[发明专利]一种基于Bagging和长短期记忆网络的信道盲均衡方法及系统

权利要求书

1.一种基于Bagging和长短期记忆网络的信道盲均衡方法，其特征在于，包括：

步骤1：将接收的通信信号分离成实部同相信号和虚部正交信号；

步骤2：构建基于长短期记忆网络的信道盲均衡模型，采用改进常模算法MCMA对长短期记忆网络的输出建立损失函数；

所述长短期记忆网络的信道盲均衡模型包括并联的实部子模型和虚部子模型，其中，实部子模型和虚部子模型是由多个长短期记忆网络单元级联而成，将所述实部子模型和虚部子模型的输出结果叠加作为所述长短期记忆网络的信道盲均衡模型的输出结果，且所述实部子模型和虚部子模型均采用长短期记忆网络；

步骤3：模型训练；

将实部同相信号样本和虚部正交信号样本分别输入实部子模型和虚部子模型，基于设定的损失函数值进行梯度下降更新实部子模型和虚部子模型中的权重参数与偏置，直到实部子模型和虚部子模型的损失函数均小于误差设定值；

步骤4：将实时接收的通信信号，输入训练好的基于长短期记忆网络的信道盲均衡模型，实现信号均衡。

2.根据权利要求1所述的方法，其特征在于，在模型训练过程中，采用加权Bagging算法对实部子模型和虚部子模型的各样本输出结果分别进行组合，得到加权后的实部同相均衡信号与虚部正交均衡信号。

3.根据权利要求2所述的方法，其特征在于，各样本的学习器权重按以下公式设置：

其中，e_j表示第j个弱学习器的错误率，e_max和e_min表示所有弱学习器中错误率的最大值和最小值，将采用各样本进行模型训练，模型的损失函数收敛时的损失函数值作为各样本对应的弱学习器的错误率；T是弱学习器的个数。

4.根据权利要求1所述的方法，其特征在于，所述长短期记忆网络中的损失函数如下：

i＝r或z

其中，为长短期记忆网络中实部子模型或虚部子模型的t时刻的输出信号，当i取值为r时，R_r表示发送信号s对应的实部s_r的统计信息，e_tr表示实部子模型的损失函数值；当i取值为z时，R_z表示发送信号s对应的虚部s_z的统计信息，e_tz表示虚部子模型的损失函数值。

5.根据权利要求1所述的方法，其特征在于，所述实部子模型和虚部子模型中长短期记忆网络单元的数量与可接收到的信号中最大延时部分的信号数量相同。

6.根据权利要求5所述的方法，其特征在于，所述长短期记忆网络单元的数量取值为4。

7.根据权利要求1所述的方法，其特征在于，所述长短期记忆网络单元的表达式如下：

其中，i_t、f_t、c_t、o_t、h_t分别表示t时刻的长短期记忆网络的输入门、遗忘门、输入产生的信息、单元状态、输出门、隐含层输出，x_t和分别表示t时刻的长短期记忆网络的输入和输出，c_t-1和h_t-1分别表示t-1时刻网络单元状态和隐含层输出的值，σ表示sigmoid函数；ω_xi、ω_xf、ω_xo、ω_xc分别为输入层到长短期记忆网络输入门、遗忘门、输出门、单元状态中输入信息的权重矩阵，ω_hi、ω_hf、ω_ho、ω_hc和ω_hy分别为隐含层到长短期记忆网络输入门、遗忘门、输出门、单元状态中输入信息和输出层的权重矩阵，b_i、b_f、b_o、b_c分别为输入门、遗忘门、输出门和单元状态中sigmoid激活函数运算时的偏置，b_y是隐含层到输出层的偏置。