[发明专利]基于深度学习的脉冲噪声削减方法

权利要求书

1.一种基于深度学习的脉冲噪声削减方法，其特征在于，包括以下步骤：

步骤1、随机生成一个用于训练模型的信息序列，经过编码、调制后叠加特定参数的信道高斯噪声与脉冲噪声，特定参数包括脉冲噪声均值、方差以及脉冲噪声发生概率，具体为：

步骤1-1、假设通信系统发送端发送信息序列长度为N，随机生成长度为N的0-1序列作为发送信号，并对发送信号进行BPSK调制；

步骤1-2、将发送端调制后的信号经过理想信道与脉冲噪声发生器，同理想信道噪声与脉冲噪声叠加生成接收端接收信号，其中理想信道噪声即高斯白噪声为均值为0、方差为1的高斯噪声，脉冲噪声发生器产生的脉冲噪声为伯努利-高斯噪声，表示为：

i_k＝b_kg_k

其中b_k为伯努利序列，该序列服从伯努利分布；g_k服从均值为0方差为的高斯分布；

步骤2、将叠加后的噪声与信息作为神经网络的输入，脉冲噪声产生的序列作为神经网络的标签，训练脉冲噪声检测模型；具体为：

步骤2-1、将接收端接收的信号作为神经网络的输入，即把r_k作为训练数据导入神经网络中训练，接收的信号为经过编码、调制后的信号与理想信道的高斯白噪声与脉冲噪声发生器产生的伯努利-高斯噪声的叠加，表示为：

r_k＝s_k+n_k+i_k

其中s_k为有用信号，n_k为高斯白噪声，i_k为脉冲噪声；

步骤2-2、将脉冲噪声产生的序列作为神经网络标签，即b_k导入神经网络中作为训练标签；

步骤2-3、将训练好的神经网络模型保存作为脉冲噪声识别模型；

步骤3、随机生成需要传递的信息，经过编码、调制后叠加与模型训练参数相同的信道噪声与脉冲噪声；

步骤4、将叠加后的信号与噪声作为模型的输入，用训练好的脉冲噪声检测模型检测其脉冲噪声；

步骤5、对神经网络模型检测出的脉冲噪声点进行脉冲噪声削减；

步骤6、将削减后的输出信息解调，根据发送端传递的信息与接收端获取的信息求取误码率。

2.根据权利要求1所述的基于深度学习的脉冲噪声削减方法，其特征在于，步骤5中对神经网络模型检测出的脉冲噪声点进行脉冲噪声削减，具体为：

步骤5-1、接收端根据神经网络模型将输出信号标记为有脉冲噪声点与无脉冲噪声点；

步骤5-2、对有脉冲噪声点的信号置零，对无脉冲噪声点的信号不做处理。