基于卷积神经网络的DM-GSM信号检测方法

基于卷积神经网络的dm-gsm信号检测方法
技术领域
1.本发明涉及一种基于卷积神经网络的dm-gsm信号检测方法，属于通信系统中的信号检测技术领域。


背景技术：

2.空间调制(sm)是一种多天线传输技术，它同时利用发射天线索引和数字调制星座来发送信息比特。随着发射天线数的增多，每个时隙仅激活一根天线，造成空间资源的浪费。为了克服sm的局限性，提出了广义空间调制(gsm)技术，每个时隙内有多根发射天线被激活进行数据流的传输。与传统sm方案相比，gsm方案能够实现更高的频谱效率。双模广义空间调制(dm-gsm)方案利用索引比特将所有发射天线分为两组，将两种可分辨的星座调制符号分别在两组天线上同时进行发送，有效的提高了系统的频谱效率。尽管dm-gsm可以获得更好的性能，与传统的gsm相比，dm-gsm具有更高的检测复杂度。传统的线性检测算法可以直接应用于gsm系统，如最小均方误差(mmse)检测算法和迫零(zf)检测算法，虽然该类算法的计算复杂度与最大似然检测(ml)检测算法相比有所降低，但其性能损失较大。近年来，深度学习由于其强大的学习能力在信号检测中得到了广泛的应用。
3.h.albinsaid等(参见h.albinsaid,k.singh,s.biswas,c.-p.li,and m.-s.alouini,“block deep neural network-based signal detector for generalized spatial modulation,”ieee communications letters,vol.24,no.12,pp.2775-2779,dec.2020.)提出了一种基于分组深度神经网络(b-dnn)的体系结构，其中有源天线及其传输的星座符号被较小的dnn检测，所提出的b-dnn检测器的误码率性能优于传统的zf和mmse检测方案，在低复杂度下实现了接近ml检测的性能。j.kim等(参见j.kim,h.ro,and h.park,“deep learning-based detector for dual mode ofdm with index modulation,”ieee wireless communications letters,vol.10,no.7,pp.1562-1566,jul.2021.)提出了一种基于深度学习的dm-ofdm-im的检测器，采用卷积神经网络(cnn)和深度神经网络(dnn)连接的方式，分别检测索引位和载波位，实现接近ml检测器的误码率性能，同时降低了系统的复杂度。以上的方案利用神经网络进行联合检测，复杂度较高，在实际通信场景中受到一定的限制，不能有效的提高系统性能，且尚未在dm-gsm系统信号检测中得以应用。


技术实现要素：

4.根据现有技术和解决方案的缺点和不足，本发明提供了一种基于卷积神经网络的dm-gsm信号检测方法，该检测方法有效降低了系统的复杂度，同时获得接近ml检测的误码率性能，并优于传统的线性检测方法。
5.本发明的技术方案如下：
6.一种基于卷积神经网络的dm-gsm即双模广义空间调制信号检测方法，由dm-gsm系统来实现，该系统主要包括发射端模块、信道、接收端模块，发送端模块包括比特分组器、索
引选择器、星座映射器和n
t
根发射天线；信道为典型瑞利衰落信道；接收端模块包括nr根接收天线、预处理模块和cnn-dm检测器；cnn-dm检测器包括一个二维卷积层、一个flatten层和两个全连接层，并采用dropout层防止过拟合；发送端索引选择器根据比特到发射天线的映射规则从n
t
根发射天线中激活n
p
根，星座映射器采用两种不同星座模式对符号进行调制；设信道服从瑞利衰落，接收端已知完美信道状态信息，通信过程包括三个步骤：首先基于dm-gsm系统生成样本数据库，将接收信号样本和信道参数样本重塑为二维输入矩阵；然后构建卷积神经网络即cnn网络，利用二维卷积层提取发送符号中的特征信息；最后利用预处理后的数据样本和已知的发送向量标签对神经网络进行离线训练，训练好的网络则根据输入样本数据，进行实时在线信号检测，该方法利用cnn对dm-gsm信号进行检测，其具体步骤如下：
7.1)基于dm-gsm系统生成样本数据库，将接收信号样本和信道参数样本重塑为二维输入矩阵：
8.在dm-gsm系统中，输入比特序列b经过比特分组器被分为两部分，第一部分包含个索引比特，其中表示小于x的最大整数，！表示阶乘，索引比特被送入天线索引选择器，来选择两个激活天线子集，表示为ia和ib，两个子集中分别包含p1和p2根天线，则总的激活天线数为n
p
＝p1 p2；第二部分包含p1log
2 ma p2log
2 mb个星座调制比特，p1log
2 ma及p2log
2 mb个星座调制比特分别对应激活天线子集ia与ib，并被分别送入采用a与b两种星座的调制映射器进行调制，表示星座a调制符号集，表示星座b调制符号集，和中的星座点数分别为ma和mb，调制信号通过空间映射器在激活天线上发送；经过空间映射，发射信号矢量表示为其中有n
p
个非零元素，个非零元素，分别表示第i根发射天线发送采用a、b星座调制的符号，[]
t
表示矢量转置，表示n
t
×
1维复数向量,发射信号矢量x经瑞利衰落信道传输后，接收端收到信号矢量为且y＝hx n，其中是均值为0、方差为σ2的复加性高斯白噪声向量，表示nr×nt
维瑞利衰落信道矩阵，其元素服从均值为0，方差为1的复高斯分布；
[0009]
基于dm-gsm系统仿真生成样本数据库，将复数信号转化为神经网络可处理的实值信号，通过预处理模块将接收信号样本和信道参数样本重塑为二维输入矩阵z，将对应第k个接收天线的信道系数和接收信号存储在列向量zk中，具体表达式为中，具体表达式为其中re和im分别表示复数的实部和虚部，h
k,i
是信道矩阵h的第k行、第i列元素，yk是第k根接收天线的接收信号，将作为神经网络的输入，则可得到由y和h构成的nr×
2(n
t
1)维输入矩阵，以便充分提取符号间特征信息；
[0010]
2)构建cnn网络，利用二维卷积层提取发送符号中的特征信息：
[0011]
在cnn-dm检测器的卷积层使用预处理后的二维矩阵z作为网络输入，卷积核为其中c表示卷积核数量，表示第c个卷积核的第i个元素，表示1
×
2(n
t
1)维实数向量，卷积层激活函数为relu函数，即f
relu
(x)＝max(0,x)，卷积层输出矩阵为其中d的第n行、第c列元素表示为z[n,i]表示卷积层输入矩阵z的第n行、第i列元素，bc表示第c个卷积核对应的偏置；在flatten层，卷积层输出的二维矩阵d被转换为一维数组第一个全连接层的激活函数为relu函数，输出层激活函数为sigmoid函数，其可将变量映射到[0,1]，表达式为f
sig
(x)＝1/(1 e-x
)，cnn-dm检测器的输出可表示为其中w1、b1分别为第一个全连接层的权重矩阵和偏置向量，w2、b2分别为输出层的权重矩阵和偏置向量；
[0012]
3)利用预处理后的数据样本和已知发送向量标签对神经网络进行离线训练，训练好的网络则根据输入样本数据，进行实时在线信号检测：
[0013]
训练过程中，基于dm-gsm系统生成的样本数据，经过预处理模块将接收信号样本和信道参数样本重塑为二维矩阵向量，将其作为信号检测网络的输入特征向量，实际发送比特序列为对应标签向量；cnn-dm检测器学习参数θ＝{k1,k2,
…
,kc,b1,b2,
…
,bc,w1,b1,w2,b2}，采用适用于二分类的二值交叉熵损失函数进行训练以优化网络参数，其表示为其中yi为发送的信息比特，表示估计的信息比特，n为发送的比特数量，训练数据集和测试数据集大小分别为2.8
×
105和1.2
×
105，设置训练轮数为100，选用adam梯度下降优化算法优化网络模型；
[0014]
经过离线训练后，可以在接收端使用训练好的具有最优参数的检测器来实时检测比特序列，接收信号y和信道矩阵h被输入cnn-dm检测器，即可直接给出估计的发送信息比特序列
[0015]
本发明提出了一种基于卷积神经网络的dm-gsm信号检测方法，该检测器利用神经网络强大的学习能力在较低的复杂度下实现接近最优检测的性能，并且优于传统的zf和mmse检测方案，同时在偏离标准高斯模型的噪声分布下，可以获得优于ml检测的性能。
附图说明
[0016]
图1是本发明的系统结构示意框图。
[0017]
图2是本发明方法的检测网络结构示意框图。
[0018]
图3是本发明方法与最大似然(ml)检测、迫零(zf)检测、最小均方误差(mmse)检测误码率性能对比仿真图。由图3看出本发明的系统远好于传统的zf和mmse检测，且能实现接近ml的系统性能。
具体实施方式
[0019]
下面结合附图和实施例对本发明作进一步说明，但不限于此。
[0020]
实施例：
[0021]
一种基于卷积神经网络的dm-gsm即双模广义空间调制信号检测方法，由dm-gsm系统来实现，如图1所示，该系统主要包括发射端模块、信道、接收端模块，发送端模块包括比特分组器、索引选择器、星座映射器和n
t
根发射天线；信道为典型瑞利衰落信道；接收端模块包括nr根接收天线、预处理模块和cnn-dm检测器；cnn-dm检测器包括一个二维卷积层、一个flatten层和两个全连接层，并采用dropout层防止过拟合；发送端索引选择器根据比特到发射天线的映射规则从n
t
根发射天线中激活n
p
根，星座映射器采用两种不同星座模式对符号进行调制；设信道服从瑞利衰落，接收端已知完美信道状态信息，通信过程包括三个步骤：首先基于dm-gsm系统生成样本数据库，将接收信号样本和信道参数样本重塑为二维输入矩阵；然后构建卷积神经网络即cnn网络，利用二维卷积层提取发送符号中的特征信息；最后利用预处理后的数据样本和已知的发送向量标签对神经网络进行离线训练，训练好的网络则根据输入样本数据，进行实时在线信号检测，该方法利用cnn对dm-gsm信号进行检测，其具体步骤如下：
[0022]
1)基于dm-gsm系统生成样本数据库，将接收信号样本和信道参数样本重塑为二维输入矩阵：
[0023]
在dm-gsm系统中，输入比特序列b经过比特分组器被分为两部分，第一部分包含个索引比特，其中表示小于x的最大整数，！表示阶乘，索引比特被送入天线索引选择器，来选择两个激活天线子集，表示为ia和ib，两个子集中分别包含p1和p2根天线，则总的激活天线数为n
p
＝p1 p2；第二部分包含p1log
2 ma p2log
2 mb个星座调制比特，p1log
2 ma及p2log
2 mb个星座调制比特分别对应激活天线子集ia与ib，并被分别送入采用a与b两种星座的调制映射器进行调制，表示星座a调制符号集，表示星座b调制符号集，和中的星座点数分别为ma和mb，调制信号通过空间映射器在激活天线上发送；经过空间映射，发射信号矢量表示为其中有n
p
个非零元素，个非零元素，分别表示第i根发射天线发送采用a、b星座调制的符号，[]
t
表示矢量转置，表示n
t
×
1维复数向量,发射信号矢量x经瑞利衰落信道传输后，接收端收到信号矢量为且y＝hx n，其中是均值为0、方差为σ2的复加性高斯白噪声向量，表示nr×nt
维瑞利衰落信道矩阵，其元素服从均值为0，方差为1的复高斯分布；
[0024]
基于dm-gsm系统仿真生成样本数据库，将复数信号转化为神经网络可处理的实值信号，通过预处理模块将接收信号样本和信道参数样本重塑为二维输入矩阵z，将对应第k个接收天线的信道系数和接收信号存储在列向量zk中，具体表达式为中，具体表达式为其中re和im分别表示复数的实部和虚部，h
k,i
是信道矩阵h
的第k行、第i列元素，yk是第k根接收天线的接收信号，将作为神经网络的输入，则可得到由y和h构成的nr×
2(n
t
1)维输入矩阵，以便充分提取符号间特征信息；
[0025]
2)构建cnn网络，利用二维卷积层提取发送符号中的特征信息：
[0026]
在cnn-dm检测器的卷积层使用预处理后的二维矩阵z作为网络输入，卷积核为其中c表示卷积核数量，表示第c个卷积核的第i个元素，表示1
×
2(n
t
1)维实数向量，卷积层激活函数为relu函数，即f
relu
(x)＝max(0,x)，卷积层输出矩阵为其中d的第n行、第c列元素表示为z[n,i]表示卷积层输入矩阵z的第n行、第i列元素，bc表示第c个卷积核对应的偏置；在flatten层，卷积层输出的二维矩阵d被转换为一维数组第一个全连接层的激活函数为relu函数，输出层激活函数为sigmoid函数，其可将变量映射到[0,1]，表达式为f
sig
(x)＝1/(1 e-x
)，cnn-dm检测器的输出可表示为其中w1、b1分别为第一个全连接层的权重矩阵和偏置向量，w2、b2分别为输出层的权重矩阵和偏置向量；
[0027]
3)利用预处理后的数据样本和已知发送向量标签对神经网络进行离线训练，训练好的网络则根据输入样本数据，进行实时在线信号检测：
[0028]
训练过程中，基于dm-gsm系统生成的样本数据，经过预处理模块将接收信号样本和信道参数样本重塑为二维矩阵向量，将其作为信号检测网络的输入特征向量，实际发送比特序列为对应标签向量；cnn-dm检测器学习参数θ＝{k1,k2,
…
,kc,b1,b2,
…
,bc,w1,b1,w2,b2}，采用适用于二分类的二值交叉熵损失函数进行训练以优化网络参数，其表示为其中yi为发送的信息比特，表示估计的信息比特，n为发送的比特数量，训练数据集和测试数据集大小分别为2.8
×
105和1.2
×
105，设置训练轮数为100，选用adam梯度下降优化算法优化网络模型；
[0029]
经过离线训练后，可以在接收端使用训练好的具有最优参数的检测器来实时检测比特序列，接收信号y和信道矩阵h被输入cnn-dm检测器，即可直接给出估计的发送信息比特序列