[发明专利]一种毫米波点对点通信信道均衡方法

说明书

本发明提出一种毫米波点对点通信信道均衡方法，其特征在于记录已知的发送数据和接收数据形成数据库，通过数据库搭建和训练卷积神经网络实现由接收数据直接恢复得到原始发送数据；包括如下步骤：建立数据库；划分数据集；构建神经网络并设置8个超参数；确定代价函数和性能评价指标；由接收数据直接恢复得到原始发送数据。使用点对点单输入单输出通信，所用数据库的输入和输出具有直接对应关系，可直接从卷积神经网络输出原始发送信号，而不是输出原始发送信号的条件概率分布，均衡过程更加直接。

技术领域

本发明属于无线通信技术领域，尤其涉及一种毫米波点对点通信信道均衡技术。

背景技术

随着无线通信载波频率和带宽的变大，无线通信的数据量也急剧增加，学者们开始将机器学习应用到无线通信领域。参考文献1：陈敏华,李杨,张武雄.基于卷积神经网络的信道均衡算法[J].计算机应用与软件,2017,34(9):257-261.DOI:10.3969/j.issn.1000-386x.2017.09.050.将自适应信道均衡问题建模为一个可以用神经网络求解的多分类问题，并基于softmax回归分析来求解分类的条件概率。如果发送信号可以表示为k点星座图，那么信道均衡问题就可以被建模为一个k分类的回归问题，并利用卷积神经网络来实现k分类。该卷积神经网络的输入特征是维度为2*N的接收信号，其中N表示接收机接收信号的滑动窗口长度，2表示将接收的复数数据拆分为实部和虚部；输出标签为发送信号的估计值。该文献利用信道探测仪对一个典型通信场景进行实测来建立数据集。搭建的网络包含两个卷积层，一个全连接层和一个softmax算法回归分析层。其中卷积层采用了多个不同的卷积核尺寸来验证学习效果的差异。

参考文献2：杨旸,李扬,周明拓.基于数据驱动深度学习方法的无线信道均衡[J].中兴通讯技术,2018,24(2):25-29.DOI:10.3969/j.issn.1009-6868.2018.02.006.同样将信道均衡问题建模为条件概率分布学习的问题，利用自制的8输入8输出通信系统采集数据建立学习数据库，与文献1不同的是作者在卷积神经网络的基础上添加了数据驱动环节，搭建卷积-循环神经网络CRNN来进行信道均衡，第一部分是卷积神经网络，第二部分是循环神经网络。参考文献2中的卷积-循环神经网络CRNN包括两个卷积层，两个卷积层中间是Dropout层，作用是降低神经网络过拟合的可能性。第个卷积层后接池化层，作用是减少连接数，降低复杂度，且可局部相似性特征。卷积神经网络后接着是循环神经网络部分，LSTM为长短时记忆单元，作用是克服信道的时变特性，最后交由softmax单元进行归一化并输出发送符号的条件概率分布。

参考文献1和2利用深度学习实现信道均衡的技术存在的共同缺点在于：

1、数据库的建立依赖于信道探测仪对信道进行实测，而信道测量所需的设备成本往往较高，不易于实现。

2、所提的信道均衡算法并未明确适用的载波频率范围。当频率升高至毫米波乃至太赫兹频段，上述两种方法往往会面临数据库建立困难的问题，可扩展性低。

3、二者均是以发送信号的条件概率分布作为神经网络的输出，而不是直接输出原始发送信号，学习结束尚需对学习结果进行转换。

发明内容

本发明要解决的技术问题在于建立一种基于卷积神经网络的毫米波点对点通信信道均衡方法，实现由接收信号数据流直接恢复原始发送信号数据流，而不使用传统的信道均衡器。

为了解决上述技术问题，本发明采用的技术方案是：

一种毫米波点对点通信信道均衡方法，其特征在于记录已知的发送数据和接收数据形成数据库，通过数据库搭建和训练卷积神经网络实现由接收数据直接恢复得到原始发送数据；包括如下步骤：

步骤1、建立数据库：获取特定通信场景下的信道参数，并根据信道参数的数量级修改瑞利信道，以修改后的基于瑞利信道的仿真模型搭建100Ghz频率的点对点单输入单输出通信仿真模型；依据所述点对点单输入单输出通信仿真模型获取传输数据流；