[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

说明书

本发明提供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，通过收集通信的发送数据X与接收数据Y；搭建CNN‑BiLSTM网络作为分类神经网络；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；模式识别网络重构训练集，对CNN‑BiLSTM网络进行线下训练，得到条件概率密度；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；根据有限记忆信道的记忆长度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；该方法能够在不需要信道知识的无信道模型中实现接近最优的信号检测性能，具有更准确的检测结果，且对不确定性训练的具有优秀的鲁棒性。

技术领域

本发明涉及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，属于通信技术领域。

背景技术

在过去的几十年里，通信技术取得了巨大的成功，迄今为止，在几乎所有通信系统中，信号检测一直是接收机设计中的一个重要环节，它的创新也促进了通信系统的不断发展。因此，信号检测一直是接收机设计中需要考虑的重要组成部分。近年来，迭代处理发展成为最优接收机设计的主流思想，从而逐渐出现因子图概念和沿着图迭代的消息传递算法如和积算法SP。例如，信号检测领域中的BCJR算法可以在有限记忆因果信道中利用因子图上的前后的消息迭代实现最大后验概率准则下的最优检测。

常见的基于模型的检测方法，如上面提到的BCJR算法以及维特比算法，都有一个特点，即它们不可避免地需要依赖于信道知识，如信道模型和参数。然而，获得信道模型的输入输出之间的统计关系需要大量的开销。此外，基于模型的方法对信道知识的依赖性过于敏感，导致了估计的信道状态与实际状态稍有偏差时，信号检测性能将严重恶化的现象。例如，在一些新兴的通信系统中，如广泛应用于遥感和导航的水下光通信系统中，对于底层物理层没有统一的信道模型。由于吸收和散射引起的能量损失和方向变化，以及对湍流对水声信道衰落影响的研究不足，很难建立一个简单而封闭的精确模型。此外，在蜂窝无线通信领域也有类似的限制。例如，很难在复杂和高度动态的通信网络场景(如车辆网络)中对信道进行建模。

近年来，为了解决基于模型的方法对底层信道统计关系的依赖问题，深度学习的引入变成一个主流趋势，可以将底层模型和中间训练参数封装为一个黑盒子，从数据中学习到输入输出之间的统计关系。基于深度学习的相关方法虽然被广泛应用于信号检测，但是在无信道模型场景下，数据驱动的相关研究很少。另外，单纯的数据驱动方法具有一些不可避免的缺陷，如神经网络学习到的参数关系是无法解释的，导致网络性能改善和学习任务效果提高的方向不可控。另一方面，深度神经网络需要大量的训练样本和训练时间，这与通信延迟作为一个重要的测量指标的现实背道而驰。

上述问题是在基于学习因子图的数据与模型联合驱动的信号检测过程中应当予以考虑并解决的问题。

发明内容

本发明的目的是提供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，能够可以在无信道模型的情况下以小训练样本完成更高准确度的信号检测，克服了传统的基于模型的算法对信道模型的统计关系依赖敏感的问题，突破了数据驱动方法的训练时间长、训练参数多、学习关系不可控的限制。

本发明的技术解决方案是：

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，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