一种基于TextCNN网络的信道编码识别方法专利检索-认知无线电电信专利检索查询-专利查询网

一种基于TextCNN网络的信道编码识别方法

阅读：119发布：2020-05-08

专利汇可以提供一种基于TextCNN网络的信道编码识别方法专利检索，专利查询，专利分析的服务。并且本发明涉及一种基于TextCNN网络的信道编码识别方法，引入了深度学习的技术思路，利用TextCNN网络的文本分类能力，利用深度学习中的TextCNN网络自动提取信道编码方案的特征，在人工干预较少的情况下，能够实时识别接收信息序列的编码方式，避免人工提取特征的偶然性，并且减小了计算复杂度，提高了信道编码识别的精度。本发明的实施，可用于解决认知无线电环境中的信道编码识别问题。，下面是一种基于TextCNN网络的信道编码识别方法专利的具体信息内容。

权利要求

1.一种基于TextCNN网络的信道编码识别方法，其特征在于，将接收的信息序列作为文本，利用深度学习中的TextCNN网络对文本进行理解，识别信息序列所采用的信道编码方式。
2.根据权利要求1所述的基于TextCNN网络的信道编码识别方法，其特征在于，包括离线训练阶段和在线识别阶段；其中，离线训练阶段包括如下步骤：
1.1)确定候选集：选择若干已知的信道编码方式，组成编码方式候选集Θ＝{C1,…,CK}，其中，K为候选信道编码的种类数量；
1.2)获取训练信号：对于编码方式候选集中的每一种信道编码方式，空口接收或者仿真出M个编码后的信息序列r＝(r1,…,rN)，其中，N为信息序列长度；
1.3)数据预处理，具体如下：
1.3.1)对接收的每个信息序列r＝(r1,…,rN)进行分组处理，确定接收的信息序列分组长度L，共分为组；
1.3.2)将每个分组看作一个单词，将分组序列映射成词向量；
1.3.3)根据信息序列r＝(r1,…,rN)的个词向量，构建句子矩阵；
1.3.4)以信息序列所采用的信道编码方式进行区分，给句子矩阵打上相应的标签；
1.3.5)将所有打过标签的句子矩阵以一定比例划分，得到训练数据集和验证数据集；
1.4)训练TextCNN网络：将训练数据集送入TextCNN网络中训练，验证数据集用来调整模型的超参数，得到一个训练好的TextCNN网络模型。
3.根据权利要求2所述的基于TextCNN网络的信道编码识别方法，其特征在于，步骤
1.3.2)中，采用Word2Vex或者Glove将分组序列映射成词向量。
4.根据权利要求2或3所述的基于TextCNN网络的信道编码识别方法，其特征在于，在线识别阶段包括如下步骤：
2.1)接收未知信号：接收N比特未知信道编码方式的待识别信息序列x＝(x1,…,xN)；
2.2)数据预处理，具体如下：
2.2.1)对接收的待识别信息序列x＝(x1,…,xN)进行分组处理，每组L个比特，共分为个组；
2.2.2)将每个分组看成一个单词，并将每个分组映射成词向量；
2.2.3)根据待识别信息序列x＝(x1,…,xN)的个词向量，构建句子矩阵；
2.3)编码方式识别：将接收的待识别信息序列x＝(x1,…,xN)的句子矩阵输入步骤1.4)得到的TextCNN网络模型中，进行编码方式识别，得到接收的待识别信息序列x＝(x1,…,xN)的信道编码方式。
5.根据权利要求4所述的基于TextCNN网络的信道编码识别方法，其特征在于，步骤
2.2.2)中，采用Word2Vex或者Glove将每个分组映射成词向量。

说明书全文

一种基于TextCNN网络的信道编码识别方法

技术领域

[0001] 本发明涉及认知无线电技术领域，更具体地说，涉及一种基于TextCNN网络的信道编码识别方法。

背景技术

[0002] 随着无线业务的迅猛发展，频谱资源日益稀缺。为了缓解这一问题，现有技术中提供了认知无线电的技术思路。在认知无线电中，次级用户不仅仅需要检测主用户的存在，还需要获取主用户信号的详细信息，例如信道编码方式。

[0003] 为了识别接收信息序列采用的信道编码方式，现有技术的算法主要是利用平均对数似然比(Log-Likelihood Ratio，LLR)或者奇偶校验平均似然差(Likelihood Difference，LD)。而这两类算法存在如下不足：

[0004] 一方面需要从接收信息序列中手动提取特征，非常依赖技术人员的经验；

[0005] 另一方面计算复杂度高，不适合用于环境多变的实时通信系统。

发明内容

[0006] 本发明的目的在于克服现有技术的不足，提供一种基于TextCNN网络的信道编码识别方法，利用深度学习完成信道编码识别，能够充分利用通信大数据，同时有效避免手动提取特征。

[0007] 本发明的技术方案如下：

[0008] 一种基于TextCNN网络的信道编码识别方法，将接收的信息序列作为文本，利用深度学习中的TextCNN网络对文本进行理解，识别信息序列所采用的信道编码方式。

[0009] 作为优选，包括离线训练阶段和在线识别阶段；其中，离线训练阶段包括如下步骤：

[0010] 1.1)确定候选集：选择若干已知的信道编码方式，组成编码方式候选集Θ＝{C1,…,CK}，其中，K为候选信道编码的种类数量；

[0011] 1.2)获取训练信号：对于编码方式候选集中的每一种信道编码方式，空口接收或者仿真出M个编码后的信息序列r＝(r1,…,rN)，其中，N为信息序列长度；

[0012] 1.3)数据预处理，具体如下：

[0013] 1.3.1)对接收的每个信息序列r＝(r1,…,rN)进行分组处理，确定接收的信息序列分组长度L，共分为组；

[0014] 1.3.2)将每个分组看作一个单词，将分组序列映射成词向量；

[0015] 1.3.3)根据信息序列r＝(r1,…,rN)的个词向量，构建句子矩阵；

[0016] 1.3.4)以信息序列所采用的信道编码方式进行区分，给句子矩阵打上相应的标签；

[0017] 1.3.5)将所有打过标签的句子矩阵以一定比例划分，得到训练数据集和验证数据集；

[0018] 1.4)训练TextCNN网络：将训练数据集送入TextCNN网络中训练，验证数据集用来调整模型的超参数，得到一个训练好的TextCNN网络模型。

[0019] 作为优选，步骤1.3.2)中，采用Word2Vex或者Glove将分组序列映射成词向量。

[0020] 作为优选，在线识别阶段包括如下步骤：

[0021] 2.1)接收未知信号：接收N比特未知信道编码方式的待识别信息序列x＝(x1,…,xN)；

[0022] 2.2)数据预处理，具体如下：

[0023] 2.2.1)对接收的待识别信息序列x＝(x1,…,xN)进行分组处理，每组L个比特，共分为个组；

[0024] 2.2.2)将每个分组看成一个单词，并将每个分组映射成词向量；

[0025] 2.2.3)根据待识别信息序列x＝(x1,…,xN)的个词向量，构建句子矩阵；

[0026] 2.3)编码方式识别：将接收的待识别信息序列x＝(x1,…,xN)的句子矩阵输入步骤1.4)得到的TextCNN网络模型中，进行编码方式识别，得到接收的待识别信息序列x＝(x1,…,xN)的信道编码方式。

[0027] 作为优选，步骤2.2.2)中，采用Word2Vex或者Glove将每个分组映射成词向量。

[0028] 本发明的有益效果如下：

[0029] 本发明所述的基于TextCNN网络的信道编码识别方法，引入了深度学习的技术思路，利用TextCNN网络的文本分类能力，利用深度学习中的TextCNN网络自动提取信道编码方案的特征，在人工干预较少的情况下，能够实时识别接收信息序列的编码方式，避免人工提取特征的偶然性，并且减小了计算复杂度，提高了信道编码识别的精度。本发明的实施，可用于解决认知无线电环境中的信道编码识别问题。附图说明

[0030] 图1是本发明的流程示意图；

[0031] 图2是本发明与传统的max-log-MAP算法的识别精度比较示意图。

具体实施方式

[0032] 以下结合附图及实施例对本发明进行进一步的详细说明。

[0033] 为了解决现有技术存在的对技术人员的经验依赖程度高、计算复杂度高等不足，提供一种基于TextCNN网络的信道编码识别方法，将接收的信息序列作为文本，利用深度学习中的TextCNN网络对文本进行理解，识别信息序列所采用的信道编码方式。进而，用于解决认知无线电环境中的信道编码识别问题。

[0034] 如图1所示，本发明所述的基于TextCNN网络的信道编码识别方法，包括离线训练阶段和在线识别阶段。

[0035] 其中，离线训练阶段包括如下步骤：

[0036] 1.1)确定候选集：选择若干已知的信道编码方式，组成编码方式候选集Θ＝{C1,…,CK}，其中，K为候选信道编码的种类数量；

[0037] 1.2)获取训练信号：对于编码方式候选集中的每一种信道编码方式，空口接收或者仿真出M个编码后的信息序列r＝(r1,…,rN)，其中，N为信息序列长度；

[0038] 1.3)数据预处理，具体如下：

[0039] 1.3.1)对接收的每个信息序列r＝(r1,…,rN)进行分组处理，确定接收的信息序列分组长度L，共分为组；

[0040] 1.3.2)将每个分组看作一个单词，采用Word2Vex或者Glove将分组序列映射成词向量；

[0041] 1.3.3)根据信息序列r＝(r1,…,rN)的个词向量，构建句子矩阵；

[0042] 1.3.4)以信息序列所采用的信道编码方式进行区分，给句子矩阵打上相应的标签；

[0043] 1.3.5)将所有打过标签的句子矩阵以一定比例划分，得到训练数据集和验证数据集；

[0044] 1.4)训练TextCNN网络：将训练数据集送入TextCNN网络中训练，验证数据集用来调整模型的超参数，得到一个训练好的TextCNN网络模型。

[0045] 在线识别阶段包括如下步骤：

[0046] 2.1)接收未知信号：接收N比特未知信道编码方式的待识别信息序列x＝(x1,…,xN)；

[0047] 2.2)数据预处理，具体如下：

[0048] 2.2.1)对接收的待识别信息序列x＝(x1,…,xN)进行分组处理，每组L个比特，共分为个组；

[0049] 2.2.2)将每个分组看成一个单词，采用Word2Vex或者Glove将每个分组映射成词向量；

[0050] 2.2.3)根据待识别信息序列x＝(x1,…,xN)的个词向量，构建句子矩阵；

[0051] 2.3)编码方式识别：将接收的待识别信息序列x＝(x1,…,xN)的句子矩阵输入步骤1.4)得到的TextCNN网络模型中，进行编码方式识别，得到接收的待识别信息序列x＝(x1,…,xN)的信道编码方式。

[0052] 如图2所示，将本发明与传统的max-log-MAP算法的识别精度进行比较，以三种不同的卷积码(C1、C2、C3)作为候选集，其中，“DL”表示本发明得到的曲线，“decoding”表示传统的max-log-MAP算法得到的曲线。可以明显看出，本发明所述的方法的性能优于传统的max-log-MAP算法。

[0053] 上述实施例仅是用来说明本发明，而并非用作对本发明的限定。只要是依据本发明的技术实质，对上述实施例进行变化、变型等都将落在本发明的权利要求的范围内。

标题	发布/更新时间	阅读量
基于能量协作的双向认知中继网络资源分配方法	2020-05-08	349
一种基于多天线的空域频谱感知方法	2020-05-11	187
一种基于FCM聚类算法的合作频谱感知方法	2020-05-12	193
基于加权一致优化的宽带分布式协作压缩频谱感知方法	2020-05-08	160
一种基于协同感知的动态频谱接入方法与系统	2020-05-08	381
基于感知质量的可缩放视频编码速率适配	2020-05-11	598
一种频谱空间信道聚类方法	2020-05-13	556
一种认知无线电中的统计频谱检测方法	2020-05-11	522
频谱管理装置	2020-05-13	163
一种认知无线电设备的自动控制系统	2020-05-13	293

一种基于TextCNN网络的信道编码识别方法

一种基于TextCNN网络的信道编码识别方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：