[发明专利]一种超宽带信道分类方法及系统

说明书

本发明公开一种超宽带信道分类方法及系统，包括：接收脉冲超宽带信号；对脉冲超宽带信号进行压缩观测得到观测值；将观测值输入至训练后的神经网络模型中进行信道分类；根据分类结果中各类信道的频率确定最终的信道类型。将压缩感知与深度学习相结合，不仅有效地降低了信号采样率，同时提高了信道分类的准确率，并为深度学习与超宽带通信技术的结合提供一种新的方法。

技术领域

本发明涉及超宽带无线通信技术领域，特别是涉及一种超宽带信道分类方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

脉冲超宽带(IR-UWB：impulse radio ultra-wideband)技术具有高传输速率、低功耗及高安全性等特点，被认为是一种极具前景的通信技术。脉冲超宽带系统采用纳秒级窄脉冲承载数据信息，信号带宽高达吉赫兹(GHz)量级，信道呈现典型的多径传播特征。为适应信道变化，一般采用“导频+数据”的帧格式进行数据通信，发射机发送的每个数据帧由一定数量的导频符号和数据符号组成，经过BPSK或PPM调制和脉冲成形后送入信道，接收机利用导频符号进行信道估计，并将信道估计结果用于数据符号的接收与检测。

压缩感知理论的提出，突破了传统奈奎斯特采样定理的限制，能够有效降低采样率，为超宽带信号的低速率采样提供了理论基础。压缩感知理论指出，只要目标信号在某个正交基或者框架上具有稀疏性，就能够通过一个观测矩阵对目标信号进行观测，得到一个低维观测向量。该观测向量等效的采样率低于传统的奈奎斯特采样率，使用非线性重构算法求解一个“L1-最小优化”问题，便可从低维观测向量中恢复出原始信号。

典型的观测矩阵有高斯随机矩阵、伯努利随机矩阵和傅里叶随机矩阵。基于脉冲超宽带信号的时域稀疏性和多径稀疏性，已有学者提出借助压缩感知实现低速率采样，利用匹配追踪算法或正交匹配追踪算法并借助导频符号实现信道估计。

深度学习通过深度神经网络能够自动地学习数据中的高维特征，在分类、检测、生成等任务中表现出了突出的优势。深度学习理论中最基础的计算单元与结构单元是神经元，常采用的神经元模型有M-P神经元模型；多个神经元构成神经网络，神经网络的结构需要根据任务类型进行设计，常用的结构有：全连接神经网络、卷积神经网络、循环神经网络等。利用神经网络完成分类的任务一般包括以下四步：生成数据集并进行标签处理，设计网络结构，数据集输入网络进行训练，对训练好的网络进行验证与测试。

在超宽带通信过程中，收发信机的移动和环境的变化往往导致信道类型的变化。根据IEEE802.15.3a标准，超宽带系统的信道模型存在四种：CM1、CM2、CM3和CM4，它们的参数设置和多径的概率分布都有较大差异；为了适应信道变化，需要对系统参数做出及时调整，因此，信道的分类是超宽带通信过程中需要解决的重要问题。

发明内容

为了解决上述问题，本发明提出了一种超宽带信道分类方法及系统，包括信号接收、压缩采样、神经网络分类以及融合决策模块等过程，基于压缩感知对接收到的脉冲超宽带信号进行压缩观测得到观测值，将观测值经深度学习神经网络模型进行信道分类，对信道分类结果进行决策层融合获得最终分类结果。

为了实现上述目的，本发明采用如下技术方案：

第一方面，本发明提供一种超宽带信道分类方法，包括：

接收脉冲超宽带信号；

对脉冲超宽带信号进行压缩观测得到观测值；

将观测值输入至训练后的神经网络模型中进行信道分类；

根据分类结果中各类信道的频率确定最终的信道类型。

作为可选择的实施方式，对脉冲超宽带信号进行压缩观测的过程中，根据压缩感知理论对脉冲超宽带信号进行压缩观测。