开云优惠体育网页版入口

专利名称：一种基于人工智能的5G信号基带处理方法

专利类型：发明专利

专利申请号：CN202411067046.5

专利申请（专利权）人：四川易景智能终端有限公司
权利人地址：四川省宜宾市临港经开区牌坊路105号易景智能终端产业园项目2幢

专利发明（设计）人：孙斌,陈妙波,李飞

专利摘要：本发明公开了一种基于人工智能的5G信号基带处理方法，属于5G信号基带处理技术领域，本发明对5G信号进行傅里叶变换，得到多个正弦信号成分和对应的相位值，便于构建幅度向量和相位向量，体现组成5G信号各成分的幅度和相位，再对5G信号构建hankel矩阵，对5G信号中每一段信号进行提取显著特征值，体现信号特征，通过幅度向量、相位向量和信号特征向量充分挖掘5G信号中的幅度和相位特征，基于三通道基带处理模型，还原出传递信息，减少5G信号基带处理过程，降低处理过程复杂度。

主权利要求：
1.一种基于人工智能的5G信号基带处理方法，其特征在于，包括以下步骤：S1、对5G信号进行傅里叶变换，得到正弦信号成分和相位值；
S2、提取每个正弦信号成分的幅度均值，构建为幅度向量，将各个相位值构建为相位向量；
S3、对5G信号构建hankel矩阵，并提取hankel矩阵的显著特征值，构建信号特征向量；
S4、根据幅度向量、相位向量和信号特征向量，基于三通道基带处理模型，得到传递信息；
所述S3包括以下分步骤：
S31、对5G信号构建hankel矩阵；
S32、对hankel矩阵中每一行进行时频转换，得到频域信号；
S33、根据频域信号，计算频率特征值；
S34、根据频域信号，计算相位特征值；
S35、将频率特征值和相位特征值相加，得到每行的显著特征值；
S36、将各行的显著特征值作为元素，得到信号特征向量；
所述S4中三通道基带处理模型包括：第一原始特征提取单元、第二原始特征提取单元、第三原始特征提取单元、Concat层、第一尺度特征提取单元、第二尺度特征提取单元、第三尺度特征提取单元、加法器A1和全连接层；
所述第一原始特征提取单元的输入端用于输入幅度向量；所述第二原始特征提取单元的输入端用于输入相位向量；所述第三原始特征提取单元的输入端用于输入信号特征向量；
所述Concat层的输入端分别与第一原始特征提取单元的输出端、第二原始特征提取单元的输出端和第三原始特征提取单元的输出端连接，其输出端分别与第一尺度特征提取单元的输入端、第二尺度特征提取单元的输入端和第三尺度特征提取单元的输入端连接；
所述加法器A1的输入端分别与第一尺度特征提取单元的输出端、第二尺度特征提取单元的输出端和第三尺度特征提取单元的输出端连接，其输出端与全连接层的输入端连接；
所述全连接层的输出端作为三通道基带处理模型的输出端。
2.根据权利要求1所述的基于人工智能的5G信号基带处理方法，其特征在于，所述S33中计算频率特征值的公式为： ，其中，γ1为频率特征值，h(k)为频域信号第k条谱线的幅度，f(k)为频域信号第k条谱线的频率值，k为谱线的编号，K为谱线的数量。
3.根据权利要求1所述的基于人工智能的5G信号基带处理方法，其特征在于，所述S34中计算相位特征值的公式为： ，其中，γ2为相位特征值，h(k)为频域信号第k条谱线的幅度，S(k)为频域信号第k条谱线的相位值，k为谱线的编号，K为谱线的数量。
4.根据权利要求1所述的基于人工智能的5G信号基带处理方法，其特征在于，所述第一原始特征提取单元、第二原始特征提取单元和第三原始特征提取单元结构相同均包括：矩阵构建层、第一Conv层、第二Conv层、Softmax层、第一乘法器M1、GAP层和加法器A2；
所述矩阵构建层用于根据幅度向量、相位向量或信号特征向量，构建原始矩阵，其输出端与第一Conv层的输入端连接；所述第一Conv层的输出端分别与第二Conv层的输入端、第一乘法器M1的第一输入端和加法器A2的第一输入端连接；所述第二Conv层的输出端与Softmax层的输入端连接；所述第一乘法器M1的第二输入端与Softmax层的输出端连接，其输出端与GAP层的输入端连接；所述加法器A2的第二输入端与GAP层的输出端连接，其输出端作为第一原始特征提取单元、第二原始特征提取单元或第三原始特征提取单元的输出端。
5.根据权利要求4所述的基于人工智能的5G信号基带处理方法，其特征在于，所述矩阵构建层的表达式为： ，其中，X为构建的原始矩阵，T为转置运算，在第一原始特征提取单元中A为幅度向量，在第二原始特征提取单元中A为相位向量，在第三尺度特征提取单元中A为信号特征向量。
6.根据权利要求1所述的基于人工智能的5G信号基带处理方法，其特征在于，所述第一尺度特征提取单元、第二尺度特征提取单元和第三尺度特征提取单元的表达式均为：，其中，H为第一尺度特征提取单元、第二尺度特
征提取单元或第三尺度特征提取单元的输出，R为Concat层输出的拼接特征，Maxpool为最大池化层，relu为线性整流函数，σ为S型激活函数，Conv为卷积操作， 为哈达玛积，在第一尺度特征提取单元中最大池化层的池化核大小为 ，在第二尺度特征提取单元中最大池化层的池化核大小为 ，在第三尺度特征提取单元中最大池化层的池化核大小为 。
7.根据权利要求1所述的基于人工智能的5G信号基带处理方法，其特征在于，所述S4中三通道基带处理模型通过梯度下降法进行训练，训练的损失函数为： ，，其中，lossi为第i次训练的损失值，yi,m为第i次训练时三通道基带处理模型输出的第m个信号值，Yi,m为第i次训练时对应的标签传递信息中第m个信号值，μi,m为第i次训练时的第m个信号差值，M为信号值的数量，m和i为正整数。 说明书 : 一种基于人工智能的5G信号基带处理方法技术领域[0001] 本发明涉及5G信号基带处理技术领域，具体涉及一种基于人工智能的5G信号基带处理方法。背景技术[0002] 在现代通信技术中，信息在传输前需要经过信源编码以提高信息熵、增强纠错能力、压缩数据大小。之后，采用如16QAM等映射方式将数据转换为特定波形，代表不同的数值。并通过空分多址、码分多址、正交频分复用等多载波调制技术，实现多人对多人的数据高效传输。[0003] 而在5G信号中，采用256QAM映射方式，对被传递的信息同时进行了调幅和调相。在5G时代，信号基带处理是实现高速、高可靠性无线通信的关键环节。它涉及将无线频谱中接收模拟信号转换成数字信号，然后进行解码、解调以提取出传递的信息。现有的5G信号基带处理包括：模拟到数字转换、下变频和采样、同步与信道估计、解调与解码。现有5G信号基带处理方法涉及过程较多，处理过程复杂。发明内容[0004] 针对现有技术中的上述不足，本发明提供的一种基于人工智能的5G信号基带处理方法解决了现有5G信号基带处理方法涉及过程较多，处理过程复杂的问题。[0005] 为了达到上述发明目的，本发明采用的技术方案为：一种基于人工智能的5G信号基带处理方法，包括以下步骤：[0006] S1、对5G信号进行傅里叶变换，得到正弦信号成分和相位值；[0007] S2、提取每个正弦信号成分的幅度均值，构建为幅度向量，将各个相位值构建为相位向量；[0008] S3、对5G信号构建hankel矩阵，并提取hankel矩阵的显著特征值，构建信号特征向量；[0009] S4、根据幅度向量、相位向量和信号特征向量，基于三通道基带处理模型，得到传递信息。[0010] 本发明的有益效果为：本发明对5G信号进行傅里叶变换，得到多个正弦信号成分和对应的相位值，便于构建幅度向量和相位向量，体现组成5G信号各成分的幅度和相位，再对5G信号构建hankel矩阵，对5G信号中每一段信号进行提取显著特征值，体现信号特征，通过幅度向量、相位向量和信号特征向量充分挖掘5G信号中的幅度和相位特征，基于三通道基带处理模型，还原出传递信息，减少5G信号基带处理过程，降低处理过程复杂度。[0011] 进一步地，所述S3包括以下分步骤：[0012] S31、对5G信号构建hankel矩阵；[0013] S32、对hankel矩阵中每一行进行时频转换，得到频域信号；[0014] S33、根据频域信号，计算频率特征值；[0015] S34、根据频域信号，计算相位特征值；[0016] S35、将频率特征值和相位特征值相加，得到每行的显著特征值；[0017] S36、将各行的显著特征值作为元素，得到信号特征向量。[0018] 上述进一步地方案的有益效果为：本发明对5G信号构建hankel矩阵，使得每一段信号构成hankel矩阵的行向量，对hankel矩阵中每一行进行时频转换，得到每一行的频域信号，从每行的频域信号上提取频率特征值和相位特征值，体现频率与幅度的关系，相位与幅度的关系。[0019] 进一步地，所述S33中计算频率特征值的公式为：[0020] ，其中，γ1为频率特征值，h(k)为频域信号第k条谱线的幅度，f(k)为频域信号第k条谱线的频率值，k为谱线的编号，K为谱线的数量。[0021] 进一步地，所述S34中计算相位特征值的公式为：[0022] ，其中，γ2为相位特征值，h(k)为频域信号第k条谱线的幅度，S(k)为频域信号第k条谱线的相位值，k为谱线的编号，K为谱线的数量。[0023] 上述进一步地方案的有益效果为：本发明频率特征值体现各条谱线的频率值与幅度的关系，相位特征值体现各条谱线的相位值与幅度的关系，通过将频率特征值和相位特征值相加，得到每行的显著特征值，使得显著特征值体现每行5G信号的频率值、幅度和相位的特征。[0024] 进一步地，所述S4中三通道基带处理模型包括：第一原始特征提取单元、第二原始特征提取单元、第三原始特征提取单元、Concat层、第一尺度特征提取单元、第二尺度特征提取单元、第三尺度特征提取单元、加法器A1和全连接层；[0025] 所述第一原始特征提取单元的输入端用于输入幅度向量；所述第二原始特征提取单元的输入端用于输入相位向量；所述第三原始特征提取单元的输入端用于输入信号特征向量；[0026] 所述Concat层的输入端分别与第一原始特征提取单元的输出端、第二原始特征提取单元的输出端和第三原始特征提取单元的输出端连接，其输出端分别与第一尺度特征提取单元的输入端、第二尺度特征提取单元的输入端和第三尺度特征提取单元的输入端连接；[0027] 所述加法器A1的输入端分别与第一尺度特征提取单元的输出端、第二尺度特征提取单元的输出端和第三尺度特征提取单元的输出端连接，其输出端与全连接层的输入端连接；所述全连接层的输出端作为三通道基带处理模型的输出端。[0028] 上述进一步地方案的有益效果为：本发明设置3个原始特征提取单元分别处理幅度向量、相位向量和信号特征向量，实现提取出幅度特征、相位特征、频率值与幅度的关系特征、相位与幅度的关系特征，并采用Concat层进行拼接，实现特征的融合，再采用3个尺度特征提取单元分别提取不同尺度的特征，提高传递信息提取的精度。[0029] 进一步地，所述第一原始特征提取单元、第二原始特征提取单元和第三原始特征提取单元结构相同均包括：矩阵构建层、第一Conv层、第二Conv层、Softmax层、第一乘法器M1、GAP层和加法器A2；[0030] 所述矩阵构建层用于根据幅度向量、相位向量或信号特征向量，构建原始矩阵，其输出端与第一Conv层的输入端连接；所述第一Conv层的输出端分别与第二Conv层的输入端、第一乘法器M1的第一输入端和加法器A2的第一输入端连接；所述第二Conv层的输出端与Softmax层的输入端连接；所述第一乘法器M1的第二输入端与Softmax层的输出端连接，其输出端与GAP层的输入端连接；所述加法器A2的第二输入端与GAP层的输出端连接，其输出端作为第一原始特征提取单元、第二原始特征提取单元或第三原始特征提取单元的输出端。[0031] 上述进一步地方案的有益效果为：本发明将幅度向量、相位向量或信号特征向量，构建为原始矩阵，便于第一Conv层的处理，在第一Conv层处理后，通过第二Conv层和Softmax层计算出对应特征的注意力，并通过第一乘法器M1施加在第一Conv层的输出上，提高重要特征的关注度，再通过GAP层提取全局特征，将全局特征与第一Conv层的输出相加，使得深度特征与浅层特征进行融合，解决梯度消失的问题。[0032] 进一步地，所述矩阵构建层的表达式为： ，其中，X为构建的原始矩阵，T为转置运算，在第一原始特征提取单元中A为幅度向量，在第二原始特征提取单元中A为相位向量，在第三尺度特征提取单元中A为信号特征向量。[0033] 进一步地，所述第一尺度特征提取单元、第二尺度特征提取单元和第三尺度特征提取单元的表达式均为：[0034] ，其中，H为第一尺度特征提取单元、第二尺度特征提取单元或第三尺度特征提取单元的输出，R为Concat层输出的拼接特征，Maxpool为最大池化层，relu为线性整流函数，σ为S型激活函数，Conv为卷积操作， 为哈达玛积，在第一尺度特征提取单元中最大池化层的池化核大小为 ，在第二尺度特征提取单元中最大池化层的池化核大小为 ，在第三尺度特征提取单元中最大池化层的池化核大小为 。[0035] 上述进一步地方案的有益效果为：本发明的3个尺度特征提取单元中最大池化层的池化核大小不同，使得每个尺度特征提取单元提取到的特征不同，在每个尺度特征提取单元中对R进行最大池化操作，提取出显著的特征，将显著的特征进行relu、Conv操作后，采用S型激活函数计算出对应特征的关注度，将关注度与R进行哈达玛积操作，进一步地提取出重要特征，使得模型自适应的对重要特征进行关注，提高提取传递信息的精度。[0036] 进一步地，所述S4中三通道基带处理模型通过梯度下降法进行训练，训练的损失函数为：[0037] ， ，其中，lossi为第i次训练的损失值，yi,m为第i次训练时三通道基带处理模型输出的第m个信号值，Yi,m为第i次训练时对应的标签传递信息中第m个信号值，μi,m为第i次训练时的第m个信号差值，M为信号值的数量，m和i为正整数。[0038] 上述进一步地方案的有益效果为：本发明训练三通道基带处理模型时，根据标签传递信息与三通道基带处理模型输出的差值，构建损失函数，并设置比例系数关注差值情况，在差值越大时，比例系数越大，损失值越大，促进训练过程的加快。附图说明[0039] 图1为一种基于人工智能的5G信号基带处理方法的流程图；[0040] 图2为三通道基带处理模型的结构示意图；[0041] 图3为：第一原始特征提取单元、第二原始特征提取单元或第三原始特征提取单元的结构示意图。具体实施方式[0042] 下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。[0043] 如图1所示，一种基于人工智能的5G信号基带处理方法，包括以下步骤：[0044] S1、对5G信号进行傅里叶变换，得到正弦信号成分和相位值；[0045] S2、提取每个正弦信号成分的幅度均值，构建为幅度向量，将各个相位值构建为相位向量；[0046] S3、对5G信号构建hankel矩阵，并提取hankel矩阵的显著特征值，构建信号特征向量；[0047] S4、根据幅度向量、相位向量和信号特征向量，基于三通道基带处理模型，得到传递信息。[0048] 在本发明中，hankel矩阵为汉克尔矩阵。[0049] 所述S3包括以下分步骤：[0050] S31、对5G信号构建hankel矩阵；[0051] S32、对hankel矩阵中每一行进行时频转换，得到频域信号；[0052] S33、根据频域信号，计算频率特征值；[0053] S34、根据频域信号，计算相位特征值；[0054] S35、将频率特征值和相位特征值相加，得到每行的显著特征值；[0055] S36、将各行的显著特征值作为元素，得到信号特征向量。[0056] 本发明对5G信号构建hankel矩阵，使得每一段信号构成hankel矩阵的行向量，对hankel矩阵中每一行进行时频转换，得到每一行的频域信号，从每行的频域信号上提取频率特征值和相位特征值，体现频率与幅度的关系，相位与幅度的关系。[0057] 所述S33中计算频率特征值的公式为：[0058] ，其中，γ1为频率特征值，h(k)为频域信号第k条谱线的幅度，f(k)为频域信号第k条谱线的频率值，k为谱线的编号，K为谱线的数量。[0059] 所述S34中计算相位特征值的公式为：[0060] ，其中，γ2为相位特征值，h(k)为频域信号第k条谱线的幅度，S(k)为频域信号第k条谱线的相位值，k为谱线的编号，K为谱线的数量。[0061] 本发明频率特征值体现各条谱线的频率值与幅度的关系，相位特征值体现各条谱线的相位值与幅度的关系，通过将频率特征值和相位特征值相加，得到每行的显著特征值，使得显著特征值体现每行5G信号的频率值、幅度和相位的特征。[0062] 如图2所示，所述S4中三通道基带处理模型包括：第一原始特征提取单元、第二原始特征提取单元、第三原始特征提取单元、Concat层、第一尺度特征提取单元、第二尺度特征提取单元、第三尺度特征提取单元、加法器A1和全连接层；[0063] 所述第一原始特征提取单元的输入端用于输入幅度向量；所述第二原始特征提取单元的输入端用于输入相位向量；所述第三原始特征提取单元的输入端用于输入信号特征向量；[0064] 所述Concat层的输入端分别与第一原始特征提取单元的输出端、第二原始特征提取单元的输出端和第三原始特征提取单元的输出端连接，其输出端分别与第一尺度特征提取单元的输入端、第二尺度特征提取单元的输入端和第三尺度特征提取单元的输入端连接；[0065] 所述加法器A1的输入端分别与第一尺度特征提取单元的输出端、第二尺度特征提取单元的输出端和第三尺度特征提取单元的输出端连接，其输出端与全连接层的输入端连接；所述全连接层的输出端作为三通道基带处理模型的输出端。[0066] 本发明设置3个原始特征提取单元分别处理幅度向量、相位向量和信号特征向量，实现提取出幅度特征、相位特征、频率值与幅度的关系特征、相位与幅度的关系特征，并采用Concat层进行拼接，实现特征的融合，再采用3个尺度特征提取单元分别提取不同尺度的特征，提高传递信息提取的精度。[0067] 如图3所示，所述第一原始特征提取单元、第二原始特征提取单元和第三原始特征提取单元结构相同均包括：矩阵构建层、第一Conv层、第二Conv层、Softmax层、第一乘法器M1、GAP层和加法器A2；[0068] 所述矩阵构建层用于根据幅度向量、相位向量或信号特征向量，构建原始矩阵，其输出端与第一Conv层的输入端连接；所述第一Conv层的输出端分别与第二Conv层的输入端、第一乘法器M1的第一输入端和加法器A2的第一输入端连接；所述第二Conv层的输出端与Softmax层的输入端连接；所述第一乘法器M1的第二输入端与Softmax层的输出端连接，其输出端与GAP层的输入端连接；所述加法器A2的第二输入端与GAP层的输出端连接，其输出端作为第一原始特征提取单元、第二原始特征提取单元或第三原始特征提取单元的输出端。[0069] GAP层为全局池化层。[0070] 在第一原始特征提取单元中将幅度向量构建为原始矩阵，在第二原始特征提取单元中将相位向量构建为原始矩阵，在第三原始特征提取单元中将信号特征向量构建为原始矩阵。[0071] 本发明将幅度向量、相位向量或信号特征向量，构建为原始矩阵，便于第一Conv层的处理，在第一Conv层处理后，通过第二Conv层和Softmax层计算出对应特征的注意力，并通过第一乘法器M1施加在第一Conv层的输出上，提高重要特征的关注度，再通过GAP层提取全局特征，将全局特征与第一Conv层的输出相加，使得深度特征与浅层特征进行融合，解决梯度消失的问题。[0072] 所述矩阵构建层的表达式为： ，其中，X为构建的原始矩阵，T为转置运算，在第一原始特征提取单元中A为幅度向量，在第二原始特征提取单元中A为相位向量，在第三尺度特征提取单元中A为信号特征向量。[0073] 所述第一尺度特征提取单元、第二尺度特征提取单元和第三尺度特征提取单元的表达式均为：[0074] ，其中，H为第一尺度特征提取单元、第二尺度特征提取单元或第三尺度特征提取单元的输出，R为Concat层输出的拼接特征，Maxpool为最大池化层，relu为线性整流函数，σ为S型激活函数，Conv为卷积操作， 为哈达玛积，在第一尺度特征提取单元中最大池化层的池化核大小为 ，在第二尺度特征提取单元中最大池化层的池化核大小为 ，在第三尺度特征提取单元中最大池化层的池化核大小为 。[0075] 本发明的3个尺度特征提取单元中最大池化层的池化核大小不同，使得每个尺度特征提取单元提取到的特征不同，在每个尺度特征提取单元中对R进行最大池化操作，提取出显著的特征，将显著的特征进行relu、Conv操作后，采用S型激活函数计算出对应特征的关注度，将关注度与R进行哈达玛积操作，进一步地提取出重要特征，使得模型自适应的对重要特征进行关注，提高提取传递信息的精度。[0076] 所述S4中三通道基带处理模型通过梯度下降法进行训练，训练的损失函数为：[0077] ， ，其中，lossi为第i次训练的损失值，yi,m为第i次训练时三通道基带处理模型输出的第m个信号值，Yi,m为第i次训练时对应的标签传递信息中第m个信号值，μi,m为第i次训练时的第m个信号差值，M为信号值的数量，m和i为正整数。[0078] 在本实施例中，对三通道基带处理模型进行训练时，采用5G信号作为训练样本，5G信号对应的传递信息作为标签。[0079] 本发明训练三通道基带处理模型时，根据标签传递信息与三通道基带处理模型输出的差值，构建损失函数，并设置比例系数 关注差值情况，在差值越大时，比例系数越大，损失值越大，促进训练过程的加快。[0080] 本发明对5G信号进行傅里叶变换，得到多个正弦信号成分和对应的相位值，便于构建幅度向量和相位向量，体现组成5G信号各成分的幅度和相位，再对5G信号构建hankel矩阵，对5G信号中每一段信号进行提取显著特征值，体现信号特征，通过幅度向量、相位向量和信号特征向量充分挖掘5G信号中的幅度和相位特征，基于三通道基带处理模型，还原出传递信息，减少5G信号基带处理过程，降低处理过程复杂度。[0081] 以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

专利地区：四川

专利申请日期：2024-08-06

专利公开日期：2024-10-01

专利公告号：2024-10-01