[发明专利]一种基于模型驱动深度学习的信号检测方法

权利要求书

1.一种基于模型驱动深度学习的信号检测方法，其特征在于，所述方法包括以下步骤：

步骤1：基于OFDM无线通信系统框架生成ChannelEstNet和SignalDetNet所需的数据集，ChannelEstNet数据集的特征信息来自发送信号的导频处信道频域、接收信号的导频信息，根符号处的信道响应矩阵分配标签，SignalDetNet数据集特征信息来自ChannelEstNet输出的信道估计信息、接收信号信息，根据原发送符号分配标签；

步骤2：将步骤1所述的ChannelEstNet和SignalDetNet的数据集样本进行归一化处理，并且重新分为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组测试集用于网络性能的在线测试；

步骤3：基于步骤2中所述的训练样本数据，利用线性判别分析LDA算法对特征信息进行线性降维，将多种维度的特征信息作为ChannelEstNet和SignalDetNet网络模型的输入；

步骤4：将步骤3中所述数据中接收信号中的导频信息和发送端的导频信息输入到ChannelEstNet网络中进行自学习，接收信号信息以及ChannelEstNet估计的信道信息CSI输入到SignalDetNet中进行自学习，两者都是将深度学习网络与通信算法结合，以类似于常规通信系统的逐块信号处理方式构造，其中ChannelEstNet子网络DNN-1的初始化由LMMSE和LS设置权重，SignalDetNet网络对LSTM待处理数据采用ZF预检测处理；信道估计模块：ChannelEstNet采用模型驱动型深度学习构建方法，由DNN网络结合基于DFT的MMSE估计器组合构成，其中子网络DNN-1共5层，其中3层隐含层，每层神经元的数量为16，1024,1024,1024和128；子网络DNN-2共3层，每层神经元的数量为128，1024,128，激活函数均为Tanh；信号检测模块：SignalDetNet通过型驱动型深度学习构建方法，由ZF检测器、LSTM网络和FC-DNN网络组合构成，其中LSTM子网络有3层隐含层，时间步长设置为64，分别有30、20、16个隐含单元，状态激活函数是Relu函数；FC-DNN子网络有3层分别有64、64和48个神经元，激活函数采用Sigmoid函数；

步骤5：ChannelEstNet采用接收导频和已知的发送导频输入MMSE预处理生成的导频处信道信息参数h_MMSE进行DNN-1训练生成初步估计的OFDM符号处信道频域状态信息，将该信道频域状态参数进行IDFT时域平滑去噪声，DFT转换至频域后进行DNN-2训练得到最终的信道状态信息，接下来将信道估计信息和接收的数据符号进行ZF检测处理生成初步估计的已调信号X_ZF，结合估计信息和接收数据信号输入SignalDetNet子网络LSTM+DNN中进行信号检测模型训练；

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OFDM系统的接收端信道估计和信号检测部分进行在线测试。

2.根据权利要求1所述的一种基于模型驱动深度学习的信号检测方法，其特征在于：所述步骤2中对数据集的处理，先进行归一化处理，训练方式以复数形式数据输入神经网络，信道数据将实部虚部独立拆分存储。

3.根据权利要求1所述的一种基于模型驱动深度学习的信号检测方法，其特征在于：所述的OFDM无线通信系统中导频的插入采用自适应导频分配方法如下:

(1)K＝1,选择第K帧数据采用导频占子载波最小比例传输；

(2)在接收端根据第K帧数据得到估计的信道参数确定要下一帧所采取的导频与数据占比M_K；

(3)K＝K+1，发送端根据导频与数据占比数M_K，在第K帧数据插入导频；

(4)跳转至步骤(2)估计信道参数判断下一帧导频占比。