基于卷积神经网络的发射天线数目估计方法

1.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：

2.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。
3.针对发射天线数目的估计，现有技术提供了以下两种方法：
4.一是tao li等人在其发表的论文“hypothesis testing based fast-converged blind 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。
5.二是yuwen yang等人在其发表的文论“model-aided deep neural network for source 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。
6.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。


技术实现要素：

7.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。
8.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。
9.本发明要解决的技术问题通过以下技术方案实现：
10.一种基于卷积神经网络的发射天线数目估计方法，包括：
11.建立非合作mimo系统的接收信号模型；
12.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；
13.基于预处理后的特征值构造数据集；
14.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；
15.利用训练好的卷积神经网络对发射天线数目进行估计。
16.在本发明的一个实施例中，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：
17.计算样本协方差矩阵，并进行特征分解，得到实值特征值；
18.根据随机矩阵理论，利用噪声子空间特征值构建统计量；
19.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。
20.在本发明的一个实施例中，所述统计量的表达式为：
[0021][0022]
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，nr表示非合作接收端天线数目，n
t
表示发射端的天线数目，li表示第i个实值特征值。
[0023]
在本发明的一个实施例中，基于预处理后的特征值构造数据集包括：
[0024]
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。
[0025]
在本发明的一个实施例中，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：
[0026]
搭建包括两个卷积层和一个输出层的卷积神经网络模型；
[0027]
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；
[0028]
设置卷积神经网络模型的损失函数为分类交叉熵；
[0029]
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。
[0030]
在本发明的一个实施例中，所述卷积层的激活函数为relu，所述输出层的激活函数为softmax。
[0031]
在本发明的一个实施例中，所述卷积神经网络模型的损失函数为：
[0032][0033]
其中，v是批量大小，v表示第当前批量中的第v个样本，ym(v)为样本数据的标签值，样本数据的估计值，nr表示非合作接收端天线数目。
[0034]
本发明的有益效果：
[0035]
1、本发明通过构建以特征值为输入的卷积神经网络结构来实现发射天线数目估计，相比于传统的假设检验类算法，本发明所提方法基于数据驱动的模式不需要依赖于主观参数设置，且相比已有基于全连接神经网络的方法，可以得到更稳定更准确的估计结果。
[0036]
2、本发明依据随机矩阵理论中接收信号协方差矩阵噪声子空间特征值所具有的统计特性，通过构建统计量并根据其分布特性对特征值进行预处理，可以进一步增大输入到神经网络中的不同特征之间的区分度，提升估计性能。
[0037]
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
[0038]
图1是本发明实施例提供的一种基于卷积神经网络的发射天线数目估计方法流程示意图；
[0039]
图2是本发明实施例提供的发射天线数目估计方法的应用场景图；
[0040]
图3是本发明实施例提供的卷积神经网络模型；
[0041]
图4是不同方法在多次独立仿真实验下的正确估计概率的仿真效果图；
[0042]
图5是不同方法在随信噪比变化下正确估计概率的仿真效果图。
具体实施方式
[0043]
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
[0044]
实施例一
[0045]
请参见图1，图1是本发明实施例提供的一种基于卷积神经网络的发射天线数目估计方法流程示意图，其包括：
[0046]
步骤1：建立非合作mimo系统的接收信号模型。
[0047]
本发明提供的方法应用于非合作mimo(multiple-input multiple-output)通信系统，请参见图2，图2是本发明提供的发射天线数目估计方法的应用场景图。
[0048]
具体的，考虑非合作mimo通信系统的发射端有n
t
根天线，非合作接收端有nr根天线，且满足n
t
＜nr。假设非合作接收端具备良好的时频同步，信道为平坦瑞利衰落信道，噪声为加性复高斯白噪声，则非合作mimo系统接收信号模型可以表示为：
[0049]
r(n)＝hs(n) w(n)
[0050]
其中，r(n)又记为表示接收信号，其表达式为：
[0051][0052]
s(n)又记为表示发射信号，其表达式为：
[0053][0054]
h即为表示平坦瑞利衰落信道；
[0055]
w(n)又记为其表示均值为0，方差为σ2的复加性高斯白噪，记为为单位矩阵，n为观测信号长度。
[0056]
在本实施例中，可以假设非合作接收端天线数目为nr＝10，观测信号长度为n＝20，其中信号采用的调制方式为qpsk。
[0057]
步骤2：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。
[0058]
21)计算样本协方差矩阵，并进行特征分解，得到实值特征值。
[0059]
首先，通过有限长观测样本得到样本协方差矩阵，其表达式为：
[0060][0061]
其中，r(n)为接收信号，n为观测信号长度，c为样本协方差矩阵，(
·
)h表示共轭转置。
[0062]
然后，对其进行特征分解，
[0063]
由于样本协方差矩阵c为hermitian矩阵，可以对其进行特征值分解并得到实值特征值如下：
[0064][0065]
22)根据随机矩阵理论，利用噪声子空间特征值构建统计量。
[0066]
具体的，对于样本协方差矩阵c，其噪声子空间中的最大特征值和平均迹分别为和根据随机矩阵理论的相关研究可构造如下统计量：
[0067][0068]
当nr,n
→
∞且nr/n
→
c》0时，统计量u渐进服从tracy-widow分布。
[0069]
23)基于统计量的分布特性对实值特征值进行变换，得到预处理后的特征值。
[0070]
具体的，使用tracy-widow分布特性对特征值进行变换，即
[0071][0072]
预处理后的特征值xk即为神经网络模型的输入数据。
[0073]
本实施例依据随机矩阵理论中接收信号协方差矩阵噪声子空间特征值所具有的统计特性，通过构建统计量并根据其分布特性对特征值进行预处理，可以进一步增大输入到神经网络中的不同特征之间的区分度，提升估计性能。
[0074]
步骤3：基于预处理后的特征值构造数据集。
[0075]
具体的，将步骤2中预处理后的特征值作为神经网络的输入样本，其对应标签值为发射天线数目。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。
[0076]
可选的，作为一种实现方式，考虑信噪比snr(signal-to-noise ratio)范围为[0:5:40]db，一共9个值。发射端发射天线数目为{0,1,2,3,4,5}，一共6个值，并在此基础上进行数据集构建。
[0077]
首先，生成数据集1用于训练网络：
[0078]
例如，在每个snr取值下均遍历发射天线数目的6种取值情况，且每种发射天线数目生成200个样本，则单个snr下的样本数为1200个，遍历所有snr值后的样本总数为10800个，即为训练样本集。
[0079]
然后，生成数据集2用于测试网络：
[0080]
例如，在每个snr取值下军遍历发射天线数目的6种取值情况，且每种发射天线数目生成2000个样本，则单个snr下的样本数为12000个，遍历所有snr值后的样本总数为108000个，即为测试样本计集。
[0081]
步骤4：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。
[0082]
首先，搭建包括两个卷积层和一个输出层的卷积神经网络模型，如图3所示。
[0083]
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。
[0084]
进一步地，卷积层的激活函数为relu，即
[0085]
g(z)＝max{0,z}
[0086]
输出层的激活函数为softmax，即
[0087][0088]
其中，zm为输出层z的第m个元素。
[0089]
本实施例使用relu激活函数可以降低反向传播过程中梯度消失问题的发生概率，从而有效地完成网络的训练。
[0090]
本实施例利用接收信号的低秩特性设计了一维卷积神经网络结构，该网络结构以特征值作为输入，参数规模小，复杂度低，相比于传统的假设检验类算法，该方法基于数据驱动的模式不需要依赖于主观参数设置，且相比已有基于全连接神经网络的方法，可以得到更稳定更准确的估计结果。
[0091]
然后，设置卷积神经网络模型的损失函数为分类交叉熵(categorical cross-entropy)，其表达式为：
[0092][0093]
其中，v是批量大小，v表示第当前批量中的第v个样本，ym(v)为样本数据的标签值，样本数据的估计值。
[0094]
最后，基于上述损失函数，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。
[0095]
在本实施例中，使用数据集1也即训练样本集离线训练网络模型，并用数据集2也即测试样本集进行验证。
[0096]
具体的，神经网络模型的输入为进过预处理后的数据，其输出相当于是对输入数据进行一个级联的非线性变换，如下所示：
[0097][0098]
其中，l为网络层数，为网络待训练的参数，f
l
(x)为网络第l层的非线性变换函数，其表达式为：
[0099]fl
(x)＝g
l
(w
l
x
l
b
l
),1≤l≤l。
[0100]
本实施例在进行网络优化训练时，批量大小取为128，epoch为400，学习率为0.001。进一步的，采用交叉验证的方法来避免在使用小测试集时均值检验误差估计的统计不确定性。
[0101]
步骤5：利用训练好的卷积神经网络对发射天线数目进行估计。
[0102]
本发明提供的基于卷积神经网络的发射天线数目估计方法一方面设计了以特征值作为输入的一维卷积神经网络结构，避免了现有方法依赖于主观参数设置的缺陷，另一方面，依据随机矩阵理论中接收信号协方差矩阵噪声子空间特征值所具有的统计特性，通过构建统计量并根据其分布特性对特征值进行预处理，增大了输入到神经网络中的不同特征之间的区分度，提升了估计性能的稳定性，使得估计结果更准确，有利于应用到通信信号盲识别、认知无线电、智能接收机以及军事通信对抗等场景。
[0103]
实施例二
[0104]
下面通过仿真实验，将本发明的方法(以下称cnn)与现有的假设检验法(以下称wme)和基于全连接神经网络方法(以下称ecnet)进行对比分析，以验证本发明的效果。
[0105]
1、仿真条件：
[0106]
本发明的仿真实验的硬件平台为：intel(r)core(tm)i5-8400 cpu，处理器的主频率为2.8ghz，内存16gb。
[0107]
本发明的仿真实验的软件平台为：matlab r2020a软件平台、pycharm软件平台。
[0108]
2、仿真内容与结果分析：
[0109]
为了验证本发明所提方法的估计性能，在pycharm软件平台中基于python3.8版本中的keras框架搭建图3所示的卷积神经网络。在matlab软件构建好的数据集的基础上，使用数据集1进行网络模型的训练和验证(其中训练和验证比例为5:1)，数据集2进行模型的测试。进行了50次独立的仿真实验(训练 测试)，每次仿真实验中均会对数据集1中的样本进行随机打乱，仿真结果如图4所示。其中，每次仿真实验对应的正确估计概率为使用当前训练的网络模型对数据集2中所有样本进行预测得到的结果，即预测结果与标签值一致的样本数量比上样本总数。图4中为本发明所提方法与已有机器学习方法ecnet在50次仿真实验下的性能，其中横坐标为对应的仿真次数，纵坐标为正确估计概率。可以看到，直接以特征值作为输入的ecnet方法的性能波动性较大，而本发明所提cnn方法在50次独立仿真实验中的估计性能优于ecnet方法且估计性能稳定，便于实际应用。
[0110]
为体现估计性能随snr变化的情况，对50次仿真实验的预测结果进行平均，得到如
图5所示的仿真结果。此外，在每次仿真实验中每个snr下的正确估计概率为当前snr下的样本经过卷积神经网络预测后的结果与其标签值一致的数量比上当前snr下的样本总数。图5中每个snr下的正确估计概率均为50次独立仿真实验的平均结果，其显示了本发明的cnn方法、现有的ecnet方法以及wme方法在随信噪比变化下的估计性能，其中横坐标为信噪比，纵坐标为正确估计概率。由图5可以看出，本发明所设计的卷积神经网络方法优于传统的假设检验算法wme，相比已有的机器学习方法ecnet得到了显著的提升。当联合考虑数据预处理和卷积神经网络后，性能会得到进一步的提升。
[0111]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。