[发明专利]基于深度变分信息瓶颈的多星协作信号检测方法

权利要求书

1.基于深度变分信息瓶颈的多星协作信号检测方法，其特征在于：采用通信计算一体化方式对感知信号进行处理和传输，并基于信息瓶颈方式，构建深度学习架构抽取有效信息，减少与检测目标无关的冗余信号对星间链路带宽的占用，包括如下步骤：

步骤一、多个地面传感器发送感知信号：

地面K个传感器设备将感知到的信号进行预处理并发送给同时为其服务的M颗卫星接入点；

采用通信计算一体化技术对感知信号进行预处理，在第k个传感器处的发送信号x_k如式(1)所示：

其中，为发送端预处理函数，根据要实现的感知目标来选择不同的函数，s_k为第k个传感器感知的初始信号；

步骤二、多个卫星接入点接收信号：

M颗卫星接入点接收地面K个传感器设备的信号；

所有传感器并发传输后在第m颗卫星接入点处的接收信号y_m如式(2)所示：

其中，g_m,k为第k个地面传感器与第m颗卫星接入点之间的信道参数，ρ为归一化信噪比，n为接收机侧的噪声；

步骤三、多个卫星接入点进行中间处理并发送信号：

M颗卫星接入点将接收信号进行中间处理然后发送信号，第m颗卫星接入点处的发送信号a_m如式(3)所示：

其中，f_m(·)为第m颗卫星接入点将接收到的信号映射成为发送信号的映射函数，将输入的接收信号y_m与预估信道参数进行映射；

随后，M颗卫星接入点将产生的信号发送给一颗中央处理卫星；

步骤四、中央处理卫星恢复信号：

中央处理卫星接收信号表示为r＝[a₁,…,a_m,…,a_M]，其中，a₁为第1颗卫星接入点处的发送信号，a_m为第m颗卫星接入点处的发送信号，a_M为第M颗卫星接入点处的发送信号；

将接收信号通过解映射函数f_cpu(·)恢复为估计的感知结果如式(4)所示：

采用均方误差来衡量多星协作系统的信号感知精度损失如式(5)所示：

其中，E(·)为均方误差，为中央处理卫星处理想的信号感知结果；

由于星间链路的无线资源有限，通过联合优化f_m(·)和f_cpu(·)来使多星协作检测系统的感知精度损失最小，优化目标如式(6)所示：

优化条件如式(7)所示：

B(a_m)≤B₀                               (7)

其中，B(a_m)为信号a_m占据的星间链路带宽，B₀为星间链路受限带宽；

步骤五、采用变分瓶颈和深度学习方法，在有限星间链路带宽约束下使多星协作检测系统感知精度最大化，具体包括以下子步骤：

步骤5.1采用信息瓶颈方式，将有限带宽约束转化为信息熵的约束，将无法数学表达式上直接优化的信号传输带宽引入到优化目标中，通过信息熵间接地实现对传输信号占据带宽的约束，星间链路有限的带宽约束转变为互信息上界，引入拉格朗日乘子后，优化目标如式(8)所示：

其中，I(y_m,r)为互信息，I(y_m,r)≤I_c，I_c为互信息上界，β为引入的拉格朗日乘子，M为卫星接入点总数；

互信息I(y_m,r)展开如式(9)所示：

其中，p(y_m,r)为发送信号y_m与接收信号r的联合概率，p(y_m)为发送信号y_m的先验概率分布，p(r)为接收信号r的先验概率，p(r|y_m)为在发送信号为y_m时接收信号为r的条件概率；

步骤5.2通过建构神经网络架构，采用深度学习的方法实现端到端的映射，完成信号在发送端的编码和接收端的解码，实现更加精确的信号传输；

步骤5.3在建构的神经网络中，通过损失函数中的Kullback-Leibler(KL)散度，实现定制化的批规范化层，实现对于传输信号信息熵的压缩和有效信息的提取，在多星协作信号检测过程中提高检测精度的同时实现信息压缩；

通过拉格朗日乘子以及KL散度，神经网络的损失函数，即优化目标如式(13)所示：

其中，D_KL(·)为KL散度计算公式，z(r)为规定传输过程中传输信号的概率分布；

步骤六、神经网络模型训练

对步骤五中的神经网络进行训练，采用线下训练，线上部署的方式完成编码器和解码器的构建和部署，通过训练得到近似最优的解码器和编码器。