基于大數據技術的信號檢測算法

王丹輝　任磊

摘 ?要：在無線通信領域，信號檢測算法屬于重點研究的內容，在大數據和計算機技術高速發展的背景下，在通信物理層中應用大數據技術，可以取得良好的應用效果。目前，圖像處理領域已經對大數據技術進行了運用，結果表明，大數據技術在性能上的優勢十分顯著。正因如此，文章以基于大數據技術的信號檢測算法為題，對一種信號檢測方法進行研究，并通過實驗的方式，對其性能進行檢測，希望為相關行業提供借鑒。

關鍵詞：大數據技術;信號檢測算法;物理層

中圖分類號：TP311.13 ? ? ? 文獻標志碼：A ? ? ? ? 文章編號：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

大數據時代的到來，促進了社會經濟和科學技術的發展，并在一定程度上，改變了人們生產生活的方式。目前，大數據技術已經在諸多領域被廣泛應用，且應用效果極為顯著，將其應用于無線通信系統中，有助于促進信號檢測算法的創新發展。與傳統信號檢測算法相比，基于大數據的信號檢測算法，在信號檢測效率和質量方面均具有得天獨厚的優勢。因此對此項課題進行研究，其意義十分重大。

1 基于大數據技術信號檢測算法的產生背景

現階段，無線通信系統的主要形式為正交頻分復用系統，在這個系統之中，信號檢測算法的應用，可以對信號由調制到恢復的過程進行反映，與此同時，還能起到保護信號的作用，避免數據信號在信道噪聲的干擾下失真，接收端信號檢測的準確性也會因此而增強。與傳統信號檢測算法相比，加性高斯白噪聲信道是多數信道編碼算法和解碼算法的主要應用信道。但事實上，與加性高斯白噪聲信道相比，實際信道更為復雜，究其原因，主要是在信道多徑以及非線性失真現象的存在，會引發符號間干擾問題的發生，此類現象的出現，必然會影響信號檢測的效果和質量，故傳統信號檢測算法的適用性偏低，很難在這種信道環境下發揮應有的作用[1]。

2 基于大數據技術的信號檢測系統模型

為驗證基于大數據技術信號檢測算法的有效性和可行性，需要構建基于OFDM的仿真系統。仿真系統傳輸模型如圖1所示。通過觀察圖1可知，比特流在進入發送端之后，會被系統所調制，然后向AWGN無線信道輸送時域序列，最后進入接收端，重新恢復為比特流。

假設系統中的子載波數量為D，調制階數為F，則可以將一個OFDM符號時間內發送的比特流數據視為S∈DF。并列出調制后的頻域矢量公式X=[x（1），...x（k），...x（N）]T;在這個式子中，第k個子載波處的傳輸符合由x（k）表示。在此基礎上，所構建的系統傳輸模型如下：y=Hx+z。

3 基于大數據技術的信號檢測算法分析

本文所研究的信號檢測算法，所應用的大數據技術為多層深度神經網絡，在此基礎上，完成一種端到端信號檢測網絡的構建，并利用該技術，對傳統信號檢測算法進行取代，最終實現與信道均衡和譯碼的連接[2]。

3.1 信號檢測網絡結構

離線訓練和在線訓練是基于大數據技術的信號檢測網絡結構組成，如圖2所示。

在查閱資料后得知，DNN網絡是信號檢測網絡的主要構成，這種網絡的運用，可以使隱藏層數量進一步增加，表示和識別能力也會提升。觀察圖2可知，這種基于大數據技術的信號檢測算法，會通過離線和在線訓練，對參數進行有效的訓練，首先是離線訓練，DNN網絡會通過迭代訓練網絡參數的方式，對輸入或輸出的比特流數據進行處理。在線檢測的對象包括兩種，分別為頻域信號和估計比特信息。其中前者為接收信號，而后者為輸出信號。隱藏、輸入和輸出層是DNN網絡的構成部分。這些層由諸多神經元構成，且各個神經元之間都存在密切的聯系，具體表現為每個神經元所輸出的內容，都是上級神經元加權和的非線性函數。這里所說的非線性函數不唯一。包括ReLu激活函數、sigmoid激活函數等等，其中前者應用的范圍是隱藏層，而后者則在輸出層應用?？紤]到復數是初始接收的頻域信號數據，無法被直接檢測和處理，在對其進行預處理后，方能被輸入到檢測網絡之中，所謂的預處理是指串聯數據的虛部和實部，值得注意的是，在串聯前需要提取，預處理完成后，獲得輸入數據。輸入層與隱藏層處于連接的狀態，結合上文可知，信號檢測網絡隱藏層的構成為神經元。因此，我們可以數學表達式對多層DNN網絡輸出數據進行準確的表示，如下所述：

=f（y，？茲）=fsL（fRL-1（W1y+b1））;

在上述公式中，DNN網絡權重和偏置，分別由W和b表示;網絡層數由L表示;參數由θ表示。各神經元權重和偏置總和為網絡參數，在估計之前，其優化必須在估計前進行。最佳權重學習盡量在訓練集上完成。為對最佳權重進行學習，在信號檢測過程中，可以將損失函數作為依據，對網絡輸出及所需輸出距離合理測算，最后運用梯度下降算法使權重得到優化[3]。

3.2 訓練模型

基于大數據技術的信號檢測算法，相較于傳統算法而言，其學習方式為數據學習，而傳統算法主要是專家設計。故在學習過程中，如何獲取標記數據屬于重難點問題。就均衡和譯碼問題而言，如果能夠確保信道參數和模型估計的準確性，應用仿真系統即可解決數據獲取難的問題，我們可以用黑盒子對編碼過程和信道效果進行代指。黑盒子會為神經網絡提供訓練所需的數據，從而為神經網絡訓練，奠定堅實的基礎。在仿真過程中，神經網絡在生成和發送比特信息時，具有隨機性的特點，在調制處理后，向信道發送信息即可。信號在傳輸過程中，可能會受到信道失真和噪聲的影響，這些信號可以作為訓練樣本，故需要網絡系統對其進行采集。網絡輸入和接收信號相同，而監督標簽為原始比特信息。我們在更新網絡參數集的過程中，可以對隨機梯度下降算法進行運用。而均方誤差由網絡損失函數表示，最后即可獲得模型的估計損失。

3.3 仿真結果

仿真結果表明，與傳統信號檢測算法相比，基于大數據技術的信號檢測算法的信道均衡性能較為顯著，究其原因，主要是這種檢測算法能夠在訓練信號檢測網絡時，對先驗的訓練信息進行運用，具體表現為在離線訓練階段，信號檢測網絡即可通過學習的方式，獲取信道及噪聲對信號的影響特征。

4 結束語

綜上所述，在大數據時代下，大數據技術的應用范圍十分廣泛，將其應用于無線通信領域，可以促進信號檢測算法的發展。本文所提出的檢測算法，檢測性能十分顯著，能夠克服噪聲的干擾。將這種算法應用于高精尖領域，可以實現確保數據傳輸的效果和質量。在5G時代下，這項信號檢測算法必將受到研究者的重視。

參考文獻：

[1]謝少杰，鄧平.NLOS環境下基于信號檢測的單次與二次散射路徑識別[J].信號處理，2020，36（05）：733-740.

[2]楊婧，程乃平，倪淑燕.Welch算法在弱信號檢測中的性能分析[J].計算機仿真，2020，37（05）：235-240.

[3]潘文浩，花遠肖，廖勇.基于大數據技術的信號檢測算法[J].信息通信，2019（07）：163-165.