[发明专利]一种融合压缩感知与人工神经网络的扩频信号参数估计方法

说明书

本发明属于无线通信领域。扩频技术将原始的基带信号扩展到更宽的频带，使得扩展后的信号具有很好的抗拦截能力。扩频信号的宽频带特性所带来的高采样率增加了参数估计的实现难度。针对现有技术所面临的问题与挑战，本发明公开了一种融合压缩采样与人工神经网络的扩频信号参数方法。一方面，压缩采样能够利用信号的冗余性，以较低的采样率获取信号中的有效参数信息；另一方面，深度神经网络在提取数据特征方面具有高效准确的特点。通过对压缩采样与参数估计网络的整体训练，实现两者的有效配合，进而实现以较低采样率对扩频信号参数的准确估计。

技术领域

本发明属于无线通信领域，具体为一种融合压缩感知与人工神经网络的扩频信号调制参数估计的方法。涉及扩频信号压缩感知、人工神经网络搭建与训练、扩频信号参数估计。

背景技术

扩频信号是保密通信的主流调制技术。在扩频通信中，基带通信信号的频谱被延展至很宽的频带中。合作通信的接收端能够凭借已知扩频参数将信号解扩，进而恢复信号承载的信息。然而信号的非合作接收端不掌握扩频信号参数，因此需要采用超高采样频率来涵盖整个扩频频带，这大大增加了信号处理的成本与难度。

压缩感知理论的提出为扩频信号的非合作处理带来了新思路。压缩采样理论指出，如果信号是稀疏的或者在某个变换下是可以进行稀疏表示的，那么通过低于奈奎斯特定理要求的采样速率所获得的信号测量结果，依然可对信号信息进行重构。基于压缩感知，学界对扩频信号的参数估计进行了一定的研究。例如，任旭等人构造了和跳频信号结构类似的时频原子，并将压缩感知应用到参数估计过程中，对压缩采样之后的跳频信号采用预处理的正交匹配追踪(Orthogonal Matching Pursuit，OMP)来求解稀疏系数，优化了计算量；赵景宏等人融合了贝叶斯压缩感知技术，将信号的稀疏系数建模为多维高斯分布，以最大后验概率来求取信号的参数；沈长林基于分段压缩对扩频信号参数进行估计。然而，现有方法大都需要对压缩采样数据进行稀疏域的重构。而重构算法计算复杂，很难对扩频信号进行在线处理。

随着计算机技术的突飞猛进，深度学习被广泛应用于计算机视觉、语音识别、自然语言处理等多种领域。深度学习是一种以人工神经网络为架构，对数据进行表征学习的算法。经过充分训练的神经网络对输入数据具有很好的特征提取与分析能力，并且具有高效的在线处理能力。由于这一优势，越来越多的研究者将各种信号处理与深度学习相结合。然而，现有的基于深度学习的信号特征与参数提取方法大多针对非下采样信号，对于超宽带不易采用奈奎斯特采样的情况，此类方法还有待进一步研究。

结合以上两种方法的优势，本发明融合压缩采样和人工神经网络理论，提出了一种融合压缩感知与人工神经网络的扩频信号参数估计方法。该方法能够以较低的采样频率采样扩频信号，同时能够在线高效准确地获取信号参数的估计结果。

发明内容

本发明针对扩频信号的非合作参数估计，旨在降低扩频信号的采样率同时，提高信号参数估计的在线处理效率。本发明所采用的具体方法是基于一整套人工神经网络的训练，同时实现扩频信号的压缩感知与参数估计的逻辑。具体步骤如下：

(1)针对所研究的扩频信号类型(如跳频信号、直接序列扩频信号等)，自由变换所需估计信号的参数(如码元周期、中心载频等)，并采用高于信号2倍带宽的奈奎斯特采样频率的固定频率采样固定时长信号，构成人工神经网络的训练数据集；

(2)构建人工神经网络，网络的输入为(1)中所述的采样信号，网络的第一层采用卷积层，网络的输出即所需估计的参数。

(3)将(1)中建立好的数据集投放入(2)中所建立的人工神经网络，进行充分训练。神经网络在经过充分训练后会输出所需估计的参数值。

(4)利用(3)中所训练的人工神经网络的第一层卷积层的线性运算构造压缩感知，该卷积层的下采样率即压缩感知的压缩比；神经网络的其余部分则为参数估计网络，该网络输入为压缩感知结果，输出则为参数估计结果。