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：电子科技大学

摘要：本发明属于计算机科学人工智能算法领域，涉及一种用于星载船舶自动导航系统的信号解交织方法。本发明首先利用多通道AIS信号分离神经网络对交织信号进行分离；分离完成后，利用分离信号与AIS导频参考信号做相关并取大输出求出分离信号的入射角相位，并计算已分离AIS信号的导向矢量，最后利用最小方差无失真响应波束形成技术对已分离AIS信号波束形成增强信号。本发明联合了阵列信号处理与卷积神经网络技术，提高了分离性能的同时能够抵抗主瓣干扰，解决了而当主瓣干扰的强度过大时，传统的盲源分离算法会性能下降的问题。

主权项：1.一种基于神经网络的星载AIS信号解交织方法，其特征在于，包括以下步骤：S1、构建训练数据：生成一路AIS信号s1：随机生成208比特26.67ms的AIS消息流，其中包含168比特的数据，24比特的训练序列和8比特的开始标志；定义数据传输比特速率9600bits，调制方式为GMSK，调制指数0.5，高斯滤波器时间带宽积BT＝0.4，过采样倍数为8，比特数据用NRZI编码；生成一路其它通信系统的干扰信号s2，干扰信号调制方式仍为GMSK调制，将真实AIS信号作为监督训练的标签保存；定义接收阵列阵元个数为4，随机产生s1和s2的入射角θi,i＝1,2，满足|θ1-θ2|θM，θM为阵列的主瓣宽度；生成S＝[s1,s2]T的导向矢量矩阵A＝[aθ1,aθ2]，最后使用下式生成混合信号：X＝AS将阵列接收信号通过加性高斯白噪声信道，信噪比为-5至9分贝；重复执行使得每个信噪比生成10000个混合信号；S2、构建多通道AIS信号分离网络：构建多通道AIS信号分离网络，包括编码器、分离器、解码器；其中分离器用于生成解混掩码，解混掩码和编码器输出的特征作为解码器的输入；编码器用于提取输入混合信号的特征，解码器用于结合解混掩码和编码器输出的特征生成解交织后的信号；所述编码器使用一维卷积运算得到各源信号的编码特征；定义输入信号为x∈CN×L，则经过一维卷积运算后将输入信号转为sencoder∈CN×W：sencoder＝xUH其中U∈CW×L包含W个向量，每个向量的长度为L；所述分离器输入编码后的信号x，输出每个独立分量的分离掩码；多通道AIS信号分离网络包括N个单通道的AIS分离模块，分离器输入编码后的特征x，输出每个信号的解混掩码：smask＝fseperatorsencodersmask∈CK×W为时域分离掩码，K为独立分量数量，用于衡量各个独立信号分量在混合信号特征中的幅度大小，fseperator为分离器，为实现源信号的分离，将掩码作用于编码特征得到各个独立分量的特征：di＝mi⊙senscoder,i＝1,2,…K⊙表示哈达玛积，di作为解码器的输入，mi为第i个信号的掩码；分离器将膨胀卷积分布在定义为膨胀卷积单元的结构中，膨胀卷积单元由多个卷积模块组成，卷积模块包含一维卷积、复数层标准化以及残差结构；通过对每一个膨胀卷积单元使用不同的膨胀系数，以确保不同的卷积层有不同的感受野；分离器计算N路信号的分离掩码，然后解码器重构信号；为了与接收机阵元数匹配，分离器包括N个并行的膨胀卷积单元，用于对每个通道的信号进行分离，分离器的步骤如下：1对编码器的N个阵元接收信号的特征进行复数层标准化，确保每个通道的均值接近0，方差接近1；所述复数层标准化用于将每层网络任意神经元输入值的分布拉回到均值为0方差为1的标准正态分布，复数层标准化在通道维度和时间维度对张量进行归一化： 其中Z∈CQ×T为各层输入特征，X,Y分别为特征的实部和虚部，α和β为可训练的参数，代表特征的缩放和平移，然后将经过一个复一维卷积操作，用于适配堆叠卷积单元的输入维度；2将输出的特征分为N个部分，N个分特征与阵元一一对应；3将N个分特征分别经过堆叠的膨胀卷积单元，使用4个堆叠的膨胀卷积单元来构成分离器，每一个卷积单元包含6个卷积模块，其卷积膨胀率为1，2，4，8，16，32；上一个卷积单元的输出作为下一个卷积单元的输入，每一个卷积模块都包含通道注意力机制，每一个卷积模块输入为N×B×W的张量，数据流动分为主路径和残差路径，主路径经过卷积模块后输出维度仍为N×B×W，残差路径经过通道注意力机制后输出维度为N×B×W，然后主路经和残差路径的输出逐元素相加作为卷积模块的输出；将输出的N个特征拼接起来，经过一个复一维卷积操作和ReLU非线性函数来映射N路混合信号的时域分离掩码：d＝smask⊙sencoder解码器使用一个复一维卷积操作来表示源信号的重建： 其中V∈CL×W包含L个向量，每个向量的长度为W；对期望信号和干扰进行分离后，对期望信号进行波束形成，步骤如下：利用AIS信号存在训练序列和起始标志的特点基于匹配滤波技术来构造阵列导向矢量，定义AIS接收机为线性接收阵列，卫星发送信号St，接收信号Xt描述为：Xt＝ASt其中A∈CN×K为导向矢量矩阵，阵列阵元个数为N，接收信号个数为K；对于单阵元pi，定义卫星发射信号的训练序列部分为st，阵元pi接收st的响应为： 其中hit为阵元pi的冲激响应，“*”表示卷积运算，τi表示信号到达阵元pi的时延，eit表示加性噪声；如果入射信号是窄带信号，则表示为： 其中fc为载波频率，Hi2πf为阵元pi的传递函数；利用本地接收机产生导频信号st并与做相关操作： 令τ＝0，则： 其中为P信号st的能量，依次对阵元pi,i＝1,2,…,N，得到矢量 令hit＝δt，nit忽略不计，则 矩阵包含入射信号的时延信息，导出阵列导向矢量： 其中θ为入射角度；得到阵列的导向矢量后，采用MVDR波束形成对期望信号形成强增益，定义输入信号为xt，计算输入信号的协方差矩阵R：R＝E[xtxHt]其中E[·]为求数学期望，使用样本协方差矩阵代替R： 计算最优波束形成权向量wopt： 最后得到分离的期望信号： S3、使用S1构建的训练数据对S2构建的多通道AIS信号分离网络进行训练，得到训练好的多通道AIS信号分离网络：多通道AIS信号分离网络训练损失函数包括多个部分，损失值包括N个阵元的分离信号的损失之和；定义阵元pi接收信号为xit，则阵元pi所对应的分离网络的标签为：xtarget,it＝λixit#其中λi∈C1×1为常数与阵元pi所在的位置有关，定义阵元pi接收目标信号的时延为τi，阵列的导向矢量如下式所示： 整个网络的损失值为：loss＝loss1+loss2+…+lossN其中lossi,i＝1,2,…,N为各个阵元单通道分离网络的损失，lossi的定义如下： e＝x-xaim S4、将获取的AIS信号和干扰信号按照S1的方法生成混合信号后输入到训练好的多通道AIS信号分离网络中，获得分离信号。

全文数据：

权利要求：

百度查询： 电子科技大学 一种基于神经网络的星载AIS信号解交织方法