[发明专利]一种基于深度学习的删余卷积码码率识别方法

权利要求书

1.一种基于深度学习的删余卷积码码率识别方法，其特征在于：包括如下步骤，

骤一：确定候选集:根据已知卷积码进行删余得到的删余卷积码，码率候选集为θ＝{C₁，…，C_K}，K为码率的个数，候选集码率包含1/2,2/3,…,L-1/L，L为正整数；构造不同码率对应的删余矩阵，删余矩阵中每个比特至少有一位保留信息；深度学习模型对输入模型的信息比特序列N×1进行识别，N为信号的比特数，即长度；

步骤二：生成训练集：根据步骤一码率候选集中的各种码率，每个码率根据不同的删余矩阵分别生成m条训练数据r＝(r₁，…，r_N)，起点已知为码字的起点；为每一个训练数据打上对应的标签，作为训练集等待输入模型进行训练；

步骤三：生成验证集和测试集：根据步骤一码率候选集中的各种码率，每个码率根据不同的删余矩阵分别生成m’条训练数据r＝(r₁，…，r_N)，起点已知为码字的起点；为每一个训练数据打上对应的标签，作为验证集和测试集；

步骤四：建立网络模型：基于一维卷积网络建立网络模型，并在模型中引入残差块及集成学习、在输入层和残差块之间添加多尺度特征提取器、在输出层前添加全局平均池化层；输出层使用Softmax激活函数，输出该信号比特流对应各个类别的置信概率；将多个不同初始化的模型集成，以投票的形式提高模型的识别准确性；

步骤五：训练网络模型：将训练数据集送入网络中训练，验证集用来调整模型的超参数，得到一个训练好的网络模型；经过训练，该深度学习模型能够利用多尺度卷积网络自行提取原始数据中的特征，并给出置信概率将信号比特流归入不同的码率；使用测试集评判模型的学习情况；

步骤六：码率识别：将接收的待识别信息序列x＝(x₁，…，x_N)输入步骤五训练好的网络进行识别，得到网络给出的识别结果C_i∈θ；提高信道编码的识别率、降低运算复杂度。

2.如权利要求1所述的一种基于深度学习的删余卷积码码率识别方法，其特征在于：步骤四的实现方法为，

4.1：多尺度特征提取器由四个不同尺寸的卷积核组成，卷积核大小分别选取为2、3、4、5，令其分别提取数据的最底层特征，并将提取的特征叠加在一起，以保留不同尺度的信息；经过多尺度特征提取器低层特征提取后，再输入残差块进行高维的特征提取；

4.2：残差块由两个膨胀卷积连接而成，残差块的输入将会跳跃连接到输出，从而具备将信息直接传递到模型更深层的能力；两个卷积层的激活函数为线性整流函数；卷积层以膨胀卷积的形式提高卷积核的感受野，膨胀系数越大，卷积核就能覆盖更长的序列；膨胀系数为1的卷积，即普通卷积的感受野为：

其中l_k和f_k为感受野和卷积核k的大小，s_i表示第i个卷积层中卷积核的步进；膨胀系数d是指在卷积核中插入d-1个0，因此膨胀卷积的卷积核大小为：

其中表示加了膨胀卷积后的卷积核大小；

4.3：使用不同初始化的上述模型进行集成学习，对同一待分类信号进行识别并输出结果，将投票结果进行统计，以投票的形式提高模型的识别准确性。