CN110474798A - 一种利用回声状态网络预测无线通信未来信号的方法 - Google Patents
一种利用回声状态网络预测无线通信未来信号的方法 Download PDFInfo
- Publication number
- CN110474798A CN110474798A CN201910683457.XA CN201910683457A CN110474798A CN 110474798 A CN110474798 A CN 110474798A CN 201910683457 A CN201910683457 A CN 201910683457A CN 110474798 A CN110474798 A CN 110474798A
- Authority
- CN
- China
- Prior art keywords
- signal
- formula
- future
- value
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
- Filters That Use Time-Delay Elements (AREA)
Abstract
本发明公开了一种利用回声状态网络预测无线通信未来信号的方法,步骤包括:1)回声状态网络参数选择和初始化;2)输出权重训练;3)预测未来信号和码元;4)当前符号解码阈值计算;5)迭代预测未来信号,用于解码更多符号位,采用离线训练,在后序信号预测中,训练所得输出权值Wout保持不变;预测再下一个符号,解码更多符号位。本发明的方法,简便易行,能更加有效地抵抗多径传输引起的码间干扰,降低了通信传输中的误码率,有效提高了通信性能。
Description
技术领域
本发明属于人工智能及无线通信技术领域,涉及一种利用回声状态网络预测无线通信未来信号的方法。
背景技术
混沌由于其固有的特性,如初始条件敏感性高、宽带性、正交性、易生成性等,在通信领域有着广阔的应用前景。90年代初期,混沌在通信中的应用主要有两个方面,一种是安全通信,另一种是扩频通信。扩频通信的研究形成了一些本地网络通信标准,如IEEE802.15.6。由于混沌已成功地应用于光纤通信信道中,并获得了更高的比特率,混沌通信的研究重点也从高斯噪声的理想信道转移到约束条件复杂的实际通信信道。首先,研究已证明混沌是适用于通信应用的,如混沌信号能用非常简单的匹配滤波器,最大限度地提高信噪比。还证明了混沌信号中携带的信息经过无线信道后,即使存在严重失真,也没有被改变。另外,混沌特性能被用来抵抗多径信道引起的码间干扰(ISI)。与传统非混沌通信相比,混沌基带无线通信获得了更好的性能。
虽然混沌基带无线通信***(CBWCS)已经获得较好的性能,但抵抗多径时仅使用了次优门限用来解码信息,在当前时刻,因传输的未来符号信息未知而无法计算对应的最优阈值。这成为了进一步提高混沌基带无线通信***性能的障碍。因此,寻找一种方法预测未来信号已成为亟需解决的技术难题。
发明内容
本发明的目的是提供一种利用回声状态网络预测无线通信未来信号的方法,解决现有技术混沌基带无线通信***中,对未来符号在当前时刻无法预知的难题。
本发明所采用的技术方案是,一种利用回声状态网络预测无线通信未来信号的方法,按照以下步骤具体实施:
步骤1、回声状态网络参数选择和初始化;
步骤2、输出权值训练;
步骤3、预测未来信号和码元;
步骤4、当前符号解码阈值计算;
步骤5、迭代预测未来信号,用于解码更多符号位,
本步骤采用离线训练,在后序信号预测中,训练所得输出权值Wout保持不变;预测再下一个符号,更新ESN的神经元状态过程如下:
更新步骤1:初始化z=1,
更新步骤2:将当前状态向量r根据公式(1)更新为r(tm+z-1),输入向量u更新为新的接收信号u(tm+z),
更新步骤3:令z=z+1,如果z≤nbit,转向更新步骤2,
更新步骤4:保存r(tm+nbit-1),u(tm+nbit)的值,
令tm=tm+nbit,n=n+1,跳转至上述步骤3预测信号和码元,继续预测后续信号,解码更多符号位。
本发明的有益效果是,包括以下几个方面:
1)本发明根据过去符号信息,利用回声状态网络良好的短期记忆能力,准确地预测了未来符号信息,解决了在当前时刻无法获得未来信号的难题。并把未来符号和过去符号用于阈值的计算,相比仅用过去符号计算阈值的方法,新方法获得了更加精确的阈值,能更加有效地抵抗多径传输引起的码间干扰,降低了通信传输中的误码率,有效提高了通信性能;
2)本发明使用了回声状态网络,学习过程只计算连接到输出单元的权重Wout,所有其他连接初始化后保持不变,仅使用简单的线性回归即可完成网络的训练,训练参数少,易于实现,解决了传统递归网络训练算法过于复杂的问题。
附图说明
图1是本发明方法所使用的回声状态网络结构图,其中图1a是网络训练过程结构图,图1b是预测过程结构图;
图2是本发明方法在无线通信***中的应用框图;
图3是本发明方法在无线通信中信号预测结果及预测误差,其中图3a是实际接收信号与相应的第8个采样点预测值对比图,图3b是第i个符号的第8个采样点的预测误差图;
图4是单径信道情况下不同阈值的误码率仿真结果;
图5是多径信道情况下不同阈值的误码率仿真结果。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
参照图1a、图1b和图2,本发明方法的工作原理是,回声状态网络的动态储备池内有许多稀疏的神经元,蕴含***的运行状态,具有短期记忆功能。首先确定网络的各个参数,输入神经元个数为K;动态储备池内神经元个数为N,输出神经元个数为Q;输入到储备池的连接权值矩阵为Win,动态储备池内部神经元的连接权值矩阵为稀疏矩阵W。然后,将无线通信***中所接收的信号经过匹配滤波器后的信号y(t),作为网络的输入和输出;实际***中,信号的过采样率nbit=16;根据信号特征选择训练样本,使用离线方式进行输出权值Wout的训练。再使用训练得到的输出权值Wout,根据历史输入迭代预测未来个数为过采样率(nbit)一半的采样点,再根据最后一个预测点(最大信噪比)来解码未来一位符号。最后,结合历史4位符号信息和预测得到的1位符号信息,计算更加精确的解码阈值θn(第n个符号),解码当前时刻接收信息,恢复发送符号。
基于上述原理,本发明的方法按照以下步骤具体实施:
步骤1、回声状态网络参数选择和初始化,
网络由输入层、动态储备池和输出层组成,其中,输入神经元个数为K,输入向量为u(t)=(u1(t),…,uK(t))T;动态储备池内神经元个数为N,状态向量为r(t)=(r1(t),…,rN(t))T;输出神经元个数为Q,输出向量为v(t)=(v1(t),…,vQ(t))T;输入到储备池的连接权值矩阵为Win∈CN×K,动态储备池内部神经元的连接权值矩阵为稀疏矩阵W∈CN×N,两者均为随机产生,取值在[-1,1]上均匀分布,训练过程中保持不变,稀疏矩阵W的谱半径满足ρ(W)<1,以保证网络的回声状态属性;另外,为保证储备池的多样化,储备池内神经元的稀疏程度SD取值在1%-5%之间变化;储备池到输出的连接权值矩阵为Wout∈CQ×(K+N),是网络唯一需要训练的连接权值矩阵,其中,参数K=Q=1,状态向量r的初始值r(0)=0。
实施例中,网络稀疏矩阵W的谱半径,ρ(W)=0.96,稀疏程度SD=0.01,过采样率nbit=16。网络的训练输入输出为经过匹配滤波后的滤波采样信号,如图2所示,二进制码元信息Sn经过混沌成形滤波器得到混沌信号x(t)作为基带信号。经过上载频后,调制信号经过无线信道传输,信道的脉冲响应由h(t)表示,接收端通过下载频,得到接收基带信号表示为r(t),基带信号r(t)被送入匹配滤波器中进行滤波,滤波器的输出信号y(t)的采样值作为网络训练的输入和输出信号。
在混沌基带无线通信***中,根据成形滤波器特点,当前符号位信息会受到过去和未来信号的影响,同时距离当前信号越远影响越小,过去信号已经获得,因此,取过去4位对应的采样信号和当前符号对应采样点,预测未来符号对应采样点,预测越多符号对于计算精确解码阈值越有利,但是预测精度也会降低,因此,本步骤采用过去5位(当前位加过去4位)只预测未来一位,在过采样率nbit=16的情况下,需要记忆80个采样点,因此,储备池内神经元个数设置为N=80。在t时刻,对应的状态向量r(t)=(r1(t),…,r80(t))T。
步骤2、输出权值训练,
2.1)假设训练样本集为u(t)(t=1,…,t0,…,tm),网络内部神经元状态向量表示为r(t),将训练样本依次输入储备池,按照公式(1)更新状态:
r(t)=tanh(Winu(t)+Wr(t-1)), (1)
依次获得r(1),…,r(t0),…,r(tm-1)。
实施例中,历史4位符号、当前1位符号和未来1位符号的不同组合情况共26种,其中,每种情况对应6个比特位,遍历各种情况对应384位符号。因此,384位比特产生的基带信号通过发送***,在接收端经过匹配滤波后采样点作为网络的训练数据源,再加上用于初始化网络神经元状态的100个随机符号位,一共484个比特,在过采样率为16的情况下,对应7744个采样点,即训练样本集可表示为y(1),…,y(7744)(tm=7744)。
再根据上述更新公式(1),将训练样本依次输入到储备池,得到对应的状态向量r(1),…,r(7743)。
2.2)为避免不同的r初值对输出权值Wout的影响,舍弃前t0时刻所对应的状态向量r(0),r(1),…,r(t0-1),将时刻t=t0,…,tm-1,对应的输入和状态向量u(t),r(t)按列收集得到状态矩阵对应的目标输出矩阵
代入以下公式(2),计算Wout∈CQ×(K+N),表达式如下:
Wout=TR*, (2)
其中,R*是R的伪逆。
实施例中,r(0),r(1),…,r(1599)不用于输出权值Wout的训练,从t0(t0=1600)时刻收集各个时刻的状态向量和输入值,得到以下状态矩阵:
对应的目标输出矩阵为T=[y(1601),…,y(7744)],将矩阵R和T代入公式(2),计算得到网络的输出权值Wout(矩阵)。
步骤3、预测未来信号和码元,
用训练得到的ESN(回声状态网络)预测未来信号,通过当前输入序列u(t)预测未来输出当前时刻输入为u(t),对应的状态向量为r(t)(t=tm)(由公式(1)计算得到),根据公式(3)预测信号值,预测值表达式如下:
为当前时刻的预测值,将此预测值作为下一时刻的输入,再根据公式(4)更新状态矩阵:
利用公式(3)和公式(4)依次进行步迭代,获得未来步信号的预测值,此处为最大信噪比对应采样点位置,
根据最大信噪比点的采样值及以下解码规则获得未来一位符号的预测值表达式如下:
实施例中,根据训练所得Wout,当前时刻输入u(tm)=y(tm),结合由公式(1)计算所得的r(tm),根据公式(3)获得未来一个采样点的预测值进一步预测时作为下一时刻的输入,根据公式(4)更新状态向量,依次进行8步迭代预测(过采样率为16),获得第8个采样点的预测值对应于未来1个符号的最大信噪比点。
将代入公式(5)对应的解码规则
解码获得未来1位符号的预测值
本步骤为保证较高的预测精度,采用单步预测法,迭代预测获得未来8步信号的预测值。如图3a/图3b的仿真结果显示,预测所得每个符号的第8个采样点与真实值之间的误差较小,能够较为准确地获得对应符号的码元信息。
步骤4、当前符号解码阈值计算
根据公式(6)和公式(7),将预测得到的未来一位符号信息用于当前第n个符号所对应阈值的计算,表达式如下:
其中,I为码间干扰,Sm是发送符号,
其中,αl,τl对应l径时的衰减系数和传输延迟,ω为角频率,β为混沌***参数,满足ω=2πf,β=f·ln2,信号基频f=1,
求解得到第n个符号的阈值θn,结合当前时刻所接收信号的最大信噪比点并根据公式(8)解码当前符号,表达式如下:
完成考虑未来一位符号预测的第n位符号解码。
实施例中,由历史4位和未来1位符号信息,根据公式(6)和公式(7),计算得到当前符号Sn对应的解码阈值按照公式(8)的解码规则解码当前符号,即
至此,完成考虑未来一位符号预测的第n位符号解码过程。
步骤5、迭代预测未来信号,用于解码更多符号位,
本步骤采用离线训练,在后序信号预测中,训练所得输出权值Wout保持不变;预测再下一个符号,更新ESN的神经元状态过程如下:
更新步骤1:初始化z=1
更新步骤2:将当前状态向量r根据公式(1)更新为r(tm+z-1),输入向量u更新为新的接收信号u(tm+z)
更新步骤3:令z=z+1,如果z≤nbit,转向更新步骤2
更新步骤4:保存r(tm+nbit-1),u(tm+nbit)的值
令tm=tm+nbit,n=n+1,跳转至上述步骤3(不是更新步骤3)预测信号和码元,继续预测后续信号,解码更多符号位。
实施例中,解码当前符号Sn结束后,后续符号Sn+1的解码,需要预测新的未来信号。预测再下一个符号,更新ESN的神经元状态过程如下:
更新步骤1:初始化z=1,
更新步骤2:将当前状态向量r根据公式(1)更新为r(tm+z-1),输入向量u更新为新的接收信号u(tm+z),
更新步骤3:令z=z+1,如果z≤16,转向更新步骤2,
更新步骤4:保存r(tm+15),u(tm+16)的值,令tm=tm+16,n=n+1,跳转至上述步骤3预测信号和码元,继续预测后续信号,解码更多符号位。
为验证本发明所提方法性能,单径和多径信道的仿真和实验结果如下,分别使用了三种不同的阈值,第一种是θ=0,这种情况下,完全忽略了码间干扰;第二种是θ=Ipast,只考虑了由过去符号位引起的码间干扰;第三种是θ=Ifut1+Ipast,不仅考虑了过去符号位,还考虑了由回声状态网络预测的未来1位符号引起的码间干扰。
仿真验证:
1)单径信道下的误码率
仿真采用高斯信道模型,测试不同阈值下的误码率,将本发明方法与使用阈值θ=0,和θ=Ipast两种阈值解码方法相比较,得到的仿真结果如图4所示,可以看到,相比于前两种阈值解码方法,本发明方法在解码阈值θ=Ifut1+Ipast时对应的误码率最低。
2)多径信道下的误码率
假定同一帧内的多径参数不变,不同帧的多径参数不同。L表示多径数目,仿真中,L=2时,参数为α0=1,τ1=1,γ=0.6;L=3时,α0=1,τ1=1,τ2=2,γ=0.6;L=4时,α0=1,τ1=1,τ2=2,τ3=3,γ=0.6。同样,本发明方法与使用阈值θ=0,和θ=Ipast两种方法对比,如图5可见,本发明方法获得最好的性能,θ=Ipast的误码率低于θ=0的情况,θ=0性能最差。特别地,两径信道情况下,在高信噪比时,本发明方法所使用的阈值θ=Ifut1+Ipast相比θ=Ipast方法,误码率性能获得了0.5dB的改善,并且误码率随着多径数目的增加而增加。
综上所述,本发明的方法,利用混杂***产生混沌信号,接收端使用与发射混沌吸引子相适应的混沌匹配滤波器减小环境噪声,将匹配滤波后的混沌信号作为回声状态网络的输入,进行混沌序列预测,使用预测所得的未来符号位和过去符号信息,计算得到较为准确的解码阈值,获得解码符号,有效地降低了多径传输中的码间干扰。
Claims (5)
1.一种利用回声状态网络预测无线通信未来信号的方法,其特征在于,按照以下步骤具体实施:
步骤1、回声状态网络参数选择和初始化;
步骤2、输出权重训练;
步骤3、预测未来信号和码元;
步骤4、当前符号解码阈值计算;
步骤5、迭代预测未来信号,用于解码更多符号位,
本步骤采用离线训练,在后序信号预测中,训练所得输出权值Wout保持不变;预测再下一个符号,更新ESN的神经元状态过程如下:
更新步骤1:初始化z=1,
更新步骤2:将当前状态向量r根据公式(1)更新为r(tm+z-1),输入向量u更新为新的接收信号u(tm+z),
更新步骤3:令z=z+1,如果z≤nbit,转向更新步骤2,
更新步骤4:保存r(tm+nbit-1),u(tm+nbit)的值,
令tm=tm+nbit,n=n+1,跳转至上述步骤3预测信号和码元,继续预测后续信号,解码更多符号位。
2.根据权利要求1所述的利用回声状态网络预测无线通信未来信号的方法,其特征在于:所述的步骤1中,具体过程是,
网络由输入层、动态储备池和输出层组成,其中,输入神经元个数为K,输入向量为u(t)=(u1(t),…,uK(t))T;动态储备池内神经元个数为N,状态向量为r(t)=(r1(t),…,rN(t))T;输出神经元个数为Q,输出向量为v(t)=(v1(t),…,vQ(t))T;输入到储备池的连接权值矩阵为Win∈CN×K,动态储备池内部神经元的连接权值矩阵为稀疏矩阵W∈CN×N,两者均为随机产生,取值在[-1,1]上均匀分布,训练过程中保持不变,稀疏矩阵W的谱半径满足ρ(W)<1;储备池内神经元的稀疏程度SD取值在1%-5%之间;储备池到输出的连接权值矩阵为Wout∈CQ ×(K+N),是网络唯一需要训练的连接权值矩阵,其中,参数K=Q=1,状态向量r的初始值r(0)=0。
3.根据权利要求2所述的利用回声状态网络预测无线通信未来信号的方法,其特征在于:所述的步骤2中,具体过程是,
2.1)假设训练样本集为u(t)(t=1,…,t0,…,tm),网络内部神经元状态向量表示为r(t),将训练样本依次输入储备池,按照公式(1)更新状态:
r(t)=tanh(Winu(t)+Wr(t-1)), (1)
依次获得r(1),…,r(t0),…,r(tm-1);
2.2)为避免不同的r初值对输出权值Wout的影响,舍弃前t0时刻所对应的状态向量r(0),r(1),…,r(t0-1),将时刻t=t0,…,tm-1,对应的输入和状态向量u(t),r(t)按列收集得到状态矩阵对应的目标输出矩阵
代入以下公式(2),计算Wout∈CQ×(K+N),表达式如下:
Wout=TR*, (2)
其中,R*是R的伪逆。
4.根据权利要求3所述的利用回声状态网络预测无线通信未来信号的方法,其特征在于:所述的步骤3中,具体过程是,
用训练得到的ESN预测未来信号,通过当前输入序列u(t)预测未来输出当前时刻输入为u(t),对应的状态向量为r(t)(t=tm)(由公式(1)计算得到),根据公式(3)预测信号值,预测值表达式如下:
为当前时刻的预测值,将此预测值作为下一时刻的输入,再根据公式(4)更新状态矩阵:
利用公式(3)和公式(4)依次进行步迭代,获得未来步信号的预测值,此处为最大信噪比对应采样点位置,
根据最大信噪比点的采样值及以下解码规则获得未来一位符号的预测值表达式如下:
5.根据权利要求4所述的利用回声状态网络预测无线通信未来信号的方法,其特征在于:所述的步骤4中,具体过程是,
根据公式(6)和公式(7),将预测得到的未来一位符号信息用于当前第n个符号所对应阈值的计算,表达式如下:
其中,I为码间干扰,Sm是发送符号,
其中,αl,τl对应l径时的衰减系数和传输延迟,ω为角频率,β为混沌***参数,满足ω=2πf,β=f·ln2,信号基频f=1,
求解得到第n个符号的阈值θn,结合当前时刻所接收信号的最大信噪比点并根据公式(8)解码当前符号,表达式如下:
完成考虑未来一位符号预测的第n位符号解码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910683457.XA CN110474798B (zh) | 2019-07-26 | 2019-07-26 | 一种利用回声状态网络预测无线通信未来信号的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910683457.XA CN110474798B (zh) | 2019-07-26 | 2019-07-26 | 一种利用回声状态网络预测无线通信未来信号的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110474798A true CN110474798A (zh) | 2019-11-19 |
CN110474798B CN110474798B (zh) | 2022-03-18 |
Family
ID=68508445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910683457.XA Active CN110474798B (zh) | 2019-07-26 | 2019-07-26 | 一种利用回声状态网络预测无线通信未来信号的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110474798B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110995379A (zh) * | 2019-12-06 | 2020-04-10 | 武汉大学 | 一种面向ofdm无线通信***的信道预测***及方法 |
CN112737989A (zh) * | 2020-11-12 | 2021-04-30 | 西安理工大学 | 利用回声状态网络预测混沌基带无线通信解码阈值的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719018A (zh) * | 2016-01-21 | 2016-06-29 | 中国科学院自动化研究所 | 基于回声状态网络的用电预测方法和*** |
CN107145943A (zh) * | 2017-04-25 | 2017-09-08 | 南京信息工程大学 | 混沌背景中基于改进教学优化算法的检测回声状态网络微弱信号的方法 |
WO2017190808A1 (en) * | 2016-05-06 | 2017-11-09 | Telefonaktiebolaget Lm Ericsson (Publ) | Coding of network element performance data for transmission |
CN107766986A (zh) * | 2017-10-31 | 2018-03-06 | 天津大学 | 泄漏积分型回声状态网络在线学习光伏功率预测方法 |
US20190109736A1 (en) * | 2017-10-09 | 2019-04-11 | Nec Laboratories America, Inc. | Transmission filtering using machine learning |
CN109640351A (zh) * | 2019-01-25 | 2019-04-16 | 南京邮电大学 | 一种基站流量的联合预测方法 |
-
2019
- 2019-07-26 CN CN201910683457.XA patent/CN110474798B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719018A (zh) * | 2016-01-21 | 2016-06-29 | 中国科学院自动化研究所 | 基于回声状态网络的用电预测方法和*** |
WO2017190808A1 (en) * | 2016-05-06 | 2017-11-09 | Telefonaktiebolaget Lm Ericsson (Publ) | Coding of network element performance data for transmission |
CN107145943A (zh) * | 2017-04-25 | 2017-09-08 | 南京信息工程大学 | 混沌背景中基于改进教学优化算法的检测回声状态网络微弱信号的方法 |
US20190109736A1 (en) * | 2017-10-09 | 2019-04-11 | Nec Laboratories America, Inc. | Transmission filtering using machine learning |
CN107766986A (zh) * | 2017-10-31 | 2018-03-06 | 天津大学 | 泄漏积分型回声状态网络在线学习光伏功率预测方法 |
CN109640351A (zh) * | 2019-01-25 | 2019-04-16 | 南京邮电大学 | 一种基站流量的联合预测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110995379A (zh) * | 2019-12-06 | 2020-04-10 | 武汉大学 | 一种面向ofdm无线通信***的信道预测***及方法 |
CN112737989A (zh) * | 2020-11-12 | 2021-04-30 | 西安理工大学 | 利用回声状态网络预测混沌基带无线通信解码阈值的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110474798B (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108566257B (zh) | 一种基于反向传播神经网络的信号恢复方法 | |
CN112600618B (zh) | 一种基于注意力机制的可见光信号均衡***及方法 | |
CN110233810B (zh) | 一种混合噪声下基于深度学习的msk信号解调方法 | |
CN113381828B (zh) | 基于条件生成对抗网络的稀疏码多址接入随机信道建模方法 | |
CN111342867A (zh) | 一种基于深度神经网络的mimo迭代检测方法 | |
CN112923523B (zh) | 一种基于物联网数据链的智能型新风***调控方法 | |
CN112910811B (zh) | 基于联合学***未知条件下的盲调制识别方法和装置 | |
CN103888391B (zh) | 基于双Sigmoid混沌神经网络的信号盲检测方法 | |
CN110474798A (zh) | 一种利用回声状态网络预测无线通信未来信号的方法 | |
CN116488748B (zh) | 一种对抗不匹配背景知识库的收发机协同学习的语义通信方法、***、设备及存储介质 | |
CN109525254B (zh) | 基于深度学习的卷积码软判决译码方法 | |
CN115694518A (zh) | 基于gmm-hmm的卷积码解码方法和*** | |
CN113114603B (zh) | 一种mimo-ofdm***的信息恢复方法及装置 | |
CN107437976A (zh) | 一种数据处理方法及设备 | |
CN113570032A (zh) | 基于半监督深度神经网络的有限数据频谱感知方法 | |
CN116527180A (zh) | 基于cwgan-gp星地链路信道建模的scma方法 | |
CN117176517A (zh) | 采用遗传算法和深度学习对mimo-ofdm可见光通信实施信道估计的方法及*** | |
CN112636874B (zh) | 基于遗传优化支持向量机的混沌基带无线通信解码方法 | |
CN112511474B (zh) | 一种基于卷积神经网络和迁移学习的智能设备振动通信方法 | |
CN113852434B (zh) | 一种LSTM与ResNets辅助的深度学习端到端智能通信方法与*** | |
CN113489545B (zh) | 基于k均值聚类的光空间脉冲位置调制分步分类检测方法 | |
CN114564962A (zh) | 一种基于Transformer的语义通信码率控制方法 | |
CN112821971A (zh) | 一种基于对抗式学习的时变信道信号检测方法 | |
CN112737989B (zh) | 利用回声状态网络预测混沌基带无线通信解码阈值的方法 | |
CN114363218B (zh) | 一种基于端到端学习的通信可达速率检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Ren Haipeng Inventor after: Yin Huiping Inventor after: Bai Chao Inventor after: Li Jie Inventor before: Ren Haipeng Inventor before: Yin Huiping Inventor before: Bai Chao Inventor before: Li Jie |
|
GR01 | Patent grant | ||
GR01 | Patent grant |