未知信道模型下基于对抗式学习的信号检测方法与流程

[0001]
本发明涉及信号检测技术领域，特别涉及未知信道模型下基于对抗式学习的信号检测方法。


背景技术：

[0002]
在现代的数字通信系统中，信号检测是一个重要的组成部分。信号在发送端经过编码，调制之后发送出去，经过信道之后来到接收端，这时候接收端收到的信号是经过噪声干扰或者码间串扰的信号，所以就需要使用信号检测来对接收到的信号进行判决，而传统的信号检测算法依赖于信道的统计模型。在无线通信中，利用的是电磁波来传输信息，传播机理可以由麦克斯韦方程组进行描述，所以可以使用数学公式建立信道的概率统计模型，从而执行信号检测算法。但是在一些新型的通信系统，例如水声通信、分子通信等，或者在信道状况比较复杂的传统系统中，难以建立有效的描述信号传播的模型，就无法使用传统的信号检测算法进行信号检测。所以在这些情况下，使用一种不依赖于信道先验知识的方法来进行信号检测就具有重要的实际意义。
[0003]
机器学习当中的深度学习比较适用于在难以进行信道建模的通信系统中的信号检测问题。深度学习的优势在于其隐藏层可以在一定的误差范围内拟合任何的函数，具有巨大的灵活性，所以提出未知信道模型下基于对抗式学习的信号检测方法就具有重要意义。


技术实现要素：

[0004]
为了克服上述现有技术的不足，本发明的目的在于提供未知信道模型下基于对抗式学习的信号检测方法，该方法可以在难以建立信道模型的通信系统中进行信号检测。
[0005]
为了实现上述目的，本发明采用的技术方案是：
[0006]
未知信道模型下基于对抗式学习的信号检测方法，包括以下步骤；
[0007]
1)发送长度为k的导频符号序列，其中在第i时刻，发送符号x[i]从信号集中等概率地随机选取，在接收端采集信道输出y[i]，把信道输入状态向量s[i]与信道输出y[i]进行组合得到一对训练数据t
i
＝(s[i]，y[i])，收集每一个时刻的信道输入状态向量与信道输出，从而得到训练集t＝[t1，t2，...t
k
]；
[0008]
2)初始化两个全连接神经网络，使其参数满足标准高斯分布，一个全连接神经网络作为生成器g，其初始参数集为θ
g
包含生成器g中的所有权值w
g
与所有偏置b
g
，另外一个作为鉴别器d，其初始参数集为θ
d
包含生成器d中的所有权值w
d
与所有偏置b
d
，把状态向量s输入初始化的生成器生成转移概率向量p0，基于这一概率向量采样生成n个信道输出把这n个信道输出按照从小到大的顺序排列，得到生成样本向量并且在训练集中也收集n个信道输入的状态向量为s时信道的输出样本y1，y2，...，y
n
，按照从小到大的顺序排列，得到真实样本向量q；
[0009]
3)使用训练集t对生成器g和鉴别器d迭代地进行对抗式训练；
[0010]
4)把所有可能的m
l
种状态向量分别输入到训练完成的生成器g中，得到所有的给定信道输入状态向量下信道输出的条件概率密度，即信道转移概率p
y
|s(y|s)，然后把其运用于viterbi算法中，进行信号检测。
[0011]
所述的步骤2)中所述的生成器g是一个全连接神经网络，包括以下部分：
[0012]
1)生成器g的输入为状态向量s，则输入层的神经元个数为l；
[0013]
2)全连接神经网络生成器g的隐含层数为n
g
，在神经网络隐含层前后层之间为全连接结构，隐含层的第n层向n+1层的传播方式为：
[0014][0015]
其中为第n层隐含层的输出，为第n层隐含层的权值，为第n层隐含层的偏置，σ
r
()表示relu激活函数，为第n+1层隐含层的输出；
[0016]
3)全连接神经网络生成器g的输出为：
[0017][0018]
其中p就为生成的信道转移概率向量，σ
sm
()表示softmax函数。
[0019]
所述的步骤2)中所述的鉴别器d是一个全连接神经网络，包括以下部分：
[0020]
1)鉴别器d的输入为s和q或者s和则输入层的神经元个数为l+n，其中n为信号样本向量q或者的维度(q与维度相等)；
[0021]
2)全连接神经网络生成器d的隐含层数为n
d
，在神经网络隐含层前后层之间为全连接结构，隐含层的第n层向n+1层的传播方式为：
[0022][0023]
其中为第n层隐含层的输出，为第n层隐含层的权值，为第n层隐含层的偏置，σ
r
()表示relu激活函数，为第n+1层隐含层的输出；
[0024]
3)全连接神经网络鉴别器d的输出为根据鉴别器d的输入用d(s，q)或者表示其输出，σ
sig
()表示sigmoid函数。
[0025]
所述的步骤3)中所述的使用训练集t对生成器g和鉴别器d迭代地进行对抗式训练其包括以下步骤：
[0026]
1)训练鉴别器d，即：更新d的参数以使如下目标函数最大化：
[0027][0028]
其中，m为训练一次所使用的数据批次的大小(batch size)，和q
i
分别为生成样本向量和真实样本向量，为了实现这一优化任务，采用梯度上升(gradient ascent)算法，d的参数更新公式为：
[0029][0030]
其中，η为学习率，表示梯度运算；
[0031]
2)训练生成器g，即：更新g的参数以使如下目标函数最大化：
[0032][0033]
其中，b为一个偏置值，表示对于给定的生成器参数θ
g
，在信道输入状态向量为s的条件下，产生的生成样本向量为的概率，其计算公式为：
[0034][0035]
其中为状态向量为s的条件下，对转移概率向量p采样之后得到生成样本的概率，因为是由向量p采样之后得到的，所以的值等于向量p中与所对应的那一维的值，另外，f
mean
(θ
g
)为把p作为一个时域信号的平均频率，其计算方法为先对p进行快速傅里叶变换，得到其频谱，然后再通过如下公式计算平均频率：
[0036][0037]
其中n
tot
是p的频谱中频率间隔的个数，f
k
为频谱中第k个频率间隔的频率，i
k
为对应的频谱幅度，λ为用于平衡前后两项的权重；
[0038]
为了实现上述优化任务，使用梯度上升法进行g的参数更新：
[0039][0040]
更新了μ
g
之后，再让生成器g重新生成向量p，根据其采样得到n个新的信道输出样本得到新的并且在训练集中也重新收集n个输出样本y1，y2，...，y
n
，得到新的q；
[0041]
3)重复步骤1)和步骤2)，迭代地训练d和g，直至d的优化目标值不再变化，即训练收敛，输出生成器的最终参数，并得到所需的信道转移概率估计结果。
[0042]
本发明的有益效果：
[0043]
本发明设计了一种专用的生成对抗网络结构以及一种专用的训练方法用于学习未知信道模型下的信道转移概率，并且把学习所得到的信道转移概率运用于viterbi算法，实现了未知信道模型下的信号检测。
附图说明
[0044]
图1为本发明设计的生成对抗网络结构示意图。
具体实施方式
[0045]
下面结合附图对本发明作进一步详细说明。
[0046]
本发明所述未知信道模型下基于对抗式学习的信号检测方法，该通信系统传输的序列由n个符号组成，是i时刻的发送符号，i∈{1，2，...，n}，是一个包含m个信号星座点的离散信号集。第i时刻的信道输入为状态向量
令y[i]表示i时刻信道输出，则y[i]是关于信道输入状态向量s[i]的随机映射，l是信道的记忆长度，假设其小于数据序列的长度，即：l＜n。则一个序列的所有的信道输入可以表示为与之相对应的信道输出可以表示为该通信系统信号检测方法包括以下步骤：
[0047]
1)发送长度为k的导频符号序列，其中在第i时刻，发送符号x[i]从信号集中等概率地随机选取，在接收端采集信道输出y[i]，把信道输入状态向量s[i]与信道输出y[i]进行组合得到一对训练数据t
i
＝(s[i]，y[i])，收集每一个时刻的信道输入状态向量与信道输出，从而得到训练集t＝[t1，t2，...t
k
]。
[0048]
2)初始化两个全连接神经网络，使其参数满足标准高斯分布，一个全连接神经网络作为生成器g，其初始参数集为θ
g
包含生成器g中的所有权值w
g
与所有偏置b
g
，另外一个作为鉴别器d，其初始参数集为θ
d
包含生成器d中的所有权值w
d
与所有偏置b
d
。把状态向量s输入初始化的生成器生成转移概率向量p0，基于这一概率向量采样生成n个信道输出把这n个信道输出按照从小到大的顺序排列，得到生成样本向量并且在训练集中也收集n个信道输入的状态向量为s时信道的输出样本y1，y2，...，y
n
，按照从小到大的顺序排列，得到真实样本向量q；
[0049]
3)使用训练集t对生成器g和鉴别器d迭代地进行对抗式训练；
[0050]
4)把所有可能的m
l
种状态向量分别输入到训练完成的生成器g中，得到所有的给定信道输入状态向量下信道输出的条件概率密度，即信道转移概率p
y
|s(y|s)，然后把其运用于viterbi算法中，进行信号检测。
[0051]
所述的步骤2)中所述的生成器g是一个全连接神经网络，其包括以下部分：
[0052]
1)生成器g的输入为状态向量s，则输入层的神经元个数为l；
[0053]
2)全连接神经网络生成器g的隐含层数为n
g
，在神经网络隐含层前后层之间为全连接结构，隐含层的第n层向n+1层的传播方式为：
[0054][0055]
其中为第n层隐含层的输出，为第n层隐含层的权值，为第n层隐含层的偏置，σ
r
()表示relu激活函数，为第n+1层隐含层的输出
[0056]
3)全连接神经网络生成器g的输出为：
[0057][0058]
其中p就为生成的信道转移概率向量，σ
sm
()表示softmax函数。
[0059]
所述的步骤2)中所述的鉴别器d是一个全连接神经网络，其包括以下部分：
[0060]
1)鉴别器d的输入为s和q或者s和则输入层的神经元个数为l+n，其中n为信号样本向量q或者的维度(q与维度相等)；
[0061]
2)全连接神经网络生成器d的隐含层数为n
d
，在神经网络隐含层前后层之间为全连接结构，隐含层的第n层向n+1层的传播方式为：
[0062]
[0063]
其中为第n层隐含层的输出，为第n层隐含层的权值，为第n层隐含层的偏置，σ
r
()表示relu激活函数，为第n+1层隐含层的输出
[0064]
3)全连接神经网络鉴别器d的输出为根据鉴别器d的输入用d(s，q)或者表示其输出，σ
sig
()表示sigmoid函数。
[0065]
所述的步骤3)中所述的使用训练集t对生成器g和鉴别器d迭代地进行对抗式训练其包括以下步骤：
[0066]
1)训练鉴别器d，即：更新d的参数以使如下目标函数最大化：
[0067][0068]
其中，m为训练一次所使用的数据批次的大小(batch size)，和q
i
分别为生成样本向量和真实样本向量。为了实现这一优化任务，采用梯度上升(gradient ascent)算法，d的参数更新公式为：
[0069][0070]
其中，η为学习率，表示梯度运算。
[0071]
2)训练生成器g，即：更新g的参数以使如下目标函数最大化：
[0072][0073]
其中，b为一个偏置值，表示对于给定的生成器参数θ
g
，在信道输入状态向量为s的条件下，产生的生成样本向量为的概率，其计算公式为：
[0074][0075]
其中为状态向量为s的条件下，对转移概率向量p采样之后得到生成样本的概率，因为是由向量p采样之后得到的，所以的值等于向量p中与所对应的那一维的值。另外，f
mean
(θ
g
)为把p作为一个时域信号的平均频率，其计算方法为先对p进行快速傅里叶变换，得到其频谱，然后再通过如下公式计算平均频率：
[0076][0077]
其中n
tot
是p的频谱中频率间隔的个数，∫
k
为频谱中第k个频率间隔的频率，i
k
为对应的频谱幅度。λ为用于平衡前后两项的权重。
[0078]
为了实现上述优化任务，使用梯度上升法进行g的参数更新：
[0079][0080]
更新了μ
g
之后，再让生成器g重新生成向量p，根据其采样得到n个新的信道输出样本得到新的并且在训练集中也重新收集n个输出样本y1，y2，...，y
n
，得到新的q。
[0081]
3)重复步骤1)和步骤2)，迭代地训练d和g，直至d的优化目标值不再变化，即训练收敛，输出生成器的最终参数，并得到所需的信道转移概率估计结果。