[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

说明书

本发明公开了一种基于Bagging和长短期记忆网络的信道盲均衡方法及系统，该方法包括如下步骤，建立基于长短期记忆网络的信道盲均衡模型；采用Bagging算法对长短期记忆网络盲均衡模型进行优化；对得到的模型进行训练，得到最佳的参数设置；利用训练好的盲均衡模型对新数据进行均衡。在保证神经网络对非线性良好的拟合前提下，通过引入长短期记忆网络解决了神经网络盲均衡过程中参数寻优困难和易于陷入局部最优解的问题。此外，基于改进常模算法MCMA消除了信道对于传输信号在幅值和相位两个方面的影响，使得本发明技术方案更具适应性，适用的信道环境更广，能够提升神经网络类均衡器在时变信道的均衡性能。

技术领域

本发明属于信道均衡技术领域，特别涉及一种基于Bagging和长短期记忆网络的信道盲均衡方法及系统。

背景技术

在无线通信过程中，每一个符号都按照一定的时间间隔进行传输。然而在此过程中，接收到的符号之间经常会因为无线传输信道的频率响应不理想、多径效应以及噪声等因素而产生交叠，这种现象称为符号间干扰(inter-symbol interference，ISI)，这是影响接收信号正确性的主要因素。为了降低符号间干扰这种因素对接收信号的影响，提升通信质量，通常会在接收端加入一个均衡器进行弥补，这一过程称为信道均衡。

信道均衡技术按是否需要提前发送训练序列可分为自适应均衡技术和盲均衡技术。自适应均衡是指根据提前发送的已知训练序列进行学习，按照接收信号的误差自适应地调节均衡器抽头系数。而盲均衡是指不需要这样的训练序列，而直接根据接收到的信号统计特性对均衡器进行调整。加入训练序列挤占有限的频谱资源，会引起无线通信的传输率，而且一些通信环境经常变化的场景下，已知的训练序列是很难获得的。因此，盲均衡技术的发展显得尤为重要。盲均衡技术按照算法可分为基于高阶统计信息的盲均衡算法、基于最大似然准则的盲均衡算法和基于随机梯度下降的盲均衡算法。前两种算法由于算法结构等原因导致计算量过大而没有得到广泛应用，基于随机梯度下降的盲均衡算法中构造的代价函数多为关于均衡器的非凸非线性函数，以线性滤波器构建的均衡器对此不能实现较好的均衡效果，近几年的主要方法是用神经网络代替线性滤波器构建均衡器。

盲均衡要解决的问题就是对接收信号进行解卷积运算得到发送信号，而神经网络由于可以逼近任意的非线性函数等特点，使得该技术在盲均衡问题上具有较好的应用前景。信道盲均衡在引入神经网络代替线性滤波器构建均衡器时，会遇到收敛速度慢或者是易于陷入局部最优解的问题。

发明内容

本发明针对现有技术中，信道盲均衡在引入神经网络代替线性滤波器构建均衡器时，会遇到收敛速度慢或者是易于陷入局部最优解的问题；选择循环神经网络中记录历史信息的长短期记忆网络，并且为当前的均衡提供额外信息从而进一步提高均衡效果。此外，用MCMA 算法构造损失函数解决信道对于传输信号在幅值和相位两个方面的影响。

本发明提供的技术方案如下：

一方面，一种基于Bagging和长短期记忆网络的信道盲均衡方法，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；