基于大数据技术的信号检测算法

王丹辉　任磊

摘  要：在无线通信领域，信号检测算法属于重点研究的内容，在大数据和计算机技术高速发展的背景下，在通信物理层中应用大数据技术，可以取得良好的应用效果。目前，图像处理领域已经对大数据技术进行了运用，结果表明，大数据技术在性能上的优势十分显著。正因如此，文章以基于大数据技术的信号检测算法为题，对一种信号检测方法进行研究，并通过实验的方式，对其性能进行检测，希望为相关行业提供借鉴。

关键词：大数据技术;信号检测算法;物理层

中图分类号：TP311.13       文献标志码：A         文章编号：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

大数据时代的到来，促进了社会经济和科学技术的发展，并在一定程度上，改变了人们生产生活的方式。目前，大数据技术已经在诸多领域被广泛应用，且应用效果极为显著，将其应用于无线通信系统中，有助于促进信号检测算法的创新发展。与传统信号检测算法相比，基于大数据的信号检测算法，在信号检测效率和质量方面均具有得天独厚的优势。因此对此项课题进行研究，其意义十分重大。

1 基于大数据技术信号检测算法的产生背景

现阶段，无线通信系统的主要形式为正交频分复用系统，在这个系统之中，信号检测算法的应用，可以对信号由调制到恢复的过程进行反映，与此同时，还能起到保护信号的作用，避免数据信号在信道噪声的干扰下失真，接收端信号检测的准确性也会因此而增强。与传统信号检测算法相比，加性高斯白噪声信道是多数信道编码算法和解码算法的主要应用信道。但事实上，与加性高斯白噪声信道相比，实际信道更为复杂，究其原因，主要是在信道多径以及非线性失真现象的存在，会引发符号间干扰问题的发生，此类现象的出现，必然会影响信号检测的效果和质量，故传统信号检测算法的适用性偏低，很难在这种信道环境下发挥应有的作用[1]。

2 基于大数据技术的信号检测系统模型

为验证基于大数据技术信号检测算法的有效性和可行性，需要构建基于OFDM的仿真系统。仿真系统传输模型如图1所示。通过观察图1可知，比特流在进入发送端之后，会被系统所调制，然后向AWGN无线信道输送时域序列，最后进入接收端，重新恢复为比特流。

假设系统中的子载波数量为D，调制阶数为F，则可以将一个OFDM符号时间内发送的比特流数据视为S∈DF。并列出调制后的频域矢量公式X=[x（1），...x（k），...x（N）]T;在这个式子中，第k个子载波处的传输符合由x（k）表示。在此基础上，所构建的系统传输模型如下：y=Hx+z。

3 基于大数据技术的信号检测算法分析

本文所研究的信号检测算法，所应用的大数据技术为多层深度神经网络，在此基础上，完成一种端到端信号检测网络的构建，并利用该技术，对传统信号检测算法进行取代，最终实现与信道均衡和译码的连接[2]。

3.1 信號检测网络结构

离线训练和在线训练是基于大数据技术的信号检测网络结构组成，如图2所示。

在查阅资料后得知，DNN网络是信号检测网络的主要构成，这种网络的运用，可以使隐藏层数量进一步增加，表示和识别能力也会提升。观察图2可知，这种基于大数据技术的信号检测算法，会通过离线和在线训练，对参数进行有效的训练，首先是离线训练，DNN网络会通过迭代训练网络参数的方式，对输入或输出的比特流数据进行处理。在线检测的对象包括两种，分别为频域信号和估计比特信息。其中前者为接收信号，而后者为输出信号。隐藏、输入和输出层是DNN网络的构成部分。这些层由诸多神经元构成，且各个神经元之间都存在密切的联系，具体表现为每个神经元所输出的内容，都是上级神经元加权和的非线性函数。这里所说的非线性函数不唯一。包括ReLu激活函数、sigmoid激活函数等等，其中前者应用的范围是隐藏层，而后者则在输出层应用。考虑到复数是初始接收的频域信号数据，无法被直接检测和处理，在对其进行预处理后，方能被输入到检测网络之中，所谓的预处理是指串联数据的虚部和实部，值得注意的是，在串联前需要提取，预处理完成后，获得输入数据。输入层与隐藏层处于连接的状态，结合上文可知，信号检测网络隐藏层的构成为神经元。因此，我们可以数学表达式对多层DNN网络输出数据进行准确的表示，如下所述：

=f（y，？兹）=fsL（fRL-1（W1y+b1））;

在上述公式中，DNN网络权重和偏置，分别由W和b表示;网络层数由L表示;参数由θ表示。各神经元权重和偏置总和为网络参数，在估计之前，其优化必须在估计前进行。最佳权重学习尽量在训练集上完成。为对最佳权重进行学习，在信号检测过程中，可以将损失函数作为依据，对网络输出及所需输出距离合理测算，最后运用梯度下降算法使权重得到优化[3]。

3.2 训练模型

基于大数据技术的信号检测算法，相较于传统算法而言，其学习方式为数据学习，而传统算法主要是专家设计。故在学习过程中，如何获取标记数据属于重难点问题。就均衡和译码问题而言，如果能够确保信道参数和模型估计的准确性，应用仿真系统即可解决数据获取难的问题，我们可以用黑盒子对编码过程和信道效果进行代指。黑盒子会为神经网络提供训练所需的数据，从而为神经网络训练，奠定坚实的基础。在仿真过程中，神经网络在生成和发送比特信息时，具有随机性的特点，在调制处理后，向信道发送信息即可。信号在传输过程中，可能会受到信道失真和噪聲的影响，这些信号可以作为训练样本，故需要网络系统对其进行采集。网络输入和接收信号相同，而监督标签为原始比特信息。我们在更新网络参数集的过程中，可以对随机梯度下降算法进行运用。而均方误差由网络损失函数表示，最后即可获得模型的估计损失。

3.3 仿真结果

仿真结果表明，与传统信号检测算法相比，基于大数据技术的信号检测算法的信道均衡性能较为显著，究其原因，主要是这种检测算法能够在训练信号检测网络时，对先验的训练信息进行运用，具体表现为在离线训练阶段，信号检测网络即可通过学习的方式，获取信道及噪声对信号的影响特征。

4 结束语

综上所述，在大数据时代下，大数据技术的应用范围十分广泛，将其应用于无线通信领域，可以促进信号检测算法的发展。本文所提出的检测算法，检测性能十分显著，能够克服噪声的干扰。将这种算法应用于高精尖领域，可以实现确保数据传输的效果和质量。在5G时代下，这项信号检测算法必将受到研究者的重视。

参考文献：

[1]谢少杰，邓平.NLOS环境下基于信号检测的单次与二次散射路径识别[J].信号处理，2020，36（05）：733-740.

[2]杨婧，程乃平，倪淑燕.Welch算法在弱信号检测中的性能分析[J].计算机仿真，2020，37（05）：235-240.

[3]潘文浩，花远肖，廖勇.基于大数据技术的信号检测算法[J].信息通信，2019（07）：163-165.