[发明专利]一种基于大规模天线阵的多普勒频偏测量方法

权利要求书

1.一种基于大规模天线阵的多普勒频偏测量方法，其特征在于，包括：

第一步，构建信号训练集，信号训练集包含输入数据矩阵和输出结果，输入数据矩阵的每一行与一个射频链路对应，并对应输入到一个输入节点；

第二步，分组，依次顺序地将两个输入节点编为一组，输入到一个预处理单元，进行预处理；

第三步，预处理，对于每个预处理单元，首先，对输入到预处理单元的两路信号之一，延时D个采样点，D是非负数；然后，对一路直通信号和一路延时信号进行相乘；最后，求取乘法结果的均值；

第四步，深度神经网络训练，将信号训练集中的输入数据矩阵经过预处理后，输入到深度神经网络，得到深度神经网络当前的输出结果，用深度神经网络当前的输出结果和输入数据矩阵对应的输出结果，计算深度神经网络的性能，采用反向传播和梯度下降算法迭代训练深度神经网络，直至深度神经网络的性能达到预设门限，得到深度神经网络模型；

第五步，实时测量，将实测数据经过第二步和第三步处理后，送入到第四步训练完成的深度神经网络模型，得到实测数据对应的多普勒频偏测量值。

2.根据权利要求1所述的基于大规模天线阵的多普勒频偏测量方法，其特征在于，第一步具体为：

构建信号训练集，信号训练集包含输入数据矩阵和输出结果，其中，输入数据矩阵是N×M维的矩阵，其中，N表示大规模天线阵列的射频链路数，M表示每个射频链路的采样数据点数，输出结果是1×1维的数据，表示多普勒频偏，一个输入数据矩阵与一个输出结果对应。

3.根据权利要求2所述的基于大规模天线阵的多普勒频偏测量方法，其特征在于，第四步具体为：

深度神经网络训练，将信号训练集中的输入数据矩阵经过N/2个预处理单元的预处理后，得到N/2个预处理结果，输入到深度神经网络，得到深度神经网络当前的输出结果，用深度神经网络当前的输出结果和输入数据矩阵对应的输出结果，计算深度神经网络的性能，采用反向传播和梯度下降算法迭代训练深度神经网络，直至深度神经网络的性能达到预设门限，得到深度神经网络模型。

4.根据权利要求1所述的基于大规模天线阵的多普勒频偏测量方法，其特征在于，第四步，计算深度神经网络的性能时，性能函数选用归一化均方根误差。