[发明专利]一种基于模型驱动深度学习的MIMO-SCFDE自适应传输方法

权利要求书

1.一种基于模型驱动和深度学习的MIMO-SCFDE自适应传输方法，其特征在于，所述方法包括以下步骤：

步骤1：基于MIMO-SCFDE无线通信系统框架生成自适应传输方法所需的数据集，AMNet数据集的特征信息来自于在接收端提取的估计的信噪比信息、信道矩阵的秩信息、信道矩阵的标记信息以及信道均衡信息，并且通过分析信号检测性能根据最优的调制方式分配标签，ADNet数据集的特征信息来自不同调制方式的循环谱，根据调制方式的类别进行分配标签；

步骤2：将步骤1所述的AMNet和ADNet的样本数据随机打乱并重新划分为12000组训练集用于离线训练，3000组验证集用于验证模型的性能和2000组用于网络性能的测试，并对数据进行归一化处理；

步骤3：基于步骤2所述的数据集，利用主成分分析(PCA)算法对特征信息进行线性降维，将多维度的特征信息作为自适应传输模型的输入；

步骤4：将步骤3所述数据中每组提取的特征参数分别输入到以2D CNN、LSTM和FC-DNN为子网络的AMNet和采用集成CNN的ADNet中进行自学习，前者子网络的数目等于不同发送天线和接收天线间组合的个数，后者子网络数目为所采用的调制方式的个数；

步骤5：AMNet中每组特征参数经过每一个子网络后都会生成一种调制方法Si，其由0和1组成的向量来表示，根据对自适应因子与输出结果的乘积求和完成自适应集成；ADNet中采用复杂度分类CNN根据循环谱的复杂度进行集成分析，其复杂度计算参数为颜色矩，灰度共生矩阵，信息熵以及边缘检测，并根据不同调制方式的循环谱图与CNN深度的适应性关系，对复杂度为0，1，2，3的循环谱图分别采用LeNet-5，AlexNet，VGG-16和ResNet-50进行识别，进而充分发挥CNN的固有特性；

步骤6：根据由步骤1、步骤2、步骤3、步骤4和步骤5所建立的模型替代MIMO-SCFDE系统的调制和调制识别部分进行在线测试；

所述步骤3中，主成分分析(PCA)算法的实现包括以下步骤：步骤3.1：将原始数据按列组成n行d列矩阵X；步骤3.2：将X的每一列进行零均值化，即减去这一列的均值,列代表一个属性；步骤3.3：求出协方差矩阵m为向量的元素数；步骤3.4：求出协方差矩阵的特征值及对应的特征向量；步骤3.5：将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P；步骤3.6：Y＝PX即为降维到k维后的数据；

所述步骤5中，AMNet的训练过程包括以下步骤：步骤6.1：将12000组多维度的特征信息输入到网络中训练，采用改进的蚁群优化算法优化神经网络以获得最佳的权值和偏置值，神经网络的学习率随着迭代次数的增加而减少；步骤6.2：将3000组验证集中不同维度的特征信息打乱顺序后对所建立网络性能进行验证；步骤6.3：损失函数选用交叉熵函数：C_i代表实际值，代表预测值；

所述步骤5中，采用不同路径延时下的接收功率作为自适应因子对子网络的输出结果进行自适应集成包括以下步骤：步骤7.1：设自适应集成模型中信道和特征参数的数目分别设置为i,i＝1,2,···,m和j,j＝1,2,···,n，因此接收功率可以表示为：

步骤7.2：计算第i个信道和第j组参数的自适应因子为：

其中，

步骤7.3：通过矩阵I对每个子网络所对应参数的预测结果S_x进行组合，每个预测结果都是由0和1组成的向量来表示，加入自适应因子后，基于AMNet得到的调制方法表示为：

2.根据权利要求1所述的一种基于模型驱动和深度学习的MIMO-SCFDE自适应传输方法，其特征在于：所述步骤2中，数据归一化公式为其中，x_i^*表示归一化后的数据，x_i表示原始数据，x_max和x_min分别表示原始数据集的最大值和最小值。

3.根据权利要求1所述的一种基于模型驱动和深度学习的MIMO-SCFDE自适应传输方法，其特征在于：所述步骤4中，2D CNN网络采用由多个卷积滤波器组成的卷积层和一个平均池化层对数据进行提取，LSTM网络采用4层隐含层，状态激活函数采用tanh，时间步长设置为5，FC-DNN的层数为3层，并通过改进的蚁群优化算法进行优化。