CN112291005A - 一种基于Bi-LSTM神经网络的接收端信号检测方法 - Google Patents

一种基于Bi-LSTM神经网络的接收端信号检测方法 Download PDF

Info

Publication number
CN112291005A
CN112291005A CN202010844031.0A CN202010844031A CN112291005A CN 112291005 A CN112291005 A CN 112291005A CN 202010844031 A CN202010844031 A CN 202010844031A CN 112291005 A CN112291005 A CN 112291005A
Authority
CN
China
Prior art keywords
neural network
lstm
lstm neural
receiving end
signal
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.)
Pending
Application number
CN202010844031.0A
Other languages
English (en)
Inventor
朱勇合
龚晨
李上宾
徐正元
罗江华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN202010844031.0A priority Critical patent/CN112291005A/zh
Publication of CN112291005A publication Critical patent/CN112291005A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/11—Arrangements specific to free-space transmission, i.e. transmission through air or vacuum
    • H04B10/114—Indoor or close-range type systems
    • H04B10/116—Visible light communication
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/60—Receivers
    • H04B10/61—Coherent receivers
    • H04B10/612—Coherent receivers for optical signals modulated with a format different from binary or higher-order PSK [X-PSK], e.g. QAM, DPSK, FSK, MSK, ASK
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/60—Receivers
    • H04B10/61—Coherent receivers
    • H04B10/616—Details of the electronic signal processing in coherent optical receivers
    • H04B10/6163—Compensation of non-linear effects in the fiber optic link, e.g. self-phase modulation [SPM], cross-phase modulation [XPM], four wave mixing [FWM]

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Nonlinear Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Optical Communication System (AREA)

Abstract

本发明公开了一种基于Bi‑LSTM神经网络的接收端信号检测方法，首先构建双向长短时记忆神经网络Bi‑LSTM；将发射端发送的原始数据和接收端接收的处理信号数据作为所构建的Bi‑LSTM神经网络的训练数据集；利用所述训练数据集对所述Bi‑LSTM神经网络进行训练，获得训练后的网络参数；将所述接收端放置在不同的位置以不同采样率接收不同信噪比的信号，将所接收的信号输入训练完成的Bi‑LSTM神经网络，进行实时信号检测，获得相应的原始数据。上述方法采用双向长短时神经网络模型实现接收端信号检测，可以有效地抑制码间串扰和非线性失真，从而提高可见光通信性能。

Description

一种基于Bi-LSTM神经网络的接收端信号检测方法
技术领域
本发明涉及可见光通信技术领域，尤其涉及一种基于Bi-LSTM神经网络的接收端信号检测方法。
背景技术
随着移动设备和用户数量的显着增加，对传输带宽的需求越来越高，可见光通信(VLC)由于其潜在的高传输带宽、高传输速率、数据安全性和无电磁干扰而吸引了越来越多的研究兴趣。当前已经提出了多种VLC传输方法来提高通信能力。
作为射频(RF)通信的重要补充，VLC可被应用于电磁敏感、海底通信等领域，被认为是最重要的绿色信息技术之一，然而可见光通信仍然面临不少的问题，其中最大的挑战就是LED的调制带宽，一般荧光粉LED调制带宽只有几兆赫兹，这严重限制了可见光通信的速率。为了提升传输速率，除了从LED的结构，预均衡电路的设计上拓展LED的带宽，还可以通过高阶调制和多载波传输方案，然而这大大增加了接收端的复杂度，而且在信噪比较低时，高阶调制和多载波会导致峰均功率比的影响更明显，进而影响可见光通信速率，此外现有技术中的LMMSE均衡器和Volterra均衡器可以抑制码间串扰，但在低信噪比和串扰比较严重时，性能还有待提升。
发明内容
本发明的目的是提供一种基于Bi-LSTM神经网络的接收端信号检测方法，该方法采用双向长短时神经网络模型实现接收端信号检测，可以有效地抑制码间串扰和非线性失真，从而提高可见光通信性能。
本发明的目的是通过以下技术方案实现的：
一种基于Bi-LSTM神经网络的接收端信号检测方法，所述方法包括：
步骤1、构建双向长短时记忆神经网络Bi-LSTM；
步骤2、将发射端发送的原始数据和接收端接收的处理信号数据作为所构建的Bi-LSTM神经网络的训练数据集；
步骤3、利用所述训练数据集对所述Bi-LSTM神经网络进行训练，获得训练后的网络参数；
步骤4、将所述接收端放置不同位置接收不同信噪比的信号，将所接收的信号输入训练完成的Bi-LSTM神经网络，进行实时信号检测，获得相应的原始数据。
由上述本发明提供的技术方案可以看出，上述方法采用双向长短时神经网络模型实现接收端信号检测，可以有效地抑制码间串扰和非线性失真，从而提高可见光通信性能。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为本发明实施例提供的基于Bi-LSTM神经网络的接收端信号检测方法流程示意图；
图2为本发明实施例提供的单个Bi-LSTM单元内部结构示意图；
图3为本发明实施例所述可见光通信的信号处理过程示意图；
图4为本发明实施例提供的检测方法与传统方法在性能与接收机位置上的对比曲线示意图；
图5为本发明实施例提供的检测方法与传统方法在性能与采样率上的对比曲线示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
下面将结合附图对本发明实施例作进一步地详细描述，如图1所示为本发明实施例提供的基于Bi-LSTM神经网络的接收端信号检测方法流程示意图，所述方法包括：
步骤1、构建双向长短时记忆神经网络Bi-LSTM；
在该步骤中，通过构建双向长短时记忆神经网络Bi-LSTM，将其引入可见光OOK调制通信***的接收端信号检测中，将接收端接收的信号向量作为输入信号，通过Bi-LSTM神经网络的前向计算，输出与接收端采样值对应的符号估计值，在本实例中所构建的Bi-LSTM神经网络具体包括：
两层Bi-LSTM神经网络层、一层神经元个数为N1的全连接层、一层神经元个数为N2的全连接层、一层神经元个数为2的全连接层、一层softmax层以及一层分类层。
具体实现中，单个Bi-LSTM神经网络层包含K个Bi-LSTM单元，每个Bi-LSTM单元隐藏层个数为N3，输入维度是M×1，如图2所示为本发明实施例提供的单个Bi-LSTM单元内部结构示意图，单个Bi-LSTM单元包含输入门、输出门和遗忘门，其中：
所述遗忘门决定应该丢弃或保留哪些信息，具体表达式如下：
ft＝σ(Wf·[ht-1，xt]+bf)
其中，σ(·)表示sigmoid函数；ht-1和xt分别表示上一个时刻的输出和当前时刻的输入；Wf和bf分别表示遗忘门的参数矩阵和偏置矩阵；ft表示遗忘门的输出；
所述输入门用于更新状态，具体表达式如下：
it＝σ(Wi·[ht-1，xt]+bi)
其中，Wi和bi分别表示输入门的参数矩阵和偏置矩阵；it表示输入门的输出；
所述输出门用于更新状态，具体表达式如下：
ot＝σ(Wo·[ht-1，xt]+bo)
其中，Wo和bo分别表示输出门的参数矩阵和偏置矩阵；ot表示输出门的输出；
所述单个Bi-LSTM单元的操作过程表示为：
Figure BDA0002642430120000031
Figure BDA0002642430120000032
ht＝ot×tanh(Ct)
其中，Wc为参数矩阵；bc为偏置矩阵；tanh(·)表示tanh函数；ht表示当前时刻的输出；
Figure BDA0002642430120000033
Ct-1以及Ct分别表示临时单元细胞状态、上一个时刻的单元细胞状态以及当前时刻的单元细胞状态。
步骤2、将发射端发送的原始数据和接收端接收的处理信号数据作为所构建的Bi-LSTM神经网络的训练数据集；
在该步骤中，如图3所示为本发明实施例所述可见光通信的信号处理过程示意图，发射端发送的原始数据被开关键控(OOK)调制以驱动LED，并由光波传送到接收端；
在所述接收端，APD接收机对接收到的信号进行光电转换、功率放大和模数转换，然后通过有限脉冲响应FIR低通滤波、平均滤波、滑动相关同步和信号检测器以恢复原始二进制比特流，其中：
Figure BDA0002642430120000041
表示经过FIR低通滤波的信号采样值，采样频率为N倍过采样；
Figure BDA0002642430120000042
表示经过平均滤波和归一化处理后的信号采样值；N/M表示平均滤波窗口，其中N表示接收机对单个符号的采样数，M表示输入Bi-LST神经网络的单个符号对应的采样数；
第n个符号对应的特征值是
Figure BDA0002642430120000043
Yn＝[yn，1，yn，2，...，yn，M]，其中yn，k表示第n个符号的第k个采样值。
具体实现中，可以收集15000组数据用于神经网络训练，2000组数据用于神经网络的交叉验证。
步骤3、利用所述训练数据集对所述Bi-LSTM神经网络进行训练，获得训练后的网络参数；
其中，所述网络参数包括输入门、输出门、遗忘门的参数矩阵和偏置矩阵等；
对所述Bi-LSTM神经网络进行训练的过程具体为：
采用基于交叉熵损失函数的Adam优化器对所述Bi-LSTM神经网络进行优化，具体损失函数表示为：
Figure BDA0002642430120000044
其中，xn表示第n个符号对应的标签，即0或1；
Figure BDA0002642430120000045
表示第n个符号对应的预测值；N表示接收机对单个符号的采样数。
具体实现中，总样本数不低于15000，训练样本占比0.8，交叉验证样本占比0.2，最大迭代次数为10，最小batch为30，学习率为0.001。
步骤4、将所述接收端放置不同位置接收不同信噪比的信号，将所接收的信号输入训练完成的Bi-LSTM神经网络，进行实时信号检测，获得相应的原始数据。
下面以具体实例对本发明所述方法的过程进行详细描述，本实例是可见光非视距通信***中的接收端信号检测方法，该***的LED发射机的3dB带宽为2.01MHz，调制速率为50Mbps，该实例具体流程如下所示：
步骤一、构建双向长短时记忆神经网络Bi-LSTM；
在该步骤中，通过构建双向长短时记忆神经网络Bi-LSTM，将其引入可见光OOK调制通信***的接收端信号检测中，将接收端接收的信号向量作为输入信号，通过Bi-LSTM神经网络的前向计算，输出与接收端采样值对应的符号估计值，在本实例中所构建的Bi-LSTM神经网络具体包括：
两层Bi-LSTM神经网络层、一层神经元个数为30的全连接层、一层神经元个数为10的全连接层、一层神经元个数为2的全连接层、一层softmax层以及一层分类层。
具体实现中，单个Bi-LSTM神经网络层包含7个Bi-LSTM单元，每个Bi-LSTM单元隐藏层个数为30，输入维度是7×1。
步骤二、将发射端发送的原始数据和接收端接收的处理信号数据作为所构建的Bi-LSTM神经网络的训练数据集；
在该步骤中，如图3所示，发射端发送的原始数据被开关键控(OOK)调制以驱动LED，并由光波通过非视距反射链路传送到接收端；
在所述接收端，APD接收机对接收到的信号进行光电转换、功率放大和模数转换，然后通过有限脉冲响应FIR低通滤波、平均滤波、滑动相关同步和信号检测器以恢复原始二进制比特流。其中，
Figure BDA0002642430120000051
表示经过FIR低通滤波的信号采样值，采样频率为20倍过采样；
Figure BDA0002642430120000052
表示经过平均滤波和归一化处理后的信号采样值；N/M表示平均滤波窗口，其中M＝5，N＝20；第n个符号对应的特征值是
Figure BDA0002642430120000053
Yn＝[yn，1，yn，2，yn，3，yn，4，yn，5]，其中yn，k表示第n个符号的第k个采样值。
具体实现中，收集15000组数据用于神经网络训练，2000组数据用于神经网络的交叉验证。
步骤3、利用所述训练数据集对所述Bi-LSTM神经网络进行训练，获得训练后的网络参数；
具体参数包括输入门、输出门、遗忘门的参数矩阵和偏置矩阵等；
在该步骤中，对所述Bi-LSTM神经网络进行训练的过程具体为：
采用基于交叉熵损失函数的Adam优化器对所述Bi-LSTM神经网络进行优化，具体损失函数表示为：
Figure BDA0002642430120000054
其中，xn表示第n个符号对应的标签，即0或1；
Figure BDA0002642430120000061
表示第n个符号对应的预测值，N表示接收机对单个符号的采样数。总样本数为15000，训练样本占比0.8，交叉验证样本占比0.2，最大迭代次数为10，最小batch为30，学习率为0.001。
步骤4、将所述接收端放置不同位置接收不同信噪比的信号，将所接收的信号输入训练完成的Bi-LSTM神经网络，进行实时信号检测，获得相应的原始数据。
如图4所示为本发明实施例提供的检测方法与传统方法(图中为LMMSE均衡器、Volterra均衡器以及DCO-OFDM)在性能与接收机位置上的对比曲线示意图，由图4中可以看出：本发明所述检测方法获得了最优的性能，且在不同位置具有较好的泛化性。
如图5所示为本发明实施例提供的检测方法与传统方法(图中为LMMSE均衡器、volterra均衡器以及DCO-OFDM)在性能与采样率上的对比曲线示意图，由图5中可以看出：本发明所述检测方法在三种采样率下均获得了最优的性能，具有较好的泛化性。
值得注意的是，本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
综上所述，本发明实施例所述检测方法有效抑制了码间串扰和非线性影响，在低信噪比和存在非线性失真时，采用OOK调制实现了多载波、高阶调制无法达到的传输速率，无需信道估计，实现了比传统均衡算法更好的性能。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (6)

1.一种基于Bi-LSTM神经网络的接收端信号检测方法，其特征在于，所述方法包括：
步骤1、构建双向长短时记忆神经网络Bi-LSTM；
步骤2、将发射端发送的原始数据和接收端接收的处理信号数据作为所构建的Bi-LSTM神经网络的训练数据集；
步骤3、利用所述训练数据集对所述Bi-LSTM神经网络进行训练，获得训练后的网络参数；
步骤4、将所述接收端放置不同位置接收不同信噪比的信号，将所接收的信号输入训练完成的Bi-LSTM神经网络，进行实时信号检测，获得相应的原始数据。
2.根据权利要求1所述基于Bi-LSTM神经网络的接收端信号检测方法，其特征在于，在步骤1中，所构建的Bi-LSTM神经网络具体包括：
两层Bi-LSTM神经网络层、一层神经元个数为N1的全连接层、一层神经元个数为N2的全连接层、一层神经元个数为2的全连接层、一层softmax层以及一层分类层。
3.根据权利要求2所述基于Bi-LSTM神经网络的接收端信号检测方法，其特征在于，单个Bi-LSTM神经网络层包含K个Bi-LSTM单元，每个Bi-LSTM单元隐藏层个数为N3，输入维度是M×1，单个Bi-LSTM单元包含输入门、输出门和遗忘门，其中：
所述遗忘门决定应该丢弃或保留哪些信息，具体表达式如下：
ft＝σ(Wf·[ht-1，xt]+bf)
其中，σ(·)表示sigmoid函数；ht-1和xt分别表示上一个时刻的输出和当前时刻的输入；Wf和bf分别表示遗忘门的参数矩阵和偏置矩阵；ft表示遗忘门的输出；
所述输入门用于更新状态，具体表达式如下：
it＝σ(Wi·[ht-1，xt]+bi)
其中，Wi和bi分别表示输入门的参数矩阵和偏置矩阵；it表示输入门的输出；
所述输出门用于更新状态，具体表达式如下：
ot＝σ(Wo·[ht-1，xt]+bo)
其中，Wo和bo分别表示输出门的参数矩阵和偏置矩阵；ot表示输出门的输出；
所述单个Bi-LSTM单元的操作过程表示为：
Figure FDA0002642430110000021
Figure FDA0002642430110000022
ht＝ot×tanh(Ct)
其中，Wc为参数矩阵；bc为偏置矩阵；tanh(·)表示tanh函数；ht表示当前时刻的输出；
Figure FDA0002642430110000023
Ct-1以及Ct分别表示临时单元细胞状态、上一个时刻的单元细胞状态以及当前时刻的单元细胞状态。
4.根据权利要求1所述基于Bi-LSTM神经网络的接收端信号检测方法，其特征在于，在步骤2中，发射端发送的原始数据被开关键控调制以驱动LED，并由光波传送到接收端；
在所述接收端，APD接收机对接收到的信号进行光电转换、功率放大和模数转换，然后通过有限脉冲响应FIR低通滤波、平均滤波、滑动相关同步和信号检测器以恢复原始二进制比特流。
5.根据权利要求4所述基于Bi-LSTM神经网络的接收端信号检测方法，其特征在于，
Figure FDA0002642430110000024
表示经过FIR低通滤波的信号采样值，采样频率为N倍过采样；
Figure FDA0002642430110000025
表示经过平均滤波和归一化处理后的信号采样值；
N/M表示平均滤波窗口，其中N表示接收机对单个符号的采样数，M表示输入Bi-LST神经网络的单个符号对应的采样数；
第n个符号对应的特征值是
Figure FDA0002642430110000028
Yn＝[yn，1，yn，2，...，yn，M]，其中yn，k表示第n个符号的第k个采样值。
6.根据权利要求1所述基于Bi-LSTM神经网络的接收端信号检测方法，其特征在于，在步骤3中，对所述Bi-LSTM神经网络进行训练的过程具体为：
采用基于交叉熵损失函数的Adam优化器对所述Bi-LSTM神经网络进行优化，具体损失函数表示为：
Figure FDA0002642430110000026
其中，xn表示第n个符号对应的标签；
Figure FDA0002642430110000027
表示第n个符号对应的预测值；N表示接收机对单个符号的采样数。
CN202010844031.0A 2020-08-20 2020-08-20 一种基于Bi-LSTM神经网络的接收端信号检测方法 Pending CN112291005A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010844031.0A CN112291005A (zh) 2020-08-20 2020-08-20 一种基于Bi-LSTM神经网络的接收端信号检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010844031.0A CN112291005A (zh) 2020-08-20 2020-08-20 一种基于Bi-LSTM神经网络的接收端信号检测方法

Publications (1)

Publication Number Publication Date
CN112291005A true CN112291005A (zh) 2021-01-29

Family

ID=74420742

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010844031.0A Pending CN112291005A (zh) 2020-08-20 2020-08-20 一种基于Bi-LSTM神经网络的接收端信号检测方法

Country Status (1)

Country Link
CN (1) CN112291005A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113285902A (zh) * 2021-05-19 2021-08-20 南京航空航天大学 一种ofdm***检测器设计方法
CN115314118A (zh) * 2022-07-28 2022-11-08 聊城大学 一种光纤非线性补偿方法及装置
CN115865129A (zh) * 2022-12-01 2023-03-28 电子科技大学 一种基于去噪自编码器的窄带干扰智能消除方法
CN116131963A (zh) * 2023-02-02 2023-05-16 广东工业大学 基于lstm神经网络的光纤链路多径干扰噪声均衡方法
CN116506261A (zh) * 2023-06-27 2023-07-28 南昌大学 一种可见光通信感知方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105680941A (zh) * 2016-02-26 2016-06-15 中国科学技术大学 一种基于可见光的水下led长距离通信***
US20180300608A1 (en) * 2017-04-12 2018-10-18 Yodlee, Inc. Neural Networks for Information Extraction From Transaction Data
US20190130248A1 (en) * 2017-10-27 2019-05-02 Salesforce.Com, Inc. Generating dual sequence inferences using a neural network model
CN110136729A (zh) * 2019-03-27 2019-08-16 北京奇艺世纪科技有限公司 模型生成方法、音频处理方法、装置及计算机可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105680941A (zh) * 2016-02-26 2016-06-15 中国科学技术大学 一种基于可见光的水下led长距离通信***
US20180300608A1 (en) * 2017-04-12 2018-10-18 Yodlee, Inc. Neural Networks for Information Extraction From Transaction Data
US20190130248A1 (en) * 2017-10-27 2019-05-02 Salesforce.Com, Inc. Generating dual sequence inferences using a neural network model
CN110136729A (zh) * 2019-03-27 2019-08-16 北京奇艺世纪科技有限公司 模型生成方法、音频处理方法、装置及计算机可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YONGHE ZHU: "Indoor Non-line of sight Visible Light Communication with a Bi-LSTM Neural Network", 《2020 IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS WORKSHOPS (ICC WORKSHOPS)》 *
YUE QIU: "A segment-wise reconstruction method based on bidirectional long short term memory for Power Line Interference suppression", 《BIOCYBERNETICS AND BIOMEDICAL ENGINEERING》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113285902A (zh) * 2021-05-19 2021-08-20 南京航空航天大学 一种ofdm***检测器设计方法
CN113285902B (zh) * 2021-05-19 2023-03-14 南京航空航天大学 一种ofdm***检测器设计方法
CN115314118A (zh) * 2022-07-28 2022-11-08 聊城大学 一种光纤非线性补偿方法及装置
CN115314118B (zh) * 2022-07-28 2024-02-20 聊城大学 一种光纤非线性补偿方法及装置
CN115865129A (zh) * 2022-12-01 2023-03-28 电子科技大学 一种基于去噪自编码器的窄带干扰智能消除方法
CN115865129B (zh) * 2022-12-01 2024-03-29 电子科技大学 一种基于去噪自编码器的窄带干扰智能消除方法
CN116131963A (zh) * 2023-02-02 2023-05-16 广东工业大学 基于lstm神经网络的光纤链路多径干扰噪声均衡方法
CN116506261A (zh) * 2023-06-27 2023-07-28 南昌大学 一种可见光通信感知方法及***
CN116506261B (zh) * 2023-06-27 2023-09-08 南昌大学 一种可见光通信感知方法及***

Similar Documents

Publication Publication Date Title
CN112291005A (zh) 一种基于Bi-LSTM神经网络的接收端信号检测方法
Schädler et al. Soft-demapping for short reach optical communication: A comparison of deep neural networks and volterra series
CN109672639B (zh) 一种基于机器学习的信号解调方法
CN109905170B (zh) 一种基于k-dnn的非线性失真补偿算法及可见光通信装置
CN113630130B (zh) 端到端数字通信解调方法
CN112600618B (zh) 一种基于注意力机制的可见光信号均衡***及方法
CN110598677A (zh) 一种用于自动调制识别的时空多通道深度学习***
CN111200470A (zh) 一种适用于受非线性干扰的高阶调制信号传输控制方法
Li et al. IQ symbols processing schemes with LSTMs in OFDM system
Abbasi et al. Deep learning-based list sphere decoding for Faster-than-Nyquist (FTN) signaling detection
CN106452652A (zh) 一种基于混沌无线通信***的多径干扰抑制方法
Shi et al. PAPR reduction based on deep autoencoder for VLC DCO-OFDM system
CN115834310B (zh) 一种基于LGTransformer的通信信号调制识别方法
CN101651643A (zh) 基于空间分集的小波神经网络盲均衡方法
He et al. Design and implementation of adaptive filtering algorithm for vlc based on convolutional neural network
CN109639301A (zh) 一种基于置信度估计的ftn均衡方法
Zhang et al. An improved end-to-end optical transmission system based on deep learning
KR102596571B1 (ko) 가시광 통신에서 일반적인 led 인덱스 기반 변조 방식용 딥 러닝 기반의 인덱스 추정기
Lu et al. An improved one-bit ofdm receiver based on model-driven deep learning
CN114567527A (zh) 一种可重构智能表面辅助叠加导引融合学习信道估计方法
Shi et al. Receiver distortion nornalization method for specific emitter identification
CN114500189B (zh) 一种可见光通信直接预均衡方法、***、装置及介质
CN115276818B (zh) 一种基于深度学习的光载无线传输链路解调方法
CN114528925B (zh) 一种基于深层分类网络的时变信道ofdm信号均衡方法
Gorday et al. LMS to deep learning: How DSP analysis adds depth to learning

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210129

RJ01 Rejection of invention patent application after publication