[发明专利]一种基于深度学习的空间调制网络中联合检测方法

权利要求书

1.一种基于深度学习的空间调制网络中联合检测方法，其特征在于：所述方法利用信道和接收信号产生训练样本，组成训练集，利用原始数据比特产生标签，用训练集和标签训练深度神经网络，训练完成后，向深度神经网络输入信道和接收信号，得到输出，即为信号检测结果；所述方法包括以下具体步骤：

S1.将信道处理为实值行向量，将接收信号处理为实值行向量，二者堆叠生成训练样本，一批样本组成训练集，将原始数据比特处理为独热编码形式，生成对应于训练集的标签；相关过程如下：

在空间调制系统中，若发射天线数为N_t，采用M阶相位幅度调制，则一个时隙传输β＝(log₂N_t+log₂M)个比特数据，它们被调制为N_t个天线索引之一j和M个星座符号之一n，一共有N_t×M种可能；假设第i个样本对应第n种可能，则该样本对应的标签用独热编码形式表示为：

其中y⁽ⁱ⁾_n＝1表示该样本对应第n种可能；

假设一个训练批次共有t个时隙对应的t个样本，则该训练批次的标签y为：

S2.使用Tensorflow框架，采用随机梯度下降法，引入Adam自适应学习率方法和正则化方法，搭建DNN，使用训练集及其标签训练深度神经网络；

S3.向深度神经网络输入信道和接收信号，得到输出，即为信号检测结果；每当信道矩阵和接收信号发生变化时，将其输入DNN，即可得到输出，即为检测结果；在DNN训练好之后，只要信道的随机分布不发生改变，便无需进行新的训练。

2.根据权利要求1所述的一种基于深度学习的空间调制网络中联合检测方法，其特征在于：利用信道和接收信号产生训练样本，组成训练集，利用原始数据比特产生标签，具体步骤为：将信道处理为实值行向量，将接收信号处理为实值行向量，二者堆叠生成训练样本，一批样本组成训练集，将原始数据比特处理为独热编码形式，生成对应于训练集的标签。

3.根据权利要求1所述的一种基于深度学习的空间调制网络中联合检测方法，其特征在于：使用训练集合训练深度神经网络，具体步骤为：使用Tensorflow框架，采用随机梯度下降法，引入Adam自适应学习率方法和正则化方法，搭建DNN，使用训练集及其标签训练深度神经网络。

4.根据权利要求1所述的一种基于深度学习的空间调制网络中联合检测方法，其特征在于：向深度神经网络输入信道和接收信号，得到输出，即为信号检测结果，具体步骤为：向深度神经网络输入信道和接收信号，得到输出，即为信号检测结果；每当信道矩阵和接收信号发生变化时，将其输入DNN，即可得到输出，即为检测结果；在DNN训练好之后，只要信道的随机分布不发生改变，便无需进行新的训练。