[发明专利]一种面向非平稳工业互联网基于深度学习的NOMA信号检测方法

权利要求书

1.一种面向非平稳工业互联网基于深度学习的NOMA信号检测方法，其特征在于包括如下内容：

步骤一，利用最大似然估计法检测非平稳点并估计平稳过程持续时间；具体为：

将离散时域中点数为W的接收信号y(n)分解，得到M个基本模式分量c₁,c₂,…,c_M以及剩余分量r，则接收信号y(n)为：

其中j＝1、2、…、M；n为接收信号离散时域取值，n＝1、2、…、W；

对每个基本模式分量进行Hilbert变换，则将y(n)写为实数a_j(n)与复数乘积的形式：

将接收信号的平稳度定义为：

其中接收信号y(n)的Hilbert谱H为：

b_j为第j个基本模式分量的频率，当信号频率等于ω_j时，b_j＝1；当信号频率不等于ω_j时，b_j＝0，ω_j为与b_j相关的频域中一实数；

接收信号y(n)的平均边界谱B为：

平稳度DS(ω)能够定量检测数据的平稳性：对于平稳过程，y(n)的Hilbert谱H不随时间变化，此时DS(ω)＝0；如果DS(ω)不为零，此时为非平稳时间点，随着DS(ω)增大，信号的不平稳程度增强；记录DS(ω)＝0的持续时间即平稳过程的持续时间，并选取平稳过程的持续时间中出现次数最多的时间段作为预测的下次平稳持续时间，故而根据平稳持续时间能够预测下一次非平稳点出现的时间；

步骤二，构建一个由L个LSTM单元组成的LSTM单元串联网络；

步骤三，1)当接收信号y(n)处于平稳时间段中时，将接收信号作为LSTM单元串联网络的输入，并将L个LSTM单元的输出门的加权输出作为LSTM单元串联网络的整体输出，输出即各终端状态，故对第k个终端的状态Ω_k则有：

其中l＝1.2.3…L，w_l为第l个LSTM单元输出门的权重系数，为第k个终端的发送信号在LSTM单元串联网络中第l个LSTM单元的输出门的输出矢量；

对于Ω_k，如果Ω_k的值大于0.5，则认为Ω_k＝1，即终端k是活跃的；如果Ω_k的值小于0.5，则认为Ω_k＝0，即终端k是不活跃的，故得到活跃终端状态集合；

2)当接收信号y(n)处于非平稳点时，重新训练步骤二中建立的LSTM单元串联网络，再根据步骤1)获取活跃终端状态集合；

步骤四，采用基于深度神经网络的SIC信号检测方法对输入信号解调：

将步骤三中所获得的所有活跃终端状态集合以及接收信号y(n)输入DNN信号检测器，DNN信号检测器对输入信息进行解调，并输出解调后的信号。

2.根据权利要求1所述的一种面向非平稳工业互联网基于深度学习的NOMA信号检测方法，其特征在于所述DNN信号检测器包括一个输入层、若干个隐藏层和一个输出层，隐藏层的个数等于终端个数；将y(n)输入DNN信号检测器的输入层中，依次经过所有的隐藏层，获得解调信号，并通过输出层输出。