[发明专利]一种基于深度学习的系统检测方法

权利要求书

1.一种基于深度学习的系统检测方法，其特征在于，包括：

确定神经网络，所述神经网络包括输入层、隐藏层和输出层；

获得输出层向隐藏层传递的关系和隐藏层向输出层传递的关系，确定隐藏层的层数；

确定神经网络的权值变化量和神经网络的阈值变化量；

对接收到的信号基于神经网络进行信道估计；

获得滤波器系数组，并基于所述滤波器系数组确定神经网络的权值的初始值；

计算所述神经网络的网络训练的代价函数；

输出神经网络的修正后的权值、神经网络的修正后的阈值、隐藏层的层数和所述神经网络的网络训练的代价函数。

2.根据权利要求1所述的一种基于深度学习的系统检测方法，其特征在于：所述输出层向隐藏层传递的关系其中x_i表示神经网络输入层第i个神经元节点；w_ij表示输入层第i个神经元节点和隐藏层第j个节点之间的连接权值；b_j为隐藏层第j个节点的阈值。

3.根据权利要求2所述的一种基于深度学习的系统检测方法，其特征在于：所述隐藏层第j个神经元节点的输出O_j＝f(z_j)。

4.根据权利要求3所述的一种基于深度学习的系统检测方法，其特征在于：所述输出层第t个神经元输出

5.根据权利要求4所述的一种基于深度学习的系统检测方法，其特征在于：所述神经网络的修正后的权值为w_jt(N+1)＝w_jt(N)-ηΔw_jt，其中η表示梯度下降的步长,w_jt(N)表示N时刻第j个神经元到第t个输出神经元的权重值；

所述神经网络的修正后第N+1时刻第t个输出神经元的阈值为b_t(N+1)＝w_jt(N)-ηΔb_t，其中

6.根据权利要求5所述的一种基于深度学习的系统检测方法，其特征在于：所述隐藏层的层数其中H为隐藏层的层数，I为输入层的个数，O为输出层的个数，T为1到10的随机数。

7.根据权利要求6所述的一种基于深度学习的系统检测方法，其特征在于：所述神经网络的网络训练的代价函数其中s_m，k为第m根天线的第k个用户发送的已调符号；为第m根天线的第k个用户发送的估计符号；mse表征为所有天线和用户的总体均方最小误差。

8.根据权利要求1所述的一种基于深度学习的系统检测方法，其特征在于：所述滤波器系数组其中为接收到的信号基于神经网络进行信道估计的信道估计值。