利用卷积-循环神经网络的串行序列空时分组码识别方法

摘要：

针对多输入多输出(Multiple Input Multiple Output,MIMO)系统中的空时分组码识别(Space-Time Block Code,STBC)问题,本文提出了一种利用卷积-循环神经网络的串行序列空时分组码识别方法.将一维接收信号的实部和虚部分离后输入网络,利用卷积神经网络(CNN)提取其空间特征,结合循环神经网络(RNN)提取其深层时序特征,提高网络的特征表达能力;网络训练过程采用反向传播方法,通过计算输出与目标值的误差,将误差反向传回网络中并更新权值,完成网络的训练过程;将测试集数据输入训练好的网络中,实现对空时分组码的识别和区分.该方法将深度学习算法运用到串行序列空时分组码识别当中,训练完的网络可直接对单接收天线下的空时分组码进行识别,不需要重复计算信号的统计特征,避免了人为设计特征参数和检测阈值.该方法不需要知道信道和噪声的先验信息,适用于电子侦查等非协作通信情况.仿真实验表明,该算法能够有效地对串行序列空时分组码进行识别,并且在低信噪比下有较好的识别性能.

关键词：空时分组码、信号处理、卷积神经网络、循环神经网络、深度学习

所属期刊栏目：37

分类号：TN91

资助基金：泰山学者工程专项基金ts201511020

在线出版日期：2021-03-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：19-27