[发明专利]一种基于卷积神经网络的载波频偏估计方法

权利要求书

1.一种基于卷积神经网络的载波频偏估计方法，其特征在于，包括以下步骤：

获取信号采样数据，包括：

在每一预设频偏下，仿真产生一个复基带信号，将其作为一个样本信号并转换为数字量信号；

对所述数字量信号采样，得到复基带采样信号；

将所述复基带采样信号的实部和虚部作为矩阵的两个行向量，构成一个矩阵；

在M个预设频偏下，采样得到M个样本(x_i,y_i)，作为信号采样数据；其中，x_i为第i个样本对应的同相分量和正交分量构成的矩阵，y_i为其对应的频偏值，M＞2；

基于所述信号采样数据构造卷积神经网络；

对构造的所述卷积神经网络进行训练，得到基于载波频偏的卷积神经网络模型；

利用所述基于载波频偏的卷积神经网络模型对信号载波频偏进行估计。

2.根据权利要求1所述的方法，其特征在于，所述复基带信号的频偏范围为[-f_s/2,f_s/2]，f_s为信号采样频率。

3.根据权利要求1所述的方法，其特征在于，对所述数字量信号采样的采样点数为L，L≥2，所述样本矩阵为L行2列的矩阵。

4.根据权利要求1所述的方法，其特征在于，所述卷积神经网络，具体包括，一个输入层，至少一个卷积层、一个非线性激活层、一个批归一化层，一个输出层，所述输出层为回归层。

5.根据权利要求1所述的方法，其特征在于，构造卷积神经网络具体过程包括，在输入层输入样本矩阵，通过卷积层，卷积层有多个卷积核进行卷积，经过批归一化层和非线性激活层处理，再通过dropout对其进行处理，经由回归层输出载波频偏。

6.根据权利要求1所述的方法，其特征在于，对卷积神经网络进行训练，得到基于载波频偏的卷积神经网络模型，具体包括：

从所述M个样本中选取P个作为训练数据，其余作为测试数据，对训练数据进行训练得到初始模型，采用测试数据验证初始模型的是否达到预期精度；

若是，则该模型即为最终的卷积神经网络模型，若否，则采用随机梯度下降法对初始模型进行调参，对训练数据进行重新训练，直至模型达到预期精度，其中1＜P＜M。

7.根据权利要求6所述的方法，其特征在于，采用随机梯度下降法对初始模型进行调参，具体包括，每次批处理训练时，计算网络误差并以此作为误差进行反向传播，根据第t-1迭代的参数值、目标函数对当前参数的一阶梯度以及学习效率，更新第t迭代的参数值。

8.根据权利要求3所述的方法，其特征在于，根据基于载波频偏的卷积神经模型对信号载波频偏进行估计，包括，

对待估计信号进行采样，获得复基带采样序列，提取所述采样序列的实部和虚部构成矩阵，并作为基于载波频偏的卷积神经网络模型输入，得到载波频偏的输出值。

9.根据权利要求8所述的方法，其特征在于，提取所述采样序列的实部和虚部构成矩阵，具体包括，若采样序列z(n)的采样点数等于L，提取所述采样序列z(n)的实部和虚部构成矩阵；

若采样序列z(n)的采样点数小于L，则在所述采样序列后面补上0，使其长度等于L，构成新的采样序列，提取采样序列的实部和虚部构成矩阵；

若采样序列z(n)的采样点数大于L，则采样序列为p_i(m)＝z((i-1)L+m)提取采样序列的实部和虚部构成矩阵，其中m＝0,1,2,...,L-1，i＝1,2,...,I，表示不大于N/L的最大整数。