[发明专利]从低分辨率样本进行基于机器学习的信号检测和重构

权利要求书

1.一种装置，包括：

组合器(204)，用于将接收到的模拟信号与模拟抖动信号进行组合以产生组合的模拟信号，其中所述模拟抖动信号是正弦波或者两个或更多个正弦波的组合；

一比特模拟到数字转换器(205)，用于将所述组合的模拟信号转换为组合的数字信号；

用于针对所述组合的数字信号执行联合下采样和特征提取的部件(206)；

用于实现经训练的机器学习算法的部件(207)，所述经训练的机器学习算法用于至少基于从所述组合的数字信号提取的一个或多个特征，来计算用于波形生成的一个或多个输入参数，其中所述一个或多个输入参数至少包括所述模拟抖动信号的至少一个正弦波的幅度；

参数波形生成器(208)，用于基于所述一个或多个输入参数来生成所述模拟抖动信号；以及

用于通过执行以下至少一项来处理所述组合的数字信号的部件(209)：

通过将至少一个数字带通滤波器应用于所述组合的数字信号，将所述接收到的模拟信号重构为具有比所述组合的数字信号高的分辨率的数字信号，以及

对所述组合的数字信号执行比特到符号解映射。

2.根据权利要求1所述的装置，其中所述一个或多个特征包括以下一项或多项：

所述组合的数字信号中零到一转变的次数；

所述组合的数字信号中一到零转变的次数；

所述组合的数字信号中零到一转变与一到零转变的比率；

所述组合的数字信号中所述零到一转变的所述次数与所述一到零转变的所述次数之间的差异；

所述组合的数字信号的二阶矩；

所述组合的数字信号中的噪声能量；和

所述组合的数字信号中由相邻信道上的干扰引起的能量。

3.根据任何前述权利要求所述的装置，其中所述经训练的机器学习算法已经被训练用于优化对以下所述至少一项的执行：所述接收到的模拟信号的所述重构以及所述比特到符号解映射的所述执行。

4.根据任何前述权利要求所述的装置，其中用于执行所述联合下采样和特征提取的所述部件(206)、用于所述实现的所述部件(207)和用于所述处理的所述部件(209)包括：

至少一个处理器(920)；以及

至少一个存储器(930)，包括计算机程序代码(931)，所述至少一个存储器(930)和所述计算机程序代码(931)被配置为与所述至少一个处理器(920)一起，引起所述联合下采样和特征提取的所述执行、所述实现和所述处理。

5.一种装置，包括用于执行以下的部件(401-407、1001)：

将接收到的数字信号与数字抖动信号进行组合以产生第一组合的数字信号，其中所述数字抖动信号是对正弦波或者两个或更多个正弦波的组合的数字近似；

将量化算子的可微近似应用于所述组合的数字信号以形成第二组合的数字信号，其中所述量化算子的所述可微近似在数字域中近似于一比特模拟到数字转换器；

针对所述第二组合的数字信号执行联合下采样和特征提取；

至少基于从所述第二组合的数字信号提取的一个或多个特征，通过使用机器学习算法来计算用于波形生成的一个或多个输入参数，其中所述一个或多个输入参数至少包括所述数字抖动信号的至少一个正弦波的幅度；

基于所述一个或多个输入参数来生成所述数字抖动信号；

通过将至少一个数字带通滤波器应用于所述第二组合的数字信号来重构具有比所述第二组合的数字信号的分辨率高的分辨率的所述接收到的数字信号，或者通过对所述第二组合的数字信号执行比特到符号解映射，来处理所述第二组合的数字信号；

至少基于对所述第二组合的数字信号的所述处理的结果和与所述接收到的数字信号相关联的对应已知目标数据，计算损失函数的值；以及

通过至少基于所述损失函数的所述值来调整所述机器学习算法的一个或多个参数，来训练所述机器学习算法。

6.根据权利要求5所述的装置，其中所述机器学习算法被实现并被训练为递归神经网络，所述递归神经网络在预定义数目的时间步长的时间内采用展开。