[发明专利]基于卷积神经网络的发射天线数目估计方法

权利要求书

1.一种基于卷积神经网络的发射天线数目估计方法，其特征在于，包括：

建立非合作MIMO系统的接收信号模型；

根据随机矩阵理论对接收信号协方差矩阵的特征值进行预处理，得到预处理后的特征值；

基于预处理后的特征值构造数据集；

搭建卷积神经网络模型，并利用构造的数据集对该网络模型进行训练；

利用训练好的卷积神经网络对发射天线数目进行估计。

2.根据权利要求1所述的基于卷积神经网络的发射天线数目估计方法，其特征在于，根据随机矩阵理论对接收信号协方差矩阵的特征值进行预处理，得到预处理后的特征值，包括：

计算样本协方差矩阵，并进行特征分解，得到实值特征值；

根据随机矩阵理论，利用噪声子空间特征值构建统计量；

基于所述统计量的分布特性对所述实值特征值进行变换，得到预处理后的特征值。

3.根据权利要求2所述的基于卷积神经网络的发射天线数目估计方法，其特征在于，所述统计量的表达式为：

其中，表示样本协方差矩阵C的噪声子空间中最大特征值，表示样本协方差矩阵C的噪声子空间中的平均迹，N_r表示非合作接收端天线数目，N_t表示发射端的天线数目，l_i表示第i个实值特征值。

4.根据权利要求1所述的基于卷积神经网络的发射天线数目估计方法，其特征在于，基于预处理后的特征值构造数据集包括：

以预处理后的特征值作为样本，在不同SNR取值下，遍历发射天线数目的不同取值情况，得到训练样本集和测试样本集。

5.根据权利要求1所述的基于卷积神经网络的发射天线数目估计方法，其特征在于，搭建卷积神经网络模型，并利用构造的数据集对该网络模型进行训练，包括：

搭建包括两个卷积层和一个输出层的卷积神经网络模型；

其中，每个卷积层均包括8个神经元，卷积层的卷积核大小为3，步长为1；输出层的神经元个数等于非合作接收端的接收天线数目；

设置卷积神经网络模型的损失函数为分类交叉熵；

基于所述损失函数，利用训练样本集对卷积神经网络模型进行训练，并使用Adam算法优化模型参数，得到训练好的卷积神经网络。

6.根据权利要求5所述的基于卷积神经网络的发射天线数目估计方法，其特征在于，所述卷积层的激活函数为ReLU，所述输出层的激活函数为Softmax。

7.根据权利要求5所述的基于卷积神经网络的发射天线数目估计方法，其特征在于，所述卷积神经网络模型的损失函数为：

其中，V是批量大小，v表示第当前批量中的第v个样本，y_m(v)为样本数据的标签值，样本数据的估计值，N_r表示非合作接收端天线数目。