[发明专利]基于MDMSFFN的空时分组码自动识别方法和装置

权利要求书

1.一种基于多时延多时序特征融合MDMSFFN网络模型的空时分组码识别方法，其特征在于，包括：

提取待测试接收信号的实部和虚部组成2×N维空时分组码STBC样本，对所述STBC样本进行合并卷积生成一维特征向量，采用与多时延参数相同的多扩张率对所述一维特征向量进行扩张卷积生成时延特征向量；

使用连续卷积方法提取所述时延特征向量的深层多时延特征，并对所述深层多时延特征进行拼接操作以生成第一拼接矩阵，提取所述第一拼接矩阵的多时间步码间特征；

将所述多时间步码间特征拆分成一维特征向量，并对所述的一维特征向量进行拼接生成第二拼接矩阵，将所述第二拼接矩阵进行特征融合，按列遍历所述第二拼接矩阵，选取所述第二拼接矩阵中的最大时延特征作为深层融合特征，根据所述深层融合特征生成融合特征向量；

将特征融合向量输入残差层以提升融合信息利用率，通过以Softmax为激活函数的全连接层对所述STBC编码进行识别，以确定所述待测试接收信号的类别；

其中，所述对所述STBC样本进行合并卷积生成一维特征向量，具体为将所述STBC样本的实虚部合并成一维特征向量，表示为：

h^l＝f(x_I/Q*W^l+b^l)

其中，该函数表示由第l个卷积核提取出的特征向量h^l，W^l和b^l分别表示第l个卷积核的待学习权值和偏置，*表示卷积运算，f(·)为激活函数，x_I/Q为输入特征样本，

所述采用与多时延参数相同的多扩张率对所述一维特征向量进行扩张卷积生成时延特征向量，表示为：

其中，该函数表示在扩张率τ下第k个卷积核提取的时延向量在i位置处的值，为合并卷积层输出的一维特征向量h^l在i+τs处的值，S为卷积核的长度，L为合并卷积层的特征图个数，为第k个卷积核在s处的待学习权值，b^k为待学习偏置，

所述使用连续卷积方法提取所述时延特征向量的深层多时延特征，表示为：

其中，该函数表示在时延τ下第g个卷积核输出的一维向量，W^g和b^g分别为该卷积核的待学习权值和偏置，为所述时延特征向量，

所述对所述深层多时延特征进行拼接操作以生成第一拼接矩阵，表示为：

其中，该函数表示将深度卷积层输出的3通道转换为2通道，P_τ为维度重塑后的拼接矩阵，

所述提取所述第一拼接矩阵的多时间步码间特征，表示为：

其中，该函数表示在t时刻隐藏层的输出，为当前时刻的输出门状态，为更新后的记忆单元状态，的函数表达式为：

其中，由当前时间步的遗忘门与输入门控制，为t-1时刻记忆单元的状态，W_l和b_l表示记忆单元当前状态的权值与偏置，

所述遗忘门输入门和输出门的状态由当前时间步的输入和在t-1时刻隐藏层的状态共同决定，分别表示为：

其中，W_f与b_f、W_i与b_i和W_o与b_o表示遗忘门、输入门和输出门的权值与偏置，σ(·)为sigmoid函数，

所述将所述多时间步码间特征拆分成一维特征向量，表示为：

其中，该函数表示为在时延τ下将所述多时间步码间特征y_τ按行拆分为一维特征向量，Q为一维向量的个数，

所述对所述的一维特征向量进行拼接生成第二拼接矩阵，表示为：

其中，该函数表示将同一序号的3类时延下的1×N维特征向量按行进行拼接，S^q为拼接得到的第q个3×N维矩阵，

所述将所述第二拼接矩阵进行特征融合，按列遍历所述第二拼接矩阵，选取所述第二拼接矩阵中的最大时延特征作为深层融合特征，表示为：

U^q(j)＝maxS^q(j)

其中，S^q(j)为第q个拼接矩阵的第j列，

所述根据所述深层融合特征生成融合特征向量，表示为：

R^q＝f(h(U^q)+F(U^q,W^q))

其中，该函数表示对于第q个融合特征向量，经过残差层后的输出，h(·)为跨越连接的映射函数，采用h(U^q)＝U^q的恒等映射，F(·)为残差映射函数，W^q为待学习的权重，h(U^q)为所述深层融合特征。