基于神经网络的极化码盲检测方法和装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109194446A(43)申请公布日2019.01.11(21)申请号201811076789.3(22)申请日2018.09.14(71)申请人北京邮电大学地址100876北京市海淀区西土城路10号(72)发明人牛凯董超朴瑨楠高健(74)专利代理机构北京柏杉松知识产权代理事务所(普通合伙)11413代理人丁芸项京(51)Int.Cl.H04L1/00(2006.01)权利要求书3页说明书9页附图5页(54)发明名称基于神经网络的极化码盲检测方法和装置(57)摘要本发明实施例提供了一种基于神经网络的极化码盲检测方法和装置，所述方法包括：通过计算接收信号与重新编码调制后的信号序列的欧式距离和接收信号与全0序列的欧式距离的比值，输入预设的神经网络模型，得到数据特征值，与预存的有用信号的数据特征值阈值作比较，从而得到接收信号是有用信号还是无用噪声信号的结论。应用本发明实施例，提高了接收端检测模型确定接收信号是有用信号还是无用噪声信号的准确性，也就是说降低了收端检测的虚警率。CN109194446ACN109194446A权利要求书1/3页1.一种基于神经网络的极化码盲检测方法，其特征在于，所述方法包括：获得接收信号；对所述接收信号译码，获得候选路径；对所述候选路径进行循环冗余检验CRC校验，判断候选路径中是否存在通过CRC校验的路径；如果存在通过CRC校验的候选路径，则对该路径重新进行极化码编码和二进制相移键控BPSK调制，得到新的序列；计算所述接收信号与新的序列的欧式距离和所述接收信号与全0序列的欧式距离的比值；将欧氏距离的比值输入预设的神经网络模型；所述神经网络模型包含预设的欧氏距离的比值与输出的数据特征值之间的关系；获得预设的神经网络模型输出的欧氏距离比值的数据特征值；将输出的欧氏距离比值的数据特征值与预存的有用信号的数据特征值阈值进行比较；如果输出的欧氏距离比值的数据特征值大于预存的有用信号的数据特征值阈值，则所述接收信号是有用信号，否则所述接收信号是无用噪声信号。2.根据权利要求1所述的方法，其特征在于，所述获得接收信号的步骤，包括：获得发送端发送到接收端的信号；所述发送端将待发送信息序列进行极化码编码，BPSK调制后，通过加性高斯白噪声AWGN信道发送到接收端。3.根据权利要求1所述的方法，其特征在于，所述预设的神经网络模型，采用如下步骤训练获得：获取样本接收信号和样本接收信号对应的正确的检测结果a；对所述样本接收信号译码，获得样本候选路径；对所述样本候选路径进行CRC校验，判断样本候选路径中是否存在通过CRC校验的路径；如果存在通过CRC校验的样本候选路径，则对该样本路径重新进行极化码编码和BPSK调制，得到新的样本序列；如果不存在通过CRC校验的样本候选路径，则返回获取下一个样本接收信号和样本接收信号对应的正确的检测结果a的步骤；对所述下一个样本接收信号译码，获得样本候选路径；计算所述样本接收信号与新的样本序列的欧式距离和所述样本接收信号与全0序列的欧式距离的比值；将所述由样本接收信号计算所得的欧式距离的比值，输入当前待训练的神经网络模型；获得当前待训练的神经网络模型的输出层输出结果；根据当前待训练的神经网络模型的输出层输出结果、预设的交叉熵损失函数和所述样本接收信号对应的正确的检测结果，判断当前训练的神经网络是否收敛；如果是，则完成训练，保存当前训练的神经网络模型的参数值，作为预设的神经网络模型的参数值；2CN109194446A权利要求书2/3页如果否，则调整当前训练的神经网络模型的参数，返回获取下一个样本接收信号和样本接收信号对应的正确的检测结果a的步骤，对所述下一个样本接收信号译码，获得样本候选路径。4.根据权利要求3所述的方法，其特征在于，所述当前待训练的神经网络模型包括1个输入层，1个输出层，HL个隐藏层，其中输入层和输出层都只包含1个神经元，每个隐藏层有Nl个神经元，其中l＝1,2,...,HL，所述当前待训练的神经网络模型的参数包括：权重为w，偏执为b；其中，第l隐藏层第i个神经元的输出为Ol,i，l＝1,2,...,HL，i＝1,2,...,Nl，ReLU是隐藏层激活函数，ReLU(x)＝max(0,x)；输出层输出为out，则其中Sigmoid是输出层激活函数，Sigmoid(x)是欧式距离比值的数据特征值，当x＝0时，得到所述有用信号的数据特征值阈值Sigmoid(0)＝0.5；所述当前待训练的神经网络模型预设的交叉熵损失函数为：loss＝outlna+(1-out)ln(1-a)。5.根据权利要求4所述的方法，其特征在于，所述调整当前训练的神经网络模型的参数w和b值的步骤，包括：采用随机梯度下降算法调整当前训练的神