[发明专利]一种基于CapsNet胶囊网络的盲接收机方法及装置

说明书

本发明涉及污水处理技术领域，且公开了一种基于CapsNet胶囊网络的盲接收机方法及装置。本发明所描述的方法中通过引入了一种基于CapsNet胶囊网络的面向智能通信的盲接收机方法及装置，首先，使用具有良好的模块化设计和可编程能力的USRP设备组成发射机和接收机，采集用于训练和测试CapsNet神经网络的射频信号数据集；其次，依靠CapsNet神经网络自主学习各种非理想因素给射频信号的传播带来的负面影响对环境因素具有自感知及可持续学习的能力，能从畸变的射频信号中精确地恢复出原始比特流信息；最后，根据接收机的算力等性能，提出了离线和在线的训练方式，并依靠CapsNet胶囊网络强大的泛化能力，使得智能通信盲接收机系统具有更广的适用性，应用领域较为广泛。

技术领域

本发明涉及智能通信领域，具体涉及一种基于CapsNet胶囊神经网络的盲接收机方法及装置。

背景技术

随着5G通信、物联网、边缘计算等技术的快速发展，这些新兴技术已经应用并渗透到人们生产生活的方方面面，成为不可或缺的一部分。与传统通信技术相比，这些新兴技术的应用范围更加广泛，应用场景也更加复杂多样。不同的应用范围和场景对通信技术提出了更多的个性化的要求，如远程医疗技术领域则要求端到端通信具有较高的精度，车联网技术领域则要求端到端通信低延迟，因此，复杂环境下则要求通信技术具有应对复杂环境对射频信号所带来干扰的能力，智能化的盲接收机便应运而生。

传统通信技术一般采用相对明确的射频信号接收和解码能力，在移动应用场景复杂化的今天，这种模式的弊端也日益凸显，其一，在复杂的应用场景下，信号到达接收端之前会受到各种非理想因素的影响，如射频损伤、信道衰落、噪声和干扰，这都给接收端精确地接收信号带来严峻的挑战；其二，场景的复杂化，接收端无法自适应地感知环境对射频信号的影响，造成原本使用某一场景下在另外场景下使用遇到障碍；最后，传统基于CNN或RNN等深度卷积神经网络的智能盲接收机，不仅需要大量的标记样本作为训练集和测试集，而且全连接层模式过于冗余低效，训练过程计算复杂度和存储杂度较高，且泛化能力不强，导致接收端缺乏自主学习能力，同时也缺乏应对各种复杂因素及其相互作用带来的负面影响，给接收机恢复出高质量的信息带来严峻的障碍。

发明内容

解决的技术问题

针对上述问题，本发明提出了一种基于CapsNet胶囊网络的深度接收机模型，用于实现接收端自主学习环境噪声对射频信号的各种非理想因素的影响，自主地从含噪音信号中恢复出精确的信息比特流，突破传统的通信接收机中算法主要针对特定的调制和编码方式进行设计，对于发射机采用自适应编码调制的通信系统，其接收端也往往需要知道当前信号采用的是哪种调制和编码方式，才能选择对应的接收算法进行信息恢复，解决了传统基于CNN 或RNN等深度卷积神经网络的智能盲接收机，不仅需要大量的标记样本作为训练集和测试集，而且全连接层模式过于冗余低效，训练过程计算复杂度和存储杂度较高，且泛化能力不强，导致接收端缺乏自主学习能力，同时也缺乏应对各种复杂因素及其相互作用带来的负面影响，给接收机恢复出高质量的信息带来严峻的障碍等问题。

技术方案

为实现上述目的，本发明提供如下技术方案：

一种基于CapsNet胶囊网络的盲接收机方法，包含以下步骤：

S1、复杂场景下非理想射频信号训练样本的采集；

S2、基于CapsNet神经网络的智能通信接收机建模；

S3、基于CapsNet神经网络的智能盲接收机的训练与部署。

根据权利要求上述的基于CapsNet胶囊网络的盲接收机方法，现提出一种基于CapsNet胶囊网络的盲接收机装置，其特征在于：