一种多进制双正交键控信号检测方法及系统技术方案

本发明专利技术涉及无线通信信号接收检测技术领域，公开了一种多进制双正交键控信号检测方法及系统，该方法，包括以下步骤：S1，样本矩阵获取：获取多进制双正交键控信号样本矩阵；S2，卷积神经网络构建：构建卷积神经网络；S3，卷积神经网络训练：利用步骤S1获得的样本矩阵训练卷积神经网络；S4，信号识别：利用训练后的卷积神经网络识别多进制双正交键控信号。本发明专利技术解决了现有技术存在的计算量较大、检测效果较差等问题。问题。问题。

【技术实现步骤摘要】
一种多进制双正交键控信号检测方法及系统


[0001]本专利技术涉及无线通信信号接收检测
，具体是一种多进制双正交键控信号检测方法及系统。

技术介绍

[0002](一)M进制双正交键控的应用：
[0003]M进制双正交键控(M
‑
ary Bi
‑
Orthogonal Keying,MBOK)，是一种多进制扩频的软扩频技术，在保持传统直接序列扩频优良抗干扰性能之外，减少了传输带宽，在一些频谱受限或可变传输速率的场合得以应用。
[0004](二)M进制双正交键控信号发生：
[0005]M进制双正交键控信号的I/Q两路各需要M(M＝32)个长为N
c
(N
C
＝64)的正交序列(walsh码)来代表5
‑
bit信息的32个状态，发送端的二进制信号序列波形可以表示为
[0006][0007]其中c
m
[i]是长度为N
c
的第m个MBOK扩频序列的第i个码片，N
c
是正交序列的长度，T
c
是码片的周期时间，w(t)是脉冲成型波形。使用双正交扩频序列的QPSK调制，传输中的每路信号x(t)可以表示为
[0008][0009]其中s
m
[n]∈{
±
1}表示第n次传输的MBOK序列的符号位，T
s
为符号时间间隔。
[0010](三)M进制双正交键控传统解扩方法：
>[0011]传统的MBOK信号的解扩方法是采用本地正交序列与接收到的MBOK信号进行相关运算，根据相关能量判决进行解扩。
[0012]其缺点是：M进制双正交键控信号共有M
×
M个状态，每一个状态都需要一个匹配滤波器进行相关运算，然后搜索其中相关值最大的状态，进行解扩。因此传统的MBOK信号的解扩方法需要进行逐个样点的滑动相关计算，计算量较大。

技术实现思路

[0013]为克服现有技术的不足，本专利技术提供了一种多进制双正交键控信号检测方法及系统，解决现有技术存在的计算量较大、检测效果较差等问题。
[0014]本专利技术解决上述问题所采用的技术方案是：
[0015]一种多进制双正交键控信号检测方法，包括以下步骤：
[0016]S1，样本矩阵获取：获取多进制双正交键控信号样本矩阵；
[0017]S2，卷积神经网络构建：构建卷积神经网络；
[0018]S3，卷积神经网络训练：利用步骤S1获得的样本矩阵训练卷积神经网络；
[0019]S4，信号识别：利用训练后的卷积神经网络识别多进制双正交键控信号。
[0020]作为一种优选的技术方案，步骤S1包括以下步骤：
[0021]S11，获取MBOK无线传输信号后，截取N
c
个采样信号样本；
[0022]S12，计算接收信号向量u(n)的自相关矩阵R；
[0023]S13，对R按列进行FFT计算，得到复数矩阵R
FFT
矩阵；
[0024]其中，
[0025]R
FFT
＝[FFT(r1),FFT(r2),
…
,FFT(r
N
‑1))]；
[0026]r1,r2,
…
r
N
‑1分别表示自相关矩阵R的列向量，FFT(r1),FFT(r2),
…
,FFT(r
N
‑1分别表示对自相关矩阵R的列向量进行FFT计算后的值；
[0027]S14，对复数矩阵R
FFT
的各个元素求模，得到R
FFT
的模值矩阵R
modulus
；
[0028]S15，将矩阵R
modulus
归一化得到卷积神经网络的输入样本矩阵R
′
modulus
。
[0029]作为一种优选的技术方案，步骤S2中，构建的卷积神经网络包括依次连接的输入层、卷积层C1、池化层S2、卷积层C3、池化层S4、全连接层F5、全连接层F6、输出层；其中，输入层为输入样本矩阵R
′
modulus
。
[0030]作为一种优选的技术方案，步骤S2中，构建的卷积神经网络的各层采用如下设置：
[0031]输入层：维度为64
×
64；
[0032]卷积层C1：包含6个特征层，每层维度为60
×
60，卷积核大小为5
×
5；
[0033]池化层S2：包含6个特征层，每层维度为30
×
30，使用最大池化进行抽取，抽取比率为2；
[0034]卷积层C3：包含16个特征层，每层维度为26
×
26，卷积核大小为5
×
5；
[0035]池化层S4：包含16个特征层，每层维度为13
×
13，使用最大池化进行抽取，抽取比率为2；
[0036]全连接层F5：包含120个神经元节点；
[0037]全连接层F6：包含84个神经元节点；
[0038]输出层：采用softmax全连接。
[0039]作为一种优选的技术方案，步骤S3中，采用监督学习方式、随机梯度下降算法训练卷积神经网络。
[0040]作为一种优选的技术方案，步骤S3中，卷积神经网络的损失函数定义为：
[0041][0042]其中，Loss表示卷积神经网络的损失函数，B表示批处理样本数，i表示样本序号，x
i
表示输出层的第i个输入，f(x
i
)表示输出层的输出，y
i
′
表示样本标签，λ表示惩罚系数，k表示第k个网络参数，L表示总共有L个网络参数，w
k
表示卷积神经网络参数，‖w
k
‖2表示网络参数的范数。
[0043]作为一种优选的技术方案，步骤S3中，训练卷积神经网络时，前向传播采用如下计算过程：从训练集中选取R
′
modulus
样本矩阵构成输入层，经过卷积层和池化层，然后再经过全连接层，最后根据训练样本矩阵的标注信息，计算出当前卷积神经网络的预测结果与真实结果之间的误差。
[0044]作为一种优选的技术方案，步骤S3中，训练卷积神经网络时，误差反向传播采用如下计算过程：基于前向传播得到的预测值和真实值之间的误差，反向传播算法按照输出层到输入层的顺序，采用随机梯度下降算法依次计算各层网络参数的梯度，并用梯度更新各层网络参数；然后继续从训练集中选取MBOK信号样本矩阵，直到遍历完整个训练集。
[0045]作为一种优选的技术方案，步骤S4中，卷积神经网络经过训练集中有标注的MBOK样本矩阵训练后，逐层完成MBOK信号特征提取，将高层特征按照本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多进制双正交键控信号检测方法，其特征在于，包括以下步骤：S1，样本矩阵获取：获取多进制双正交键控信号样本矩阵；S2，卷积神经网络构建：构建卷积神经网络；S3，卷积神经网络训练：利用步骤S1获得的样本矩阵训练卷积神经网络；S4，信号识别：利用训练后的卷积神经网络识别多进制双正交键控信号。2.根据权利要求1所述的一种多进制双正交键控信号检测方法，其特征在于，步骤S1包括以下步骤：S11，获取MBOK无线传输信号后，截取N
c
个采样信号样本；S12，计算接收信号向量u(n)的自相关矩阵R；S13，对R按列进行FFT计算，得到复数矩阵R
FFT
矩阵；其中，R
FFT
＝[FFT(r1)，FFT(r2)，
…
，FFT(r
N
‑1))]；r1,r2,
…
r
N
‑1分别表示自相关矩阵R的列向量，FFT(r1),FFT(r2),
…
,FFT(r
N
‑1分别表示对自相关矩阵R的列向量进行FFT计算后的值；S14，对复数矩阵R
FFT
的各个元素求模，得到R
FFT
的模值矩阵R
modulus
；S15，将矩阵R
modulus
归一化得到卷积神经网络的输入样本矩阵R
′
modulus
。3.根据权利要求2所述的一种多进制双正交键控信号检测方法，其特征在于，步骤S2中，构建的卷积神经网络包括依次连接的输入层、卷积层C1、池化层S2、卷积层C3、池化层S4、全连接层F5、全连接层F6、输出层；其中，输入层为输入样本矩阵R
′
midulus
。4.根据权利要求3所述的一种多进制双正交键控信号检测方法，其特征在于，步骤S2中，构建的卷积神经网络的各层采用如下设置：输入层：维度为64
×
64；卷积层C1：包含6个特征层，每层维度为60
×
60，卷积核大小为5
×
5；池化层S2：包含6个特征层，每层维度为30
×
30，使用最大池化进行抽取，抽取比率为2；卷积层C3：包含16个特征层，每层维度为26
×
26，卷积核大小为5
×
5；池化层S4：包含16个特征层，每层维度为1...

【专利技术属性】
技术研发人员：李晓东，胡飞，李开林，张桂祥，咸立文，
申请(专利权)人：中国电子科技集团公司第三十研究所，
类型：发明
国别省市：