基于深度学习提高仪器矢量信号分析性能的处理方法.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CN109583575A(43)申请公布日2019.04.05(21)申请号201811543273.5(22)申请日2018.12.17(71)申请人东南大学地址211189江苏省南京市江宁区东南大学路2号申请人上海创远仪器技术股份有限公司(72)发明人蒋政波刘景鑫洪伟(74)专利代理机构上海智信专利代理有限公司31002代理人王洁郑暄(51)Int.Cl.G06N3/04(2006.01)H04B17/21(2015.01)H04B17/29(2015.01)权利要求书2页说明书6页附图5页(54)发明名称基于深度学习提高仪器矢量信号分析性能的处理方法(57)摘要本发明涉及一种基于深度学习提高仪器矢量信号分析性能的处理方法，包括(1)将经过非理想的分析仪射频接收机的失真信号进行ADC采样得到序列y，并引入前馈神经网络对y的硬件失真进行补偿(2)根据信号的调制类型和相应星座图的位置对数据序列y进行解析，估计信号要传送的码元序列数据s，并根据具有L层的多层感知器神经网络MLP估计误差ε；(3)根据具有L层的多层感知器神经网络MLP通过激活函数得到MLP输出层；(4)将所述的MLP输出层的输出结果校正y得到最终测量符号。(5)通过训练数据集以及使用反向传播算法BP训练得到MLP的权重集。采用了该方法，拟合出仪器接收机失真的数学特性，进而对失真进行校正，能够保留原本输入信号的特性。CN109583575ACN109583575A权利要求书1/2页1.一种基于深度学习提高仪器矢量信号分析性能的处理方法，其特征在于，所述的方法包括以下步骤：(1)将经过非理想的分析仪射频接收机的失真信号进行ADC采样得到序列y，并引入前馈神经网络对y的硬件失真进行补偿；(2)根据信号的调制类型和相应星座图的位置对数据序列y进行解析，估计信号要传送的码元序列数据s，并根据具有L层的多层感知器神经网络MLP估计误差ε；(3)根据具有L层的多层感知器神经网络MLP通过激活函数得到MLP输出层；(4)将所述的MLP输出层的的输出结果校正y得到最终测量符号；(5)通过训练数据集以及使用反向传播算法BP训练得到MLP的权重集。2.根据权利要求1所述的基于深度学习提高仪器矢量信号分析性能的处理方法，其特征在于，所述的步骤(2)中的得出MLP中第一层的输出层，具体为：根据以下公式得出MLP中第一层的输出层：r1＝f1(s；θ1)＝s；其中，r＝{r1，…，rL}为每层的输出向量，θ＝{θ1，…，θL}为MLP内所有参数的集合，3.根据权利要求1所述的基于深度学习提高仪器矢量信号分析性能的处理方法，其特征在于，所述的步骤(2)中的得出MLP中的第二层至L-1层为网络的隐藏层。4.根据权利要求1所述的基于深度学习提高仪器矢量信号分析性能的处理方法，其特征在于，所述的步骤(2)中的得出MLP中第二层至L-1层，具体为：根据以下公式得出MLP中第二层至L-1层：rl＝fl(rl-1；θl)；其中，r＝{r1，…，rL}为每层的输出向量，θ＝{θ1，…，θL}为MLP内所有参数的集合，l为2，…，L-1。5.根据权利要求1所述的基于深度学习提高仪器矢量信号分析性能的处理方法，其特征在于，所述的步骤(3)中的激活函数为6.根据权利要求1所述的基于深度学习提高仪器矢量信号分析性能的处理方法，其特征在于，所述的步骤(3)中的得出MLP输出层，具体为：根据以下公式得出MLP输出层：ε＝rL＝fL(rL-1；θL)＝WLrL-1；其中，r＝{r1，…，rL}为每层的输出向量，θ＝{θ1，…，θL}为MLP内所有参数的集合，是各层之间线性连接的权重。7.根据权利要求6所述的基于深度学习提高仪器矢量信号分析性能的处理方法，其特征在于，所述的提供权重为的线性变换。8.根据权利要求1所述的基于深度学习提高仪器矢量信号分析性能的处理方法，其特征在于，所述的步骤(4)中的得到最终测量符号，具体为：根据以下公式得到最终测量符号：2CN109583575A权利要求书2/2页TT其中，为为[y0,y1]，ε为[ε0,ε1]。9.根据权利要求1所述的基于深度学习提高仪器矢量信号分析性能的处理方法，其特征在于，所述的步骤(4)中的通过M训练数据集训练MLP的权重集，具体为：根据以下公式通过M训练数据集训练MLP的权重集：其中，y0,m和y1,m分别表示第m个包含失真的数据的实部和虚部，s0,m和s1,m分别表示第m个理想发送数据的实部和虚部，ε0,m和ε1,m分别表示第m个数据的误差，M表示训练数据集的大小。3CN109583575A说明书1/6页基于深度学习提高仪器矢量信号分析性能的处理方法技术领域[0001]本发明涉及仪器仪表领域，