[发明专利]一种基于深度学习的自适应空域均衡方法

说明书

一种基于深度学习的自适应空域均衡方法，发送端发送数据帧，发送端发送数据帧到达接收端后，接收端有M根天线，将M根天线接收到的数据帧的实部和虚部进行串联，作为深度学习神经网络的输入，发送端发送的理想数据信号作为监督信息，进行神经网络的训练；其中，深度学习神经网络为多层前馈神经网络；训练完成之后进行网络测试，发送端发送新的数据帧到接收端，接收端同样将M根天线接收到的数据帧的实部和虚部进行串联，作为训练完成之后的深度学习神经网络的输入，经过深度学习神经网络的计算完成空域均衡。本发明不仅在均衡过程的复杂度方面有一定程度的改善，而且当干扰与期望用户具有相近入射角度时有持平或者更好的抗干扰性能。

技术领域

本发明属于无线通信领域，涉及一种基于深度学习的自适应空域均衡方法。

背景技术

无线通信视距传播过程中，数据信号无遮挡地在发送端和接收端之间直线传播。在此传播过程中，数据信号波可能会受到地面的反射和散射，大气层也会对数据信号波进行吸收、反射和散射，由此可能会导致接收数据信号产生幅度衰落等现象。同时，无线通信过程中，外界干扰和噪声也会对接收数据信号的质量产生一定程度的影响。因此，接收端如何还原接收数据信号，使其最大限度地接近发送端发送的理想数据信号，是实现高可靠无线通信的关键步骤。

深度学习近年来掀起了新一轮的研究热潮，它在解决非参数问题方面显示出了巨大的潜力。深度学习常用的神经网络结构包括全连接神经网络、卷积神经网络、递归神经网络等。目前，深度学习在计算机视觉、自然语言处理、语音处理等方面取得了良好的实际应用效果。而深度学习和通信领域的结合还处于起步阶段。

发明内容

本发明的目的在于克服现有技术在复杂度方面的不足，提供一种基于深度学习的自适应空域均衡方法。

为达到上述目的，本发明采用以下技术方案予以实现：

一种基于深度学习的自适应空域均衡方法，包括以下步骤：

步骤一：发送端发送数据帧；

步骤二：发送端发送数据帧到达接收端后，接收端有M根天线，将M根天线接收到的数据帧的实部和虚部进行串联，作为深度学习神经网络的输入，发送端发送的理想数据信号作为监督信息，进行深度学习神经网络的训练；其中，深度学习神经网络为多层前馈神经网络；

步骤三：发送端发送新的数据帧到接收端，接收端将M根天线接收到的数据帧的实部和虚部进行串联，作为训练完成之后的深度学习神经网络的输入，经过深度学习神经网络的计算完成空域均衡。

本发明进一步的改进在于，步骤一中，在发送端，发送的数据帧包括长度为N₁的导频块和长度为N₂的数据块，其中，导频块在前，数据块在后。

本发明进一步的改进在于，发送数据帧经由LOS信道到达接收端，发送数据帧传输过程中存在干扰和AWGN噪声。

本发明进一步的改进在于，步骤二中，多层前馈神经网络的最后两层之间的激活函数选择Sigmoid函数，将输出映射到[0,1]之间，其余各层间的激活函数选择ReLU函数。

本发明进一步的改进在于，步骤二中，M根天线接收到的数据帧在信道传输过程中，令数据帧和干扰的入射角度均在0到180度之间，信噪比SNR为5dB，10dB，15dB，20dB，25dB中的一个，信干比SIR为2dB，3dB，4dB，5dB中的一个。

本发明进一步的改进在于，步骤二中，训练过程中，损失函数选择L₂函数：

其中，是神经网络的输出预测值，X(k)是发送端实际发送的理想数据信号。

本发明进一步的改进在于，步骤二中，训练过程中，给定初始学习率，并令其随期数epoch的增加而减小。