基于双通道卷积神经网络的信道编码类型盲识别方法及系统

本发明涉及信道编码，特别是一种基于双通道卷积神经网络的信道编码类型盲识别方法及系统。

背景技术：

1、信道编码技术通过引入结构化冗余来提升通信可靠性，在现代通信系统中应用广泛。在非合作领域，接收方未知编码方案，需要信道编码盲识别技术来获取当前编码方案。鉴于实际系统需采用差异化信道编码方案以适配不同传输条件，信道编码类型识别成为编码参数识别的关键前提。

2、信道编码可分为线性分组码、卷积码与turbo码三大类，其中线性分组码涵盖汉明码、bch码、ldpc码、rs码及polar码等子类。当前研究针对线性分组码、bch码、rs码、ldpc码、turbo码、卷积码等特定编码的参数估计技术已较为成熟，而针对编码类型盲识别研究相对匮乏。

3、近年来，基于深度学习的信道编码类型与参数识别技术取得了显著进展。相较于传统方法，深度学习展现出更强大的非线性特征提取能力，能够有效处理复杂的通信数据。然而，现有研究大多只提取码字的人工特征或者整体特征，只能实现两到三种特定编码类型的粗粒度区分，尚缺乏对多类型编码的精细化辨识与分类能力。此外，少数针对多编码类型识别的算法在识别准确率方面仍有待进一步提升。

4、目前关于信道编码类型识别的方法主要分为传统方法与深度学习方法两大类，其中传统方法存在计算复杂度高、对编码类型的适应性差、难以利用大数据等诸多局限，而深度学习强大的非线性特征提取能力可有效处理复杂编码模式，为编码类型识别提供了新思路。

5、当前，部分研究考虑到编码类型识别与文本分类的相似性，引入了文本分类cnn网络。例如，qin等将编码序列映射为词向量，采用textcnn实现类型识别；在此基础上，li等基于textcnn嵌入分块机制，将识别问题转化为自然语言处理(nlp)任务，完成线性分组码、卷积码和turbo码分类。然而，textcnn因模型容量限制难以扩展至多类编码联合识别场景。

6、同时，基于多维特征提取的混合方法在编码类型识别中也逐渐被广泛应用。peng等提出融合多维特征提取与高效通道注意力机制(eca-net)的联合辨识架构，通过数据随机性特征分析与深度卷积神经网络实现编码类型、码长及码率的同步识别。鹏城实验室[27]则提出有限域傅里叶变换(gfft)特征提取方法，联合码重/熵值/游程等人工特征构建欧氏距离分类器。现有的多维特征提取算法虽能捕捉编码本质差异，但存在特征维度爆炸及高误码率下泛化衰减问题。

7、此外，针对多尺度感知需求，liu等设计多尺度膨胀卷积网络(msdcnn)，通过插入并行的膨胀卷积核扩大感受野而不增加参数量，提升了识别精度，实现了对七种常见编码类型的区分。然而其膨胀卷积核设计未适配线性分组码的代数周期特性，导致对ldpc码/polar码/rs码的识别准确率和区分度有待提升。

8、总而言之，基于深度学习的信道编码类型识别作为一种新的思路引起了大家的关注，然而现有方法在模型泛化性、特征判别性与计算高效性三重目标间尚未达成平衡，亟需研究一种代数结构与深度学习协同的创新架构，以提高信道编码类型识别的精度。

技术实现思路

1、本发明的目的在于提供一种计算效率高、识别精度高、泛化能力强的基于双通道卷积神经网络的信道编码类型盲识别方法及系统。

2、实现本发明目的的技术解决方案为：一种基于双通道卷积神经网络的信道编码类型盲识别方法，包括以下步骤：

3、步骤1、建立通信系统模型；

4、步骤2、采用异构特征融合架构，构建双通道卷积神经网络dbfcnn，包括序列语义分支和代数特征分支两个并行处理分支；

5、步骤3、序列语义分支采用多尺度膨胀卷积层提取编码结构的长程空间特征；

6、步骤4、代数特征分支基于提取的多维人工构造特征，捕获编码的代数不变特性；

7、步骤5、序列语义分支和代数特征分支的输出经拼接后输入全连接层，通过dropout层抑制过拟合；

8、步骤6、通过softmax分类层输出七类编码的概率分布，完成信道编码类型盲识别。

9、进一步地，步骤1所述的建立通信系统模型，具体如下：

10、步骤1.1、由于传输过程中存在噪声、衰落、损耗的原因，截获序列r经过解调预处理后得到的二进制比特序列w，视作发送端经过信道编码后的序列c的含错版本，等价于其中e表示错误向量，表示逐位异或；编码类型θ未知，属于候选集θ＝{θham,θconv,θturbo,θbch,θldpc,θrs,θpolar}，即候选集合θ包括汉明码θham、卷积码θconv、turbo码θturbo、bch码θbch、ldpc码θldpc、rs码θrs、polar码θpolar；编码类型决定了序列w的结构特性；

11、编码类型盲识别即在含错背景下根据序列w的结构求解映射l表示编码序列长度，得到序列c的编码类型候选集，决策依据为码字空间的本质差异：

12、

13、其中，为θ类编码的典型码字空间，为所求映射，p为判别序列w属于候选集中某一类编码的概率；

14、步骤1.2、设序列w较序列c的误码率为p，在p未知的条件下，建立复合假设检验模型：

15、

16、其中，θk为第k种编码类型；

17、决策采用广义似然比：

18、

19、其中，为似然函数，sup(·)是取上限函数，为估计结果，是p固定条件下序列w属于类型θk的概率；

20、步骤1.3、由于直接计算似然函数涉及高维求和且依赖未知的p，引入编码结构不变量定义映射到低维特征空间的原始比特流特征满足p不变性条件：

21、

22、其中，dkl表示在相同误码率p下，由两种不同编码θi和θj产生的特征f的概率分布之间的差异；分别表示在固定编码类型为θi、θj的条件下提取到的特征f出现的概率；i,j遍历所有需要区分的编码类型；

23、每种编码类型的解析特征映射对p具有鲁棒性，通过深度学习模型从编码结构中学习到编码的特征映射，进而根据特征判别不同的编码类型。

24、进一步地，步骤2中所述的序列语义分支和代数特征分支，具体如下：

25、所述序列语义分支，输入为l/g维整数序列，即由原始比特流按g位分组转换，l表示编码序列长度，通过嵌入层映射至128维语义空间，经膨胀率为{1,2,5}的多尺度膨胀卷积层提取特征，最终通过全局最大池化生成128维特征向量，实现感知野扩展，适配不同编码结构的空间依赖性；

26、所述代数特征分支，输入为多维人工构造特征，包括游程数、熵值、自相关、编码深度、块特征、线性特征、频谱特征，通过全连接层进行非线性变换，并引入批归一化与dropout层增强泛化性。

27、进一步地，步骤3所述的序列语义分支采用多尺度膨胀卷积层提取编码结构的长程空间特征，具体如下：

28、步骤3.1、针对信道编码的长程结构特性，通过多尺度特征提取实现编码序列的深度表征学习，输入层为接收二进制比特序列w∈{0,1}l按g位分组转换为整数序列，l表示序列长度，生成l/g维离散输入向量值域为[0,2g-1]：

29、

30、其中，代表一个l/g维的整数向量，wgτ+t是原始比特序列中第τ组的第t个比特的值，τ是输出整数序列xint的索引；

31、步骤3.2、嵌入映射层通过可训练嵌入矩阵将整数映射至稠密向量其中嵌入维度de＝256经网格搜索优化确定，输出张量保留序列时序结构，分别表示神经网络训练出的256×256维，256维，(l/g)×256维的实参数矩阵；

32、步骤3.3、嵌入映射层后接多尺度卷积层，包含三个并行分支，卷积核尺寸分别为3、5和7，其余超参数保持一致，每个分支后接一组多膨胀率卷积层；

33、步骤3.4、多膨胀率卷积层采用并行三分支结构捕获不同感知野特征，通过差异化膨胀率{1,2,5}实现多尺度特征适配，m＝1分支提取分组码的局部线性约束，m＝2分支捕获卷积码的网格状态转移，m＝5分支建模turbo码的交织器长程关联，各分支卷积核参数共享，仅膨胀率不同；

34、步骤3.5、采用左填充策略确保时序不变性，激活函数采用gelu函数提供平滑非线性映射；

35、步骤3.6、对每个分支输出使用全局最大池化提取每通道的最强激活特征：

36、

37、hm表示第m个膨胀卷积分支的输出特征图；表示一个一维卷积操作，其下标k＝3,5,7表示卷积核的大小，上标d＝m表示膨胀率为m；

38、步骤3.7、三路特征经通道维度拼接生成384维语义特征向量各子空间对应不同尺度结构模式；v(1),v(2),v(5)分别表示膨胀率为1，2，5时的特征，然后对整个特征进行全局最大池化；

39、步骤3.8、三个多尺度分支的输出特征与残差路径进行拼接，得到编码序列语义通道的输出特征。

40、进一步地，步骤4所述的代数特征分支基于提取的多维人工构造特征，捕获编码的代数不变特性，具体如下：

41、步骤4.1、多维特征提取模块接收预处理序列作为输入，经特征空间映射生成高维判别性特征张量，该张量形式化表示为：

42、

43、其中τ(·)为特征变换算子，d为特征维度，xpre为预处理序列，fmulti为提取到的多维特征；

44、步骤4.2、将输出特征张量fmulti作为下游神经网络的输入，采用gelu激活函数，通过全连接层实现特征升维与非线性映射：

45、

46、其中，权重矩阵经xavier初始化，偏置

47、步骤4.3、采用批归一化层和50％dropout增强泛化性。

48、进一步地，步骤5所述序列语义分支和代数特征分支输出经拼接后输入全连接层，通过dropout层抑制过拟合，具体如下：

49、步骤5.1、将序列语义分支提取的多尺度特征与代数特征分支提取的手工统计特征进行拼接，形成综合特征向量；

50、步骤5.2、通过门控机制动态计算特征权重，对融合特征进行自适应加权以增强重要信息；

51、步骤5.3、将加权后的特征送入包含全连接层、gelu激活函数和dropout层的多层分类器，通过正则化处理抑制过拟合。

52、进一步地，步骤6中七类编码的概率分布，具体为每个样本属于不同编码类型的概率向量。

53、一种基于双通道卷积神经网络的信道编码类型盲识别系统，该系统用于实现所述的基于双通道卷积神经网络的信道编码类型盲识别方法，所述系统包括模型建立模块、神经网络构建模块、序列语义分支模块、代数特征分支模块、拼接模块和分类模块，其中：

54、模型建立模块，建立通信系统模型；

55、神经网络构建模块，采用异构特征融合架构，构建双通道卷积神经网络dbfcnn，包括序列语义分支和代数特征分支两个并行处理模块；

56、序列语义分支模块，采用多尺度膨胀卷积层提取编码结构的长程空间特征；

57、代数特征分支模块，基于提取的多维人工构造特征，捕获编码的代数不变特性；

58、拼接模块，序列语义分支模块和代数特征分支模块的输出经拼接后输入全连接层，通过dropout层抑制过拟合；

59、分类模块，通过softmax分类层输出七类编码的概率分布。

60、一种移动终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于双通道卷积神经网络的信道编码类型盲识别方法。

61、一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现所述的基于双通道卷积神经网络的信道编码类型盲识别方法中的步骤。

62、本发明与现有技术相比，其显著优点为：

63、(1)在textcnn的嵌入分块机制的基础上，采用多尺度卷积核(k＝3,5,7)与差异化膨胀率(m＝1,2,5)相结合的策略，在显著扩展感受野的同时保持较低参数量，多尺度卷积在不增加参数量的基础上扩大感受野，多膨胀率卷积通过改变采样粒度而非单纯扩大窗口，使网络能同时捕获密集局部特征和稀疏全局特征；

64、(2)提出编码数据驱动的特征提取与人工特征提取相结合的网络结构，为不同信道编码类型的识别提供互补信息，改善了单独的数据驱动网络在高误码率下鲁棒性差以及单独的人工特征提取方法类型识别准确率差的问题，更好地实现编码类型区分；

65、(3)采用双通道卷积神经网络，基于不同信道编码类型的差异，分别提取码字的结构化特征和整体特征，然后将两种特征融合，进一步分析码字之间的特征信息，有效提高了多种信道编码类型的识别精度。