基于学习因子图的数据与模型联合驱动的信号检测方法

技术特征：
1.一种基于学习因子图的数据与模型联合驱动的信号检测方法，其特征在于：包括以下步骤，s1、收集通信的发送数据x与接收数据y，并获得有限记忆信道的记忆长度l；s2、搭建并设计cnn-bilstm网络作为分类神经网络；s3、使用基于akaike信息准则的混合高斯模型去拟合信道接收数据y的分布，得到边缘概率密度p
y[k]
(y)；s4、模式识别网络重构训练集为对cnn-bilstm网络进行线下训练，得到条件概率密度s5、将通信的接收数据y输入到cnn-bilstm网络，输出的条件概率密度与混合高斯模型的边缘概率密度p
y[k]
(y)联合计算，得到通过因子图的消息传递算法实现信号检测所需要的因子节点；s6、根据有限记忆信道的记忆长度l与学习到的因子节点在学习因子图上进行前向后向的消息传递算法，实现最大后验概率准则下的信号检测。2.如权利要求1所述的基于学习因子图的数据与模型联合驱动的信号检测方法，其特征在于：步骤s2中，搭建并设计高分类精确度的cnn-bilstm网络，具体为：选择双向长短期记忆网络即bilstm网络，在bilstm网络之前放置包括卷积层和池化层的cnn网络，接收数据y经过序列折叠层分别输出给cnn网络与序列展开层，由序列展开层与扁平层作为cnn网络与bilstm网络数据转换的过渡，将cnn网络与bilstm网络衔接，搭建cnn-bilstm网络，允许cnn网络在时间维度中提取隐式信息，然后将高质量特征传递给bilstm网络。3.如权利要求2所述的基于学习因子图的数据与模型联合驱动的信号检测方法，其特征在于：步骤s2中，cnn-bilstm网络的数据处理过程为：将接收数据y经过序列折叠层输入cnn网络，序列折叠层去除接收数据y的序列结构，以使卷积操作独立应用于每一时刻；序列折叠层的输出与提取特征后的cnn输出经过一个序列展开层和一个扁平层，以恢复序列结构，将卷积层的输出重塑为特征向量序列，作为bilstm网络的输入，由bilstm网络输出条件概率密度。4.如权利要求1所述的基于学习因子图的数据与模型联合驱动的信号检测方法，其特征在于：步骤s3中，使用基于akaike信息准则的混合高斯模型去拟合信道接收数据y的分布，得到边缘概率密度p
y[k]
(y)，具体为：使用混合高斯模型方法拟合接收数据y的分布，考虑到数据拟合时的病态协方差以及信道模型不匹配的问题，引入了akaike信息准则来提高混合高斯模型的数据拟合程度，最终得到每个时刻k的边缘概率密度p
y[k]
(y)。5.如权利要求4所述的基于学习因子图的数据与模型联合驱动的信号检测方法，其特征在于：步骤s3中，得到每个时刻k的边缘概率密度p
y[k]
(y)，具体为，s31、假设信道输出具有与参数λ相关的条件概率f(y|λ)，y的真实分布为g(y)＝f(y|λ0)，基于k-l距离的aic准则为其中，aic准则的第一项eln g(y)是极大似然函数的对数，反映模型拟合情况；第二项
eln f(y|λ)是对模型复杂度的惩罚，在保证模型拟合的有效性条件下避免参数个数过多；s32、用预报误差的平均值评价模型拟合的优劣，即通过衡量参数估计的好坏，由于eln g(y)为常数，所以只考虑即可确定使k-l距离达到最小时的从而输出最优拟合模型的混合成分数目s33、将aic准则输出的kopt应用于混合高斯模型，由高斯混合模型的原理可知，任意形状的概率分布都可以由多个高斯分布函数近似；假设某时刻接收符号的分布是kopt个高斯模型的线性叠加，其概率分布如下：其中，α
i
是混合系数，kopt为由aic准则确定的混合高斯成分的数目，φ(y|θ
i
)是高斯分布密度，θ
i
＝(μ
i
，σ
i2
)，其中，μ
i
为均值，σ
i2
为方差；第i个分模型为：s34、为了获得中间参数{α
i
，θ
i
}，使用经典的期望最大化算法即em算法做参数估计，进而确定边缘概率密度p
y[k]
(y)。6.如权利要求5所述的基于学习因子图的数据与模型联合驱动的信号检测方法，其特征在于：步骤s34中，使用em算法做参数估计，进而确定边缘概率密度p
y[k]
(y)，具体为，s341、初始化：通过k-means确定初始化参数；s342、确定目标函数期望，设定第k个分模型对观测数据y
j
的响应程度为目标函数：其中，α
i
是混合系数，θ
i
是参数合集；s343、使目标函数期望最大化，利用极大似然估计，拉格朗日乘数法去最大化目标函数，得到更新参数公式如下：数，得到更新参数公式如下：数，得到更新参数公式如下：
其中，为均值的估计值，μ
i
为均值，是方差，是混合系数的估计值；s344、判断迭代终止条件：若相邻两次迭代的似然函数差值小于阈值，返回步骤s342，继续更新参数；否则，终止迭代，进入步骤s345；s345、输出：将估计得到的参数回带到步骤s342，确定边缘概率密度p
y[k]
(y)。7.如权利要求1-6任一项所述的基于学习因子图的数据与模型联合驱动的信号检测方法，其特征在于：步骤s4中，模式识别网络重构训练集为对cnn-bilstm网络进行线下训练，得到条件概率密度具体为，s41、设计模式识别网络，将cnn-bilstm网络的标签由x[k]转换为重构后的训练数据为其中，y[k]是接收数据在k时刻的值；s42、使用经过模式识别网络重构后的训练数据对cnn-bilstm网络进行线下训练，得到的训练好的网络输出分类结果，即条件概率密度8.如权利要求7所述的基于学习因子图的数据与模型联合驱动的信号检测方法，其特征在于：步骤s41中，设计模式识别网络，隐层由10个神经元组成，激活函数为tansig，它完成的任务是将发送数据x中每一个元素x[k]识别为决定此刻输出y[k]的输入向量其输入向量空间共m
l
种可能，因此只需要m
l
个样本就可以训练好该网络。9.如权利要求1-6任一项所述的基于学习因子图的数据与模型联合驱动的信号检测方法，其特征在于：步骤s5中，将通信的接收数据y输入到cnn-bilstm网络，输出的条件概率密度与混合高斯模型的边缘概率密度p
y[k]
(y)联合计算，得到通过因子图的消息传递算法实现信号检测所需要的因子节点，具体为：s51、将接收数据y输入到训练好的cnn-bilstm网络，得到输出的分类结果联合混合高斯模型的数据拟合结果为p
y[k]
(y)，最终学习到基于模型的信号检测算法依赖的信道条件信息为：其中，根据有限记忆信道发送等概率可知，其中，m为发送符号集合的基数大小；s52、学习到的因子节点f表示为：其中，表示前一时刻到现在时刻的条件转移概率。10.如权利要求1-6任一项所述的基于学习因子图的数据与模型联合驱动的信号检测方法，其特征在于：步骤s6中，根据有限记忆信道的记忆长度l与学习到的因子节点，在学习
因子图上进行前向后向的消息传递算法，实现最大后验概率准则下的信号检测，具体为，s61、有限记忆信道信号检测的因子图模型的输入输出联合分布由因子节点表示为：其中，表示总体发送数据已知的接受数据的条件概率，表示总体发送数据的概率，表示k时刻的因子节点；s62、基于学习到的因子节点以及输入输出序列的联合分布，得到有限记忆信道信号检测的因子图结构以及沿图的消息传递过程；s63、有限记忆信道中发送信号的恢复问题是从已经接收到的信道输出符号y＝y中，恢复发送的传输符号其中，n为发送序列的符号个数，使信号检测结果最佳的准则是满足符号错误概率最小的map准则，即：其中，p
x[k]|y
(x|y)表示泛指的条件概率密度，p
x[k]，y
(x，y)表示联合概率密度；s64、沿着因子图进行消息传递，得到前向传递的消息为：其中，表示k时刻的因子节点，表示因子节点向前一状态的消息传递，k＝1,...,n，l为有限记忆信道的记忆长度；s65、沿着因子图进行消息传递，得到后向传递的消息为：其中，表示k 1时刻的因子节点，表示因子节点向后一状态的消息传递，k＝1,...,n-1；s66、将步骤s63中提到的联合概率密度p
x[k]，y
(x，y)展开，根据消息传递算法的特性，联合概率密度表示为
最终得到map准则的基于消息传递的迭代表示形式：其中，表示前向消息传递，表示因子节点，表示后向消息传递；s67、在学习到的因子图上进行前向与后向迭代的消息传递，迭代过程中利用步骤s66中arg函数不断搜索，直到确定最大可能的发送信号，实现map准则下的信号检测，获得发送数据x的值。

技术总结
本发明提供一种基于学习因子图的数据与模型联合驱动的信号检测方法，通过收集通信的发送数据X与接收数据Y；搭建CNN-BiLSTM网络作为分类神经网络；使用基于Akaike信息准则的混合高斯模型去拟合信道接收数据Y的分布，得到边缘概率密度；模式识别网络重构训练集，对CNN-BiLSTM网络进行线下训练，得到条件概率密度；计算得到通过因子图的消息传递算法实现信号检测所需要的因子节点；根据有限记忆信道的记忆长度与学习到的因子节点在学习因子图上进行前向后向的消息传递算法，实现最大后验概率准则下的信号检测；该方法能够在不需要信道知识的无信道模型中实现接近最优的信号检测性能，具有更准确的检测结果，且对不确定性训练的具有优秀的鲁棒性。练的具有优秀的鲁棒性。练的具有优秀的鲁棒性。


技术研发人员：徐友云 兰媛媛 王小明 蒋锐 李大鹏 胡静
受保护的技术使用者：南京邮电大学
技术研发日：2022.03.10
技术公布日：2022/6/10