[发明专利]一种基于深度学习的实时信号序列检测方法

说明书

一种基于深度学习的实时信号序列检测方法，信号接收器在对接收信号进行预处理以后，输入实时信号检测器中。该实时信号检测器使用滑动时窗的方法实现信号实时检测，信号检测单元使用匹配各符号之间信息相似度的方式，对各符号信息进行加权组合来进行序列检测。在匹配运算中，神经网络在各个符号的判决中加入了时变的距离系数，充分考虑到符号之间的位置信息，保证了信号检测的准确性。该方法可以相对于普通的BRNN神经网络在保证准确率的基础上，实现序列信号实时检测，并显著提升运算速度。

技术领域

本发明涉及通信系统信号检测技术领域，特别涉及一种基于深度学习的实时信号序列检测方法。

背景技术

信号检测是无线通信系统中重要的组成部分。传统的无线通信使用电磁波作为信息载体，经过无线信道传递到接收端。由于无线电磁波的传播机理可以由麦克斯韦方程组准确描述，因此信道统计模型也可以清楚的得到。信号检测器利用已知的信道统计模型，实现高准确度的信号判决，完成整个通信过程。但是在信道模型完全未知的新型通信领域，如分子通信等，传统的信号检测方法就失效了。

针对上述问题，使用深度学习的方法是一个很有效的解决手段。但是已有的适合信号序列检测的深度学习架构BRNN难以并行化运算，计算效率低下；同时BRNN需要对序列整体做检测，无法做到实时检测。因此基于研究成熟的深度学习算法，并融合通信系统的领域知识，充分考虑到通信系统信号检测问题的实际情况，构造出能在保障实时信号检测准确率的基础上提升运算速度的神经网络架构具有重要意义。

发明内容

为了克服上述现有技术中普通BRNN神经网络的不足，本发明的目的在于提供一种基于深度学习的实时信号序列检测方法，以期在保证准确率的基础上实现序列信号实时检测，并显著提升运算速度。

为了实现上述目的，本发明采用的技术方案是：

一种基于深度学习的实时信号序列检测方法，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。

所述的实时信号检测器中进行检测，具体为：