CN111314255A - 一种低复杂度siso和mimo接收机生成方法 - Google Patents
一种低复杂度siso和mimo接收机生成方法 Download PDFInfo
- Publication number
- CN111314255A CN111314255A CN202010090637.XA CN202010090637A CN111314255A CN 111314255 A CN111314255 A CN 111314255A CN 202010090637 A CN202010090637 A CN 202010090637A CN 111314255 A CN111314255 A CN 111314255A
- Authority
- CN
- China
- Prior art keywords
- layer
- receiver
- nodes
- siso
- mimo
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- URWAJWIAIPFPJE-YFMIWBNJSA-N sisomycin Chemical compound O1C[C@@](O)(C)[C@H](NC)[C@@H](O)[C@H]1O[C@@H]1[C@@H](O)[C@H](O[C@@H]2[C@@H](CC=C(CN)O2)N)[C@@H](N)C[C@H]1N URWAJWIAIPFPJE-YFMIWBNJSA-N 0.000 title claims abstract 14
- 238000001514 detection method Methods 0.000 claims abstract description 48
- 238000005070 sampling Methods 0.000 claims abstract description 31
- 230000006835 compression Effects 0.000 claims abstract description 20
- 238000007906 compression Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 47
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 238000007493 shaping process Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 2
- 230000010363 phase shift Effects 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0008—Modulated-carrier systems arrangements for allowing a transmitter or receiver to use more than one type of modulation
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Radio Transmission System (AREA)
Abstract
本发明公开了一种低复杂度SISO和MIMO接收机生成方法,包括:S1,在接收端对SISO和MIMO信号进行采样;S2,寻找最优的判别函数,将SISO和MIMO***中不同调制方式的信号检测问题转化为波形的识别问题;S3,对接收机进行训练,使得隐藏层和输出层的判别函数对应的损失函数最小,进而获得压缩栈式自编码器接收机的隐藏层和输出层的最优参数;S4,基于误码率量度的节点数目和层数选择策略,获得基于节点数目和层数选择策略的低复杂度压缩栈式自编码器接收机结构。本发明能够简化接收机的结构,且在SISO和MIMO条件下,对不同信道下的不同调制方式的信号检测误码率达到或超过最优检测理论值,同时,对于CFO和相位偏移具有较强的鲁棒性。
Description
技术领域
本发明涉及数字通信技术领域,具体而言涉及一种低复杂度SISO和MIMO接收机生成方法。
背景技术
随着深度学习(Deep Learning,DL)在计算机视觉、自然语言处理和自动驾驶等领域的应用,越来越多的学者将DL应用于通信信号处理领域,如雷达信号处理、信号到达角估计、信号调制识别等,用以解决使用传统的统计方法无法获得满意结果的复杂问题。
目前,基于DL信号检测的研究结果,如基于深度自编码器的联合最优发射和接收机,在该结构中,信道被认为是自编码器神经网络的一层,通过使用准确的条件概率密度函数进行描述,然而实际通信***中,通常建立链路之前无法获得信道的信息;基于卷积神经网络(Convolutional Neural Network,CNN)的BPSK解调器,其利用CNN,低通滤波器,转换器和同步模块对BPSK信号的相位进行检测,然而CNN结构复杂,且包含较多的优化参数,网络的训练和离线部署难度较大。已知的相关工作中神经网络接收机的结构较为复杂,包含较多的层数和节点数,网络的训练难度较大,同时,已知的信号解调均是在理想条件下进行的,即假定无载波频率偏移(Carrier Frequency Offset,CFO)和相位偏移等。
设计一种不依赖于信道模型和噪声假设且对实际通信***中的CFO和相位偏移具有较强鲁棒性的低复杂度压缩栈式自编码器(Compact Stacked Autoencoder,CSAE)接收机是本发明研究的重点。
发明内容
本发明目的在于提出一种适用于非理想的单输入单输出(Single Input SingleOutput,SISO)和多输入多输出(Multiple Input Multiple Output,MIMO)条件下的不依赖于信道模型和噪声假设的低复杂度CSAE神经网络接收机,通过使用误码率(Bit ErrorRate,BER)作为量度对深度神经网络接收机每层节点数和层数进行设计,从而简化接收机的结构。本发明的CSAE接收机结构简单,仅包含2个隐藏层,且在SISO和MIMO条件下,对高斯白噪声信道(Additive White Gaussian Noise,AWGN)和瑞利衰落(Rayleigh)信道下的不同调制方式的信号检测误码率达到或超过最优检测理论值,同时,对于CFO和相位偏移具有较强的鲁棒性。
为达成上述目的,结合图1,本发明提出一种低复杂度SISO和MIMO接收机生成方法,所述生成方法包括:
S1,在接收端对SISO和MIMO信号进行采样,采样数据集包括理想条件和非理想条件下采用不同信道的多种调制方式的信号数据,所述非理想条件是指接收信号含有包括信道损伤、CFO和相位偏移在内的信号缺陷;
式中,r为接收端的采样信号形成的矩阵,H为信道响应矩阵,θ是判别函数中的参数;
S3,将步骤S2中的判别函数f(r,H)划分成隐含层判别函数fh(·)和输出层判别函数fo(·)两部分,采用步骤S1中的采样数据集对接收机进行训练,使得隐藏层和输出层的判别函数对应的损失函数最小,进而获得压缩栈式自编码器接收机的隐藏层和输出层的最优参数为:
S4,根据步骤S3中的参数优化过程,基于误码率量度的节点数目和层数选择策略,通过逐层选取节点数目较少,但检测精度较高的几个节点数目作为该层的候选节点数目,同时,选取所有层节点数目最少但精度较高的节点,最小化压缩栈式自编码器接收机的节点数目和层数,获得基于节点数目和层数选择策略的低复杂度压缩栈式自编码器接收机结构。
进一步的实施例中,步骤S1中,所述在接收端对SISO和MIMO信号进行采样是指:
S11,创建信号发送和接收模型,其中,对于MIMO***,发射天线和接收天线的数目分别为Nt和Nr,其中Nr≥Nt,对于SISO***,将其等价为Nr=Nt=1和H=I1×1的MIMO***;发送信号采用BPSK、QPSK、4PAM和16QAM四种不同的调制方式,每个发送符号采用矩形脉冲成形函数其中Ts为符号周期;
S12,在每个符号周期内对接收到的信号进行L个采样,即ri=[ri(0) ri(1) ...ri(L-1)]T,同时,采样的符号数为M,采样后形成的数据集大小r=[r0 r1 ... rM-1]L×M。
S21,从输入的采样数据中提取特征;
S22,训练分类器;
S23,寻找到不同调制波形下的最优判别函数,通过最优判别函数对输入的波形进行识别和解调;其中,所述最优判别函数包含隐藏层判别函数和输出层判别函数两部分,各部分都含有与该层结构有关的参数θh和θo。
进一步的实施例中,步骤S3中,对判别函数进行最优参数寻找时,通过隐藏层损失函数和输出层损失函数最小化来实现参数的最优,其中,根据前述损失函数的收敛速度要求和信号解调的精度要求确定步骤S1中采样数据集的属性要求。
进一步的实施例中,步骤S4中,所述基于误码率量度的节点数目和层数选择策略是指,采用BPSK在AWGN信道下的采样数据集进行节点数目和层数的简化;
分别采用QPSK、4PAM和16QAM在AWGN和Rayleigh信道下的采样数据集对简化后的节点数目和层数进行微调,获得在多种调制方式和不同信道下均可实现信号检测的稳定的低复杂度压缩栈式自编码器接收机结构。
进一步的实施例中,步骤S4中,所述获得基于节点数目和层数选择策略的低复杂度压缩栈式自编码器接收机结构的过程包括以下步骤:
S41,设Ni表示第i个隐藏层上的神经元的数目,k是每个符号的采样点数目,Δ用以衡量确定调制方式下的理论误码率δt与压缩栈式自编码器接收机检测的误码率δc之间的误差;
S42,采用BPSK在AWGN信道下的采样数据集作为网络的训练数据,将第一个隐藏层上的节点数N1从1到k分别进行迭代,并记录下不同节点数对应的网络输出检测正确率,从上述不同节点数的检测性能中,选择检测正确率满足预设正确率阈值要求,且使用节点数最小的若干个节点作为第一个隐藏层的候选节点数目,判断δc-δt<Δ是否成立,如果成立,进入步骤S44,否则,进入步骤S43;
S43,将当前隐藏层中的节点数目设置成步骤S42中得到的候选节点数目,增加下一个隐藏层,分别改变下一个隐藏层中的节点数目,按照步骤S42中的策略进行迭代选择,确定下一层候选节点的数目,重复上述操作,直到满足给定条件δc-δt<Δ;
S44,选择输出检测正确最高且各隐藏层中节点数目最少的候选节点作为网络的节点和层数的配置;
S45,采用不同的调制方式和信道下的采样数据集进行网络配置的微调,确定压缩栈式自编码器接收机的最优节点数目和层数配置;
S46,分别在SISO和MIMO条件下,采用BPSK、QPSK、4PAM和16QAM四种不同的调制方式在AWGN和Rayleigh信道下对生成的低复杂度压缩栈式自编码器接收机进行理想条件和非理想条件下的信号检测。
以上本发明的技术方案,与现有相比,其显著的有益效果在于:
(1)本发明提出的CSAE接收机不依赖于信道模型和噪声假设,同时,所提NLNS策略通过使用误码率(Bit Error Rate,BER)作为量度对深度神经网络接收机每层节点数和层数进行设计,可以简化接收机的结构和复杂度。
(2)本发明的CSAE接收机结构简单,仅包含2个隐藏层,且在SISO和MIMO条件下,对高斯白噪声信道(Additive White Gaussian Noise,AWGN)和瑞利衰落(Rayleigh)信道下的不同调制方式的信号检测误码率达到或超过最优检测理论值,同时,对于CFO和相位偏移具有较强的鲁棒性。
(3)本发明对SISO、MIMO及不同信道模型下的多种调制方式的信号在理想和非理想条件下进行仿真,并与传统的最优检测性能进行对比分析,CSAE接收机在理想条件下的检测性能达到或超过最优理论值,且在非理想条件下具有较强的鲁棒性。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外,所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1是本发明的基于压缩栈式自编码器的低复杂度SISO和MIMO接收机生成方法流程图。
图2是本发明的压缩栈式自编码器接收机结构框图示意图。
图3是训练集的SNR对CSAE接收机检测性能的影响示意图。
图4是SISO-CSAE接收机在AWGN信道下的误码率性能示意图。
图5是SISO-CSAE接收机在Rayleigh信道下的误码率性能示意图。
图6是MIMO-CSAE接收机在Rayleigh信道下的误码率性能示意图。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
本发明提出的低复杂度CSAE接收机的设计及信号检测采用了如下步骤:
步骤1:在接收端对SISO和MIMO信号进行采样,对于MIMO通信***,发射天线和接收天线的数目分别为Nt和Nr,其中Nr≥Nt,对于SISO***可等价为Nr=Nt=1和H=I1×1的MIMO***,发送信号采用BPSK、QPSK、4PAM和16QAM四种不同的调制方式,每个发送符号采用矩形脉冲成形函数其中Ts为符号周期,接收信号通常含有信道损伤、CFO和相位偏移;
式中,r为接收端的采样信号形成的矩阵,H为信道响应矩阵,θ是判别函数中的参数;
步骤3:步骤2中的判别函数f(r,H)可分为隐含层判别函数fh(·)和输出层判别函数fo(·),通过使用步骤1中的采样数据集对接收机进行训练,使得隐藏层和输出层的判别函数对应的损失函数最小,进而获得CSAE接收机的隐藏层和输出层的最优参数
步骤4:根据步骤3中的参数优化过程,设计了基于BER量度的节点数目和层数选择策略(Neurons and Layers Number Selection,NLNS),通过逐层选取节点数目较少,但检测精度较高的几个节点数目作为该层的候选节点数目,同时,选取所有层节点数目最少但精度较高的节点,从而最小化CSAE接收机的节点数目和层数,由此获得基于NLNS策略的低复杂度CSAE接收机结构。
本发明提出的CSAE接收机不依赖于信道模型和噪声假设,同时,所提NLNS策略可以简化接收机的结构和复杂度,本发明对SISO、MIMO及不同信道模型下的多种调制方式的信号在理想和非理想条件下进行仿真,并与传统的最优检测性能进行对比分析,CSAE接收机在理想条件下的检测性能达到或超过最优理论值,且在非理想条件下具有较强的鲁棒性。
本发明提出的低复杂度的压缩栈式自编码器接收机已经在Matlab平台上进行了验证。从仿真结果可以看出该接收机在理想条件下的检测性能可以达到或超过最优理论值,且对CFO和相位偏移具有较强的鲁棒性。附图2为基于NLNS策略设计的压缩栈式自编码器接收机结构框图。
下面给出本发明在其中一个例子上实现的具体步骤:
(1)首先在接收端对发送的不同调制方式的信号进行采样,SISO和MIMO条件下的接收信号可表示为:
式中,ri是第i根接收天线上的信号,αn是采用某种调制方式的基带发送数据序列,其中Ts为符号周期,f是载波频率偏移,ζ是相位偏移,hi,j是第j根发射天线和第i根接收天线之间的信道响应,Z=[z1,z2…zNr]T是均值为0,方差为σ2的独立同分布的高斯白噪声。式(4)在某种调制方式下的采样值可表示为
其中,ri=[ri(0) ri(1) ... ri(L-1)]T是每个符号内的采样点数目,M表示采样的周期数目。
(3)隐含层损失函数使用欧几里得平方范数,同时使用KL散度作为正则化项避免训练中的过拟合,输出层使用Softmax分类器对每个输入数据进行估计,并使用最大似然准则对隐含层特征提取后的输入数据进行波形预测,即:
式中,Q是采样数据集的大小,θh是隐含层的参数,λ≥0是权重因子,m是隐藏层神经元的数目,χ是稀疏系数,是隐藏层神经元m的平均激活度,θg是输出层的参数,1{·}是指示函数,N是某种调制方式下信号的电平种类。
(4)根据(3)中损失函数表达式,对CSAE接收机进行训练和迭代,通过最小化损失函数获得接收机的最优参数,即式(2)和式(3)。
(5)根据(4)中的CSAE接收机的训练方法,通过BER量度确定压缩栈式自编码器接收机每层的节点数和层数,以此简化接收机的结构。基于BER量度的节点数目和层数选择策略如下,其中,Ni表示第i个隐藏层上的神经元的数目,k是每个符号的采样点数目(本例中设置采样点为8),Δ用以衡量确定调制方式下的理论误码率δt与CSAE接收机检测的误码率δc之间的误差。
①使用BPSK在AWGN信道下的采样数据集作为网络的训练数据,将第一个隐藏层上的节点数N1从1到8分别进行迭代,并记录下不同节点数对应的网络输出检测正确率。从上述不同节点数的检测性能中,选择检测正确率较高,且使用节点数较少的4个节点作为第一个隐藏层的候选节点数目。若δc-δt>Δ则需要增加另一个隐藏层。
②第一个隐藏层中的节点数目为S1中的候选节点数目,分别改变第二个隐藏层中的节点数目,并按照S1中的策略进行迭代选择,进而确定第二层候选节点的数目。
③重复上述操作,直到满足给定条件δc-δt<Δ,此时选择输出检测正确最高且各隐藏层中节点数目最少的候选节点作为网络的节点和层数的配置。
④使用不同的调制方式和信道下的采样数据集进行网络配置的微调,进而确定CSAE接收机的最优节点数目和层数配置。
(6)分别在SISO和MIMO条件下,采用BPSK、QPSK、4PAM和16QAM四种不同的调制方式在AWGN和Rayleigh信道下对(5)中设计的低复杂度CSAE接收机进行理想条件和非理想条件下的信号检测。
附图3为训练集的信噪比(Signal Noise Ratio,SNR)设置对CSAE接收机检测性能的影响。在8×20K数据集下,使用SNR=1dB的数据集训练网络,CSAE接收机误码性能达到理论性能;当使用整个训练集上的SNR训练网络时,CSAE接收机的检测性能与SNR=1dB时训练网络的结果基本一致,仅在7dB有约0.1dB的增益。附图4、5和6分别在SISO和MIMO条件下使用CSAE接收机对不同的调制信号进行了解调。由仿真结果可知,在理想条件下,BPSK、QPSK、4PAM在AWGN和Rayleigh信道下的检测性能均达到最优检测理论值,16QAM在AWGN信道下低SNR的检测性能超过理论值约1dB,同时在非理想SISO和MIMO条件下,CSAE接收机的检测具有较强的鲁棒性。
在本公开中参照附图来描述本发明的各方面,附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解,上面介绍的多种构思和实施例,以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施,这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外,本发明公开的一些方面可以单独使用,或者与本发明公开的其他方面的任何适当组合来使用。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (6)
1.一种低复杂度SISO和MIMO接收机生成方法,其特征在于,所述生成方法包括:
S1,在接收端对SISO和MIMO信号进行采样,采样数据集包括理想条件和非理想条件下采用不同信道的多种调制方式的信号数据,所述非理想条件是指接收信号含有包括信道损伤、CFO和相位偏移在内的信号缺陷;
式中,r为接收端的采样信号形成的矩阵,H为信道响应矩阵,θ是判别函数中的参数;
S3,将步骤S2中的判别函数f(r,H)划分成隐含层判别函数fh(·)和输出层判别函数fo(·)两部分,采用步骤S1中的采样数据集对接收机进行训练,使得隐藏层和输出层的判别函数对应的损失函数最小,进而获得压缩栈式自编码器接收机的隐藏层和输出层的最优参数为:
S4,根据步骤S3中的参数优化过程,基于误码率量度的节点数目和层数选择策略,通过逐层选取节点数目较少,但检测精度较高的几个节点数目作为该层的候选节点数目,同时,选取所有层节点数目最少但精度较高的节点,最小化压缩栈式自编码器接收机的节点数目和层数,获得基于节点数目和层数选择策略的低复杂度压缩栈式自编码器接收机结构。
2.根据权利要求1所述的低复杂度SISO和MIMO接收机生成方法,其特征在于,步骤S1中,所述在接收端对SISO和MIMO信号进行采样是指:
S11,创建信号发送和接收模型,其中,对于MIMO***,发射天线和接收天线的数目分别为Nt和Nr,其中Nr≥Nt,对于SISO***,将其等价为Nr=Nt=1和H=I1×1的MIMO***;发送信号采用BPSK、QPSK、4PAM和16QAM四种不同的调制方式,每个发送符号采用矩形脉冲成形函数其中Ts为符号周期;
S12,在每个符号周期内对接收到的信号进行L个采样,即ri=[ri(0) ri(1)...ri(L-1)]T,同时,采样的符号数为M,采样后形成的数据集大小r=[r0 r1...rM-1]L×M。
5.根据权利要求2所述的低复杂度SISO和MIMO接收机生成方法,其特征在于,步骤S4中,所述基于误码率量度的节点数目和层数选择策略是指,
采用BPSK在AWGN信道下的采样数据集进行节点数目和层数的简化;
分别采用QPSK、4PAM和16QAM在AWGN和Rayleigh信道下的采样数据集对简化后的节点数目和层数进行微调,获得在多种调制方式和不同信道下均可实现信号检测的稳定的低复杂度压缩栈式自编码器接收机结构。
6.根据权利要求1所述的低复杂度SISO和MIMO接收机生成方法,其特征在于,步骤S4中,所述获得基于节点数目和层数选择策略的低复杂度压缩栈式自编码器接收机结构的过程包括以下步骤:
S41,设Ni表示第i个隐藏层上的神经元的数目,k是每个符号的采样点数目,Δ用以衡量确定调制方式下的理论误码率δt与压缩栈式自编码器接收机检测的误码率δc之间的误差;
S42,采用BPSK在AWGN信道下的采样数据集作为网络的训练数据,将第一个隐藏层上的节点数N1从1到k分别进行迭代,并记录下不同节点数对应的网络输出检测正确率,从上述不同节点数的检测性能中,选择检测正确率满足预设正确率阈值要求,且使用节点数最小的若干个节点作为第一个隐藏层的候选节点数目,判断δc-δt<Δ是否成立,如果成立,进入步骤S44,否则,进入步骤S43;
S43,将当前隐藏层中的节点数目设置成步骤S42中得到的候选节点数目,增加下一个隐藏层,分别改变下一个隐藏层中的节点数目,按照步骤S42中的策略进行迭代选择,确定下一层候选节点的数目,重复上述操作,直到满足给定条件δc-δt<Δ;
S44,选择输出检测正确最高且各隐藏层中节点数目最少的候选节点作为网络的节点和层数的配置;
S45,采用不同的调制方式和信道下的采样数据集进行网络配置的微调,确定压缩栈式自编码器接收机的最优节点数目和层数配置;
S46,分别在SISO和MIMO条件下,采用BPSK、QPSK、4PAM和16QAM四种不同的调制方式在AWGN和Rayleigh信道下对生成的低复杂度压缩栈式自编码器接收机进行理想条件和非理想条件下的信号检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010090637.XA CN111314255B (zh) | 2020-02-13 | 2020-02-13 | 一种低复杂度siso和mimo接收机生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010090637.XA CN111314255B (zh) | 2020-02-13 | 2020-02-13 | 一种低复杂度siso和mimo接收机生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111314255A true CN111314255A (zh) | 2020-06-19 |
CN111314255B CN111314255B (zh) | 2021-06-08 |
Family
ID=71147034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010090637.XA Expired - Fee Related CN111314255B (zh) | 2020-02-13 | 2020-02-13 | 一种低复杂度siso和mimo接收机生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111314255B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114124630A (zh) * | 2021-11-12 | 2022-03-01 | 中国电子科技集团公司第二十八研究所 | 一种基于紧凑自编码器的符号检测和调制识别方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101442388A (zh) * | 2008-12-29 | 2009-05-27 | 北京邮电大学 | 一种多输入多输出***中的预编码方法和装置 |
CN105142177A (zh) * | 2015-08-05 | 2015-12-09 | 西安电子科技大学 | 复数神经网络信道预测方法 |
US20170076001A1 (en) * | 2015-09-14 | 2017-03-16 | Thomson Reuters Global Resources | Docket search and analytics engine |
CN109688076A (zh) * | 2018-04-19 | 2019-04-26 | 南京邮电大学 | 基于离散多电平迟滞的噪声混沌神经网络的盲检测方法 |
CN109714086A (zh) * | 2019-01-23 | 2019-05-03 | 上海大学 | 基于深度学习的优化mimo检测方法 |
CN109831400A (zh) * | 2019-03-06 | 2019-05-31 | 深兰科技(上海)有限公司 | 一种正交频分复用ofdm信号接收的方法及设备 |
CN110061946A (zh) * | 2019-03-28 | 2019-07-26 | 南京邮电大学 | 一种面向高铁的深度信号检测方法 |
CN110191073A (zh) * | 2019-06-28 | 2019-08-30 | 华侨大学 | 一种适用于变化场景的基于深度学习的调制方式识别方法 |
CN110719239A (zh) * | 2019-09-29 | 2020-01-21 | 东南大学 | 一种数据模型双驱动的联合mimo信道估计和信号检测方法 |
-
2020
- 2020-02-13 CN CN202010090637.XA patent/CN111314255B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101442388A (zh) * | 2008-12-29 | 2009-05-27 | 北京邮电大学 | 一种多输入多输出***中的预编码方法和装置 |
CN105142177A (zh) * | 2015-08-05 | 2015-12-09 | 西安电子科技大学 | 复数神经网络信道预测方法 |
US20170076001A1 (en) * | 2015-09-14 | 2017-03-16 | Thomson Reuters Global Resources | Docket search and analytics engine |
CN109688076A (zh) * | 2018-04-19 | 2019-04-26 | 南京邮电大学 | 基于离散多电平迟滞的噪声混沌神经网络的盲检测方法 |
CN109714086A (zh) * | 2019-01-23 | 2019-05-03 | 上海大学 | 基于深度学习的优化mimo检测方法 |
CN109831400A (zh) * | 2019-03-06 | 2019-05-31 | 深兰科技(上海)有限公司 | 一种正交频分复用ofdm信号接收的方法及设备 |
CN110061946A (zh) * | 2019-03-28 | 2019-07-26 | 南京邮电大学 | 一种面向高铁的深度信号检测方法 |
CN110191073A (zh) * | 2019-06-28 | 2019-08-30 | 华侨大学 | 一种适用于变化场景的基于深度学习的调制方式识别方法 |
CN110719239A (zh) * | 2019-09-29 | 2020-01-21 | 东南大学 | 一种数据模型双驱动的联合mimo信道估计和信号检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114124630A (zh) * | 2021-11-12 | 2022-03-01 | 中国电子科技集团公司第二十八研究所 | 一种基于紧凑自编码器的符号检测和调制识别方法 |
CN114124630B (zh) * | 2021-11-12 | 2023-10-24 | 中国电子科技集团公司第二十八研究所 | 一种基于紧凑自编码器的符号检测和调制识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111314255B (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7817740B2 (en) | Method and system for minimum mean squared error soft interference cancellation (MMSE-SIC) based suboptimal maximum likelihood (ML) detection for multiple input multiple output (MIMO) wireless system | |
KR20070081786A (ko) | 통신시스템에서 다중입출력을 위한 신호 수신 방법 및 장치 | |
CN100589469C (zh) | 空时比特交织调制***的迭代译码方法及siso解调器 | |
CN112215335B (zh) | 一种基于深度学习的***检测方法 | |
CN1116476A (zh) | 接收方法与cdma(码分多址)接收机 | |
CN100571098C (zh) | 通信***中低复杂度的极大似然检测方法及装置 | |
CN101588335A (zh) | 利用信道相关性的mimo检测方法及*** | |
US8243843B2 (en) | Systems and methods for low-complexity MIMO detection using leaf-node prediction via look-up tables | |
CN101277279B (zh) | 一种多天线***的串行干扰消除方法及其装置 | |
Zheng et al. | DemodNet: Learning soft demodulation from hard information using convolutional neural network | |
CN111314255B (zh) | 一种低复杂度siso和mimo接收机生成方法 | |
CN109286587B (zh) | 一种多有源广义空间调制检测方法 | |
CN109818891B (zh) | 一种格基约减辅助的低复杂度贪心球形译码检测方法 | |
CN112636855A (zh) | 一种ofdm信号检测方法 | |
CN109818663A (zh) | 一种低复杂度差分正交空间调制检测方法 | |
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 | |
US20080232491A1 (en) | Systems and methods for low-complexity mimo detection with analytical leaf-node prediction | |
CN109167648B (zh) | 候选星座点集合生成方法及mimo空间复用检测方法 | |
US8477880B2 (en) | Method and apparatus for signal detection based on MMSE in MIMO communication system | |
KR101348557B1 (ko) | Mimo-ofdm 시스템을 이용한 신호 검출 방법 및 그 장치 | |
KR101937559B1 (ko) | Mimo-ofdm 시스템을 이용한 선형 근사화 신호 검출 장치 및 그 방법 | |
US8081577B2 (en) | Method of calculating soft value and method of detecting transmission signal | |
CN111313974A (zh) | 一种信号幅度排序与比值计算的调制格式识别方法 | |
GB2439770A (en) | Decision error compensation in wireless MIMO receivers | |
KR101342626B1 (ko) | 다중 입력 다중 출력 시스템에서 반복적 트리 검색에기반한 저 복잡도 신호 검출 장치 및 방법 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210608 |
|
CF01 | Termination of patent right due to non-payment of annual fee |