[发明专利]一种基于深度学习的实时信号序列检测方法

权利要求书

1.一种基于深度学习的实时信号序列检测方法，其特征在于，包括以下部分；

通信系统发送一个长度为K的序列x＝x₁,x₂,...,x_i,...,x_K，其中任意的符号x_i依据某一概率质量函数P_X(x)从信号集合S＝{s₁,s₂,...,s_m}中随机选择，m表示发送符号x_i可能的取值个数，将第i个时隙中传输的符号x_i表示为如下的向量形式：

p_i＝[l(x_k＝s₁),l(x_k＝s₂),...,l(x_k＝s_m)]^T (1)

其中，l(·)为示性函数，这样，P_K＝[p₁,p₂,...,p_i,...,p_K]代表由K个连续发送的符号所组成的序列；在接收端，将接收序列样本表示为Y_K＝[y₁,y₂,...,y_i,...,y_K]，其中随机向量y_i＝[y₁,y₂,...,y_n]是第i个发送符号x_i的接收信号样本，n表示接收端的采样点数，接收信号作为输入进入实时信号检测器中进行检测，所述的实时信号检测器包括信号检测单元和滑动时窗；

所述信号检测单元检测接收端的接收信号样本所对应的发送端的发送符号：

将信号检测器的输入也就是接收端的接收信号分别通过相应的卷积神经网络(CNN)W_i以得到各个符号的特征向量a_i，a_i再分别通过三个不同的线性变换以得到向量qⁱ,kⁱ,vⁱ，具体计算公式如下：

qⁱ＝W^qa_i (2)

kⁱ＝W^ka_i (3)

vⁱ＝W^va_i (4)

其中，qⁱ、kⁱ、vⁱ分别称为与a_i对应的查询向量、表达向量、信息向量，W^q、W^k、W^v分别为对应的可训练参数矩阵，用以生成向量qⁱ、kⁱ、vⁱ；

为了形成充分统计量，接下来对来自信号序列的信息向量进行合并，在合并的过程中，各向量的权重并不相同，使用α_ij描述两接收符号y_i,y_j之间信息相似度，计算过程可用式子(5)和(6)所示:

η_ij＝kaiser(|i-j|) (5)

式中a,b表示向量a,b之间的内积，kaiser(·)表示β＝10的凯塞窗函数，η_ij为距离系数，它的值随着两符号之间的距离|i-j|的增大而减小，w_ij为匹配运算对于距离系数η_ij的时变权值，它的获取方法为，构建一个全连接神经网络，把时间t作为输入，输出时变权值向量w_i，w_ij包含于向量w_i中：

w_i＝NN_fully(t) (7)

其中，w_i＝[w_i1,w_i2,...,w_ij,...,w_iK]，NN_fully(·)为全连接神经网络代表的函数，将(6)式的运算称之为匹配运算，然后再利用如式子(8)所示的softmax操作将其结果归一化为概率分布：

其中K为信号序列长度，利用所得到的对各个符号的信息向量v^j进行加权求和，就可以得到符号x_i的判决统计量：

为最终神经网络对x_i的判决统计量，它表示的是x_i判决结果的概率分布。