【技术实现步骤摘要】
本专利技术涉及无线信号检测领域，具体地说，涉及基于深度学习的矿井复杂环境下自适应信号检测方法。
技术介绍
1、煤矿井下无线网络信号的质量，是解决井下人员人身安全及井下通信、煤矿井下作业正常工作的前提，煤矿井下工作环境复杂且危险系数较大，井下无线通信环境复杂多变，巷道中电磁波传播多种多样，多制式(频分/时分/码分)信号并存，与普通地面无线信号传播差异很大。井下传播空间通常是在比较狭长的巷道且存在多分支，井下巷道中煤矿粉尘、设备产生的磁场对无线信号的损耗影响较大，导致煤矿井下信号覆盖不足、信号衰减快等情况。
2、当前煤矿井下缺少对无线信号检测的技术手段，随着“数字化”矿山建设的深入发展，对煤矿的自动化、信息化要求越来越高；特别是煤矿井下工作环境恶劣、工矿复杂，井下对通讯设备要求苛刻，无线通讯及网络信号覆盖不足、信号衰减快、导致时效性差，缺乏无线信号检测的无线网络，越来越不能满足煤矿井下的通信和生产作业的要求。
3、为改善煤矿井下生产工作的通信需求，提出在矿井复杂环境下无线信号自适应检测技术，显著提升煤矿井下无线网络信号检测效果，进而提升煤矿井下无线网络信号质量，实现远端无线网络信号检测、分析和智能控制。
技术实现思路
1、针对上述技术问题，本申请提供了一种基于深度学习的矿井复杂环境下自适应信号检测方法，能够显著提升煤矿井下无线网络信号检测效果，进而提升煤矿井下无线网络信号质量，实现远端无线网络信号检测、分析和智能控制。
2、为了实现上述目的，本申请提
3、步骤1：接收无线信号，对其进行预处理操作，提取出包含信号特征的样本数据；
4、步骤2：将样本数据输入到神经网络模型中进行训练，通过调整模型参数和结构，使神经网络能够自适应地识别和区分不同类型的无线信号；
5、步骤3：将训练完成的神经网络模型应用于信号检测阶段，对接收到的无线信号进行实时检测和识别，根据神经网络的输出结果，自适应检测网络进行优化，从并行、连续的信道和信号数据变化趋势判断无线信号的衰减变化范围；调整无线网络内部参数，远程控制和调节无线信号；
6、步骤4：输出检测结果，根据步骤3的输出结果并进行评估。
7、进一步地，所述步骤1中信号类型为正交相移键控qpsk或相位正交幅度控制qam，qpsk和qam信号检测时，采用以下步骤：
8、使用信号采集设备采集信号，所述信号采集设备包括但不限于无线电接收器、频谱分析仪或软件定义无线电sdr，采集要检测的信号；
9、设置检测参数：对于qpsk信号，主要参数包括但不限于载波频率、符号速率、相位偏移；对于qam信号，除上述参数外，还需设置调制阶数、星座图形状等；
10、信号分析：通过信号采集设备采集信号并对其进行分析，相关指标包括但不限于信号质量、误码率、星座图；同时与预期的qpsk或qam信号进行比对，判断检测结果是否与目标信号匹配；
11、优化网络信号：根据检测和分析结果，对网络信号进行优化，所述优化方法包括但不限于、确定信号特性、优化传输参数、带宽规划和资源分配、故障排除和优化。
12、进一步地，所述步骤2中神经网络模型训练的模型设计如下：选用参数可变的nakagami-m分布统计井下信号的包络特性，其概率密度函数为
13、
14、其中，多径散射场的平均功率ω＝e(r2)，衰落因子γ(·)是标准gamma(·)函数，m＝0.5是单边高斯衰落，m＝1是瑞利衰落；
15、接收信号为
16、ym＝hmx+n (2)
17、其中是发端信号，井下信道hm跟随衰落因子m的改变而反映变化的信道分布，噪声n服从复高斯分布
18、接收端信噪比snr为
19、
20、x来自x＝{x1，x2，...，xn}，|x|＝n，信号检测通常使用极大似然检测mld，传输信号为
21、
22、；假设某个m值的矿井信道hoff作为深度神经网络的训练环境，深度信号检测为
23、
24、其中，是损失函数；
25、进一步地，所述步骤2中神经网络模型训练分为离线训练和线上适应的两阶段训练法；在离线训练阶段，以衰落因子m＝0.85代表井下环境，信号样本(x，y)的nbatch＝32，网络的迭代次数nepoth＝1000，损失函数使用传输信号总数为16万个；接收端信号经过特征提取层f后直接送入信号检测层；在第j次迭代中计算误符号率pj，并且与之前的最小值pmin比较以决定是否更新参数，如果pj＜pmin，则用本次参数wj替换，经过nepoch次迭代获得最优参数w*后，即可部署于线上环境；离线参数完整迁移到线上，λ＝1；在线上适应阶段，衰落因子m持续变化以模拟动态的矿井环境；接收信号通过f之后的结果同时送入信道判别器和信号检测层，使用总损失函数更新网络；最终，经过偏差修正的信号检测层输出信号检测结果；动态信道的离散化，衰落因子m∈{0.5，0.6，0.85，1，1.15，1.3}对完整的动态信道切片。
26、进一步地，所述步骤3的自适应检测网络adn进行优化，具体方式如下，所述adn由若干个子网络并行组成，每个子网络包含采样器s，特征提取网络f，信号检测层t和信道判别器d；采样器对接收端信号采样；特征提取网络包含l个级联的特征提取层fl1，fl2，...，fll，用于从信号中提取利于检测的特征；全连接层作为信号检测层连接在网络的尾部，输出检测概率；特征提取网络的输出也会送入信道判别器，判别器由多个相同结构的二分类子判别器组成，负责判断当前所处的信道环境，判决结果通过损失函数反馈给特征提取网络，以此执行迁移学习任务来调整网络的参数适应当前信道；最后，网络的所有部分通过最小化特定的损失函数来同时进行训练。
27、进一步地，对于m个不同衰落分布的信道，第k个采样信号经过f后的输出特征ck会作为子判别器的输入；每个子判别器包含一个分类器g、偏差器b和信道标签d＝[d1d2...dm]t，分类器产生判决结果偏差器输出检测偏差ik；其中，是对ck所属信道的预测，ik用于修正离线与线上的信号检测层之间的偏差；上述过程写作
28、
29、
30、由于公式(7)提出特征生成器学出来的两个域特征分布不能完全一样，领域之间分类器有一定的偏差，写作
31、fs(x)＝ft(x)+δf(x) (8)
32、其中，fs(x)，ft(x)是源域和目标域的分类器，δf(x)描述二者之间的偏差，将ck送入残差网络resnet学习偏差；
33、在公式(7)中，输入包含第k-1个信号的信道知识。
34、进一步地，偏差器是一个小型的多层感知机mlp根据信道衰落的非线性特点，分类器使用激活函数sigmoid，偏差器使本文档来自技高网...
【技术保护点】
1.一种基于深度学习的矿井复杂环境下自适应信号检测方法，所述方法包括：
2.据权利要求1所述的方法，其特征在于：所述步骤1中信号类型为正交相移键控QPSK或相位正交幅度控制QAM，QPSK和QAM信号检测时，采用以下步骤：
3.据权利要求1所述的方法，其特征在于：所述步骤2中神经网络模型训练的模型设计如下：选用参数可变的Nakagami-m分布统计井下信号的包络特性，其概率密度函数为
4.据权利要求1所述的方法，其特征在于：所述步骤2中神经网络模型训练分为离线训练和线上适应的两阶段训练法；在离线训练阶段，以衰落因子m＝0.85代表井下环境，信号样本(x，y)的Nbatch＝32，网络的迭代次数Nepoch＝1000，损失函数使用传输信号总数为16万个；
5.据权利要求1所述的方法，其特征在于：所述步骤3的自适应检测网络ADN进行优化，具体方式如下，所述ADN由若干个子网络并行组成，每个子网络包含采样器S，特征提取网络F，信号检测层T和信道判别器D；采样器对接收端信号采样；特征提取网络包含L个级联的特征提取层FL1，FL2，...，F
6.据权利要求5所述的方法，其特征在于：对于M个不同衰落分布的信道，第k个采样信号经过F后的输出特征ck会作为子判别器的输入；每个子判别器包含一个分类器G、偏差器B和信道标签d＝[d1 d2 ... dM]T，分类器产生判决结果偏差器输出检测偏差Ik；其中，是对ck所属信道的预测，Ik用于修正离线与线上的信号检测层之间的偏差；上述过程写作
7.据权利要求6所述的方法，其特征在于：偏差器是一个小型的多层感知机MLP根据信道衰落的非线性特点，分类器使用激活函数sigmoid，偏差器使用tanh，输入偏差器的ck会经历随机裁剪，这有利于减少输入和增强模型的稳定性；
...【技术特征摘要】
1.一种基于深度学习的矿井复杂环境下自适应信号检测方法，所述方法包括：
2.据权利要求1所述的方法，其特征在于：所述步骤1中信号类型为正交相移键控qpsk或相位正交幅度控制qam，qpsk和qam信号检测时，采用以下步骤：
3.据权利要求1所述的方法，其特征在于：所述步骤2中神经网络模型训练的模型设计如下：选用参数可变的nakagami-m分布统计井下信号的包络特性，其概率密度函数为
4.据权利要求1所述的方法，其特征在于：所述步骤2中神经网络模型训练分为离线训练和线上适应的两阶段训练法；在离线训练阶段，以衰落因子m＝0.85代表井下环境，信号样本(x，y)的nbatch＝32，网络的迭代次数nepoch＝1000，损失函数使用传输信号总数为16万个；
5.据权利要求1所述的方法，其特征在于：所述步骤3的自适应检测网络adn进行优化，具体方式如下，所述adn由若干个子网络并行组成，每个子网络包含采样器s，特征提取网络f，信号检测层t和信道判别器d；采样器对接收端信号采样；特征提取网络包含l个级联的特征提取层...
【专利技术属性】
技术研发人员：李旭红，王延玥，王安义，
申请(专利权)人：西安山外信息科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。