[发明专利]一种基于深度学习的太赫兹信号检测方法

权利要求书

1.一种基于深度学习的太赫兹信号检测方法，该方法用于太赫兹通信系统，设太赫兹通信系统包括1个基站和1个用户终端设备，基站具有N_r根天线，用户终端设备具有N_t根天线，以平坦瑞利信道为信道模型，发送和接收设备的硬件损伤及噪声均服从高斯分布，系统的调制方案为空间调制，其特征在于，所述信号检测方法包括以下步骤：

S1、对太赫兹通信系统进行数学建模，接收信号y的公式如下公式1：

y＝h_i(x_i+n_t)+n_r+n_noise (公式1)

公式1中，为第i根发射天线到接收机的信道衰落系数，x_i为空间调制后第i根天线上传输的调制信号，n_t和n_r分别表示发射机和接收机处的硬件损伤，其中，n_t～CN(0,ξ_t²P)，n_r～CN(0,ξ_r²PH_i)，ξ_t²和ξ_r²分别为发射机和接收机的硬件损伤水平，P为发射信号的功率，为高斯白噪声，σ_n²为噪声的功率；

S2、将信道矩阵转化为一维向量h，然后再将复数域的h转化为实数域的信号h^real，其中h^real＝[Re(h),Im(h)]^T，同理，接收信号y也转化为实数域信号y^real，其中y^real＝[Re(y),Im(y)]；

S3、将发送端的原始数据比特流s用独热编码表示，记为s^label,并将接收端转化为实数域信号的y^real及实数域信道状态信息h^real拼接在一起，记为x^input，其表达式如公式2：

其中，y⁽ⁿ⁾表示为接收端的第n个接收数据，h⁽ⁿ⁾表示第n个发射信号经过的信道；

S4、将x^input和s^label制作为DNN网络的训练样本(x^input,s^label)，其中x^input为网络的输入，s^label为网络的标签；

S5、搭建DNN网络：DNN网络的隐藏层共使用5个Dense层，并且在每个Dense层后面都加了一个批归一化层，从第一个Dense层到最后一个Dense层的网络节点数分别设置为1200、800、500、300、100，并且每个Dense层的节点中使用的激活函数都为ReLU函数，最后的输出层也为Dense层，激活函数设置为sigmoid函数；网络进行训练时采用的优化算法为Adam算法，损失函数设置为均方误差函数，采用训练样本进行训练后获得训练好的DNN网络模型；

S6、将训练好的DNN网络模型部署到太赫兹通信系统中作为信号检测部分，实现对信号的检测。