[发明专利]一种符号速率估计方法和装置

权利要求书

1.一种符号速率估计方法，其特征在于，包括：

获取样本数据；其中，所述样本数据包括复基带信号及其对应的符号速率，所述复基带信号是采用多种不同的数字通信调制方式对比特流数据调制后得到的；

构造卷积神经网络，将所述样本数据划分为训练数据和测试数据，利用所述训练数据和所述测试数据，对所述卷积神经网络进行训练得到训练好的卷积神经网络；

获取待估计信号数据，将所述待估计信号数据输入至所述训练好的卷积神经网络，得到所述训练好的卷积神经网络输出的估计所得的符号速率。

2.根据权利要求1所述的方法，其特征在于，所述获取样本数据包括：

获取产生的比特流数据，对所述比特流数据采用多种不同的数字通信调制方式进行调制后得到复基带信号，所述复基带信号的采样点数为L，将所述复基带信号的实部和虚部分别作为一个列向量，按先实部后虚部的顺序组合成L行2列的矩阵，得到M个样本(x_i,y_i)，其中x_i为第i个样本对应的同相分量和正交分量构成的L行2列的矩阵，y_i为其符号速率。

3.根据权利要求2所述的方法，其特征在于，所述构造卷积神经网络包括：

构造所述卷积神经网络的输入层的大小为L行2列，中间层至少包含一个卷积层和一个非线性激活层，所述卷积神经网络的输出层为分类层或回归层。

4.根据权利要求2所述的方法，其特征在于，所述将所述样本数据划分为训练数据和测试数据，利用所述训练数据和所述测试数据，对所述卷积神经网络进行训练得到训练好的卷积神经网络包括：

从所述M个样本中选取T个作为所述训练数据，其余作为所述测试数据，利用反向传播算法对所述卷积神经网络进行训练，得到训练好的卷积神经网络，其中，1＜T＜M。

5.根据权利要求3所述的方法，其特征在于，如果所述卷积神经网络输出层为分类层，所述卷积神经网络输出的估计所得的符号速率为可枚举的离散数值。

6.根据权利要求3所述的方法，其特征在于，如果所述卷积神经网络输出层为回归层，则所述卷积神经网络输出的估计所得的符号速率为连续区间。

7.一种符号速率估计装置，其特征在于，包括：

样本获取单元，用于获取样本数据，其中，所述样本数据包括数字基带信号及其对应的符号速率，所述复基带信号是采用多种不同的数字通信调制方式对比特流数据调制后得到的；

训练单元，用于构造卷积神经网络，将所述样本数据划分为训练数据和测试数据，利用所述训练数据和所述测试数据，对所述卷积神经网络进行训练得到训练好的卷积神经网络；

估计单元，用于获取待估计信号数据，将所述待估计信号数据输入至所述训练好的卷积神经网络，得到所述训练好的卷积神经网络输出的估计所得的符号速率。

8.根据权利要求7所述的装置，其特征在于，

所述样本获取单元，具体用于获取产生的比特流数据，对所述比特流数据采用多种不同的数字通信调制方式进行调制后得到复基带信号，所述复基带信号的采样点数为L，将所述复基带信号的实部和虚部分别作为一个列向量，按先实部后虚部的顺序组合成L行2列的矩阵，得到M个样本(x_i,y_i)，其中x_i为第i个样本对应的同相分量和正交分量构成的L行2列的矩阵，y_i为其符号速率。

9.根据权利要求8所述的装置，其特征在于，

所述训练单元具体用于，构造所述卷积神经网络的输入层的大小为L行2列，中间层至少包含一个卷积层和一个非线性激活层，所述卷积神经网络的输出层为分类层或回归层；从所述M个样本中选取T个作为所述训练数据，其余作为所述测试数据，利用反向传播算法对所述卷积神经网络进行训练，得到训练好的卷积神经网络，其中，1＜T＜M。

10.根据权利要求9所述的装置，其特征在于，

所述估计单元，具体用于如果所述卷积神经网络输出层为分类层，所述卷积神经网络输出的估计所得的符号速率为可枚举的离散数值；如果所述卷积神经网络输出层为回归层，则所述卷积神经网络输出的估计所得的符号速率为连续区间。