一种基于深度学习的信噪比估计方法技术

本发明专利技术公开了一种基于深度学习的信噪比估计方法，首先采集已预设信噪比下的发射信号序列，构建原始信号数据集；对采集的信号序列进行时频变换获得其功率谱数据集；根据所需的信噪比估计精度选择分类或回归方法，构造相应卷积分类网络或卷积回归网络，初始化神经网络训练参数；使用功率谱数据集进行训练；最后利用训练好的卷积神经网络模型对新接收到的信号进行信噪比估计。本发明专利技术通过使用回归技术，能够更准确地估计信号的SNR，而无需依赖事先定义的离散类别。相较于基于分类的方法，本发明专利技术提出的基于回归的方法不仅具备更好的估计性能，还能够降低对大量训练标签的依赖性。还能够降低对大量训练标签的依赖性。还能够降低对大量训练标签的依赖性。

【技术实现步骤摘要】
一种基于深度学习的信噪比估计方法


[0001]本专利技术属于无线通信中信号参数估计领域，涉及一种基于深度学习的信噪比估计方法。

技术介绍

[0002]在无线通信系统中，信噪比(Signal
‑
to
‑
Noise,SNR)起着至关重要的作用。相比于误码率和误符号率，SNR能够更为直接地反映信号质量或信道质量。此外，大量的信道译码算法需信道状态信息来实现软译码，因此SNR估计的性能对后续的信息恢复至关重要。目前，已经有许多估计SNR的方法被提出。这些方法可以分为两类：数据辅助估计和非数据辅助估计。数据辅助估计器依赖于传输数据的先验知识，非数据辅助估计器通过分析未知接收信号获得SNR估计值。传统的SNR估计方法存在一些局限性。一方面，这些方法能够适用的信号调制类型有限、能够有效估计的SNR范围较窄。另一方面，这些方法通常假设接收系统是完全同步的，即发射机和接收机之间不存在实际场景中并不总是满足的频率和定时偏差。
[0003]随着近年来深度学习的快速发展，各种拥有强大特征提取能力的神经网络模型被广泛应用。鉴于深度学习强大的特征学习能力，逐渐开始将其应用于SNR估计中。目前，已提出使用IQ信号、星座图等数据输入神经网络进行深度学习训练。这几种基于深度学习的SNR估计方法相较于传统SNR估计算法在性能上有着显著的提升，尤其在低信噪比下SNR估计的准确率提升明显。上述基于深度学习的SNR估计方法存在一些共同的局限性。一方面，现有方法未考虑计算复杂度问题。另一方面，现有方法均采用深度学习分类来解决连续空间下的SNR估计问题，然而训练数据的SNR间隔大小必然会影响后续模型对于SNR估计的精度。

技术实现思路

[0004]为了克服现有技术的不足，本专利技术提供了一种基于深度学习的信噪比估计方法。该方法利用时频变换来降低输入数据处理的复杂度，并通过引入残差网络来增加鲁棒性和模型预估的准确性。为了应对训练数据集中SNR间隔过大、训练标签类别过少而导致的SNR估计模型精度不够的问题，本专利技术提出了一种基于回归的深度学习方法，以确保训练完成的模型此条件下依旧具备出色的估计性能。
[0005]本专利技术提供一种基于深度学习的信噪比估计方法，该方法包括以下步骤：
[0006]S1.采集已预设信噪比下的发射信号序列，并以信号的信噪比作为样本标签，构建原始信号数据集；
[0007]S2.对采集的信号序列进行时频变换获得其功率谱数据集，且每个信号样本对应标签在变换前后保持不变，其中功率谱输入采用平均周期图输入；
[0008]S3.根据所需的信噪比估计精度选择分类或回归方法，再根据功率谱数据集构造相应卷积分类网络或卷积回归网络，初始化神经网络训练参数；
[0009]S4.使用功率谱数据集对相应的卷积神经网络进行训练，得到用于信噪比估计的
卷积神经网络模型；
[0010]S5.利用训练好的信噪比估计卷积神经网络模型对新接收到的信号进行信噪比估计。
[0011]进一步的，步骤S1具体方法如下；
[0012]在每一个预设信噪比下，发射一个复基带信号，形成一个样本，利用模数转换器转化为数字量信号，然后通过采样得到复基带采样信号，采样点数为N。每个预设信噪比发射相同数量的复基带信号，重复步骤，得到P个样本构成原始信号数据集。发送端发送的信号通过信道传输到接收端，接收端接收到的信号能够表示为：
[0013][0014]其中e是自然对数的底，r(n)代表第n个含有加性噪声的接收信号，n为0到N
‑
1范围内的整数值，b(n)代表信道传输信号，h(n)代表发送信号的信道响应，参数Δf表示载波频率偏移，θ表示随机相位偏移，w(n)表示加性噪声，N为信号长度，表示卷积运算。定义接收信号中去除噪声的部分为有效信号x(n)，表达式如下：
[0015][0016]为了减少信号功率的影响，将初始信号进行功率归一化，归一化公式如下：
[0017][0018]其中N为信号长度，y(n)为进行功率归一化后的信号。
[0019]进一步的，采用的复基带信号的调制方式包括AM、FM、PSK、ASK、FSK、QAM。
[0020]进一步的，步骤S2具体方法如下；
[0021]对步骤S1得到原始信号数据集进行时频变换得到其功率谱数据。首先需要对功率归一化后的接收信号进行离散傅里叶变换：
[0022][0023]其中Y(k)代表y(n)经过离散傅里叶变换后第k个值，k为0到N
‑
1范围内的整数值。
[0024]为了减小功率谱估计中的方差，采用平均周期图APG法。随着采样点数N增加，即每个信号样本长度增加，此时采用APG减小方差效果更明显。将原本长度是N的序列分为L段，每段长度为M，M＜N，并对每段数据分别进行功率谱计算，然后计算平均值。APG将方差变为原来的1/L。随着分段数L的增加，方差减小，分辨率降低。先进行分段操作：
[0025]Y
i
(k)＝Y(k),k∈[(i
‑
1)
×
M,i
×
M
‑
1]ꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0026]其中i表示归一化接收信号经过离散傅里叶变化分为L段中的第i段，Y
i
(k)代表Y(k)分为L段中的第i段信号。再求每一段长度为M的序列的功率谱，并相加求均值：
[0027][0028]其中S(k)为得到的APG输入。10log
10
(
·
)计算的目的是使计算的功率谱与以dB表示的SNR更加匹配。使用APG输入时，每个样本尺寸为1行M列。
[0029]对所有原始信号数据集中的数据进行上述处理得到对应的功率谱数据集。
[0030]进一步的，步骤S3具体方法如下；
[0031]在不同场景下选择分类或回归方法，以更准确地估计信号的SNR。若实际应用中对于待估计信噪比需要高精度预测，即预测的信噪比与实际信噪比误差控制在1dB以内，采用回归方法；反之，选择分类方法；
[0032]卷积神经网络基于ResNet50，只保留ResNet50中从输入至第二个残差块的结构，输出层按照选择的方法进行替换。即卷积分类网络与卷积回归网络均包含一个卷积层、两个残差块、两个池化层、一个全连接层和输出层。其中第一个残差块由两个卷积层和若干激活层组成，第二个残差块由三个卷积层和若干激活层组成。卷积分类网络的全连接层参数为1
×
信噪比类别个数，输出层为SoftMax层和ClassOutput层；卷积回归网络的全连接层参数为1
×
1，输出层为RegressionOutput层。
[0033]进一步的，步骤S4具体方法如下；
[0034]从含有P个样本的功率谱数据集中取出U个样本作为训练数据集,其余作为测试数据集。利用训练集来训练卷积神经网络得到初始模型，利用测试集数据验证本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的信噪比估计方法，其特征在于，包括以下步骤：S1.采集已预设信噪比下的发射信号序列，并以信号的信噪比作为样本标签，构建原始信号数据集；S2.对采集的信号序列进行时频变换获得其功率谱数据集，且每个信号样本对应标签在变换前后保持不变，其中功率谱输入采用平均周期图输入；S3.根据所需的信噪比估计精度选择分类或回归方法，再根据功率谱数据集构造相应卷积分类网络或卷积回归网络，初始化神经网络训练参数；S4.使用功率谱数据集对相应的卷积神经网络进行训练，得到用于信噪比估计的卷积神经网络模型；S5.利用训练好的信噪比估计卷积神经网络模型对新接收到的信号进行信噪比估计。2.根据权利要求1所述的一种基于深度学习的信噪比估计方法，其特征在于，步骤S1具体方法如下；在每一个预设信噪比下，发射一个复基带信号，形成一个样本，利用模数转换器转化为数字量信号，然后通过采样得到复基带采样信号，采样点数为N；每个预设信噪比发射相同数量的复基带信号，重复步骤，得到P个样本构成原始信号数据集；发送端发送的信号通过信道传输到接收端，接收端接收到的信号能够表示为：其中e是自然对数的底，r(n)代表第n个含有加性噪声的接收信号，n为0到N
‑
1范围内的整数值，b(n)代表信道传输信号，h(n)代表发送信号的信道响应，参数Δf表示载波频率偏移，θ表示随机相位偏移，w(n)表示加性噪声，N为信号长度，表示卷积运算；定义接收信号中去除噪声的部分为有效信号x(n)，表达式如下：为了减少信号功率的影响，将初始信号进行功率归一化，归一化公式如下：其中N为信号长度，y(n)为进行功率归一化后的信号。3.根据权利要求2所述的一种基于深度学习的信噪比估计方法，其特征在于，采用的复基带信号的调制方式包括AM、FM、PSK、ASK、FSK、QAM。4.根据权利要求2所述的一种基于深度学习的信噪比估计方法，其特征在于，步骤S2具体方法如下；对步骤S1得到原始信号数据集进行时频变换得到其功率谱数据；首先需要对功率归一化后的接收信号进行离散傅里叶变换：其中Y(k)代表y(n)经过离散傅里叶变换后第k个值，k为0到N
‑
1范围内的整数值；为了减小功率谱估计中的方差，采用平均周期图APG法；随着采样点数N增加，即每个信号样本长度增加，此时采用APG减小方差效果更明显；将原本长度是N的序列分为L段，每段
长度为M，M＜N，并对每段数据分别进行功率谱计算，然后计算平均值；APG将方差变为原来的1/L；随着分段数L的增加，方差减小，分辨率降低；先进行分段操作：Y
i
(k)＝Y(k),k∈[(i
‑
1)
×
M,i
×
M
‑
1]
ꢀꢀꢀꢀꢀꢀꢀꢀ
(5)其中i表示归一化接收信号经过离散傅里叶变化分为L段中的第i段，Y
i
(k)代表Y(k)分为L段中的第i段信号；再求每一段长度为...

【专利技术属性】
技术研发人员：陈书润，郑仕链，赵知劲，陈涛，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：