基于大數(shù)據(jù)技術(shù)的信號(hào)檢測(cè)算法

王丹輝　任磊

摘 ?要：在無(wú)線通信領(lǐng)域，信號(hào)檢測(cè)算法屬于重點(diǎn)研究的內(nèi)容，在大數(shù)據(jù)和計(jì)算機(jī)技術(shù)高速發(fā)展的背景下，在通信物理層中應(yīng)用大數(shù)據(jù)技術(shù)，可以取得良好的應(yīng)用效果。目前，圖像處理領(lǐng)域已經(jīng)對(duì)大數(shù)據(jù)技術(shù)進(jìn)行了運(yùn)用，結(jié)果表明，大數(shù)據(jù)技術(shù)在性能上的優(yōu)勢(shì)十分顯著。正因如此，文章以基于大數(shù)據(jù)技術(shù)的信號(hào)檢測(cè)算法為題，對(duì)一種信號(hào)檢測(cè)方法進(jìn)行研究，并通過(guò)實(shí)驗(yàn)的方式，對(duì)其性能進(jìn)行檢測(cè)，希望為相關(guān)行業(yè)提供借鑒。

關(guān)鍵詞：大數(shù)據(jù)技術(shù);信號(hào)檢測(cè)算法;物理層

中圖分類號(hào)：TP311.13 ? ? ? 文獻(xiàn)標(biāo)志碼：A ? ? ? ? 文章編號(hào)：2095-2945（2020）31-0114-02

Abstract： In the field of wireless communication， signal detection algorithm is the focus of research. In the context of the rapid development of big data and computer technology， the application of big data technology in the physical layer of communication can achieve good application results. At present， big data technology has been applied in the field of image processing. The results show that big data technology has significant advantages in performance. Therefore， this paper takes the signal detection algorithm based on big data technology as the topic， studies a signal detection method， and tests its performance through experiments， in order to provide reference for related industries.

Keywords： big data technology; signal detection algorithm; physics

引言

大數(shù)據(jù)時(shí)代的到來(lái)，促進(jìn)了社會(huì)經(jīng)濟(jì)和科學(xué)技術(shù)的發(fā)展，并在一定程度上，改變了人們生產(chǎn)生活的方式。目前，大數(shù)據(jù)技術(shù)已經(jīng)在諸多領(lǐng)域被廣泛應(yīng)用，且應(yīng)用效果極為顯著，將其應(yīng)用于無(wú)線通信系統(tǒng)中，有助于促進(jìn)信號(hào)檢測(cè)算法的創(chuàng)新發(fā)展。與傳統(tǒng)信號(hào)檢測(cè)算法相比，基于大數(shù)據(jù)的信號(hào)檢測(cè)算法，在信號(hào)檢測(cè)效率和質(zhì)量方面均具有得天獨(dú)厚的優(yōu)勢(shì)。因此對(duì)此項(xiàng)課題進(jìn)行研究，其意義十分重大。

1 基于大數(shù)據(jù)技術(shù)信號(hào)檢測(cè)算法的產(chǎn)生背景

現(xiàn)階段，無(wú)線通信系統(tǒng)的主要形式為正交頻分復(fù)用系統(tǒng)，在這個(gè)系統(tǒng)之中，信號(hào)檢測(cè)算法的應(yīng)用，可以對(duì)信號(hào)由調(diào)制到恢復(fù)的過(guò)程進(jìn)行反映，與此同時(shí)，還能起到保護(hù)信號(hào)的作用，避免數(shù)據(jù)信號(hào)在信道噪聲的干擾下失真，接收端信號(hào)檢測(cè)的準(zhǔn)確性也會(huì)因此而增強(qiáng)。與傳統(tǒng)信號(hào)檢測(cè)算法相比，加性高斯白噪聲信道是多數(shù)信道編碼算法和解碼算法的主要應(yīng)用信道。但事實(shí)上，與加性高斯白噪聲信道相比，實(shí)際信道更為復(fù)雜，究其原因，主要是在信道多徑以及非線性失真現(xiàn)象的存在，會(huì)引發(fā)符號(hào)間干擾問(wèn)題的發(fā)生，此類現(xiàn)象的出現(xiàn)，必然會(huì)影響信號(hào)檢測(cè)的效果和質(zhì)量，故傳統(tǒng)信號(hào)檢測(cè)算法的適用性偏低，很難在這種信道環(huán)境下發(fā)揮應(yīng)有的作用[1]。

2 基于大數(shù)據(jù)技術(shù)的信號(hào)檢測(cè)系統(tǒng)模型

為驗(yàn)證基于大數(shù)據(jù)技術(shù)信號(hào)檢測(cè)算法的有效性和可行性，需要構(gòu)建基于OFDM的仿真系統(tǒng)。仿真系統(tǒng)傳輸模型如圖1所示。通過(guò)觀察圖1可知，比特流在進(jìn)入發(fā)送端之后，會(huì)被系統(tǒng)所調(diào)制，然后向AWGN無(wú)線信道輸送時(shí)域序列，最后進(jìn)入接收端，重新恢復(fù)為比特流。

假設(shè)系統(tǒng)中的子載波數(shù)量為D，調(diào)制階數(shù)為F，則可以將一個(gè)OFDM符號(hào)時(shí)間內(nèi)發(fā)送的比特流數(shù)據(jù)視為S∈DF。并列出調(diào)制后的頻域矢量公式X=[x（1），...x（k），...x（N）]T;在這個(gè)式子中，第k個(gè)子載波處的傳輸符合由x（k）表示。在此基礎(chǔ)上，所構(gòu)建的系統(tǒng)傳輸模型如下：y=Hx+z。

3 基于大數(shù)據(jù)技術(shù)的信號(hào)檢測(cè)算法分析

本文所研究的信號(hào)檢測(cè)算法，所應(yīng)用的大數(shù)據(jù)技術(shù)為多層深度神經(jīng)網(wǎng)絡(luò)，在此基礎(chǔ)上，完成一種端到端信號(hào)檢測(cè)網(wǎng)絡(luò)的構(gòu)建，并利用該技術(shù)，對(duì)傳統(tǒng)信號(hào)檢測(cè)算法進(jìn)行取代，最終實(shí)現(xiàn)與信道均衡和譯碼的連接[2]。

3.1 信號(hào)檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu)

離線訓(xùn)練和在線訓(xùn)練是基于大數(shù)據(jù)技術(shù)的信號(hào)檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu)組成，如圖2所示。

在查閱資料后得知，DNN網(wǎng)絡(luò)是信號(hào)檢測(cè)網(wǎng)絡(luò)的主要構(gòu)成，這種網(wǎng)絡(luò)的運(yùn)用，可以使隱藏層數(shù)量進(jìn)一步增加，表示和識(shí)別能力也會(huì)提升。觀察圖2可知，這種基于大數(shù)據(jù)技術(shù)的信號(hào)檢測(cè)算法，會(huì)通過(guò)離線和在線訓(xùn)練，對(duì)參數(shù)進(jìn)行有效的訓(xùn)練，首先是離線訓(xùn)練，DNN網(wǎng)絡(luò)會(huì)通過(guò)迭代訓(xùn)練網(wǎng)絡(luò)參數(shù)的方式，對(duì)輸入或輸出的比特流數(shù)據(jù)進(jìn)行處理。在線檢測(cè)的對(duì)象包括兩種，分別為頻域信號(hào)和估計(jì)比特信息。其中前者為接收信號(hào)，而后者為輸出信號(hào)。隱藏、輸入和輸出層是DNN網(wǎng)絡(luò)的構(gòu)成部分。這些層由諸多神經(jīng)元構(gòu)成，且各個(gè)神經(jīng)元之間都存在密切的聯(lián)系，具體表現(xiàn)為每個(gè)神經(jīng)元所輸出的內(nèi)容，都是上級(jí)神經(jīng)元加權(quán)和的非線性函數(shù)。這里所說(shuō)的非線性函數(shù)不唯一。包括ReLu激活函數(shù)、sigmoid激活函數(shù)等等，其中前者應(yīng)用的范圍是隱藏層，而后者則在輸出層應(yīng)用。考慮到復(fù)數(shù)是初始接收的頻域信號(hào)數(shù)據(jù)，無(wú)法被直接檢測(cè)和處理，在對(duì)其進(jìn)行預(yù)處理后，方能被輸入到檢測(cè)網(wǎng)絡(luò)之中，所謂的預(yù)處理是指串聯(lián)數(shù)據(jù)的虛部和實(shí)部，值得注意的是，在串聯(lián)前需要提取，預(yù)處理完成后，獲得輸入數(shù)據(jù)。輸入層與隱藏層處于連接的狀態(tài)，結(jié)合上文可知，信號(hào)檢測(cè)網(wǎng)絡(luò)隱藏層的構(gòu)成為神經(jīng)元。因此，我們可以數(shù)學(xué)表達(dá)式對(duì)多層DNN網(wǎng)絡(luò)輸出數(shù)據(jù)進(jìn)行準(zhǔn)確的表示，如下所述：

=f（y，？茲）=fsL（fRL-1（W1y+b1））;

在上述公式中，DNN網(wǎng)絡(luò)權(quán)重和偏置，分別由W和b表示;網(wǎng)絡(luò)層數(shù)由L表示;參數(shù)由θ表示。各神經(jīng)元權(quán)重和偏置總和為網(wǎng)絡(luò)參數(shù)，在估計(jì)之前，其優(yōu)化必須在估計(jì)前進(jìn)行。最佳權(quán)重學(xué)習(xí)盡量在訓(xùn)練集上完成。為對(duì)最佳權(quán)重進(jìn)行學(xué)習(xí)，在信號(hào)檢測(cè)過(guò)程中，可以將損失函數(shù)作為依據(jù)，對(duì)網(wǎng)絡(luò)輸出及所需輸出距離合理測(cè)算，最后運(yùn)用梯度下降算法使權(quán)重得到優(yōu)化[3]。

3.2 訓(xùn)練模型

基于大數(shù)據(jù)技術(shù)的信號(hào)檢測(cè)算法，相較于傳統(tǒng)算法而言，其學(xué)習(xí)方式為數(shù)據(jù)學(xué)習(xí)，而傳統(tǒng)算法主要是專家設(shè)計(jì)。故在學(xué)習(xí)過(guò)程中，如何獲取標(biāo)記數(shù)據(jù)屬于重難點(diǎn)問(wèn)題。就均衡和譯碼問(wèn)題而言，如果能夠確保信道參數(shù)和模型估計(jì)的準(zhǔn)確性，應(yīng)用仿真系統(tǒng)即可解決數(shù)據(jù)獲取難的問(wèn)題，我們可以用黑盒子對(duì)編碼過(guò)程和信道效果進(jìn)行代指。黑盒子會(huì)為神經(jīng)網(wǎng)絡(luò)提供訓(xùn)練所需的數(shù)據(jù)，從而為神經(jīng)網(wǎng)絡(luò)訓(xùn)練，奠定堅(jiān)實(shí)的基礎(chǔ)。在仿真過(guò)程中，神經(jīng)網(wǎng)絡(luò)在生成和發(fā)送比特信息時(shí)，具有隨機(jī)性的特點(diǎn)，在調(diào)制處理后，向信道發(fā)送信息即可。信號(hào)在傳輸過(guò)程中，可能會(huì)受到信道失真和噪聲的影響，這些信號(hào)可以作為訓(xùn)練樣本，故需要網(wǎng)絡(luò)系統(tǒng)對(duì)其進(jìn)行采集。網(wǎng)絡(luò)輸入和接收信號(hào)相同，而監(jiān)督標(biāo)簽為原始比特信息。我們?cè)诟戮W(wǎng)絡(luò)參數(shù)集的過(guò)程中，可以對(duì)隨機(jī)梯度下降算法進(jìn)行運(yùn)用。而均方誤差由網(wǎng)絡(luò)損失函數(shù)表示，最后即可獲得模型的估計(jì)損失。

3.3 仿真結(jié)果

仿真結(jié)果表明，與傳統(tǒng)信號(hào)檢測(cè)算法相比，基于大數(shù)據(jù)技術(shù)的信號(hào)檢測(cè)算法的信道均衡性能較為顯著，究其原因，主要是這種檢測(cè)算法能夠在訓(xùn)練信號(hào)檢測(cè)網(wǎng)絡(luò)時(shí)，對(duì)先驗(yàn)的訓(xùn)練信息進(jìn)行運(yùn)用，具體表現(xiàn)為在離線訓(xùn)練階段，信號(hào)檢測(cè)網(wǎng)絡(luò)即可通過(guò)學(xué)習(xí)的方式，獲取信道及噪聲對(duì)信號(hào)的影響特征。

4 結(jié)束語(yǔ)

綜上所述，在大數(shù)據(jù)時(shí)代下，大數(shù)據(jù)技術(shù)的應(yīng)用范圍十分廣泛，將其應(yīng)用于無(wú)線通信領(lǐng)域，可以促進(jìn)信號(hào)檢測(cè)算法的發(fā)展。本文所提出的檢測(cè)算法，檢測(cè)性能十分顯著，能夠克服噪聲的干擾。將這種算法應(yīng)用于高精尖領(lǐng)域，可以實(shí)現(xiàn)確保數(shù)據(jù)傳輸?shù)男Ч唾|(zhì)量。在5G時(shí)代下，這項(xiàng)信號(hào)檢測(cè)算法必將受到研究者的重視。

參考文獻(xiàn)：

[1]謝少杰，鄧平.NLOS環(huán)境下基于信號(hào)檢測(cè)的單次與二次散射路徑識(shí)別[J].信號(hào)處理，2020，36（05）：733-740.

[2]楊婧，程乃平，倪淑燕.Welch算法在弱信號(hào)檢測(cè)中的性能分析[J].計(jì)算機(jī)仿真，2020，37（05）：235-240.

[3]潘文浩，花遠(yuǎn)肖，廖勇.基于大數(shù)據(jù)技術(shù)的信號(hào)檢測(cè)算法[J].信息通信，2019（07）：163-165.