[发明专利]基于自编码器的数据增广改善深度学习信道估计性能方法

权利要求书

1.基于自编码器的数据增广改善深度学习信道估计性能方法，其特征在于：包括以下步骤，

步骤1，建立两个用于信道估计的基本卷积神经网络模型；

步骤2，获取无线通信信道估计的训练集，并基于自编码器进行数据增广，得到增广数据；

步骤3，增广数据通过信道估计基本卷积神经网络模型，得到基于自编码器的数据增广方法在测试集上的均方误差值与数据集大小的关系；

步骤4，建立直线交点检测法模型，获取自编码器提升无线通信信道估计模型性能时的数据集大小的阈值。

2.如权利要求1所述的基于自编码器的数据增广改善深度学习信道估计性能方法，其特征在于：所述步骤1还包括以下步骤，

步骤1-1，将导频相应的时频数据建模为2维图像，采用图像超分辨率卷积神经网络，为信道估计问题建立第一个神经网络模型；

步骤1-2，将步骤1-1中神经网络模型的输出数据建模为2维图像，采用一种图像去噪卷积神经网络，为信道估计问题建立第二个神经网络模型。

3.如权利要求1或2所述的基于自编码器的数据增广改善深度学习信道估计性能方法，其特征在于：所述步骤2还包括以下步骤，

步骤2-1，所述自编码器包括编码器f、解码器g和损失函数，所述编码器f将输入的训练集的信号x转换为编码信号z，所述解码器g将编码信号z转换为输出信号x'，即满足以下关系：

步骤2-2，通过三层的深度神经网络对编码器f和解码器g进行参数化，编码器f和解码器g的参数分别为K_f和K_g，给定编码器f的函数为f:x→z，解码器g的函数为g:z→x'，数据集的重构误差为，

其中，J为损失函数；

假设解码器g服从以g(f(x))为中心的高斯分布，可以将上述损失函数简化为：

给定一个经过严格训练后的自编码器可以得到步骤2-3，获取x的低维表示，即给z加上扰动，得到并使用解码器g生成新数据经过训练后的自编码器f满足下式：

其中，

4.如权利要求3所述的基于自编码器的数据增广改善深度学习信道估计性能方法，其特征在于：所述步骤2中对自编码器f的训练还包括，

基于early-stop方法对自编码器的进行训练，且满足：

其中，c和d为超参数，取c＝0.2，d＝0.3；

基于非完美编码器生成和新数据

5.如权利要求4所述的基于自编码器的数据增广改善深度学习信道估计性能方法，其特征在于：所述步骤3还包括，

步骤3-1，设单输入单输出的通信链路，其发送器和接收器之间的无线通信信道时频响应矩阵为H，此无线通信信道估计的输入为导频值向量h，输出为信道估计矩阵满足如下公式：

其中，f_s和f_R分别是图像超分辨率卷积神经网络和图像去噪卷积神经网络；

步骤3-2，构建与实际环境相符合的仿真环境，生成用于信道估计任务的数据集，将该数据集分为训练集和测试集且训练集和测试集中的数据不重叠，其中，训练数据集和测试数据集的大小分别为N_T和N_V；

步骤3-3，将包含多个训练样本的训练集划分为百量级、千量级和万量级的子数据集，再将不同大小的子数据集作为训练集样本通过信道估计基本卷积神经网络模型，得到数据集大小与测试集均方误差的关系曲线；

步骤3-4，将经过数据增广后的不同大小的训练集输入信道估计基本卷积神经网络模型，且保持测试集样本和步骤3-3中的一样，得到数据集大小与测试集均方误差的关系曲线。

6.如权利要求5所述的基于自编码器的数据增广改善深度学习信道估计性能方法，其特征在于：所述步骤4还包括，

步骤4-1，当总数据集大小在10⁴和10⁵的数量级时，初始实验数据集大小分别为百数量级和千数量级，其他情况依次类推；

步骤4-2，若初始实验数据集大小为D₁，则选择一个测试点(D₂,y₂)，其中D₂为训练数据集大小，且D₂＝D₁×n(n＝1,2,3,...)，y₂为在测试集均方误差值开始变得相对缓慢的点，当某一点之前的均方误差值和其之后的均方误差值相差0.1以上时，取该点作为分界点y₂

步骤4-3，若整个数据集D的大小为D＝U×10^λ，则设置其中，U和λ分别为数据集D的有效位数和量级，为向下取整函数，选择一个测试点(D₃,y₃)，其中D₃＝D-n×(D-D₄)(n＝1,2,3,...)，且y₃是在测试集上获得的神经网络的测试损失值；

步骤4-4，基于自编码器的数据增广方法，分别计算数据集大小为D₂和D₃时的测试损失y₄和y₅，根据测试点(D₂,y₂)和(D₃,y₃)确定第一线性方程曲线，根据(D₂,y₄)和(D₃,y₅)确定第二线性方程曲线，并将第一线性方程和第二线性方程曲线的交点的横坐标作为阈值，当数据集大小超过该阈值时，自编码器因增强数据的噪声而失效。