一种可学习维特比与核速率信号检测方法

技术领域

本发明属于无线通信领域，具体的说，是一种可学习维特比与核速率信号检测方法，该方法基于卷积神经网络(CNN)和双向长短时记忆(BiLSTM)的联合数据和模型驱动。

背景技术

迄今为止，在几乎所有的通信系统中，检测技术都发挥了至关重要的作用，包括通信信号检测、目标检测和强迫振荡检测。在通信信号检测领域，大多数基于模型的方法都依赖于发射序列和接收机处观测序列之间的统计关系。因此，许多常见的基于模型的检测方法，如维特比算法，需要在已知信道相关信息的情况下，在内存有限的因果信道中实现最优信号检测。然而，当信道知识(如衰落、噪声分布和相关模型)未知时，获取信道模型及其参数需要大量开销。此外，基于模型的方法对信道状态信息(CSI)的依赖性过于敏感，一旦估计的CSI与实际瞬时CSI略有偏差，信号检测性能就会急剧下降。特别是，在复杂和高度动态的通信网络场景中，如大规模多输入多输出(MIMO)系统、车辆网络和大规模密集网络，信道无法用严格的数学模型描述，导致信道建模困难。例如，在具有独特传播环境、高移动速度和低天线高度的车辆通信中，蜂窝车载无线信道(C-V2X)与传统蜂窝通信信道有着显著的不同。车联网无线电波传播和信道建模的研究不仅要考虑传统蜂窝网络无线信道的传播机制和信道特性，还要结合业务需求充分考虑C-V2X信道本身的特殊性。

为了解决基于模型的方法对底层信道统计信息的依赖性，深度学习中的深度神经网络(DNN)被应用于无线通信的物理层。在此之前，有学者提出了一种数据驱动的DNN和基于模型的高斯混合假设方法来实现无CSI的信号检测。然而，由于信道模型失配问题，上述方法的信号检测性能较差。纯数据驱动的DL方法有两个缺点。首先，神经网络学习的参数关系无法解释，导致学习任务的效果无法控制。其次，DNN需要大量的训练样本和训练时间，这与通信延迟是一个重要的度量指标的现实情况相反。

发明内容

为了解决上述技术问题，本发明披露了一种基于CNN-BiLSTM的无信道状态信息可学习维特比算法，称为CBLV，以实现最大似然准则下的信号检测，通过使用CNN-BiLSTM，该方法可以在具有不确定性场景的完美和不完美CSI中实现小样本训练下的低误码率。采用了两种方法来解决信道失配问题，因此即使在不满足高斯混合假设的泊松信道中，所提出的CBLV也能确保接近最优的信号检测性能。

本发明采用的具体技术方案如下：

一种可学习维特比与核速率信号检测方法，包括以下步骤：

S1、收集通信的发送数据X与接收数据Y，并获得有限记忆信道的记忆长度L；

S2、搭建并设计CNN-BiLSTM网络作为分类神经网络；

S3、考虑使用维比特算法在内存有限的因果信道上的信号恢复问题；

S4、采用CNN-BiLSTM神经网络和参数估计(即具有Akaike信息准则的高斯混合模型)或非参数估计(即自适应核密度)来学习CSI；

S5、设计一个称为模式网络的小型模式识别网络将神经网络的标签从x[k]转换为

S6、解决CSI分解后的边际概率密度；

S7、采用基于线性扩散过程的自适应核密度估计，确保核密度估计结果最大程度地接近真实边缘概率密度；

S8、根据有限记忆信道的记忆长度L与学习到的CSI，实现最大似然概率准则下的信号检测。

进一步地，步骤S3中，考虑内存有限的因果信道上的信号恢复问题，具体为：假设传输序列由N个符号组成，则在时间k处传输的符号是x[k]∈M、k∈{1，2，…，N}。x[k]取自基数为m的符号集M，y[k]表示相应的信道输出。该信道符合马尔可夫记忆特性。因此，信道存储长度为L时，y[k]仅取决于第一个L信道输入x[k],…,x[k-l+1]。N个矩的输出构成输出向量，Y＝[y[1],y[2],…y[N]]

进一步地，步骤S3中，信道输入和输出向量之间的关系为

其中，L

其中

进一步地，步骤S3中，维特比算法的目的是在最大似然准则(ML)下实现最大信号检测，具体为，

S31、ML的表达是

其中，似然函数可以分解为：

S32、定义

/>

最终，ML可以重写为：

S33、该问题可以作为动态规划递归求解，其目标是找到到N级网格的最短路径，发送序列

进一步地，步骤S4中，为了便于阐述，将基于CNN-BiLSTM神经网络结构的可学习维特比算法称为CBLV。CSI是维特比算法在ML准则下实现信号检测的关键。虽然传统的基于模型的维特比算法可以降低算法的复杂度，使算法的复杂度随着块的大小线性增长，但必要的CSI的获取是一个困难的问题。估计信道知识的额外成本使得该算法在信号检测应用中仅限于具有已知CSI的通信场景。为了解决传统算法对CSI的依赖性，提出的CBLV以数据驱动的方式学习

进一步地，步骤S4中，使用CNN-BiLSTM结构的神经网络来帮助完成CSI的部分计算，具体为，

S41、为了学习CSI，

分解后的两个重要部分，包括

S42、在维特比算法中，

成本函数的更新表达式为

当更新成本函数和路径时，用常数构造因子图

同样，获得了成本的更新函数，

S43、从上式可以看出，成本函数也可以由因子节点表示，这与有限长存储信道的因子图结构一致。此外，用于实现维特比算法的学习因子图和维特比算法的数据驱动实现是一致的，两者都可以使算法的复杂度随N的大小线性增长。与通过因子图方法检测传统的BCJR信号不同，维特比格式只进行前向递归。这证明了我们的方法也可以与因子图方法迭代应用。

S44、使用CNN-BiLSTM结构的神经网络来帮助完成CSI的部分计算，特别是在分解后求解条件概率密度。

在CNN-BiLSTM网络的结构中，时间序列首先通过序列输入层输入到网络。为了满足卷积层的应用条件，放置序列折叠层以去除数据的序列结构，以便卷积运算可以在每一时刻独立应用。原始数据和特征提取后的CNN层输出用作BiLSTM层的输入。由于BiLSTM层需要输入向量序列进行时间序列分类，为了恢复序列结构，在卷积层和BiLSTM层之间插入了序列展开层和展平层，从而将CNN层的输出重塑为特征向量序列。卷积网络由三层卷积组成，每层由批量归一化、激活函数和最大池层组成。

S45、一般分类网络以y[k]为训练样本，x[k]为标签，但在有限记忆信道中，y[k]由在有限记忆信道中输入向量

进一步地，步骤S5中，设计的称为模式网络的小型模式识别网络完成的任务是，识别发送的不确定序列X＝[X[1],X[2],…X[N]]

进一步地，步骤S6中，提出带AIC的GMM方法，可以更准确地拟合数据，并避免由于理论假设和实际模型之间的失配而导致的性能下降。这种方法为在非平稳信道中获得真实边缘提供了启发。此外，准确估计边缘概率密度的一个有希望的前景可能是为一些软输入信道解码器提供软输出。

S61、考虑AIC的GMM方法：传统GMM的应用需要预先给定数量的混合分量K，并且可能导致GMM拟合的边缘概率密度函数与实际值之间存在较大差距。因此引入AIC，这是估计模型的信息准则。AIC准则的发明引入了Kullback-Leibler(KL)散度，以实现模型估计精度和参数数量之间的平衡。K-L散度定义的一般形式是

其中P(X)是实际边际概率，Q(X)是变量X的估计边际概率，D(P||Q)是K-L散度。D(P||Q)的值越小，估计的概率分布中包含的信息越能反映真实分布。

S62、假设信道输出f(y|λ)与参数λ相关的条件概率，并且真实分布为g(y)＝f(y|λ

其中AIC准则的第一项Elng(Y)是最大似然函数的对数形式，反映了模型拟合的条件；第二项Elnf(Y|λ)是对模型复杂性的惩罚，在确保模型拟合有效性的前提下，可以避免过多的参数。预测误差的平均值用于评估模型拟合的质量。由于Elng(Y)是一个常数，当K-L距离最小时，仅考虑

S63、在信号恢复问题中，输入向量

进一步地，步骤S7中，自适应核密度估计方法，非参数估计特别是核密度估计，也可以有效地拟合数据。核密度估计的关键要素是核函数和窗口宽度。采用基于线性扩散过程的自适应核密度估计，确保核密度估计结果最大程度地接近真实边缘概率密度，具体为：

S71、构造核密度估计的核函数作为扩散过程的转移概率密度。采用插件带宽选择方法来实现自适应带宽，带宽随采样点变化，因此拟合的概率密度曲线足够平滑。估计器的核函数为

插件带宽选择方法意味着用估计值嵌入窗口宽度所依赖的未知变量，以获得近似最优的窗口宽度。平均积分平方误差(MISE)是确定最佳窗口宽度的标准，窗口宽度的最佳值为

其中f”表示二阶导数，||·||是欧几里得范数。

S72、特别是，当核函数为高斯核时，最佳窗口宽度为

窗口宽度取决于||f”||

其中

因此，

与GMM方法不同，由于信道差异，K

进一步地，步骤S8中，根据有限记忆信道的记忆长度L与基于神经网络(CNN－BiLSTM)、参数估计(GMM)或者非参数估计(AKDE)学习到的CSI，可实现ML准则下的信号检测。

本发明的有益效果是：本发明充分利用了CNN、BiLSTM和简化全连接(FC)网络的优点，实现了时间序列的分类功能；采用高斯混合模型(GMM)结合Akaike信息准则(AIC)和自适应核密度估计(AKDE)来获得CSI的边缘概率密度，避免了现有方法中信道模型不匹配的问题；提出了将数据驱动和基于模型的维特比算法相结合的想法，以在一定程度上减少神经网络参数的数量，降低网络的复杂性和不可控性，同时提高完成任务过程的可解释性；与传统的近似计算和数值计算相比，采用CNN-BiLSTM来求解CSI的条件概率密度，具有更高的分类精度。

附图说明

图1是本发明的流程示意图。

图2是本发明中具有完美信道状态信息的泊松信道上的误码率的仿真结果示意图。

图3是本发明的实施例中具有不完全CSI的AWGN信道上的误码率的仿真结果示意图。

图4是本发明的实施例中具有不完全CSI的泊松信道上的误码率的仿真结果示意图。

图5是本发明实施例中基于CBLV-AIC的GMM训练在AWGN信道中不同样本下的性能的仿真结果示意图。

具体实施

为了加深对本发明的理解，下面将结合附图和实施例对本发明做进一步详细描述，该实施例仅用于解释本发明，并不对本发明的保护范围构成限定。

实施例：

一种基于CNN-BiLSTM的无信道状态信息可学习维特比算法，包括以下步骤：

S1、收集通信的发送数据X与接收数据Y，并获得有限记忆信道的记忆长度L；

S2、搭建并设计CNN-BiLSTM网络作为分类神经网络；

S3、考虑使用维比特算法在内存有限的因果信道上的信号恢复问题；

S4、采用CNN-BiLSTM神经网络和参数估计(即具有Akaike信息准则的高斯混合模型)或非参数估计(即自适应核密度)来学习CSI；

S5、设计一个称为模式网络的小型模式识别网络将神经网络的标签从x[k]转换为

S6、解决CSI分解后的边际概率密度；

S7、采用基于线性扩散过程的自适应核密度估计，确保核密度估计结果最大程度地接近真实边缘概率密度；

S8、根据有限记忆信道的记忆长度L与学习到的CSI，实现最大似然概率准则下的信号检测。

如图1所示：考虑m＝2，记忆长度L＝4。该方法可分为基于CBLV-AIC的GMM和CBLV-AKDE。

搭建CNN-BiLSTM网络，由5000个样本训练，并在50000个测试样本上进行评估，学习率为0.001。CNN中的滤波器尺寸为1×1，滤波器数量为100，激活函数为ReLU，最大池参数[1，1]。FC由三层组成：1×100、100×50和50×16，分别使用ReLU和Softmax激活函数。模式网络的隐层由10个神经元组成，激活函数为tansig。

考虑两种信道：具有加性高斯白噪声(AWGN)的符号间干扰信道和泊松信道，与传统的基于模型的维特比方法和现有的ViterbiNet进行了比较。其中ρ>0是平均信噪比，

以不同ρ下的符号错误率(SER)作为性能评估指标。对于每个ρ，让γ在区间[0.1，2]中取值为0.1的区间，并平均20个不同信道冲击响应h

由于泊松信道的条件比AWGN信道更为恶劣，因此考虑泊松信道上理想CSI下的仿真结果。

如图2所示，与ViterbiNet相比，基于CBLV-AIC的GMM或CBLV-AKDE的拟议方法更接近基于模型的维特比算法。为了验证拟议方法在CSI不确定时的鲁棒性，考虑了在不完美CSI下的比较。

如图3、图4所示。在CSI不确定性条件下，基于模型的维特比方法的性能最差，现有的ViterbiNet方法的性能不如我们提出的CBLV方法。基于模型的信号检测方法对CSI极为敏感，这导致其在不确定CSI下的检测性能快速下降。提出的方法优于ViterbiNet的性能，因为我们提出了一种更具表现力的网络结构。特别是在图4中的泊松信道中，由于边缘分布简单地近似于混合高斯分布，因此ViterbiNet中出现的信道失配问题导致其性能更差。提出的基于CBLV-AIC的GMM方法避免了该问题，因为使用信息准则的GMM方法可以更准确地给出混合数K

如图5所示，可以观察到在AWGN信道的高SNR下，与现有的ViterbiNet相比，提出的两种方法的性能仅略有提高。研究了不同大小的训练样本对高误码率性能的影响。训练样本分别为3000、8000、15000。

如图5所示，SER随着样本的增加而降低。当样本量达到15000时，无论是在理想CSI还是在不理想CSI中，误码率都非常接近理想的基于模型的方法。并且样本量仍然比其他常见检测算法中的样本量小得多。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，这些变化和改进都落入要求保护的本发明范围内。