【技术实现步骤摘要】
本专利技术涉及通信和深度神经网络，尤其涉及一种基于res2net网络的多尺度特征提取信道均衡系统及方法。
技术介绍
1、伴随着通信终端数量的与日俱增、电磁环境复杂化、无线信号的调制方式趋向先进化、多样化以及抗截获性能提升等因素均给信息监测和对抗带来巨大的挑战。在整个无线通信系统中，由于多径和多普勒频移的影响，会使得无线信道在频域上出现频率选择性衰落，严重影响了信号的接收效果，导致通信系统的可靠性和传输效率显著下降。信道均衡可以有效消除或减弱多径时延带来的码间干扰问题，是提升通信系统可靠性的重要技术环节。传统意义上的信道均衡方法主要分为线性均衡方法(如：迫零均衡、最小均方误差均衡等)和非线性均衡方法(如：判决反馈均衡、最大似然检测、最大似然序列估计等)。线性均衡方法难以适应非线性通信系统，而非线性均衡方法中应用的设备结构复杂不易实现，在愈加复杂多变的电磁环境中无法得到广泛的推广和应用。
2、深度神经网络具备自适应性、非线性和容错性等三个主要的特性。自适应性是指神经网络系统可依据自身应用环境的不同来改变网络参数或结构，进而来适应环境的变化。因此神经网络比使用固定推理方式的系统具有更强的适应能力；现实的应用环境可看成是多个非线性系统的混合，深度神经网络可利用存储权值的神经元实现各种复杂非线性的映射，进而实现输入样本表征的有效提取；深度神经网络采用一种分布式的结构，所以当局部结构遭受到破坏后，系统运行速度仅会适度降低，但不会造成灾难性的后果。
3、综上所述可知，基于深度神经网络的信道均衡方法具有较强的可行性和实用
技术实现思路
1、针对现有技术的不足，本专利技术设计一种基于res2net网络的多尺度特征提取信道均衡系统及方法，解决在复杂电磁环境下，利用深度神经网络实现信道均衡，从而提高通信系统可靠性问题。
2、一种基于res2net网络的多尺度特征提取信道均衡系统res2net_mfe，以dncnn网络框架为基础，结合res2net和残差学习来实现信道均衡，包含：输入模块、cnn通道提升模块、基于res2net模块的多尺度特征提取网络和残差学习网络模块；
3、所述res2net模块的多尺度特征提取网络是在原有res2net网络模块的基础上，对多个rse2net模块拼接得到，并将原有残差单元结构中的3×3卷积层替换为n个较小的滤波器组合；
4、将通信系统接收信号作为样本经过通道提升后送入基于res2net模块的多尺度特征提取网络中实现特征提取，得到干扰信号，再将干扰信号与原始接收信号样本做残差学习，得到经过校正、补偿后的均衡信号，从而实现信道均衡；
5、一种基于res2net网络的多尺度特征提取信道均衡方法，基于上述一种基于res2net网络的多尺度特征提取信道均衡系统实现，具体包含以下内容：
6、步骤1：获取通信系统输入样本信号x；
7、步骤1.1：仿真搭建通信系统模型；
8、步骤1.2：将通信系统接收段接收到的信号做为输入样本信号x；
9、x为接收信号数据集中的一个样本，其维度为a*b*c，表示为：
10、
11、步骤2：依据输入样本信号x获取x的初步特征ucnn；
12、步骤2.1：x进入res2net_mfe的输入模块中，通过维度变换得到同向分量xi和正交分量xq；
13、xi，xq分别为经过维度变换的同相支路和正交支路样本，其维度均为b*c，表示为：
14、
15、其中i*为同相分量，q*为正交分量；
16、步骤2.2：同向分量xi通过cnn模块升高通道数并初步提取特征得到维度变换得到xi1，xi1表示为xi1＝cnn(w,n,xi)；
17、步骤2.3：正交分量xq通过cnn模块升高通道数并初步提取特征得到维度变换得到xq1，xq1表示为xq1＝cnn(w,n,xq)；
18、cnn(w,n,x)为网络中初步特征提取函数，其中n为隐藏层单元数，x为输入特征，w为权值；xi1，xq1为cnn(w,n,x)的输出特征，其维度均为b*c；
19、步骤2.4：将xi1与xq1合并，得到x的初步特征ucnn；
20、步骤3：依据初步样本特征ucnn获取其多尺度特征xi2，xq2；
21、步骤3.1：获取多尺度特征ures2net＝cnnres2net(w,n,ucnn)；cnnres2net(w,n,x)为多尺度特征提取中卷积处理，w为权重，输出特征为ures2net；
22、步骤3.2：将多尺度特征进行批量归一化处理sc＝bn(ures2net)；bn(x)为批量归一化处理；
23、步骤3.3：将归一化处理结果进行激活处理，得到干扰信号z＝δ(bn(ures2net))；δ(bn(f(x)))为激活处理；
24、步骤3.4：将经过激活处理得到的z与ucnn作残差处理得到z′＝ucnn-z；
25、步骤3.5：将z′作为输入重复步骤3.1-3.3，得到其同向分量和正交分量xi2和xq2；
26、其中，同向分量多尺度特征xi2，正交分量多尺度特征xq2，分别表示为xi2＝res2net(w,n,xi1)，xq2＝res2net(w,n,xq2)；
27、其中，res2net(w,n,x)为多尺度特征提取函数，其中n为隐藏层单元数，x为输入特征，w为权值；xi2，xq2为res2net(w,n,x)的输出特征，其维度均为b*c；
28、步骤4：将多尺度特征xi2和xq2进行特征融合得到输出特征即经过均衡处理的信号
29、xi2和xq2进入特征融合模块得到
30、其中，concatenate(w,n,x)为特征融合函数，其中n为隐藏层单元数，x为输入特征；w为权重；为concatenate(w,n,x)的输出特征，其维度和结构与x相同；
31、步骤5：计算res2net_mfe的损失函数用于比较重构样本与原始样本的差异，以此进行反向更新；表示为：
32、本专利技术有益技术效果：
33、本专利技术基于res2net模块能够实现多尺度特征提取结合残差学习的特点，实现通信系统中信道均衡模块，从而减少因多径效应而产生的码间干扰问题，提高系统可靠性。实现了对存在码间干扰的信号样本多尺度特征提取，并利用残差学习的思想实现信号重构，从而提升了深度神经网络模型在信道均衡中校正和补偿信号损失的能力，进而满足了面向复杂电磁环境下系统对信道均衡模块的要求。本专利技术能够实现在高维空间中对干扰信号的多尺度特征进行提取，再依据残差思想完成信道均衡，提升网络对接收信号的补偿和校正能力，从本文档来自技高网...
【技术保护点】
1.一种基于Res2net网络的多尺度特征提取信道均衡系统，其特征在于，以DnCNN网络框架为基础，结合Res2net和残差学习来实现信道均衡，包含：输入模块、CNN通道提升模块、基于Res2net模块的多尺度特征提取网络和残差学习网络模块；
2.一种基于Res2net网络的多尺度特征提取信道均衡方法，基于上述权利要求1一种基于Res2net网络的多尺度特征提取信道均衡系统实现，其特征在于，具体包含以下内容：
3.根据权利要求2所述的一种基于Res2net网络的多尺度特征提取信道均衡方法，其特征在于，步骤1具体为：
4.根据权利要求2所述的一种基于Res2net网络的多尺度特征提取信道均衡方法，其特征在于，步骤2具体为：
5.根据权利要求2所述的一种基于Res2net网络的多尺度特征提取信道均衡方法，其特征在于，步骤3具体为：
6.根据权利要求2所述的一种基于Res2net网络的多尺度特征提取信道均衡方法，其特征在于，步骤4Xi2和Xq2进入特征融合模块得到
7.根据权利要求2所述的一种基于Res2net网络
...【技术特征摘要】
1.一种基于res2net网络的多尺度特征提取信道均衡系统，其特征在于，以dncnn网络框架为基础，结合res2net和残差学习来实现信道均衡，包含：输入模块、cnn通道提升模块、基于res2net模块的多尺度特征提取网络和残差学习网络模块；
2.一种基于res2net网络的多尺度特征提取信道均衡方法，基于上述权利要求1一种基于res2net网络的多尺度特征提取信道均衡系统实现，其特征在于，具体包含以下内容：
3.根据权利要求2所述的一种基于res2net网络的多尺度特征提取信道均衡方法，其特征在于，步...
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。