[发明专利]深度神经网络抑制信号立方度量的方法

权利要求书

1.一种深度神经网络抑制信号立方度量的方法，具有如下技术特征：在信号经过正交频分复用OFDM系统接收端的星座映射后，将通过第一串并转换单元串并转换为OFDM的多路信号，送入深度神经网络单元产生随机训练数据，得到随机的训练矩阵，对得到随机的训练矩阵进行星座映射得到的矩阵，然后对代表矩阵的实数部分和的虚数部分进行分解得到得到训练数据，使用批归一化模块进行归一化处理加权过后的数据，通过人工智能学习系统TensorFlow深度学习框架中的Adam优化器(Optimizer)算法+源码函数，以最小化函数的值为目标对深度神经网络中的参数进行优化，基于梯度的优化算法Adam，利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率，并通过多次循环训练得到最终的深度神经网络模型，利用训练得到的神经网络参数对输入信号的立方度量CM抑制，再经IFFT模块对于深度神经网络单元输出的信号进行逆快速傅里叶反变换，获得并行的时域信号，传输到第二并串转换单元转换为时域信号，获得的时域信号通过数模转换器DAC将时域数字信号转换为模拟信号送入功率放大器PA端口发送。

2.如权利要求1所述的深度神经网络抑制信号立方度量的方法，其特征在于：深度神经网络单元包括：顺次串联在数据产生模块与数据处理模块之间的第一串联组全连接模块、批归一化模块、激活函数模块，第二串联组全连接模块、批归一化模块、激活函数模块，第三串联组全连接模块、批归一化模块、激活函数模块和第四全连接模块，以及通过数据处理模块并联在上述深度神经网络单元之间的损失函数模块、批归一化模块和优化函数模块，其中，每个串联组全连接模块，批归一化模块，激活函数模块构成了单层的神经网络，并且多个单层神经网络连接成深度神经网络，深度神经网络进行学习训练，通过学习和训练之后的深度神经网络来对输入信号的CM抑制进行优化。

3.如权利要求2所述的深度神经网络抑制信号立方度量的方法，其特征在于：深度神经网络单元产生随机训练数据后，将训练矩阵T进行星座映射得到的矩阵对代表矩阵X的实数部分Re(X)，Im(X)代表矩阵X的虚数部分进行分解得到Re(X)和Im(X)，得到最终的训练数据：X¹＝[Re(X),Im(X)]，其中，得到随机的训练矩阵M为每次训练神经网络所需的信号的数量，N为OFDM载波数目。

4.如权利要求3所述的深度神经网络抑制信号立方度量的方法，其特征在于：深度神经网络单元利用神经网络的全连接模块求得通过全连接模块加权过后的数据为其中，n为网络层数，表示第n层网络的加权系数，α为该全连接模块的神经元个数，β上层网络的神经元个数，表示第n层网络的偏置项，表示第n层网络的全连接模块的输出。

5.如权利要求4所述的深度神经网络抑制信号立方度量的方法，其特征在于：深度神经网络单元使用批归一化模块进行归一化处理加权过后的加权数据为

其中γ表示缩放因子，δ表示位移因子，E表示求信号均值，Var表示求信号方差，v＝0.001是一个常数，为了防止分母为0。

6.如权利要求5所述的深度神经网络抑制信号立方度量的方法，其特征在于：深度神经网络单元使用激活模块使得神经网络进一步优化非线性的关系：

其中，Xⁿ为第n层的神经网络输出，tanh，sinh，cosh分别为双曲正切函数，双曲正弦函数，双曲余弦函数。

7.如权利要求6所述的深度神经网络抑制信号立方度量的方法，其特征在于：深度神经网络单元通过矩阵分块合并还原信号X_out＝X′₁+j*X′₂，j表示一个虚数单位，在数据通过了最后一层神经网络之后得到了和初始输入数据规模相同的矩阵其中X′＝[X′₁,X′₂]，且有X′₁为矩阵X′的1列到N列，X′₂为矩阵X′的N+1列到2N列。