[发明专利]基于卷积神经网络的发射天线数目估计方法

说明书

本发明公开了一种基于卷积神经网络的发射天线数目估计方法，包括以下步骤：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。本发明提供的发射天线数目估计方法采用基于数据驱动的模式，不需要依赖于主观参数设置，可以得到更稳定更准确的估计结果，具有很好的估计性能。

技术领域

本发明属于信号处理技术领域，具体涉及一种基于卷积神经网络的发射天线数目估计方法。

背景技术

移动互联网和多媒体通信技术的快速发展，对未来移动通信系统提出了新的要求。在频谱资源日益紧张、传输速率与日俱增的背景下，MIMO技术通过利用多径传播特性来增加信道容量的特点为这些目标提供了有力的技术支持，其在一些无线通信标准(例如IEEE 802.11，LTE、LTE-A和5G NR)中已得到广泛使用。在非合作MIMO通信场景中，接收端需要对MIMO信号参数进行盲估计与识别，这些参数包括发射天线数目、空时编码方式以及调制方式等；其中，发射天线数目是其他参数估计的重要前提。

针对发射天线数目的估计，现有技术提供了以下两种方法：

一是Tao Li等人在其发表的论文“Hypothesis Testing Based Fast-ConvergedBlind Estimation of Transmit-Antenna Number for MIMO Systems”中公开的基于Wishart矩阵最大特征值的假设检验算法WME(Wishart-matrix’s Largest Eigenvalue)。该算法依据随机矩阵理论的相关知识，推导得到接收信号协方差矩阵噪声子空间最大特征值及其平均迹所构建的统计量渐进服从Tracy-Widom分布，并在此基础上设计了一个串行二元假设检验来实现发射天线数目的估计。

二是Yuwen Yang等人在其发表的文论“Model-Aided Deep Neural Network forSource Number Detection”中公开的基于全连接神经网络的信源数目估计方法ECNet。该方法首先对接收信号协方差矩阵进行特征值分解，并利用特征值构建数据集；然后设计了一种全连接神经网络框架直接以特征值作为输入来实现信源数目估计。

然而，上述假设检验法由于假设检验中判决门限的推导过程受主观参数设置的影响，存在一定门限效应，影响估计结果；且该算法低信噪比下的性能仍有待提高。上述基于全连接神经网络方法虽然不需要主观参数设置，但其在训练过程中受较大的数据影响，导致估计性能的波动性较大，不能保证每一次训练都能获得较好估计结果，估计性能不稳定，因此不利于实际应用。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于卷积神经网络的发射天线数目估计方法，用于提升以协方差矩阵特征值作为神经网络输入时的发射天线数目估计性能。

实现本发明目的的思路是：本发明首先建立非合作MIMO通信系统，确定收发端的天线数目、信道模型以及噪声模型；然后在非合作接收端对接收信号进行处理，首先计算接收信号协方差矩阵并对其进行特征值分解，然后利用噪声子空间特征值构建统计量并依据其分布特性对特征值进行预处理；在此基础上构建本发明训练及测试网络模型所需要的数据集(包括训练集和测试集)；最后设计并训练相应的卷积神经网络模型，实现发射天线数目的估计。

本发明要解决的技术问题通过以下技术方案实现：

一种基于卷积神经网络的发射天线数目估计方法，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；