空频分组码识别方法、装置、计算机设备和存储介质转让专利
申请号 : CN202011446847.4
文献号 : CN112600594B
文献日 : 2022-02-08
发明人 : 闫文君 , 张聿远 , 凌青 , 张立民 , 刘传辉 , 朱子强
申请人 : 中国人民解放军海军航空大学航空作战勤务学院
摘要 :
权利要求 :
1.一种空频分组码识别方法,其特征在于,包括:获取多个接收信号样本各自的N×N维互相关时频特征图,其中,所述获取多个接收信号样本各自的N×N维互相关时频特征图,包括:获取样本接收端上多根天线之间的一维互相关幅值序列;将所述一维互相关幅值序列按OFDM块长度N进行划分,每行放置一块大小为1×N维的OFDM块,每N块OFDM块作为一组拼接成N×N维的时频特征图;
将预设数量的N×N维互相关时频特征图作为一组,将每组内的N×N维互相关时频特征图进行叠加后取平均;
将经过叠加后取平均得到的N×N维互相关时频特征图进行两两拼接,得到N×2N维互相关时频特征图;
基于新得到的所述N×2N维互相关时频特征图,训练多级残差网络,直至所述多级残差网络的模型收敛;
识别已获取的接收信号的N×2N维互相关时频特征图,并将所述接收信号的N×2N维互相关时频特征图输入至已经完成训练的所述多级残差网络,获得所述接收信号对应的空频分组码类别。
2.根据权利要求1所述的方法,其特征在于,在不同时延下,所述新得到的所述N×2N维互相关时频特征图中至少有一组峰值接近图片的中心位置。
3.根据权利要求1所述的方法,其特征在于,所述基于新得到的所述N×2N维互相关时频特征图,训练多级残差网络,包括:将新得到的所述N×2N维互相关时频特征图输入至多级残差网络,获得接收信号样本的空频分组码预测类别;
根据所述空频分组码预测类别和所述接收信号样本的真实类别,生成损失值;
根据所述损失值和预设的目标函数训练所述多级残差网络。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述多级残差网络的输入层维度为N×2N;所述多级残差网络之中每两个二级残差块之间增加一个池化层;所述多级残差网络的输出层为多层全连接。
5.一种空频分组码识别装置,其特征在于,包括:获取模块,用于获取多个接收信号样本各自的N×N维互相关时频特征图,其中,所述获取模块具体用于:获取样本接收端上两根天线之间的一维互相关幅值序列;将所述一维互相关幅值序列按OFDM块长度N进行划分,每行放置一块大小为1×N维的OFDM块,每N块OFDM块作为一组拼接成N×N维的时频特征图;
处理模块,用于将预设数量的N×N维互相关时频特征图作为一组,将每组内的N×N维互相关时频特征图进行叠加后取平均;
拼接模块,用于将经过叠加后取平均得到的N×N维互相关时频特征图进行两两拼接,得到N×2N维互相关时频特征图;
训练模块,用于基于新得到的所述N×2N维互相关时频特征图,训练多级残差网络,直至所述多级残差网络的模型收敛;
预测识别模块,用于识别已获取的接收信号的N×2N维互相关时频特征图,并将所述接收信号的N×2N维互相关时频特征图输入至已经完成训练的所述多级残差网络,获得所述接收信号对应的空频分组码类别。
6.根据权利要求5所述的装置,其特征在于,所述训练模块具体用于:将新得到的所述N×2N维互相关时频特征图输入至多级残差网络,获得接收信号样本的空频分组码预测类别;
根据所述空频分组码预测类别和所述接收信号样本的真实类别,生成损失值;
根据所述损失值和预设的目标函数训练所述多级残差网络。
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时,实现如权利要求1至4中任一所述的空频分组码识别方法。
8.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至4中任一所述的空频分组码识别方法。
说明书 :
空频分组码识别方法、装置、计算机设备和存储介质
技术领域
背景技术
(Space Frequency Block Code,简称:SFBC)的识别问题受到越来越多的关注,无论是在单
载波系统中还是正交频分复用(OrthogonalFrequency Division Multiplexing,简称:
OFDM),空间编码识别技术的研究越来越多。空间编码与OFDM技术结合的方式有两种,一种
是对OFDM信号进行空时分组编码,称之为STBC‑OFDM信号,另一种是对STBC信号进行OFDM编
码,称之为SFBC‑OFDM信号,目前对于SFBC‑OFDM识别的算法还较少。
发明内容
和低信噪比下的识别问题。
空频分组码类别。
所述接收信号对应的空频分组码类别。
现前述第一方面实施例所述的空频分组码识别方法。
频分组码识别方法。
张互相关特征图进行叠加后取平均,使得噪声干扰被削弱的同时峰值更加稳定,更利于神
经网络对图片特征的提取;将两张N×N维互相关特征图进行拼接,使得新得到的N×2N维互
相关特征图在不同时延下均有一组峰值处于图片中心,从而有效地解决了非时钟同步下的
识别问题;通过对残差网络增加多级跨越连接,使浅层网络提取的细节信息和深层网络映
射的高维特征能够进行深度融合,增强了网络结构的紧密性,大大提升了算法在低信噪比
下的识别性能。
附图说明
具体实施方式
图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
置,该空频分组码识别装置可被配置于计算机设备。如图1所示,该空频分组码识别方法可
以包括如下步骤。
维的OFDM块,每N块OFDM块作为一组拼接成N×N维的互相关时频特征图。其中,作为一种示
例,该天线的个数可为两个。由此,通过将一维序列拼接成二维特征图的方式,可以将原有
稀疏的一维特征集中于特征图的某一列。因AL‑OFDM信号互相关特征图存在一列峰值,而
SM‑OFDM信号不存在明显特征,故可以将信号识别问题转化为特征图识别问题,以适应深度
学习方法的应用。
由实际情况来决定,例如,互相关时频特征图样本的数量较多时,该预设数量可取一个较大
的数值,互相关时频特征图样本的数量较少时,该预设数量可取一个较小的数值,作为一种
示例,假设互相关时频特征图样本的数量为10000个,则该预设数量可为100。由此,通过将
二维互相关时频特征图的对应位置进行相加操作后再取平均,可以有效削弱由于噪声随机
性带来的波动问题,使得AL‑OFDM信号的幅值特征更加稳定,从而可以更利于神经网络对图
片特征的提取。
时频特征图,那么在不同时延下,新得到的N×2N维互相关时频特征图中至少有一组峰值接
近图片的中心位置。
维互相关幅值序列按OFDM块长度N进行划分,每行放置一块大小为1×N维的OFDM块,每N块
OFDM块作为一组拼接成N×N维的时频特征图。如图3所示,通过将一维序列拼接成二维特征
图的方式,可以将原有稀疏的一维特征集中于特征图的某一列。因AL‑OFDM信号互相关特征
图存在一列峰值,而SM‑OFDM信号不存在明显特征,故可以将信号识别问题转化为特征图识
别问题,以适应深度学习方法的应用。在得到10000个接收信号样本对应的10000张N×N维
互相关时频特征图样本时,可将每100张N×N维互相关时频特征图样本作为一组,将每组内
的N×N维互相关时频特征图进行叠加后取平均,此时经过叠加后取平均得到的N×N维互相
关时频特征图的数量为100张。例如,如图4所示,为取均值前后互相关特征图对比示意图,
使得通过将二维互相关时频特征图的对应位置进行相加操作后再取平均,可以有效削弱由
于噪声随机性带来的波动问题,使得AL‑OFDM信号的幅值特征更加稳定,从而可以更利于神
经网络对图片特征的提取。
关时频特征图。例如,如图5所示,为图像拼接后AL‑OFDM信号在不同时延下的互相关特征
图,可见,在不同时延下,新得到的N×2N维互相关时频特征图中至少有一组峰值接近图片
的中心位置:在时延t=0时,新的互相关特征图的一组峰值在OFDM符号的第一个子载波的
位置,另一组峰值则恰好在图像的中心。同理,在各种时延情况下,当其中一组子载波的峰
值在图片边缘时,另一组峰值则必然在接近图片中心的位置,通过该预处理方法使得各种
时延下的互相关特征图总有一组特征处于图片中心,从而有效地解决非时钟同步下的空频
分组码识别问题。
实类别,生成损失值,并根据损失值和预设的目标函数训练多级残差网络。
真实类别间的损失值,根据该损失值和目标函数训练多级残差网络。
存在一定条件,比如损失值是否小于或等于目标损失值,若是,则表示模型已训练完成,将
训练好的模型作为最终的用于空频分组码识别的多级残差网络。若损失值大于目标损失
值,则表示模型需要继续训练,此时,可调整该模型的参数,并利用调整的模型对空频分组
码的类别进行预测,并通过对空频分组码预测类别的正确与否回传损失值,直至损失值小
于或等于目标损失值,表示此时模型已训练完成,将训练好的模型作为最终的用于空频分
组码识别的多级残差网络。
网络主干的输入层的维度设计为N×2N,以适应SFBC‑OFDM信号预处理图像的输入维度;每
两个二级残差块之间增加了一个池化层,以缩小图片维度,减少训练参数量;考虑到输出层
的分类类别较少,故将输出层设置为多层全连接,例如,为三层全连接,以防止因权值参数
减少过快而导致特征信息丢失。
差单元中两层卷积的卷积核大小改为4×8,在增加卷积核大小的同时,将卷积核的横向维
度设置为纵向的2倍,由于特征图较视觉图片的维度明显减少,故将每层卷积的卷积核个数
减少为32,降低网络的空间复杂度。此外,各全连接层的单元数分别设置为128、64和2,除第
一个池化层的池化窗大小为2×2外,其余各层的池化窗均设置为1×2。两个全连接层的激
活函数设置为缩放指数线性单元(Scaled Exponential Linear Units,简称:SeLU)激活函
数,最后一层全连接为Softmax激活函数,其余各卷积层的激活函数为线性整流函数
(Rectified Linear Unit,简称:ReLU)激活函数。
的空频分组码类别。
大小为1×N维的OFDM块,每N块OFDM块作为一组拼接成N×N维的互相关时频特征图,并将该
N×N维的互相关时频特征图,将预设数量的该N×N维的互相关时频特征图作为一组进行叠
加后取平均,并将经过叠加后取平均得到的N×N维的互相关时频特征图进行两两拼接,得
到接收信号的N×2N维互相关时频特征图,此时可将接收信号的N×2N维互相关时频特征图
输入至已经完成训练的多级残差网络进行预测,可以预测得到空频分组码类别。
应用;将多张互相关特征图进行叠加后取平均,使得噪声干扰被削弱的同时峰值更加稳定,
更利于神经网络对图片特征的提取;将两张N×N维互相关特征图进行拼接,使得新得到的N
×2N维互相关特征图在不同时延下均有一组峰值处于图片中心,从而有效地解决了非时钟
同步下的识别问题;通过对残差网络增加多级跨越连接,使浅层网络提取的细节信息和深
层网络映射的高维特征能够进行深度融合,增强了网络结构的紧密性,大大提升了算法在
低信噪比下的识别性能。
和预测识别模块805。
列,并将所述一维互相关幅值序列按OFDM块长度N进行划分,每行放置一块大小为1×N维的
OFDM块,每N块OFDM块作为一组拼接成N×N维的时频特征图。
相关时频特征图输入至多级残差网络,获得接收信号样本的空频分组码预测类别,并根据
所述空频分组码预测类别和所述接收信号样本的真实类别,生成损失值,以及根据所述损
失值和预设的目标函数训练所述多级残差网络。
号对应的空频分组码类别。
应用;将多张互相关特征图进行叠加后取平均,使得噪声干扰被削弱的同时峰值更加稳定,
更利于神经网络对图片特征的提取;将两张N×N维互相关特征图进行拼接,使得新得到的N
×2N维互相关特征图在不同时延下均有一组峰值处于图片中心,从而有效地解决了非时钟
同步下的识别问题;通过对残差网络增加多级跨越连接,使浅层网络提取的细节信息和深
层网络映射的高维特征能够进行深度融合,增强了网络结构的紧密性,大大提升了算法在
低信噪比下的识别性能。
算机程序903,处理器902执行程序903时,实现本申请任一实施例所述的空频分组码识别方
法。
法。
点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不
必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任
一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技
术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结
合和组合。
分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺
序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请
的实施例所属技术领域的技术人员所理解。
指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执
行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设
备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传
输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装
置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电
连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器
(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存
储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的
介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其
他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技
术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离
散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编
程门阵列(FPGA)等。
质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如
果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机
可读取存储介质中。
制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变
型。