[发明专利]基于稀疏自编码器的m序列识别方法

说明书

本发明公开了一种基于稀疏自编码器的m序列识别方法。首先介绍了m序列的三阶相关函数的峰值特性，验证了利用完整周期m序列或者m序列片段估计的TCF均保持良好的峰值特性。其次，根据m序列TCF特性，提出一种基于三阶相关特征向量的输入样本构造方法。最后，利用稀疏自编码器构建特征学习网络，使用softmax回归对学习到的特征进行分类识别，建立一个稀疏自编码网络分类模型，并将预先构造好的样本输入模型，训练得到一个具有最优识别性能的模型。本发明能有效识别m序列，且在低信噪比条件下识别性能良好。

技术领域

本发明属于通信中二进制伪随机序列的估计和识别领域，特别涉及一种利用稀疏自编码网络的m序列的识别方法。

背景技术

二进制伪随机序列因具有良好的伪随机特性被广泛应用在扩频通信领域中。m序列是最具代表性的一种伪随机序列，它的估计和识别是扩频系统中信息解密的基础，因此研究m序列的识别算法具有重要的理论意义和价值。

现有的国内外对m序列识别研究的文献中，Massey算法、欧几里得算法都能达到识别序列生成多项式的目的，但受误码影响大。基于高阶统计分析的三阶相关函数(TripleCorrelation Function，TCF)法因为过程简单、易被理解应用而受到广泛关注。在已公开的研究成果中，学者们根据TCF峰值出现的位置利用矩阵斜消法确定m序列的本原多项式，利用拟合优度检验提高峰值点检测的正确率，但在低信噪比峰值点检测的正确率还有待进一步提高。

近年来，深度学习由于对复杂特征优秀的抽象和建模能力强，已引起了各领域学者们的广泛研究。自编码器作为深度学习的模型之一，可以捕捉到输入数据中的重要特征，已被应用于数据的分类识别中。为此利用m 序列的三阶相关函数特性，本发明提出了一种基于稀疏自编码器(Sparse Autoencoder,SAE)和Softmax回归的m序列的识别算法，简记为TCF-SAE 算法。

发明内容

本发明针对m序列的识别问题，提出一种基于稀疏自编码器的m序列识别方法。

本发明中基于稀疏自编码器的m序列识别方法的步骤是：

步骤1、产生N不同周期T、不同信噪比下的完整m序列；

步骤2、估计每个序列在[T/2,T/2]范围内的三阶相关函数，得到包含 m序列特征信息的三阶相关矩阵；

步骤3、提出取模映射方法降低三阶相关矩阵的维度，得到新的特征信息矩阵并向量化，得N个向量作为训练集样本；

步骤4、建立稀疏自编码器网络用于样本特征的提取，引入softmax 回归模型，将自编码器网络提取到的特征作为输入，用于分类识别；

步骤5、利用代价函数最小化对稀疏自编码网络和softmax分类器逐层训练，然后整体微调优化模型；

步骤6、参照步骤1-步骤3构建测试集样本，输入训练好的模型，完成m序列的识别。

本发明提出一种基于稀疏自编码器的m序列识别方法，引入稀疏自编码器和softmax回归模型，通过大量样本的训练，得到一个最优的适用于 m序列识别的SAE网络分类模型。

本发明提出一种基于m序列三阶相关特性的网络输入样本构造方法。由于m序列具有三阶相关函数具有峰值特征，且验证发现完整的m序列或者m序列片段的三阶相关函数均保持良好的TCF峰值特性。因此可利用该性质构造序列的三阶相关特征向量，作为输入样本训练网络。

本发明针对随着m序列周期变长导致三阶相关特征向量维度太大的问题，提出一种取模映射的数据处理方法，先将三阶相关函数构成的三阶相关矩阵映射到一个维度更小的矩阵中，再将矩阵向量化，降低样本的维度，从而大大降低了网络的训练难度，节约训练时间。

本发明的有益效果是：