[发明专利]一种基于深度学习的删余卷积码码率识别方法

说明书

本发明公开的一种基于深度学习的删余卷积码码率识别方法,属于信道编码参数识别技术领域。本发明通过建立基于一维多尺度卷积网络的识别模型，直接将一维的比特数据输入网络，输出分类识别结果，避免人工提取特征的复杂性；根据删余卷积码的线性相关性，采用能更好识别删余矩阵特征的多尺度卷积网络框架，相比较于其他的已有深度学习框架，能实现更高的识别率和更好的抗干扰能力；通过采用集成学习方法，同时将数据输入多个不同初始化的模型进行识别，并投票得出结果，有效地提升模型的鲁棒性，使得模型的抗干扰能力更强，面对不同的输入数据有更好的稳定性。本发明适用通信领域，提高信道编码的识别率、降低运算复杂度。

技术领域

本发明涉及一种基于深度学习的删余卷积码码率识别方法,属于信道编码参数识别技术领域。

背景技术

信道编码能够提高通信系统传输可靠性，而卷积码是一种重要的采用树码结构的信道编码方法，因其具有高效快速的Viterbi译码算法，被广泛应用于卫星通信、数字蜂窝移动通信等诸多系统中。删余卷积码是为了提高卷积码的效率，通过不同的删余矩阵构造的，典型的删余卷积码是基于1/2码率的卷积码构造出2/3、3/4、4/5、5/6、6/7、7/8删余码。

在某些应用场景下，如认知无线电、无线电频谱检测等，需要在没有先验信息的情况下，通过接收信号分析获得信道编码参数。本质上信号的信道编码参数识别是一个模式识别问题，而深度学习网络正是模式识别领域的重要工具。目前通信系统采用的信道编码，如卷积码、LDPC码等都是线性相关性编码。相对于传统的基于特征的分类树识别方法，深度学习框架能自动提取原始数据的相关性特征，避免人工提取特征的复杂性。在信道编码识别领域出现了大量深度学习方法的相关研究，但对于由删余产生的不同码率的卷积码参数识别的研究仍较为少见。

发明内容

针对现有的分类树识别方法中人工提取复杂度高，深度学习算法框架没有考虑删余卷积码相关性特征的问题，本发明的主要目的是提出一种基于深度学习的删余卷积码码率识别方法，通过多尺度卷积网络结合删余卷积码的线性相关性，提高信道编码的识别率、降低运算复杂度。

本发明的目的是通过以下技术方案实现的：

本发明公开的一种基于深度学习的删余卷积码码率识别方法，包括如下步骤：

步骤一：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。最后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。

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。