一种基于深度神经网络的强相关自干扰对消方法.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CN113726350A(43)申请公布日2021.11.30(21)申请号202110908254.3(22)申请日2021.08.09(71)申请人哈尔滨工程大学地址150001黑龙江省哈尔滨市南岗区南通大街145号哈尔滨工程大学科技处知识产权办公室(72)发明人蒋伊琳王林森赵忠凯陈涛刘鲁涛郭立民(51)Int.Cl.H04B1/10(2006.01)G06N3/08(2006.01)G06N3/04(2006.01)权利要求书2页说明书5页附图6页(54)发明名称一种基于深度神经网络的强相关自干扰对消方法(57)摘要本发明提供一种基于深度神经网络的强相关自干扰对消方法，将DNN神经网络引入到收发同时系统强相关自干扰对消系统中，采用DNN神经网络拟合自适应对消系统模型，替代传统的自适应滤波算法，提出了基于DNN的强相关自干扰对消方法。该方法摒弃了传统的自适应算法，通过训练好的DNN网络模型，该系统模型可以实现对强相关自干扰信号的有效消除，从而可以更准确的从强相关自干扰信号中恢复出目标信号。CN113726350ACN113726350A权利要求书1/2页1.一种基于深度神经网络的强相关自干扰对消方法，其特征在于：步骤如下：步骤一：构建接收天线接收信号以及发射天线发射信号的模型，接收端接收到的信号包括目标信号s(t)、自干扰信号SI(t)以及噪声信号n(t)；发射端发射的信号是I(t)；步骤二：构建基于DNN的强相关自干扰对消系统，收发同时系统强相关自干扰对消模块中，接收天线将接收到的信号经过带通滤波、AD模数转换转换后送入到训练好的神经网络模型中，神经网络对信号处理后输出目标信号s(n)；步骤三：制作数据集，包括训练集和测试集，制作LFM信号以及BPSK信号的数据集；步骤四：设置DNN的网络训练参数，采用有监督学习的神经网络，DNN神经网络激活函数使用LeakyReLU；使用三层神经网络，包括输入层、隐藏层和输出层，用步骤三中生成的数据集训练DNN神经网络，保存训练好的模型；步骤五：调用步骤四中训练好的模型，输入测试集信号，测试集信号包括LFM信号，BPSK信号，输出拟合结果；步骤六：对拟合结果进行分析，分析其拟合结果的时域、频域以及残差对消比，评估其对消效果。2.根据权利要求1所述的一种基于深度神经网络的强相关自干扰对消方法，其特征在于：步骤一种的接收天线接收的预期目标信号s(t)为：f其中，是发射天线发射信号的功率，d(t)表示基带调制信号波形，fc是目标信号的中心频率，代表目标信号的初相；自干扰信号SI(t)为：其中k是功率放大器的系数；同时设接收到的噪声为零均值的高斯白噪声，用n(t)表示，其功率为Pn(ω)，则有：其中N0代表噪声的单边功率谱密度；则接收天线接收信号为：y(t)＝s(t)+SI(t)+n(t)。3.根据权利要求1或2所述的一种基于深度神经网络的强相关自干扰对消方法，其特征在于：步骤四具体包括：4a)将步骤三中生成的数据集训练DNN神经网络，DNN神经网络的输入包括两部分，接收天线接收的信号以及参考信号，其中模拟接收天线的接收信号是由目标信号与延迟的干扰信号及噪声叠加在一起，标签的设置是对应点数的目标信号；4b)初始化网络参数，定义损失函数，损失函数使用最小均方误差；计算实际的标签信号与网络输出的拟合信号的最小均方误差，使网络模型以该误差函数为准则梯度下降，如下式：2CN113726350A权利要求书2/2页其中，y_pred是神经网络的预测值，y_true是标签的真实值，N是每个样本中的总点数；4c)在网络训练过程中，数据集分为训练集和验证集，训练集用来训练网络模型，验证集用来测试模型效果；采用最小均方误差作为损失函数来监督网络学习的效果，当loss值下降到一个较低点时，后续训练的30次都比当前loss值大时，停止训练，保存当前的模型，用于后续测试网络的效果。3CN113726350A说明书1/5页一种基于深度神经网络的强相关自干扰对消方法技术领域[0001]本发明属于收发同时系统中强相关自干扰对消领域，具体是一种基于深度神经网络的强相关自干扰对消方法。背景技术[0002]收发同时系统中的强相关自干扰对消问题一直都是关键技术和热点话题，近些年来自适应算法被广泛运用到自耦合干扰的消除。随着电磁环境的日益复杂化，强相关自干扰信号也日益难以估计，传统的算法很难适应收发同时系统接收信号中强相关自干扰信号的时延效应以及其多变性，有效的消除强相关自干扰信号。[0003]随着人们对自适应算法研究的不断深入，自适应算法在收发同时系统中的应用也越来越成熟。同时目前随着人们对神经网络的了解加深，神经网络在语音回声对消领域已经应用的非常成功，因此