一种用于6g的无线信号译码调制降噪方法及系统
技术领域
1.本发明属于调制技术领域，尤其涉及一种用于6g的无线信号译码调制降噪方法及系统。
背景技术：
2.6g网络通过将非地面通信(non-terrestrial communication,ntn)集成到地面蜂窝系统,可以真正实现全球覆盖,即使发生自然灾害,也能保持较高的可用性和鲁棒性。一体化的地面网络与非地面网络有利于通过非地面节点扩大蜂窝网络的覆盖范围，确保用户能随时随地接入网络,并向无服务或欠服务地区提供移动宽带服务、弥合欠服务地区的覆盖差距,上述地区包括海洋、山区、森林或其他难以部署地面接入点或基站的偏远地区。除了能增强服务,一体化地面网络与非地面网络还可以带来很多新业务、新应用，包括无处不在的连接、遥感、被动感知和定位、导航、跟踪、自主配送等。在6g中，调制方法可以进一步改进。在高信噪比的情况下，qam已被用来提高频谱效率，然而，由于硬件的非线性，在高阶qam中获得的好处正在逐渐消失。现有的6g调制技术中，最大似然检测复杂度呈指数级上升，在实际应用中系统难以实现。
技术实现要素：
3.本发明的主要目的在于克服现有技术的缺点与不足，提供一种用于6g的无线信号译码调制降噪方法及系统,通过第一预设算法对im数据进行准确分类，通过第二预设算法降低数据维度，同时将接收端噪音和干扰信号等音频数据转换为字符，通过特征提取过滤字符中的乱码，完成干扰噪音过滤，提高了信号的调制质量，降低了系统实现的难度。
4.根据本发明的一个方面，本发明提供了一种用于6g的无线信号译码调制降噪方法，所述方法包括以下步骤：
5.s1：采集im数据，通过第一预设算法对所述im数据进行初始分类；
6.s2：对所述初始分类的im数据进行回归检测处理，得到精确分类的im分类数据；
7.s3：通过第二预设算法降低im数据维度，同时将接收端包括噪音和干扰信号的音频数据转换为字符，通过特征提取过滤字符中的乱码，完成干扰噪音过滤。
8.优选地，所述第一预设算法为k均值聚类算法。
9.优选地，所述对所述初始分类的im数据进行回归检测处理，得到精确分类的im分类数据包括：
10.利用回归检测模型对所述初始im分类数据进行处理，过滤掉不参与训练和运算的数据，得到精确分类的im分类数据；将所述不参与训练和运算的数据组成新的数据集合，再次利用所述回归检测模型对所述数据集合进行处理，实现所述数据集合中的数据的分类。
11.优选地，所述回归检测模型为岭回归方法模型，所述模型公式为：||xθ-y||2 ||γθ||2；防止过拟合运算公式为：θ(a)＝(x
t
x ai)-1
x
t
y；其中，x表示输入，y表示输出的预测结果，‖‖表示正则运算，γ＝ai，i是单位矩阵，θ为拟合超参数，t是权重常量，a是单位矩阵的
权重，θ(a)为在a确定的情况下的θ值。
12.优选地，所述通过第二预设算法降低im数据维度，同时将接收端包括噪音和干扰信号的音频数据转换为字符，通过特征提取过滤字符中的乱码，完成干扰噪音过滤包括：
13.对不同运营商的多个译码副本进行组合重建或过滤，减小译码检测的对象数量；采用sofm网络构建神经网络，将译码检测对象的噪声音频数据转换为字符，采用预设特征提取算法对通过音素映射的数据进行校对，将字符分为正常字符和异常乱码两个分类；其中，采用sofm网络构建神经网络中，距离函数定义为：
[0014][0015]
式中，表示x的整数部分；k是总的迭代步数；k是当前迭代步数；λ(0)＝8，η(0)＝0.9；d表示矩阵的输出数据。
[0016]
根据本发明的另一个方面，本发明还提供了一种用于6g的无线信号译码调制降噪系统，所述系统包括：
[0017]
分类模块，用于采集im数据，通过第一预设算法对所述im数据进行初始分类；
[0018]
检测模块，用于对所述初始分类的im数据进行回归检测处理，得到精确分类的im分类数据；
[0019]
处理模块，用于通过第二预设算法降低im数据维度，同时将接收端包括噪音和干扰信号的音频数据转换为字符，通过特征提取过滤字符中的乱码，完成干扰噪音过滤。
[0020]
优选地，所述第一预设算法为k均值聚类算法。
[0021]
优选地，所述检测模块对所述初始分类的im数据进行回归检测处理，得到精确分类的im分类数据包括：
[0022]
利用回归检测模型对所述初始im分类数据进行处理，过滤掉不参与训练和运算的数据，得到精确分类的im分类数据；将所述不参与训练和运算的数据组成新的数据集合，再次利用所述回归检测模型对所述数据集合进行处理，实现所述数据集合中的数据的分类。
[0023]
优选地，所述回归检测模型为岭回归方法模型，所述模型公式为：||xθ-y||2 ||γθ||2；防止过拟合运算公式为：θ(a)＝(x
t
x ai)-1
x
t
y；其中，x表示输入，y表示输出的预测结果，‖‖表示正则运算，γ＝ai，i是单位矩阵，θ为拟合超参数，t是权重常量，a是单位矩阵的权重，θ(a)为在a确定的情况下的θ值。
[0024]
优选地，所述处理模块通过第二预设算法降低im数据维度，同时将接收端包括噪音和干扰信号的音频数据转换为字符，通过特征提取过滤字符中的乱码，完成干扰噪音过滤包括：
[0025]
对不同运营商的多个译码副本进行组合重建或过滤，减小译码检测的对象数量；采用sofm网络构建神经网络，将译码检测对象的噪声音频数据转换为字符，采用预设特征提取算法对通过音素映射的数据进行校对，将字符分为正常字符和异常乱码两个分类；其中，采用sofm网络构建神经网络中，距离函数定义为：
[0026]
[0027]
式中，表示x的整数部分；k是总的迭代步数；k是当前迭代步数；λ(0)＝8，η(0)＝0.9；d表示矩阵的输出数据。
[0028]
有益效果：本发明通过第一预设算法对im数据进行准确分类，通过第二预设算法降低数据维度，同时将接收端噪音和干扰信号等音频数据转换为字符，通过特征提取过滤字符中的乱码，完成干扰噪音过滤，提高了信号的调制质量，降低了系统实现的难度。
[0029]
通过参照以下附图及对本发明的具体实施方式的详细描述，本发明的特征及优点将会变得清楚。
附图说明
[0030]
图1是用于6g的无线信号译码调制降噪方法流程图；
[0031]
图2是用于6g的无线信号译码调制降噪系统示意图。
具体实施方式
[0032]
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0033]
实施例1
[0034]
图1是用于6g的无线信号译码调制降噪方法流程图。如图1所示，本发明提供了一种用于6g的无线信号译码调制降噪方法，所述方法包括以下步骤：
[0035]
s1：采集im数据，通过第一预设算法对所述im数据进行初始分类。
[0036]
具体地，现在的im技术主要是频、码域、时间、空间或它们之间的相互组合。主要包括分类：空域im、空时im、频域im、空频im、空码im、码域im。
[0037]
1)空域im
[0038]
sm是空域中的代表性im技术。sm的索引资源是天线索引，x是调制符号，x指当前激活的天线。在sm技术中，每个传输时隙只有一根天线被激活用来传输信号。它与单个rf链一起工作，通过天线索引传递信息。
[0039]
2)空时im
[0040]
在mimo系统的发射分集中，重点是设计空时矩阵，这是为了获得最大的编码和分集增益。空时im利用空时资源传输信息。空时m的代表是差分sm。空时im中部分信息比特会按预先设定的射为“空时块天是空时m的资源，它跨多个时发送信号，根据索引特和“空时确定天激活顺。差分sm可以省去信道估计，差分sm的性能损失与sm相比不超过3db。
[0041]
3)频域im
[0042]
频域im的调制资源是频率索引。频域中的代表性im技术是im-ofdm,它将sm原理扩展到ofdm子载波。它的索引资源是子载波，在im-ofdm中，将im和子载波块的概念引入频域，调制单位为一个子载波块，索引信息比特会激活其中一部分子载波，其原理是空间调制技术在频域的变体，im-ofdm在相同频谱效率下的误码率性能比传统ofdm更好。
[0043]
4)空频im
[0044]
空频im是天线索引和频率是把天线索引引入mimo-ofd其是在接收端的情况更加复杂引编码器输出的天线素引比择，是指从n个天线中选择n2个天线，另一路输出则包含m-ary调制比特和频率索引比特。
[0045]
5)码域im
[0046]
码域中很有代表性的im技术是cim,将空间调制中的天线索引变为扩频码的索引。与sm、im-ofdm相比，cim将索引设计挑战转化为设计采用良好特性的扩频码，系统设计变得更加可控和主动。它调整映射扩频码个数来调节传输速率，既可以节约物理链路尤其是射频链路消耗，保留了扩频系统自身良好的抗多径和抗干扰能力，还可以进一步提升系统的健壮性。
[0047]
6)空码im
[0048]
空域和码域结合起来的一种im技术是scim,它将码域中的扩频码和空域中的天线结合在一起，索引资源是扩频码和天线。信息比特在发射端经串并转换后分别映射为扩频码的索引和天线的素引，激活的扩频码调制的信号会通过激活的天线发射出去。与一维的im相比，扩频码和天线的结合节省了大量的素引资源。
[0049]
本步骤中，采集im数据后，通过第一预设算法对所述im数据进行初始分类，得到初始分类结果。
[0050]
优选地，所述第一预设算法为k均值聚类算法。
[0051]
具体地，k均值聚类算法的表达式可以为：
[0052][0053]
其中，xi表示样本集中的样本，wj表示聚类划分中的簇，ni表示簇wi的均值向量，e
min
表示求e的最小值。
[0054]
k均值聚类算法的具体步骤包括:
[0055]
首先，确定初始聚点,初始聚点的坐标可以为(2,4)，(7,5)；根据聚点将图中的10个对象划分为两组，然后计算每组的中心点，可见中心点发生改变；再由新的中心重新划分对象，此时聚类中心点发生了改变。
[0056]
分类算法的基本流程包括：选择聚点、划分对象、修改聚点、判断终止条件是否满足，如果否，返回划分对象步骤，如果满足终止条件，则得到最终分类结果，其中前三个步骤都有各种方法，通过组合可以得到不同划分算法。
[0057]
s2：对所述初始分类的im数据进行回归检测处理，得到精确分类的im分类数据。
[0058]
优选地，利用回归检测模型对所述初始im分类数据进行处理，过滤掉不参与训练和运算的数据，得到精确分类的im分类数据；将所述不参与训练和运算的数据组成新的数据集合，再次利用所述回归检测模型对所述数据集合进行处理，实现所述数据集合中的数据的分类。
[0059]
优选地，所述回归检测模型为岭回归方法模型，所述模型公式为：||xθ-y||2 ||γθ||2；防止过拟合运算公式为：θ(a)＝(x
t
x ai)-1
x
t
y；其中，x表示输入，y表示输出的预测结果，‖‖表示正则运算，γ＝ai，i是单位矩阵，θ为拟合超参数，t是权重常量，a是单位矩阵的权重，θ(a)为在a确定的情况下的θ值。
[0060]
具体地，传统的最小二乘法缺乏稳定性与可靠性，为了解决上述问题，需要将不适定问题转化为适定问题，因此为上述损失函数加上一个正则化项。
[0061]
在一个示例中，利用岭回归方法进行处理和二次/再次回归处理的示例如下表所示：
[0062][0063][0064]
s3：通过第二预设算法降低im数据维度，同时将接收端包括噪音和干扰信号的音频数据转换为字符，通过特征提取过滤字符中的乱码，完成干扰噪音过滤。
[0065]
优选地，对不同运营商的多个译码副本进行组合重建或过滤，减小译码检测的对象数量；采用sofm网络构建神经网络，将译码检测对象的噪声音频数据转换为字符，采用预设特征提取算法对通过音素映射的数据进行校对，将字符分为正常字符和异常乱码两个分类；其中，采用sofm网络构建神经网络中，距离函数定义为：
[0066][0067]
式中，表示x的整数部分；k是总的迭代步数；k是当前迭代步数；λ(0)＝8，η(0)＝0.9；d表示矩阵的输出数据。
[0068]
具体地，通过对日志中会出现不同运营商的多个译码副本进行组合重建或过滤，减小译码检测的对象数量。将译码检测对象的噪声音频数据转换为字符防止可能过滤掉的有价值无线数据的同时还能大幅度降低信噪比。
[0069]
首先，采用sofm网络类似神经网络技术将噪音通过人工智能模型转译成文字或字符；其次，采用rmsstd和r-square特征提取算法将通过音素映射对转移后数据校对分为正常字符、异常乱码2个分类。这样做的好处是为了防止可能过滤掉的有价值无线数据。
[0070]
具体地，首先，采用sofm网络构建神经网络来识别64个常用的印刷体数学符号。用kohonen网络进行粗分类，每个数学符号由16
×
16黑白点阵表示(黑点为1，白点为0)。因此输入层神经元为256个。输出层采用一维阵列，神经元个数为16个。距离函数定义为
[0071][0072]
式中，表示x的整数部分；k是总的迭代步数；k是当前迭代步数；λ(0)＝8，η(0)＝0.9；d表示矩阵的输出数据。网络训练结束后，64个训练样本实际被分成15类，每一类中的符号较为相似。16个输出单元中，有一个没有被任何样本向量激活，因此将此单元及其连接去掉。然后对每一个子类中的几个数学符号样本，再分别训练bp网络做进一步辨识分类，达到了较好精度。对样本集的识别精度达到100％，对样本的随机污染达到10％时，正确识别率仍达到95％。
[0073]
然后、音素映射。为了达到语音识别的目的，可以用sofm网络实现语音音素到二维输出阵列的映射输入向量是由15个带通滤波器提供的语音信号；输出层是一个8
×
12平面阵列。训练后得到的因素映射表。其音素识别率为75％～90％，词识别率为96％～98％,视不同的词汇而定。
[0074]
本实施例通过第一预设算法对im数据进行准确分类，通过第二预设算法降低数据维度，同时将接收端噪音和干扰信号等音频数据转换为字符，通过特征提取过滤字符中的乱码，完成干扰噪音过滤，提高了信号的调制质量，降低了系统实现的难度。
[0075]
实施例2
[0076]
图2是用于6g的无线信号译码调制降噪系统示意图。如图2所示，本实施例提供了一种用于6g的无线信号译码调制降噪系统，所述系统包括：
[0077]
分类模块201，用于采集im数据，通过第一预设算法对所述im数据进行初始分类；
[0078]
检测模块202，用于对所述初始分类的im数据进行回归检测处理，得到精确分类的im分类数据；
[0079]
处理模块203，用于通过第二预设算法降低im数据维度，同时将接收端包括噪音和干扰信号的音频数据转换为字符，通过特征提取过滤字符中的乱码，完成干扰噪音过滤。
[0080]
优选地，所述第一预设算法为k均值聚类算法。
[0081]
具体地，k均值聚类算法的表达式可以为：
[0082][0083]
其中，xi表示样本集中的样本，wj表示聚类划分中的簇，ni表示簇wi的均值向量，e
min
表示求e的最小值。
[0084]
优选地，所述检测模块202对所述初始分类的im数据进行回归检测处理，得到精确分类的im分类数据包括：
[0085]
利用回归检测模型对所述初始im分类数据进行处理，过滤掉不参与训练和运算的数据，得到精确分类的im分类数据；将所述不参与训练和运算的数据组成新的数据集合，再次利用所述回归检测模型对所述数据集合进行处理，实现所述数据集合中的数据的分类。
[0086]
优选地，所述回归检测模型为岭回归方法模型，所述模型公式为：||xθ-y||2 ||γθ||2；防止过拟合运算公式为：θ(a)＝(x
t
x ai)-1
x
t
y；其中，x表示输入，y表示输出的预测结果，‖‖表示正则运算，γ＝ai，i是单位矩阵，θ为拟合超参数，t是权重常量，a是单位矩阵的
权重，θ(a)为在a确定的情况下的θ值。
[0087]
优选地，所述处理模块203通过第二预设算法降低im数据维度，同时将接收端包括噪音和干扰信号的音频数据转换为字符，通过特征提取过滤字符中的乱码，完成干扰噪音过滤包括：
[0088]
对不同运营商的多个译码副本进行组合重建或过滤，减小译码检测的对象数量；采用sofm网络构建神经网络，将译码检测对象的噪声音频数据转换为字符，采用预设特征提取算法对通过音素映射的数据进行校对，将字符分为正常字符和异常乱码两个分类；其中，采用sofm网络构建神经网络中，距离函数定义为：
[0089][0090]
式中，表示x的整数部分；k是总的迭代步数；k是当前迭代步数；λ(0)＝8，η(0)＝0.9；d表示矩阵的输出数据。
[0091]
本实施例2中各个模块所实现的功能的具体实施过程与实施例1中的实施过程相同，在此不再赘述。
[0092]
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。