【技术实现步骤摘要】
本专利技术涉及通信，尤其涉及一种同时同频全双工通信系统自干扰抑制方法。
技术介绍
1、全双工自干扰抑制是一种在无线通信系统中实现全双工通信的关键技术，通过自干扰抑制，可以让用户在同一时间实现上下行数据的传输，从而提高无线通信系统的频谱效率和信道利用率。发送的信号会通过硬件、天线等耦合到接收天线，对自身干扰进行处理，为了消除或抑制自干扰，现有研究学者提出了模拟自干扰消除方法和数字自干扰消除方法，模拟自干扰消除方法是利用被动或主动抑制在模拟域中实现自干扰的消除，主要针对的是线性自干扰，而残余的非线性自干扰依然能通过接收机进入数字域，因此，当前的方法主要在数字域来研究非线性特性及其消除方法。
2、传统基于多项式模型的方法需要结合相关先验知识来建立数学模型以刻画非线性效应，之后再通过信道估计方法来获得模型参数，重建自干扰信号，由于及其依赖相关先验知识，如果发生模型失配的情况，将会导致消除效果严重恶化，因而人工设计模型估计相关参数的方法效率较为低下；近年来，随着神经网络技术的快速发展，基于神经网络的数字自干扰消除方法正在逐步替代多项式模型方法，用于数字域的非线性自干扰消除中，然而，现有基于神经网络的自干扰消除方法，仍然存在以下不足：1、在计算量和模型参数与多项式模型相当或者少于多项式模型时，神经网络模型性能相对于多项式模型并未有较大提升；2、随着在神经网络模型参数量降低，模型效果也会随之下降，特别是在参数量低的时候，神经网络模型性能显著下降，亟待提升在低复杂度、低参数量情况下神经网络模型性能。
技术
1、本专利技术的目的在于克服现有技术的缺点，提供了一种同时同频全双工通信系统自干扰抑制方法，解决了现有技术存在的不足。
2、本专利技术的目的通过以下技术方案来实现：一种同时同频全双工通信系统自干扰抑制方法，所述抑制方法包括：
3、在无干扰抑制的情况下获取发送数据x(n)和接收数据ysi(n)，并利用数据计算线性干扰抑制参数；
4、去除接收数据中的线性干扰，并对剩余的非线性干扰进行归一化处理，生成深度学习模型训练数据；
5、采用多个随机初始化参数对设计好的学生模型进行初始化，并分别进行预训练，选择训练损失最小的模型进行知识蒸馏，利用设计好的教师模型以及训练得到的学生模块进行知识蒸馏训练，得到蒸馏好的学生模型；
6、通过得到的线性干扰抑制器和非线性干扰抑制器对接收到的数据进行干扰抑制。
7、所述去除接收数据中的线性干扰，并对剩余的非线性干扰进行归一化处理，生成深度学习模型训练数据包括：
8、利用线性干扰器，计算得到预测的线性干扰值ysi,lin(n)；
9、将真实数据的干扰值减去预测的线性干扰值，得到非线性干扰值ysi,nl(n)＝ysi(n)-ysi,lin(n)；
10、对非线性干扰值ysi,nl(n)进行归一化处理得到yg(n)，作为非线性干扰抑制模型训练用的标签，并与发送数据x(n)一起组成深度学习模型训练样本集，每一个数据样本包括{{x(n)，x(n-1),…,x(n-t1-1)},yg(n)}，t1为窗口长度。
11、所述采用多个随机初始化参数对设计好的学生模型进行初始化，并分别进行预训练，选择训练损失最小的模型进行知识蒸馏包括：
12、利用预处理得到的多组{{x(n)，x(n-1),…,x(n-t1-1)},yg(n)}数据对，按照预训练设置对pn个参数初始化不同的学生模型进行有监督训练，并记对应的训练损失为loss_pre；
13、选择loss_pre最小的学生模型，并输入到知识蒸馏训练。
14、所述利用设计好的教师模型以及训练得到的学生模块进行知识蒸馏训练，得到蒸馏好的学生模型包括：
15、初始化教师模型；
16、利用kdloss＝ρloss(ys,yt)+(1-ρ)loss(ys,yg)对教师模型和学生模型进行同时训练，更新参数，其中，ρ为调节蒸馏损失的系数，loss为损失函数，ys为学生模型的预测结果，yt为教师模型的预测结果，yg为真实的结果；
17、训练结束后得到教师模型参数和学生模型参数。
18、所述通过得到的线性干扰抑制器和非线性干扰抑制器对接收到的数据进行干扰抑制包括：
19、在进行干扰抑制时，利用学生模型和训练得到的参数，计算对应的预测线性自干扰值ysi,lin(n)和非线性自干扰值ysi,nl(n)，并利用采样信号减去自干扰值，得到有用的接收信号为：y(n)＝ysi(n)-ysi,lin(n)-ysi,nl(n)。
20、所述在无干扰抑制的情况下获取发送数据x(n)和接收数据ysi(n)，并利用数据计算线性干扰抑制参数包括：
21、a1、采样得到ofdm数据，其中发射端采样得到的数据为x，接收端采样得到的数据为ysi；
22、a2、以窗口长度为t1对x进行滑窗处理，得到窗口数据{x(n)，x(n-1),…,x(n-t1-1)}，并记ysi(n)为对应接收到的干扰信号数据；
23、a3、对数据{x(n)，x(n-1),…,x(n-t1-1)}按照实部和虚部进行通道组合，得到t2×2的二位矩阵，t2为输入数据长度；
24、a4、通过线性相干检测技术，在接收端对上行信号进行处理，从而实现对自干扰信号的抑制。
25、所述抑制方法还包括设计教师模型和学生模型，所述教师模型的模型参数大于学生模型，教师模型和学生模型均包括一维卷积层、一维展开操作层和全连接层，且均采用mish函数作为激活函数。
26、本专利技术具有以下优点：一种同时同频全双工通信系统自干扰抑制方法，在基于机器/深度学习的数字干扰抑制器中，当机器学习模型较小时，通过选择更为复杂，非线性程度更高的激活函数，来提升模型的拟合能力，通过预选法，预训练多个参数初始化不同的模型，并选择其中训练损失最小的模型进行集训训练，一般，预训练模型的次数较小，以降低训练时间，采用知识蒸馏的方法，提升模型的效果，在不增加参数量和模型计算复杂度的情况下，提升模型效果。
本文档来自技高网...【技术保护点】
1.一种同时同频全双工通信系统自干扰抑制方法，其特征在于：所述抑制方法包括：
2.根据权利要求1所述的一种同时同频全双工通信系统自干扰抑制方法，其特征在于：所述去除接收数据中的线性干扰，并对剩余的非线性干扰进行归一化处理，生成深度学习模型训练数据包括：
3.根据权利要求2所述的一种同时同频全双工通信系统自干扰抑制方法，其特征在于：所述采用多个随机初始化参数对设计好的学生模型进行初始化，并分别进行预训练，选择训练损失最小的模型进行知识蒸馏包括：
4.根据权利要求2所述的一种同时同频全双工通信系统自干扰抑制方法，其特征在于：所述利用设计好的教师模型以及训练得到的学生模块进行知识蒸馏训练，得到蒸馏好的学生模型包括：
5.根据权利要求4所述的一种同时同频全双工通信系统自干扰抑制方法，其特征在于：所述通过得到的线性干扰抑制器和非线性干扰抑制器对接收到的数据进行干扰抑制包括：
6.根据权利要求1所述的一种同时同频全双工通信系统自干扰抑制方法，其特征在于：所述在无干扰抑制的情况下获取发送数据x(n)和接收数据YSI(n)，并利用数据计
7.根据权利要求1-6中任意一项所述的一种同时同频全双工通信系统自干扰抑制方法，其特征在于：所述抑制方法还包括设计教师模型和学生模型，所述教师模型的模型参数大于学生模型，教师模型和学生模型均包括一维卷积层、一维展开操作层和全连接层，且均采用Mish函数作为激活函数。
...【技术特征摘要】
1.一种同时同频全双工通信系统自干扰抑制方法，其特征在于：所述抑制方法包括：
2.根据权利要求1所述的一种同时同频全双工通信系统自干扰抑制方法，其特征在于：所述去除接收数据中的线性干扰，并对剩余的非线性干扰进行归一化处理，生成深度学习模型训练数据包括：
3.根据权利要求2所述的一种同时同频全双工通信系统自干扰抑制方法，其特征在于：所述采用多个随机初始化参数对设计好的学生模型进行初始化，并分别进行预训练，选择训练损失最小的模型进行知识蒸馏包括：
4.根据权利要求2所述的一种同时同频全双工通信系统自干扰抑制方法，其特征在于：所述利用设计好的教师模型以及训练得到的学生模块进行知识蒸馏训练，得到蒸馏好的学生模型包括...
【专利技术属性】
技术研发人员：王小波，赵弘志，胡朋，邵士海，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。