本發(fā)明涉及信號檢測，特別涉及一種基于自適應(yīng)小波散射卷積神經(jīng)網(wǎng)絡(luò)的otfs系統(tǒng)信號檢測方法。

背景技術(shù)：

1、隨著無線通信技術(shù)的快速發(fā)展，正交時頻空間(orthogonal?time?frequencyspace,otfs)成為高移動性環(huán)境下數(shù)據(jù)傳輸?shù)挠行Ы鉀Q方案，用于解決高遷移率雙色散信道問題。otfs是在二維延遲多普勒域而不是時頻域調(diào)制信息符號，可以利用時間和頻率的全信道分集。

2、但在現(xiàn)有otfs系統(tǒng)中，基于消息傳遞(message?passing,mp)、最大比合并(maximal?ratio?combining,mrc)等算法的信號檢測方法，雖然取得了較好的性能表現(xiàn)，但在實際無線通信系統(tǒng)中，往往難以獲取精確的信道模型和csi，導(dǎo)致信道估計不可避免地出現(xiàn)誤差。

3、總結(jié)來講，現(xiàn)有otfs系統(tǒng)信號檢測方法存在以下缺陷：

4、(1)無線信道具有時延和多普勒等特性，使得準(zhǔn)確獲取csi及建立可解析的信道模型成為難題；

5、(2)針對某些特殊通信場景(如水下無線通信)，目前尚無統(tǒng)一、解析的信道模型用于研究。水下通信受到散射和吸收等效應(yīng)的影響，使得傳統(tǒng)信號檢測方法難以適用。

6、因此，在無法準(zhǔn)確獲取csi的情況下，迫切需要一種新的算法，以解決上述場景中的信號檢測難題，從而提升otfs系統(tǒng)在復(fù)雜通信環(huán)境下的穩(wěn)健性。

技術(shù)實現(xiàn)思路

1、發(fā)明目的：為解決由于信道模型不準(zhǔn)確導(dǎo)致的信號檢測問題，本發(fā)明提出了一種基于自適應(yīng)小波散射卷積神經(jīng)網(wǎng)絡(luò)的otfs系統(tǒng)信號檢測方法，大大降低了系統(tǒng)的誤碼率。

2、技術(shù)方案：一種基于自適應(yīng)小波散射卷積神經(jīng)網(wǎng)絡(luò)的otfs系統(tǒng)信號檢測方法，包括以下步驟：

3、在發(fā)送端，將待傳輸信息進(jìn)行16-qam調(diào)制，得到待發(fā)送的數(shù)據(jù)符號；將該數(shù)據(jù)符號映射到dd域，將映射到dd域的數(shù)據(jù)符號通過otfs調(diào)制器得到otfs信號；

4、otfs信號經(jīng)過無線信道到達(dá)接收端；

5、在接收端，通過otfs解調(diào)器將接收到的信號變換回dd域的接收信號；

6、在接收端，對接收到的otfs信號分別提取實部信號矩陣和虛部信號矩陣，將這兩個矩陣分別進(jìn)行三層小波散射網(wǎng)絡(luò)變換；首先分別使用低通濾波器來提取信號矩陣的低頻特征，再通過morlet小波模變換提取信號中的高頻信息，將高頻信息進(jìn)行非線性處理，得到每層散射特征系數(shù)；

7、在接收端，將每層散射特征系數(shù)沿著特征通道方向進(jìn)行拼接，重構(gòu)信號高維特征矩陣，并作為自適應(yīng)小波卷積神經(jīng)網(wǎng)絡(luò)2d-awcnn的輸入，將具有自學(xué)習(xí)特性的自適應(yīng)小波卷積模塊awcm作為2d-awcnn的第一層卷積層，具有自學(xué)習(xí)特性的自適應(yīng)小波卷積模塊awcm中的伸縮因子和平移因子參數(shù)通過減去學(xué)習(xí)率γ與梯度δ的乘積來迭代更新卷積核，第二層和第三層卷積層采用傳統(tǒng)卷積核，參數(shù)由反向傳播算法來進(jìn)行進(jìn)一步信號檢測，最后得到對應(yīng)每一個qam符號的可能值；

8、在接收端，通過解調(diào)器對自適應(yīng)小波卷積神經(jīng)網(wǎng)絡(luò)2d-awcnn的輸出進(jìn)行16-qam解調(diào)，得到用于信號檢測的輸出比特。

9、進(jìn)一步的，所述的將該數(shù)據(jù)符號映射到dd域，將映射到dd域的數(shù)據(jù)符號通過otfs調(diào)制器得到otfs信號，具體操作包括：

10、將m×n個數(shù)據(jù)符號映射到dd域信號網(wǎng)格中，n和m分別表示時延和多普勒維度的大小，得到時延多普勒域的信號，表示為：x[k,l]，k＝0,1,2,...,n-2,n-1，l＝0,1,2,...,m-2,m-1；k和l分別表示時延域和多普勒域的索引；

11、時延多普勒域的信號x[k,l]經(jīng)過isfft轉(zhuǎn)換至tf域，得到tf域信號，表示為：

12、

13、式中，x[n,m]表示tf域信號，n和m表示時頻域索引，n＝0,1,2，…,n-2,n-1，m＝0,1,2，…,m-2,m-1，j為虛數(shù)單位，e表示指數(shù)函數(shù)，π為常數(shù)；

14、利用海森堡變換將tf域信號x[n,m]轉(zhuǎn)換為連續(xù)的時域發(fā)送信號s(t)，即otfs信號，表示為：

15、

16、式中，t表示符號持續(xù)時間，gtx(·)表示發(fā)射脈沖的成型濾波函數(shù)，δf表示頻率間隔。

17、進(jìn)一步的，所述的otfs信號經(jīng)過無線信道到達(dá)接收端，在接收端收到如下信號r(t)：

18、r(t)＝∫v∫τh(τ,v)s(t-v)ej2πv(t-v)dτdv+n(t)

19、其中，

20、式中，n(t)表示噪聲，h(τ,v)為dd域信道響應(yīng)，反映信號在時延-多普勒域的傳播情況，dd域信道總共有p條路徑，其中第p條路徑的信道幅值響應(yīng)為βp，在時延域和多普勒域中，分別使用沖激函數(shù)δ(τ-τi)和δ(v-vi)來表示信號的集中位置，τ,v分別表示時延和多普勒頻移；

21、時延τi和多普勒頻移vi對應(yīng)第i條路徑的特性，表示為：

22、

23、其中，τi表示第i條路徑的時延，vi表示整倍多普勒偏移。

24、進(jìn)一步的，所述的在接收端，通過otfs解調(diào)器將接收到的信號變換回dd域上的接收信號，具體操作包括：

25、將信號r(t)與脈沖整形波形grx(t)進(jìn)行匹配濾波，并按照下式計算出時頻域接收信號：

26、

27、式中，表示交叉模糊函數(shù)，表示匹配濾波函數(shù)，t′表示積分變量；

28、以t＝nt,f＝mδf為間隔，對時頻域接收信號y(t,f)進(jìn)行采樣，得到離散的時頻域接收信號，表示為：

29、

30、利用sfft對離散的時頻域接收信號y[n,m]進(jìn)行處理，得到dd域的接收信號y[k,l]，表示為：

31、

32、進(jìn)一步的，所述的在接收端，對接收到的otfs信號分別提取實部信號矩陣和虛部信號矩陣，將這兩個矩陣分別進(jìn)行三層小波散射網(wǎng)絡(luò)變換；首先分別使用低通濾波器來提取信號矩陣的低頻特征，再通過morlet小波模變換提取信號中的高頻信息，將高頻信息進(jìn)行非線性處理，得到每層散射特征系數(shù)，具體操作包括：

33、y表示接收信號y[k,l]的矩陣化形式，記作并對其信號分別提取實虛部，得到兩個矩陣和將實部信號矩陣和虛部信號矩陣分別使用低通濾波器φj來提取信號矩陣的低頻特征，表示為：

34、s0yreal＝y(tǒng)real*τj

35、s0yimag＝y(tǒng)imag*φj

36、式中，*表示卷積操作；

37、通過morlet小波模變換提取信號中的高頻信息，對于每個卷積結(jié)果，應(yīng)用模運算|·|，經(jīng)大小為2j降采樣的低通濾波器局部取均值得到第一階散射系數(shù)，表示為：

38、

39、其中，表示morlet小波基函數(shù)，λ1表示控制尺度和位置的參數(shù)，i表示用于標(biāo)識不同尺度下小波函數(shù)的索引，j表示當(dāng)前分解層數(shù)；

40、將高頻信息進(jìn)行非線性處理，提取第二階散射系數(shù)s2y，表示為：

41、

42、其中，表示小波變換中使用的morlet小波基函數(shù)，λ2表示控制尺度和位置的參數(shù)，j表示用來標(biāo)識不同尺度下小波函數(shù)的索引。

43、進(jìn)一步的，所述的在接收端，將每層散射特征系數(shù)沿著特征通道方向進(jìn)行拼接重構(gòu)信號高維特征矩陣，表示為：

44、syreal＝[s0yreal,s1yreal,s2yreal]

45、syimag＝[s0yimag,s1yimag,s2yimag]

46、

47、其中，[]表示拼接操作。

48、進(jìn)一步的，所述的自適應(yīng)小波卷積神經(jīng)網(wǎng)絡(luò)2d-awcnn包括輸入層、第一自適應(yīng)小波卷積層、第二卷積層、第三卷積層、激活函數(shù)層、批歸一化層、池化層、展平層、全連接層和輸出層；

49、將信號高維特征矩陣作為輸入；

50、對于第一層自適應(yīng)小波卷積層中，具有自學(xué)習(xí)特性的自適應(yīng)小波卷積模塊awcm的伸縮因子和平移因子設(shè)為可學(xué)習(xí)參數(shù)，將其對應(yīng)的小波卷積核從64減少到32，使用32個3×3卷積核，參數(shù)通過減去學(xué)習(xí)率γ與梯度δ乘積來迭代更新；

51、第二層卷積層使用128個3×3的傳統(tǒng)卷積核；

52、第三層卷積層使用256個3×3的傳統(tǒng)卷積核；傳統(tǒng)卷積核中的權(quán)重參數(shù)通過反向傳播算法進(jìn)行訓(xùn)練；

53、在每個卷積層之后應(yīng)用relu激活函數(shù)；

54、在池化層中，使用2×2的池化窗口和步長2來減少特征圖的尺寸；

55、在展平層中，將多維的卷積特征圖轉(zhuǎn)換為一維的向量；

56、全連接層設(shè)置輸出節(jié)點神經(jīng)元數(shù)量；

57、最后網(wǎng)絡(luò)輸出層有與16-qam調(diào)制符號數(shù)相對應(yīng)的神經(jīng)元數(shù)目，輸出層輸出對應(yīng)每一個qam符號的可能值。

58、有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點：

59、(1)本發(fā)明方法通過結(jié)合小波散射網(wǎng)絡(luò)的特征提取能力，并將第一層傳統(tǒng)卷積層用自適應(yīng)小波卷積模塊替換來優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)，在保證高效的特征提取的同時，使系統(tǒng)在降低計算復(fù)雜度，并在多徑衰落環(huán)境下依舊能夠保持良好的誤碼率性能；

60、(2)本發(fā)明方法在高速移動場景中提供了較低的時間復(fù)雜度和空間復(fù)雜度，提升了otfs系統(tǒng)的信號檢測精度和魯棒性。