
Ψ
n
,
…
Ψ
N
]),Ψ
n
∈{0,1}
[0028]其中，diag()表示对角矩阵；
[0029]采用压缩感知稀疏重构算法求解在簇约束条件下的第l个数据块基于导频信息的频域的接收信号Y
p,l
，简化成如下形式：
[0030]Y
p,l
＝Φ
l
Ψh
l
+W
p,l
[0031]其中，Φ
l
为感知矩阵，Φ
l
＝diag(X
p,l
)F
p
，l＝1,2,
…
,L；
[0032]基于联合稀疏模型，联合字典矩阵Λ＝diag(Φ
l
Ψ)中对应簇区域约束矩阵位置为1的字典原子保持不变，其余字典原子为0向量，对应的优化问题表示为：
[0033][0034]其中，表示L个信道的估计结果矩阵，为由L个数据块的
导频信息构成的接收矩阵，(
·
)
T
表示转置；δ为允许存在的最小残差；
[0035]采用稀疏信道估计算法求解信道联合稀疏重构问题。
[0036]作为上述方法的一种改进，所述方法还包括簇检测模型的训练步骤；具体包括：
[0037]选取周边海域历史数据进行信道测量并提取簇结构，生成训练集；
[0038]将训练集输入卷积神经网络，输出向量为N为信道长度，该向量内每个数值代表对应位置存在簇内信道冲激响应的概率，使用二分类交叉熵作为损失函数，通过监督学习的方式来进行训练，直至满足训练要求，得到训练好的簇检测模型。
[0039]作为上述方法的一种改进，所述选取周边海域历史数据进行信道测量并提取簇结构，生成训练集；具体包括：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种采用卷积神经网络信道簇检测的水声信道稀疏估计方法，用于OFDM水声通信系统，所述方法包括：步骤1)获取对应不同数据块基于导频信息的频域信号；步骤2)对上述频域信号进行信道粗估计；步骤3)将信道粗估计结果输入预先建立和训练好的簇检测模型进行簇检测，得到信道簇位置信息；步骤4)根据信道簇位置信息结合稀疏估计算法实现信道估计。2.根据权利要求1所述的采用卷积神经网络信道簇检测的水声信道稀疏估计方法，其特征在于，步骤1)的所述对应不同数据块基于导频信息的频域信号，满足下式：Y
p,l
＝diag(X
p,l
)F
p
h
l
+W
p,l
其中，Y
p,l
为第l个数据块基于导频信息的频域接收信号，l＝1,2,
…
,L，L为数据块总数，diag(X
p,l
)为对应的由导频符号X
p,l
组成的对角矩阵，F
p
为对应的傅里叶变换矩阵，W
p,l
为对应的频域加性噪声，h
l
∈N
×
1为第l个数据块对应的信道，N为信道长度。3.根据权利要求2所述的采用卷积神经网络信道簇检测的水声信道稀疏估计方法，其特征在于，所述步骤2)具体为：采用下式对不同数据块基于导频信息的频域信号Y
p,l
进行信道粗估计，得到第l个数据块的信道粗估计结果块的信道粗估计结果其中，(
·
)
H
表示共轭转置，K
p
表示导频个数。4.根据权利要求3所述的采用卷积神经网络信道簇检测的水声信道稀疏估计方法，其特征在于，所述簇检测模型的输入为信道粗估计结果，输出为信道簇位置信息；采用“U
‑
net”架构的卷积神经网络，包括收缩路径和扩展路径，两种路径构成对称结构，其中，所述收缩路径用于通过特征降维提取所需的特征；所述扩展路径用于对提取到的特征进行解码，将解码得到的向量内每个数值和设定门限进行比较，获得对应的簇位置信息Ψ
n
，n∈[1,N]，进而得到信道长度为N的信道簇位置信息[Ψ1,
…
Ψ
n
,
…
Ψ
N
]。5.根据权利要求4所述的采用卷积神经网络信道簇检测的水声信道稀疏估计方法，其特征在于，对应的簇位置信息为Ψ
n
满足下式：其中，代表对应位置存在簇内信道冲激响应的概率，概率大于设定门限0.5，则认为...

【专利技术属性】
技术研发人员：王迪雅，台玉朋，王海斌，汪俊，吴立新，张永霖，
申请(专利权)人：中国科学院声学研究所，
类型：发明
国别省市：