本发明属于深度学习领域，涉及一种通信信号分离的识别方法和装置，具体涉及一种基于生成对抗网络的混合通信信号分离并解调的网络结构与方法。
背景技术：
1、非正交多址(non-orthogonal multiple access，noma)由于利用同一物理资源块(时间、频率、空间)非正交地叠加传输多用户信息，使实际用户数大于资源数，比以往正交多址方式(时分、频分、码分、正交频分、空分)具有更高的复用率，是解决以上应用问题的关键技术。非正交多址技术在高频谱利用率、免授权大规模接入、低信令开销、低延迟、公平性、高可靠、高能量效率等优势明显，但其接收检测复杂度也急剧提高。
2、如何更高效、更灵活、更简单的复用资源，提出更具有优势和潜力的非正交多址接入方案，并用更低的代价实现多用户的信息检测，是本专利的主要目标。本文尝试引入新的区分域来区分用户，并采用人工智能的方式实现多用户信号的分离。
技术实现思路
1、本发明的目的是提供一种基于深度学习的智能通信信号分离网络结构与方法。基于生成对抗网络(gan)结构，由生成器(混合信号分离器)、鉴别器(分离信号判别)、分离信号复合约束等组成。其中针对本发明的目标，分别设计了适用于通信信号的特殊结构的长短期记忆网络结构作为生成器、鉴别器；设计了分离信号复合约束、分离信号判别准则等。该结构配合设计的分离信号的方法，可以达到混合通信信号分离的目标。实验结果证明，本发明能够在频点、码型、调制方式、空间等相同的共有物理资源通道上，复用信道，可以提升系统容量。
2、我们的应用目的为分离各用户的信息，因此类似于由生成对抗网络(gan)进化为条件生成对抗网络(cgan)以适应新的应用，必须对抗网络的整体框架做一些必要修整。所述一种基于深度学习的智能通信信号分离网络结构与方法，包括适合于多用户通信信号分离的网络架构设计、生成器的目标、判别期的目标和损失函数的设计等方面。
3、所述一种基于深度学习的智能通信信号分离网络结构，借鉴生成对抗网络的思想，包括用于信号分离的生成器，用于判别分离信号的判别器，分离信号复合约束、用户判别器、分离信号软信息判别器等。
4、在训练阶段：设计的网络结构配合设计的分离信号的方法，通过双重对抗性的目标，使得网络收敛，可以达到混合通信信号分离的目标；在测试阶段：混合信号通过网络，可以达到混合通信信号分离的目标。
5、在本框架中，我们定义的损失函数与原始的生成对抗网络定义的对抗损失函数类似，但做了修改；生成器将输入的混合信号分解生成多路通信信号；对于鉴别器而言，其首要任务是鉴别出信号的来源，因此，对抗生成网络优化的目标为：
6、
7、sepφ(x1+...xc)表示将混合信号x1+x2+...+xc输入到分解网络sepφ(·)后获得分解后的信号表示鉴别器正确地判定输入信号为分解网络处理得到的分解信号的概率；表示鉴别器正确地判定输入信号为分解网络处理得到的分解信号的概率；i＝1，2，...，c，其中c是用户数目。
8、为了使得分离出的信号与叠加信号相关，合理的分开，本身符合单用户通信信号的特点。为此，我们额外添加了分离前后的幅度约束损失函数lrec，使得分解网络输出的分解信号之和可以无限接近输入的混合信号x1+...xc。
9、
10、其中n是为所在的训练数据中，包含的数据片段数目。重构损失函数中信号之间的距离定义为：
11、其中，n0为信号的时间步长，表示第j个用户分解出来的信号第i时间点的信号值，表示第j个用户原始信号在第i时间点的值。
12、由于分离出来的各路信号具有对称性，为了实现用户区分，可以鉴别第i路信号是第j用户的调制格式，j＝1，2，...，c。因此还要添加用户鉴别网络。在训练阶段，根据鉴别用户的情况形成了判别用户的损失函数luser。
13、
14、其中n为所在的训练数据中，包含的数据片段数目，是判别出第j路信号是哪一个用户，cj是对应的实际用户标签。
15、分离的信号继续经过后面的软信息检测模块，可以得到检测信息。当具有正确的软信息标签的时候，可以添加软信息检测损失函数
16、
17、其中，i为所在的训练数据中，含有符号信息的个数，d为每个符号包含的几种判别情况。
18、我们定义联合优化目标为对抗损失函数、重建损失函数、用户判别损失函数和软信息检测损失函数的加权和：
19、
20、其中，λadv是对抗损失函数的权重，λrec是重建损失函数的权重，λuser是幅度约束损失函数的权重，λinfo软信息检测损失函数的权重。
21、训练时候，依次优化各个网络参数，使得(6)式得到满足，网络收敛，求得网络参数，训练结束；
22、利用训练好的网络对于输入的混合信号进行测试，验证；进一步对混合信号进行分离。
23、设计的详细网络架构阐述如下：所述生成器(混合信号分离器)，其特征在于，使用基于注意力机制的编码器-解码器结构作为生成器对混合信号进行分离，编码器将混合信号编码为上下文信息，通过注意力机制的匹配算法获得输入信息与输出信息的匹配程度，作为解码器的输入，解码器输出我们需要的分离信号；
24、所述生成器(信号分离网络)使用基于注意力机制的编码器-解码器结构作为生成器对混合信号进行分离，编码器将混合信号编码为上下文信息，通过注意力机制的匹配算法获得输入信息与输出信息的匹配程度，作为解码器的输入，解码器输出我们需要的分离信号。我们提出的分离网络架构，解码器-编码器我们都是采用的单层lstm结构。
25、所述鉴别器，使用设计的基于堆叠lstm网络作为的识别网络结构，与多层lstm相比，它可以更好地压缩输入信号的维数；所述模型接收前一层中的lstm输出的所有时间步骤数据，并将其重建为下一层中所有时间步骤的输入；单个用户的分离信号和参考信号在级联后，输入到模型中，并以并行模式计算；计算得到各路分离信号判别为真实信号的概率；
26、所述分离信号复合约束计算各路分离信号与输入的真实信号的度量距离；
27、所述用户判别器根据用户调制的特点判别各路分离信号是哪个用户的信号；
28、所述分离信号软信息判别器判别分离信号的软调制信号信息；
29、所述鉴别器的结构采用具有r层的堆叠lstm结构。堆叠lstm的第一层网络lstm-1输入总共有n0个时间步长，输入数据维度是[n0，g0，2c]，g0＝1；i＝1，2，…，c，其中c是用户数目；在通过lstm-1网络之后，信号单元的输出数据维度变为[n1，g′1，1]，其中g′i是lstm-i中隐藏状态的宽度，ni是lstm-i中数据时间步骤数目；时间步长和输入数据维数被重建为lstm-2的n2和g2，关系为n2g2＝n1g′1，n1≠n2；后面lstm的其他堆叠层也是以此类推；堆叠lstm的第i层其输入数据维度是[ni-1，gi-1，2c]，输出数据维度为[ni-1，g′i，2c]；输入至下一层i+1层lstm网络前，将数据维度重构为[ni，gi，2c]；为了降低数据的维数，有如下的数值关系g′i＜gi，ni+1＜ni，i＝1，2，…r；我们在每个层中添加了dropout参数，并在输出位置添加了参数矩阵和激活函数；在第r层，我们使用参数矩阵使输出具有与隐藏状态相同的宽度，并使用具有tanh的激活函数；在lstm-r中，为了判断数据的概率是来自分离网络还是真实参考信号，隐藏状态宽度为1，并使用sigmoid函数区分两类信号；
30、由于我们构建了输入信号为2c个信号的级联信号，我们最终在多层堆叠lstm的输出处获得了[1，2c]张量；我们将它们切割为表示各路分离信号为真实信号的的概率；分离信号的鉴别概率为：
31、
32、所述一种基于生成对抗网络的混合通信信号分离并解调的网络结构与方法，其训练过程包括如下步骤：
33、步骤1：将各路信号之和x1+x2+...+xc与各路信号的真实值输入网络结构，其中信号分离器(生成器)sepφ(·)分离出各路信号鉴别器鉴别输出的信号情况，是网络的参数；
34、步骤2：分解出的信号和真实信号经过幅度约束器，计算幅度约束损失函数lrec。
35、
36、其中n是为所在的训练数据中，包含的数据片段数目。重构损失函数中信号之间的距离定义为：
37、
38、其中，n0为信号的时间步长，表示第j个用户分解出来的信号第i时间点的信号值，表示第j个用户原始信号在第i时间点的值；
39、步骤3：将分解出来的各路信号分别输入用户鉴别网络usε(·)进行用户的鉴别，ε是网络参数；鉴别第i路信号是第j用户的调制格式，i＝1，2，...，c，在训练阶段，根据鉴别用户的情况形成了判别用户的损失函数luser；
40、
41、步骤4：将分解出来的各路信号继续经过后面的软信息检测模块网络inγ(·)，γ是网络参数，可以得到检测信息，当具有正确的软信息标签的时候，可以添加软信息检测损失函数，
42、
43、其中，i为所在的训练数据中，含有符号信息的个数，d为每个符号包含的几种判别情况；
44、步骤5：我们定义联合优化目标为对抗损失函数、幅度约束损失函数、用户判别损失函数和软信息检测损失函数的加权和：
45、
46、其中，λadv是对抗损失函数的权重，λrec是重建损失函数的权重，λuser是幅度约束损失函数的权重，λinfo软信息检测损失函数的权重。
47、训练时候，依次优化各个网络参数，使得(6)式得到满足，网络收敛，求得网络参数，训练结束。
48、步骤六：利用训练好的网络对于输入的混合信号进行测试，验证。进一步对混合信号进行分离。
49、本发明一种基于生成对抗网络的混合通信信号分离并解调的网络结构与方法的优点在于：
50、1，能够提高信道利用率，在相同频点，相同调制方式，相同时间、空间域复用物理通信资源。利用共信道提升系统容量。可以指导在有线信号、光纤信号的传输，甚至进一步优化进行无线信号的传输。
51、2，利用人工智能算法降低混合信号的分离和检测难度。
1.一种基于深度学习的智能通信信号分离网络结构，其特征在于，由生成器(混合信号分离器)、鉴别器(分离信号判别)、分离信号复合约束、用户判别器、分离信号软信息判别器等组成；
2.所述应用权利要求1的一种基于深度学习的智能通信信号分离网络结构，其特征在于，所述鉴别器的结构采用具有r层的堆叠lstm结构；堆叠lstm的第一层网络lstm-1输入总共有n0个时间步长，输入数据维度是[n0，g0，2c]，g0＝1；i＝1，2，…，c，其中c是用户数目；在通过lstm-1网络之后，信号单元的输出数据维度变为[n1，g′1，1]，其中g′i是lstm-i中隐藏状态的宽度，ni是lstm-i中数据时间步骤数目；时间步长和输入数据维数被重建为lstm-2的n2和g2，关系为n2g2＝n1g′1，n1≠n2；后面lstm的其他堆叠层也是以此类推；堆叠lstm的第i层其输入数据维度是[ni-1，gi-1，2c]，输出数据维度为[ni-1，g′i，2c]；输入至下一层i+1层lstm网络前，将数据维度重构为[ni，gi，2c]；为了降低数据的维数，有如下的数值关系g′i＜gi，ni+1＜ni，i＝1，2，…r；我们在每个层中添加了dropout参数，并在输出位置添加了参数矩阵和激活函数；在第r层，我们使用参数矩阵使输出具有与隐藏状态相同的宽度，并使用具有tanh的激活函数；在lstm-r中，为了判断数据的概率是来自分离网络还是真实参考信号，隐藏状态宽度为1，并使用sigmoid函数区分两类信号；
3.所述一种基于生成对抗网络的混合通信信号分离并解调的方法，其特征在于，其训练过程、测试过程包括如下步骤：
