[发明专利]基于学习因子图的数据与模型联合驱动的信号检测方法

权利要求书

1.一种基于学习因子图的数据与模型联合驱动的信号检测方法，其特征在于：包括以下步骤，

S1、收集通信的发送数据X与接收数据Y，并获得有限记忆信道的记忆长度L；

S2、搭建并设计CNN-BiLSTM网络作为分类神经网络；

S3、使用基于Akaike信息准则的混合高斯模型去拟合信道接收数据Y的分布，得到边缘概率密度P_Y[k](y)；

S4、模式识别网络重构训练集为对CNN-BiLSTM网络进行线下训练，得到条件概率密度

S5、将通信的接收数据Y输入到CNN-BiLSTM网络，输出的条件概率密度与混合高斯模型的边缘概率密度P_Y[k](y)联合计算，得到通过因子图的消息传递算法实现信号检测所需要的因子节点；具体为：

S51、将接收数据Y输入到训练好的CNN-BILSTM网络，得到输出的分类结果联合混合高斯模型的数据拟合结果为P_Y[k](y)，最终学习到基于模型的信号检测算法依赖的信道条件信息为：

其中，根据有限记忆信道发送等概率可知，其中，m为发送符号集合的基数大小；

S52、学习到的因子节点f表示为：

其中，表示前一时刻到现在时刻的条件转移概率；

S6、根据有限记忆信道的记忆长度L与学习到的因子节点在学习因子图上进行前向后向的消息传递算法，实现最大后验概率准则下的信号检测；具体为，

S61、有限记忆信道信号检测的因子图模型的输入输出联合分布由因子节点表示为：

其中，表示总体发送数据已知的接受数据的条件概率，表示总体发送数据的概率，表示k时刻的因子节点；

S62、基于学习到的因子节点以及输入输出序列的联合分布，得到有限记忆信道信号检测的因子图结构以及沿图的消息传递过程；

S63、有限记忆信道中发送信号的恢复问题是从已经接收到的信道输出符号Y＝y中，恢复发送的传输符号其中，N为发送序列的符号个数，使信号检测结果最佳的准则是满足符号错误概率最小的MAP准则，即：

其中，P_X[k]|Y(x|y)表示泛指的条件概率密度，P_X[k]，Y(x，y)表示联合概率密度；

S64、沿着因子图进行消息传递，得到前向传递的消息为：

其中，表示k时刻的因子节点，表示因子节点向前一状态的消息传递，k＝1，...，N，L为有限记忆信道的记忆长度；

S65、沿着因子图进行消息传递，得到后向传递的消息为：

其中，表示k+1时刻的因子节点，表示因子节点向后一状态的消息传递，k＝1，...，N-1；

S66、将步骤S63中提到的联合概率密度P_X[k]，Y(x，y)展开，

根据消息传递算法的特性，联合概率密度表示为

最终得到MAP准则的基于消息传递的迭代表示形式：

其中，表示前向消息传递，表示因子节点，表示后向消息传递；

S67、在学习到的因子图上进行前向与后向迭代的消息传递，迭代过程中利用步骤S66中arg函数不断搜索，直到确定最大可能的发送信号，实现MAP准则下的信号检测，获得发送数据x的值。

2.如权利要求1所述的基于学习因子图的数据与模型联合驱动的信号检测方法，其特征在于：步骤S2中，搭建并设计高分类精确度的CNN-BiLSTM网络，具体为：选择双向长短期记忆网络即BiLSTM网络，在BiLSTM网络之前放置包括卷积层和池化层的CNN网络，接收数据Y经过序列折叠层分别输出给CNN网络与序列展开层，由序列展开层与扁平层作为CNN网络与BiLSTM网络数据转换的过渡，将CNN网络与BiLSTM网络衔接，搭建CNN-BiLSTM网络，允许CNN网络在时间维度中提取隐式信息，然后将高质量特征传递给BiLSTM网络。