一种基于深度学习的自适应空域均衡方法与流程

本发明属于无线通信领域，涉及一种基于深度学习的自适应空域均衡方法。

背景技术：

无线通信视距传播过程中，数据信号无遮挡地在发送端和接收端之间直线传播。在此传播过程中，数据信号波可能会受到地面的反射和散射，大气层也会对数据信号波进行吸收、反射和散射，由此可能会导致接收数据信号产生幅度衰落等现象。同时，无线通信过程中，外界干扰和噪声也会对接收数据信号的质量产生一定程度的影响。因此，接收端如何还原接收数据信号，使其最大限度地接近发送端发送的理想数据信号，是实现高可靠无线通信的关键步骤。

深度学习近年来掀起了新一轮的研究热潮，它在解决非参数问题方面显示出了巨大的潜力。深度学习常用的神经网络结构包括全连接神经网络、卷积神经网络、递归神经网络等。目前，深度学习在计算机视觉、自然语言处理、语音处理等方面取得了良好的实际应用效果。而深度学习和通信领域的结合还处于起步阶段。

技术实现要素：

本发明的目的在于克服现有技术在复杂度方面的不足，提供一种基于深度学习的自适应空域均衡方法。

为达到上述目的，本发明采用以下技术方案予以实现：

一种基于深度学习的自适应空域均衡方法，包括以下步骤：

步骤一：发送端发送数据帧；

步骤二：发送端发送数据帧到达接收端后，接收端有m根天线，将m根天线接收到的数据帧的实部和虚部进行串联，作为深度学习神经网络的输入，发送端发送的理想数据信号作为监督信息，进行深度学习神经网络的训练；其中，深度学习神经网络为多层前馈神经网络；

步骤三：发送端发送新的数据帧到接收端，接收端将m根天线接收到的数据帧的实部和虚部进行串联，作为训练完成之后的深度学习神经网络的输入，经过深度学习神经网络的计算完成空域均衡。

本发明进一步的改进在于，步骤一中，在发送端，发送的数据帧包括长度为n1的导频块和长度为n2的数据块，其中，导频块在前，数据块在后。

本发明进一步的改进在于，发送数据帧经由los信道到达接收端，发送数据帧传输过程中存在干扰和awgn噪声。

本发明进一步的改进在于，步骤二中，多层前馈神经网络的最后两层之间的激活函数选择sigmoid函数，将输出映射到[0,1]之间，其余各层间的激活函数选择relu函数。

本发明进一步的改进在于，步骤二中，m根天线接收到的数据帧在信道传输过程中，令数据帧和干扰的入射角度均在0到180度之间，信噪比snr为5db，10db，15db，20db，25db中的一个，信干比sir为2db，3db，4db，5db中的一个。

本发明进一步的改进在于，步骤二中，训练过程中，损失函数选择l2函数：

其中，是神经网络的输出预测值，x(k)是发送端实际发送的理想数据信号。

本发明进一步的改进在于，步骤二中，训练过程中，给定初始学习率，并令其随期数epoch的增加而减小。

本发明进一步的改进在于，初始学习率为0.01、0.001、0.1中的一个。

与现有技术相比，本发明具有以下有益效果：

本发明采用多层前馈神经网络，在神经网络的训练过程中，将接收端接收信号作为输入信号，发送端发送的已知理想数据信号作为监督信息来进行训练。训练完成之后进入网络测试阶段，发送端发送新的数据帧到接收端，接收端信号作为训练完成之后的深度学习神经网络的输入，经过深度学习神经网络的计算完成空域均衡。在数据信号和干扰入射角度相差很小的恶劣条件下，本发明提出的基于深度学习的自适应空域均衡算法ber性能要优于传统的空域均衡算法。本发明提出的方法通过训练神经网络来拟合接收端接收信号与发送端发送的理想数据信号之间的内在联系。与传统空域均衡方法相比，在相同信道、相同干扰、相同噪声情况下，本发明不仅在均衡过程的复杂度方面有一定程度的改善，而且当干扰与期望用户具有相近入射角度时有持平或者更好的抗干扰性能。

进一步的，通信过程中，发送端发送的数据帧包括导频块和数据块，且导频块在前，数据块在后；发送的数据信号经过los信道到达接收端。

附图说明

图1为本发明采用的系统模型框图；

图2为本发明采用的数据帧结构图；

图3为本发明采用的神经网络结构示意图；

图4为本发明同对比方案在固定sir改变snr条件下的ber性能示意图；

图5为本发明同对比方案在固定snr改变sir条件下的ber性能示意图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

本发明的方法包括以下步骤：

步骤一：发送端发送数据帧：在发送端，发送的数据帧包括长度为n1的导频块和长度为n2的数据块，n1与n2为正整数，可取n1≤n2，其中，导频块在前，数据块在后；发送数据帧经由los信道到达接收端，传输过程中存在干扰和awgn噪声，接收端有m根天线。

步骤二：神经网络训练阶段：发送端发送数据帧到达接收端后，接收端将m根天线接收到的数据帧的实部和虚部进行串联，作为深度学习神经网络的输入，发送端发送的理想数据信号作为监督信息，进行深度学习神经网络的训练；其中，深度学习神经网络为多层前馈神经网络。具体过程如下：

深度学习神经网络选择多层前馈神经网络，最后两层之间的激活函数选择sigmoid函数，将输出映射到[0,1]之间，其余各层间的激活函数选择relu函数。

网络训练阶段，为了让网络对于干扰和噪声的入射角、信噪比、信干比具有更好的普适性，训练阶段令数据信号和干扰的入射角度在足够大的范围内任意取值，一般为0到180度之间，信噪比snr和信干比sir在一定范围内随意选择。具体的，例如，信噪比snr在5,10,15,20,25db这五个值中随意选择，信干比sir在2,3,4,5db四个值中随意选择。

将m根天线接收到的数据帧的实部和虚部进行串联，作为深度学习神经网络的输入，发送端发送的理想数据信号作为监督信息，进行深度学习神经网络的训练。

训练过程中的损失函数选择l2函数，即：

其中，是神经网络的输出预测值，x(k)是监督信息，即发送端实际发送的理想数据信号。

此阶段给定初始学习率的取值，一般为0.01、0.001、0.1中的任意一个。并令其随期数epoch的增加而减小。

步骤三：神经网络测试阶段：发送端发送新的数据帧到接收端，接收端将m根天线接收到的数据帧的实部和虚部进行串联，作为训练完成之后的深度学习神经网络的输入，经过深度学习神经网络的计算完成空域均衡。通过求解网络预测数据值和对应发送端发送的理想数据值的误码率来验证网络的自适应空域均衡性能。具体过程如下：

网络测试阶段，令数据信号入射角度θ1和干扰入射角度θ2的绝对值之差控制在较小范围之内，从而验证在此严苛条件下本发明的神经网络的自适应空域均衡性能。发送端发送新的数据帧，接收端将m根天线接收到的数据帧的实部和虚部进行串联，作为训练完成之后的神经网络的输入。利用已经训练好的深度学习网络计算可得出预测数据值。将所得预测数据值与对应发送端发送的理想数据值进行比较，求出误码率，误码率的值即可体现出本发明中神经网络的自适应空域均衡性能。

下面通过一个实施例对本发明进行详细描述。

本发明适用的系统模型参见图1。在本发明的无线通信系统模型中，发射端采用单天线，接收端是由m根天线组成的天线阵列。无线信道模型是los信道，存在awgn噪声。

图2为本发明采用的数据帧结构。数据帧包括导频和数据两部分。后续仿真过程中，导频部分长度n1＝16bits，数据部分长度n2＝64bits，导频部分和数据部分均采用qpsk调制。

发送数据帧经由los信道到达接收端，传输过程中存在干扰和awgn噪声，接收端有m＝4根天线。

图3为本发明中深度学习的神经网络结构示意图。神经网络的结构为5层全连接层，5层的神经元个数分别为320,500,250,120,16。

网络训练阶段，输入层是接收端4根天线上接收数据帧实部虚部串联所得，训练阶段的监督信息是取发送端发送的理想数据帧的其中16个bit(0～16或17～32或33～48或49～64或64～80bit)。中间三层为隐藏层，前4层之间的激活函数为relu函数，第4层和第5层之间的激活函数为sigmoid函数，将输出映射到[0,1]之间。

同时，为了让网络对于干扰和噪声的入射角信噪比、信干比具有更好的普适性，训练阶段令数据信号入射角度θ1和干扰入射角度θ2均在0到180度之间任意取值，同时信噪比snr在5,10,15,20,25db这五个值中随意选择，信干比sir在2,3,4,5db四个值中随意选择。

损失函数选择l2函数，即：

其中，是神经网络的输出预测值，x(k)是监督信息，即发送端实际发送的理想数据信号。

网络测试阶段，令数据信号入射角度θ1和干扰入射角度θ2的绝对值之差控制在0.005度之内。同样将m＝4根天线接收到的数据帧的实部和虚部进行串联，作为神经网络的输入，网络计算得出发送数据预测值，与对应的发送端发送的理想数据帧的其中16个bit进行比较，可求出误码率。

图4为本发明提出的基于深度学习的自适应空域均衡算法同对比方案(即传统求自适应权值的空域均衡算法)在固定sir＝3db，改变snr＝5,10,15,20,25db条件下的ber性能示意图。数据信号入射角度θ1和干扰入射角度θ2的绝对值之差控制在0.005度之内。从仿真结果可以看出：在数据信号和干扰入射角度相差很小的恶劣条件下，本发明提出的基于深度学习的自适应空域均衡算法ber性能要优于传统的空域均衡算法。

图5为本发明提出的基于深度学习的自适应空域均衡算法同对比方案在固定snr＝15db，改变sir＝2,3,4,5db条件下的ber性能示意图。同样地，数据信号入射角度θ1和干扰入射角度θ2的绝对值之差控制在0.005度之内。仿真表明，本发明所提出的算法ber性能更优。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。