[发明专利]一种基于机器学习算法的MIMO相关信道下的调制识别方法

摘要

本发明一种基于机器学习算法的MIMO相关信道下的调制识别方法，属于通信领域；具体步骤为：首先，将通信发射端的每个数据流分别采用空时编码，每个码字分别通过N_t根发射天线发射出去；然后，根据接收端的相关矩阵和发射端的相关矩阵计算MIMO信道矩阵H；根据MIMO信道矩阵H，计算每个接收天线上的接收信号并进行修正；最后，每根接收天线分别对修正后的信号进行特征提取，针对提取的特征值进行训练测试，计算出该样本属于的调制识别模式；优点在于：对非高斯信道的鲁棒性和泛化能力较强，通过参数迭代可实现更加复杂环境下的调制体制识别；通过提取高阶矩和高阶累积量的特征，在较高信噪比下，信号特征差异明显，便于机器学习算法的分类。

主权项

1.一种基于机器学习算法的MIMO相关信道下的调制识别方法，其特征在于，包括如下步骤：步骤一、将通信发射端的每个数据流分别采用空时编码，每个码字分别通过N_t根发射天线发射出去，得到一个n行N_t列的转置矩阵；发射端数据流有n个，为[x₁,x₂,…,x_k,...,x_n]；第k个数据流经过空时编码后的码字其中N_t表示发射天线的数目，n个数据流经过空时编码后的码字组成一个n行N_t列的转置矩阵T；步骤二、根据接收端的相关矩阵和发射端的相关矩阵计算MIMO信道矩阵H；信道矩阵H为M×N的矩阵，计算公式如下：其中，为接收端的相关矩阵，为发射端的相关矩阵，A_iid为独立同分布的瑞利衰落信道；具体公式推导如下：首先，通过TDL延迟线，窄带MIMO信道的时延矩阵H(τ)表示为：其中(τ‑τ_l)表示时间的偏移量；L表示从单个发射天线到单个接收天线之间的所有路径；所有路径表示为：1,2,...,l,...L；L为整数；A_l表示第l条路径上，时延为τ_l的复信道增益矩阵；是第M根发射天线和第N根接收天线在第l条路径的系数；M的值与BS端的发射天线数量相等；N的值与MS端的接收天线数量相等；M和N均为整数；然后，针对下行MIMO系统，对于两根不同的接收天线n₁和n₂的系数表示为：其中，运算公式：表示第m根发射天线和第n₁根接收天线在第l条路径的系数；表示第m根发射天线和第n₂根接收天线在第l条路径的系数；最后，MS端所有接收天线的系数组成的系数矩阵R_MS为：R_MS也就是接收端的相关矩阵同理的具体公式推导如下：针对下行MIMO系统，对于两根不同的发射天线m₁和m₂的系数表示为：表示第m₁根发射天线和第n根接收天线在第l条路径的系数；表示第m₂根发射天线和第n根接收天线在第l条路径的系数；最后，BS端所有发射天线的系数组成的系数矩阵R_BS为：R_BS也就是发射端的相关矩阵根据接收端的相关矩阵和发射端的相关矩阵从而得到MIMO相关信道矩阵H；步骤三、发射端的每个数据流均发射到N_r个接收天线上，根据MIMO信道矩阵H，计算每个接收天线上的接收信号并进行修正；针对发射端的n个数据流，每根天线的接收点进行迫零均衡修正后，得到估计出来的发送信号为：针对发射端的第k个数据流，接收端的接收信号y(k)计算公式如下：y(k)＝Hx(k)+n(k)其中，y(k)表示第k个接收信号，n(k)是复高斯噪声，n(k)服从复高斯分布：表示复高斯分布的方差；表示接收天线的单位矩阵；在接收端对接收信号y(k)进行迫零均衡修正，得到估计出来的发送信号W_ZF表示修正接收信号的失真程度；计算公式如下：W_ZF＝(H^HH)^‑1H^H；H^H为信道矩阵H的共轭转置矩阵；步骤四、每根接收天线分别对修正后的信号x_r进行特征提取，提取九种不同的高阶累积量特征值；每根接收天线均收到n个码字，形成信号x_r：针对信号x_r，选取N个采样点数计算信号特征：高阶矩和高阶累积量；根据离散信号的特征，高阶矩M_pq表示为：高阶累积量C_pq表示为：p为高阶矩或者高阶累积量的阶数，q为高阶累积量中自变量的实际取值，q≤n；其中，S表示集合{1,...α}；ν表示集合S的子集，α为集合S中元素的个数；提取的九种不同的信号高阶累积量特征值，包括：p＝2，q＝0时的高阶统计量C₂₀(x_r)；p＝2，q＝1时的高阶统计量C₂₁(x_r)；p＝4，q＝0时的高阶统计量C₄₀(x_r)；p＝4，q＝1时的高阶统计量C₄₁(x_r)；p＝4，q＝2时的高阶统计量C₄₂(x_r)；p＝6，q＝0时的高阶统计量C₆₀(x_r)；p＝6，q＝1时的高阶统计量C₆₁(x_r)；p＝6，q＝2时的高阶统计量C₆₂(x_r)；p＝6，q＝3时的高阶统计量C₆₃(x_r)；步骤五、将每根接收天线提取的高阶累积量特征值作为一组样本进行训练测试，计算出该样本属于的调制识别模式；具体为：步骤501、将每根接收天线提取的高阶累积量特征值作为一组样本，随机选取2A组，并分成训练数据样本和测试数据样本；训练数据样本和测试数据样本各为A组；步骤502、将A组训练数据样本输入到单层神经网络中，采用机器学习算法进行学习；训练数据样本用向量矩阵表示为：其中，x_I＝[C₂₀(x_I),C₂₁(x_I),...,C₆₃(x_I)]为九种高阶累积量特征值作为输入特征向量；Y为A组训练样本学习过程后输出的数据，y_I是由0和1组成的n₀维向量；如果训练样本x_I属于某一个调制识别模式，在该训练样本对应的y_I中某位模式位置输出为1，且n₀维向量其余模式位置为0，n₀为整数；步骤503、根据单层神经网络训练网络参数的时间长短进行判断，如果机器学习算法需要实时调制识别模式，进入步骤504；否则，机器学习算法给予神经网络一定的时间冗余，进入步骤505；步骤504、将三个网络参数输入权重w_i，输出权重β_i和偏置阈值b_i带入激励函数g(x；θ)，计算输出权重β_i的值，进入步骤506；其中，θ＝{a,b}为映射函数参数；网络参数输入层和隐藏层的输入权重w_i和偏置阈值b_i随机生成，带入激励函数g(x；θ)：为隐藏层的神经网络节点数目，隐藏层和输出层的输出权重输入层和隐藏层的输入权重o_I为调制识别输出模式，和输出类别y_I一一对应；将上述公式进一步简化为：f(x_I)＝h(x_I)β，I＝1,....,A令训练过程中的实际输出：为误差偏移向量；在训练过程中令输出值和真实值的均方误差最小，则：其中，C为误差的补偿系数，n_o为输出层的神经元个数；进一步转化：令为的广义逆矩阵；结果如下：从而进一步计算输出权重β_i的值；步骤505、采取自适应极限学习算法，迭代更新最佳输入权重w_i和输出偏置阈值b_i，得到最优对应的L组网络参数；令随机生成组合：u_k,G＝θ_k,G+F(θ_best,G‑θ_k,G)F为调节权重系数，取值为0到1；θ_best,G为训练过程中性能最好的θ_k,G；θ_k,G为输入权重w_i和偏置阈值b_i的成对集合，k为集合θ_k,G生成的次数，每一次都迭代G次；G为迭代次数；L为输入权重w_i和偏置阈值b_i的成对值；针对每一组输入权重w_i和偏置阈值b_i，得到：为H_k,G的广义逆矩阵；T为输出结果的逆矩阵；由最小均方误差公式可以求解出每一组的均方误差：在求解出均方误差后，对w_i和b_i进行更新，并比较迭代结果是否符合误差范围：根据迭代次数G结束，寻求w_i和b_i最优解，得到最优对应的L组w_i和b_i以及β_i；步骤506、针对步骤504随机生成的网络参数或者步骤505的L组网络参数中选出一组，将网络参数带入每组测试数据样本进行测试，根据识别结果o_I与实际结果y_I进行对比，得到该组测试数据属于的调制识别模式。