一种基于频域数据特征的分子通信神经网络信号检测方案

本发明涉及信号检测，具体为一种基于频域数据特征的分子通信神经网络信号检测方案。

背景技术：

1、分子通信是一种新兴的通信技术，其利用化学分子作为信息载体，通过分子扩散、对流以及反应等机制进行信息的传输。分子通信因具有低功耗、生物相容性等特点而适用于微观尺度中的通信场景，并广泛应用于纳米生物医学、指标环境监测等领域。基于电磁波为载体的传统通信技术也有望在微观尺度的场景下应用，但其内在的生物相容性和能量衰减问题约束了其可行性。例如，电磁波在液体等信道介质中会呈现显著的能量衰减，限制了其有效传输距离，并且在一定频率与强度下可能对生物组织产生不利影响，而分子通信机制则广泛被生物体所采用。因此，在生物相容性和能量效率方面，分子通信相较于电磁波通信表现出更大的优势。在分子通信系统中，发送端通过释放特定的化学分子编码信息，这些信息分子在信道介质中传输，并进一步被接收端检测和解码。

2、由于分子扩散过程受噪声、干扰等因素影响较大，于是信号检测和解码的准确性和可靠性成为关键技术挑战之一。在分子通信中，准确的信号检测是保证系统可靠性和有效性的基础，直接影响通信的质量和性能，传统的信号检测方法主要依赖于时域分析法和基于统计特征的检测方法。这些方法通过分析信号的时间序列特征和基本统计量(如均值、方差等)来进行检测。常见的技术方案包括基于时域的信号检测方法和基于统计特征的信号检测方法。前者如相关检测法、匹配滤波器等，通过计算接收到的信号与已知模板信号之间的相关性来判断信号的存在；后者如贝叶斯检测、最大似然检测等，通过信号的统计特性来判断信号的存在。

3、尽管现有的分子通信信号检测方法已经取得了一定的效果，但在实际应用中仍存在一些显著的缺陷和不足。首先，噪声鲁棒性差是一个突出问题。现有的时域分析方法在高噪声环境下性能显著下降，难以准确区分信号和噪声。而统计特征方法依赖于信号的统计性质，在噪声干扰较强时，检测精度较低。其次，实时性差也是一个主要问题。许多传统方法需要大量计算，如相关运算和贝叶斯推断计算，导致实时性差，无法满足快速响应的需求。例如，相关检测和匹配滤波器在信号处理过程中需要进行大量的卷积运算，计算复杂度高；贝叶斯检测和最大似然检测则需要进行复杂的概率计算和参数估计，同样面临实时性不足的问题。

4、此外，适应性差也是现有方法的一个显著缺点。传统方法往往依赖于固定的模板或统计模型，难以适应动态变化的分子通信环境。缺乏自适应性，无法根据环境变化调整检测策略，导致在不同环境下检测效果不稳定。例如，匹配滤波器和相关检测法依赖于预先设定的信号模板，当信号模式发生变化时，检测性能将大幅下降；贝叶斯检测和最大似然检测依赖于信号的先验统计模型，面对复杂和多变的信道环境，难以保持稳定的检测效果。

5、最后，现有技术方案中输入特征的缺乏也是分子通信信号检测过程中一个亟待解决的问题。传统方法主要依赖于时域或简单的统计特征，未能充分利用信号的频域特征。忽视了信号在频域中的显著特征，导致信号检测的有效性和准确性不高。例如，时域分析方法只关注信号的时间序列特征，未能捕捉到频域中的重要信息；而统计特征方法则主要依赖于信号的均值、方差等基本统计量，无法充分反映信号的频域特征和结构信息。

6、针对上述现有技术方案的缺点，本发明提出了一种基于频域数据特征的分子通信神经网络信号检测方案来解决问题。

技术实现思路

1、本发明的目的在于提供了一种基于频域数据特征的分子通信神经网络信号检测方案，解决了上述背景技术中的问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于频域数据特征的分子通信神经网络信号检测方案，包括以下步骤：

3、s1：建立分子通信单输入单输出系统模型；

4、s2：计算三维无界空间中被动接收器的信道冲击响应；

5、s3：在s2步骤的基础上得到在考虑码间串扰和信号相关噪声时在接收器处的分子数的表达式；

6、s4：利用公式生成的数据集进行dct变换，并进行标准化处理；

7、s5：利用公式生成数据集，并用于基于lstm的检测器训练和测试。

8、优选的，s1步骤的系统模型由点源发射器、扩散通道和无源球形接收器组成，调制方式使用开关键控调制，发射器释放信使分子，这些分子通过随机扩散在介质中传播，接收器半径为r，体积为其与发射器的距离为d，信使分子在介质中自由运动，当扩散至接收器位置时，部分分子被接收器吸收，接收器通过检测其表面或内部的分子浓度变化来解码传递的信息，该系统模型通过信使分子的扩散和接收实现信息传输，其性能受介质特性和系统几何参数的影响。

9、优选的，s2步骤在三维无解空间中，分子扩散遵循以下扩散方程：

10、

11、其中，n(r,t)表示信号分子的浓度，α为扩散系数，假设在时间t1时，假设m个分子从位置r1瞬间释放，结合扩散方程得到浓度方程：

12、

13、为进一步分析信号在接收器处的强度，考虑分子从释放位置扩散到接收器位置的时间，这一时间与分子从源位置到达接收器位置的距离‖r-r1‖相关，并且可以与扩散系数α结合来确定信号强度的时间演变；

14、根据扩散过程的性质，我们可以定义一个关键时间tp，它对应于信号在接收器处达到峰值的时间，tp可以通过以下关系表示：

15、

16、在时间tp处，接收器接收到的信号强度达到最大值，因此浓度分布n(r,t)可以重写为与tp相关的形式：

17、

18、在这个基础上，cir表示在某一时间点接收器处接收到的信号强度，可以看作是分子浓度在接收器体积vr内的积分，因此cir可以表示为:

19、

20、其中：vr是接收器的体积，为

21、优选的，s3步骤中的分子接收器处的信号表示为：

22、

23、其中的si为第i个发送的码元值，i(t)与n(t)分别对应为isi与噪声的影响，其能通过以下公式展开：

24、

25、公式中的tb为系统的符号持续持续时间，在分子通信中接收到的信号不仅仅是当前发送的符号，它还包含了前后符号的影响，公式表示了在时间t接收到的干扰信号i(t)是由于之前的符号si-l通过信道脉冲响应h(t+itb)共同作用的结果；

26、由于分子扩散是一个随机过程，噪声表现出随机波动的特性。这种波动被建模为零均值正态分布，意味着噪声的期望值为零，即n(t)～n(0,σ2)。

27、优选的，s4步骤中的公式生成的数据集特征为时域特征，为了使用信号的频域特征，对采样到的信号进行dct变换，使用离散余弦变换变换能将信号的大部分能量集中在较少的dct系数上，有利于系数的压缩并减少数据冗余，同时离散余弦变换处理的是实数序列，避免了复数运算的复杂性，我们由此得到了信号的频域数据集，其定义为：

28、

29、其中的n表示每个符号的采样点数，在该模型中数值为100，y(n)为分子接收器处接收到的信号，k为频域索引，取值范围是0≤k＜100，为了便于分析和处理，对变换后的数据集使用min-max标准化，公式更新为：

30、

31、优选的，s5步骤基于lstm的神经网络模型，用于处理低接收信号噪声数据，通过多次训练和验证，找到最优的模型和阈值，以提高预测的准确性并减少误比特率，lstm神经网络包含输入层、lstm层、全连接层、sigmoid激活层和回归层，训练过程中，采用adam优化算法进行网络参数优化，最大训练轮次为1000轮，初始学习率为0.0005，数据集涵盖训练集和测试集两类，并按8：2的比例进行划分，具体步骤包括数据加载和划分、数据预处理、网络训练、模型预测、阈值调整、二进制转换以及计算准确率和ber；

32、在模型评估中，通过多次训练运行评估模型的性能，并记录平均准确率和平均ber，在每次运行中，记录预测错误的符号索引及对应的实际标签和预测值，以便后续分析，通过公式

33、

34、计算损失函数，其中yi为实际值，为预测值，n为样本数，在训练过程中，通过最小化损失函数l来优化模型参数，采用动态调整阈值的方法来优化ber，并记录各次训练的结果，成功找到了一个在处理低接收信号噪声数据时表现最优的lstm模型，并验证了其稳定性和可靠性。

35、本发明提供了一种基于频域数据特征的分子通信神经网络信号检测方案。该基于频域数据特征的分子通信神经网络信号检测方案具备以下有益效果：

36、1、本发明与传统的mmse-fde和zf-fde方法相比，该方法在误码率、适应性和鲁棒性方面表现出显著优势，双层lstm结构能够有效捕捉信号的长短期依赖关系，克服了传统方法对信道先验信息的强依赖，增强了系统的灵活性。

37、2、本发明在实时处理性能上也具有较高的计算效率，使其更适合动态变化的通信环境，通过实验验证，基于频域的双层lstm检测方法不仅降低了误码率，还提升了系统的整体性能，为分子通信技术的发展提供了新的思路和解决方案。

技术特征：

1.一种基于频域数据特征的分子通信神经网络信号检测方案，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于频域数据特征的分子通信神经网络信号检测方案，其特征在于：s1步骤的系统模型由点源发射器、扩散通道和无源球形接收器组成，调制方式使用开关键控调制，发射器释放信使分子，这些分子通过随机扩散在介质中传播，接收器半径为r，体积为其与发射器的距离为d，信使分子在介质中自由运动，当扩散至接收器位置时，部分分子被接收器吸收，接收器通过检测其表面或内部的分子浓度变化来解码传递的信息，该系统模型通过信使分子的扩散和接收实现信息传输，其性能受介质特性和系统几何参数的影响。

3.根据权利要求1所述的一种基于频域数据特征的分子通信神经网络信号检测方案，其特征在于：s2步骤在三维无解空间中，分子扩散遵循以下扩散方程：

4.根据权利要求1所述的一种基于频域数据特征的分子通信神经网络信号检测方案，其特征在于：s3步骤中的分子接收器处的信号表示为：

5.根据权利要求1所述的一种基于频域数据特征的分子通信神经网络信号检测方案，其特征在于：s4步骤中的公式生成的数据集特征为时域特征，为了使用信号的频域特征，对采样到的信号进行dct变换，使用离散余弦变换变换能将信号的大部分能量集中在较少的dct系数上，有利于系数的压缩并减少数据冗余，同时离散余弦变换处理的是实数序列，避免了复数运算的复杂性，我们由此得到了信号的频域数据集，其定义为：

6.根据权利要求1所述的一种基于频域数据特征的分子通信神经网络信号检测方案，其特征在于：s5步骤基于lstm的神经网络模型，用于处理低接收信号噪声数据，通过多次训练和验证，找到最优的模型和阈值，以提高预测的准确性并减少误比特率，lstm神经网络包含输入层、lstm层、全连接层、sigmoid激活层和回归层，训练过程中，采用adam优化算法进行网络参数优化，最大训练轮次为1000轮，初始学习率为0.0005，数据集涵盖训练集和测试集两类，并按8：2的比例进行划分，具体步骤包括数据加载和划分、数据预处理、网络训练、模型预测、阈值调整、二进制转换以及计算准确率和ber；

技术总结
本发明涉及信号检测技术领域，且公开了一种基于频域数据特征的分子通信神经网络信号检测方案，包括以下步骤：S1：建立分子通信单输入单输出系统模型；S2：计算三维无界空间中被动接收器的信道冲击响应；S3：在S2步骤的基础上得到在考虑码间串扰和信号相关噪声时在接收器处的分子数的表达式；S4：利用公式生成的数据集进行DCT变换，并进行标准化处理；S5：利用公式生成数据集，并用于基于LSTM的检测器训练和测试。本发明在实时处理性能上也具有较高的计算效率，使其更适合动态变化的通信环境，通过实验验证，基于频域的双层LSTM检测方法不仅降低了误码率，还提升了系统的整体性能，为分子通信技术的发展提供了新的思路和解决方案。

技术研发人员：黄煜,向成,成明月,唐冬
受保护的技术使用者：广州大学
技术研发日：
技术公布日：2024/12/5