买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国电子科技集团公司第五十四研究所

摘要：本发明公开了基于注意力深度神经网络的通信干扰下误码率估计方法，属于通信对抗与人工智能交叉领域。本发明包括以下步骤：构建通信干扰误码率数据集、构造注意力深度神经网络、利用数据训练注意力深度神经网络和对通信干扰下误码率实现智能预测。本发明面向通信干扰下误码率估计需求，采用实收数据构建数据集，并训练注意力深度神经网络，获得通信干扰下误码率估计，规避了基于电磁辐射的功能级估计考虑维度少和复杂度过低、信号处理级估计处理复杂和运行时间长与传播信道影响难建模的问题，自动化程度高，且给出了获取最佳决策模型的策略。

主权项：1.基于注意力深度神经网络的通信干扰下误码率估计方法，其特征在于，包括以下步骤：步骤1：收集通信设备和干扰设备的相对位置与误码率，构建特征训练集、标签训练集、特征测试集和标签测试集；具体方式为：步骤1-1：在试验区域内，设置通信信号发送设备、通信信号接收设备和通信干扰设备；第n次试验，通信信号发送设备到通信信号接收设备的距离为，通信干扰设备到通信信号接收设备的距离为，获得的误码率为，，N为总试验次数；第n次试验后，得到的数据特征样本为，结果样本为；N次试验后，得到数据特征集为，结果集为；步骤1-2：按照和的比例，，将数据特征集和结果集切分为特征训练集、标签训练集、特征测试集和标签测试集，其对应维度分别为、、和；步骤2：构造注意力深度神经网络，具体方式为：步骤2-1：构造全连接层作为输入层；输入层的工作方式为：输入数据input，维度为batch_size×input_dim；batch_size为训练迭代中使用的数据量，input_dim为输入层输入数据维度；采用线性全连接神经网络，输入维度为input_dim，输出维度为output_dim，并在线性变换中增加bias偏置；输出数据features，维度为batch_size×output_dim；output_dim为输入层输出数据维度；步骤2-2：构造注意力模块作为隐藏层；隐藏层的工作方式为：输入数据features，维度为batch_size×output_dim；采用线性全连接神经网络Linear，输入维度为output_dim，输出维度为output_dim，并在线性变换中增加bias偏置；采用Tanh激活函数，获得权重weight，维度为batch_size×output_dim；对权重weight沿第2维求绝对值后求和，如果和小于零，则值为-1；如果和大于等于0，则值为1；将运算结果保存在掩码mask_idx变量中，维度为batch_size×1；将掩码mask_idx变量的第2维进行复制扩充，维度变为batch_size×output_dim；将掩码作用在注意力结果上，遍历掩码mask_idx变量中每一个数值，如果值为1，则保留权重weight中对应值；如果值不为1，则将权重weight中对应值替换为；沿权重weight的第2维度进行softmax运算；遍历权重weight中的每一个值，如果值大于门限hard，则保留权重weight中的对应值；如果小于门限hard，则将权重weight中的对应值替换为0；将输入数据features和权重weight中各值对应相乘，得到输出weight_feature，维度为batch_size×output_dim；步骤2-3：构造全连接层作为输出层；输出层的工作方式为：输入数据weight_feature，维度为batch_size×output_dim；采用线性全连接神经网络，输入维度为output_dim，输出维度为out_dim，并在线性变换中增加bias偏置；采用Sigmoid激活函数，并将所得数据乘以-1；输出数据out，维度为batch_size×out_dim；步骤3：利用数据对注意力深度神经网络进行训练，具体方式为：步骤3-1：设置优化函数和学习率，优化函数为Adam优化器；步骤3-2：利用注意力深度神经网络得到通信干扰误码率估计；从特征训练集和标签训练集随机抽取batch条数据，其中batch小于等于，组成和；通过注意力深度神经网络映射，得到估计，即 其中为注意力深度神经网络，为网络参数；步骤3-3：设置损失函数为均方损失函数，用于衡量估计值和标签训练集之间的差距loss，并利用Adam优化器对网络参数进行优化；步骤3-4：利用余弦相似度验证估计性能；从特征测试集和标签测试集随机抽取M条数据，，组成和，通过注意力深度神经网络映射，得到估计： 用相似度函数评估和的相似程度： 步骤3-5：重复步骤3-1、3-2、3-3和3-4，记录重复次数step、每次重复得到的相似度和差距loss，如果某次迭代相似程度大于等于之前迭代过程中所有相似度的最大值，且loss小于等于之前迭代过程中所有差距的最小值，则将该次相似度赋予，将该次差距赋予，并且保存对应的网络参数；如果某次迭代相似度小于等于之前迭代过程中所有相似度的最大值，则进入下一次迭代；如此重复直到差距的最小值所对应的重复次数step和相似度的最大值所对应的重复次数step小于总重复次数一半时停止，得到最优性能的网络参数；步骤4，读取最优性能的网络参数，并加载到注意力深度神经网络中，将收集通信设备和干扰设备的相对位置输入注意力深度神经网络，特征数据为，特征数量为L，输入注意力深度神经网络后得到估计，将作为通信干扰下误码率的估计结果。

全文数据：

权利要求：

百度查询： 中国电子科技集团公司第五十四研究所 基于注意力深度神经网络的通信干扰下误码率估计方法