CN114528925B - 一种基于深层分类网络的时变信道ofdm信号均衡方法 - Google Patents
一种基于深层分类网络的时变信道ofdm信号均衡方法 Download PDFInfo
- Publication number
- CN114528925B CN114528925B CN202210109366.7A CN202210109366A CN114528925B CN 114528925 B CN114528925 B CN 114528925B CN 202210109366 A CN202210109366 A CN 202210109366A CN 114528925 B CN114528925 B CN 114528925B
- Authority
- CN
- China
- Prior art keywords
- classification
- frequency domain
- time
- signal
- layer
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013135 deep learning Methods 0.000 claims abstract description 49
- 238000010586 diagram Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000004891 communication Methods 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 230000000903 blocking effect Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 50
- 230000005540 biological transmission Effects 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000004913 activation Effects 0.000 claims description 25
- 230000014509 gene expression Effects 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 11
- 239000000654 additive Substances 0.000 claims description 10
- 230000000996 additive effect Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 230000008054 signal transmission Effects 0.000 claims description 5
- 230000010363 phase shift Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 238000003874 inverse correlation nuclear magnetic resonance spectroscopy Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03159—Arrangements for removing intersymbol interference operating in the frequency domain
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03878—Line equalisers; line build-out devices
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Power Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种基于深层分类网络的时变信道OFDM信号均衡方法。所述方法包括以下步骤:给定实测信道数据集,构造基于分类思想的深度学习网络,分别构造基于分类思想的深度学习网络的输入和输出;对构建的基于分类思想的深度学习网络进行在线训练,得到深层分类网络模型;在具体的时变信道通信中,将需要均衡的输入数据进行分块处理,输入基于分类思想的深度学习网络,调用可用的深层分类网络模型,得到频域发射信号在星座图中的独热编码估计值,实现不同调制方式下的时变信道OFDM信号均衡。本发明同时利用了通信的理论模型和通信数据集的多样性,网络对于不同的实测信道具有较好的鲁棒性,能够适应不同复杂程度的信道并达到较好的表现。
Description
技术领域
本发明涉及通信领域的均衡技术,特别涉及一种基于深层分类网络的时变信道OFDM信号均衡方法。
背景技术
均衡技术是借助信道的结构知识来消除失真影响。均衡器一般已知信道脉冲响应或不完全已知信道的脉冲响应。均衡器的作用主要是校正信道畸变,以帮助恢复频域发射信号。均衡器的输出通常是符号序列估计值。由于在移动通信领域研究的信道对象逐渐扩展到复杂信道领域,因此均衡技术的研究具有重要意义。
目前常用的传统均衡方法有最小均方差均衡(Minimum mean square error,MMSE)均衡,判决反馈(Decision feedback equalizer,DFE)均衡。近年来深度学习(Deeplearning,DL)算法在通信领域的优势也逐渐展现。目前的DL方法主要分为两大类。一种是使用纯数据驱动的网络。2018年,Ye提出了一种基于DNN网络的端到端OFDM***信号估计模型。在该模型中,OFDM接收器的信道估计、信号均衡和解调模块全部被DNN网络代替。但是,它没有利用无线通信中发送与接收信号之间固有的数学关系,丢失了先验知识,导致接收器是一个黑匣子,对网络的运行机理难以解释。另外,纯数据驱动的方法需要依赖大量数据进行训练,一般参数量也很庞大,因此收敛速度慢,计算的代价高。另一种是基于模型和数据驱动的网络。基于模型与数据的方法能够结合先验知识,在经典的通信理论基础上,使深度学习网络能替代OFDM接收机的某个模块的功能。2019年,SCN均衡器结合了无线通信算法的专家知识,基于回归思想做星座图的估计,是一种深层回归网络,该网络对于不同信道的鲁棒性不好。
在快速时变信道中,具有严重的多普勒效应、时变多径等特点。正交频分复用(Orthogonal frequency division multiplexing,OFDM)技术在此类信道中应用广泛。快速时变信道产生的多普勒频移会使OFDM信号出现严重的载波间干扰(Inter-carrierinterference,ICI),降低传统均衡器的性能,从而影响OFDM信号的传输。因此研发能够应对时变信道的OFDM信号均衡技术对降低误符号率(Symbol error rate,SER)非常重要。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种基于分类深度学习网络的时变信道OFDM信号均衡方法。由于星座图估计根本上是多分类任务,因此基于分类的思想比基于回归思想构建的深度学习网络性能更优。基于分类深度学习网络的均衡方法能克服对时变信道畸变的影响,得到更精确的频域发射信号在星座图中的独热(one-hot)编码估计值,从而取得更良好的SER表现。
本发明的目的至少通过如下技术方案之一实现。
一种基于深层分类网络的时变信道OFDM信号均衡方法,包括以下步骤:
S1、给定实测信道数据集,构造基于分类思想的深度学习网络,分别构造基于分类思想的深度学习网络的输入和输出;
S2、对构建的基于分类思想的深度学习网络进行在线训练,得到深层分类网络模型;
S3、在具体的时变信道通信中,将需要均衡的输入数据进行分块处理,输入基于分类思想的深度学习网络,调用可用的深层分类网络模型,得到频域发射信号在星座图中的独热编码估计值,实现不同调制方式下的时变信道OFDM信号均衡。
进一步地,步骤S1中,OFDM信号有N个子载波,S(m)表示在第m个子载波上传输的信号,m=1~N;
其中,n表示第n个采样时刻,n=0,...,N-1;s(n)表示第n个采样时刻N点快速傅里叶逆变换(Inverse fast fourier transform,IFFT)变换后的时域发射信号;
OFDM时域发射信号s(n)在第n个采样时刻通过l条路径到达接收端的时域接收信号y(n)表示为:
其中,h(n,l)是第n个采样时刻l路径的信道,L是信号传输路径的总数目,z(n)是第n个采样时刻的时域加性噪声;
实测信道数据集是大量实际测量的信道集合;从实测信道数据集中选取X个长度相等的信道利用线性插值的方式,得到时变信道脉冲响应,表达式为:
其中,ξ是线性插值的系数,ir是利用实测信道数据集生成的时变信道脉冲响应,x表示选取的信道数量,表示第x个选取的信道,其中x=1,…,X。
进一步地,对时变信道脉冲响应ir进行二维傅里叶变换,得到时变频域信道矩阵H,具体如下:
时变信道信号传输过程建模为:
Y=HS+Z;
其中,是时域接收信号y(n)经过FFT处理之后得到的频域接收信号,是时域发射信号s(n)经过FFT处理之后得到的频域发射信号,/>是时域加性噪声z(n)经过FFT处理之后得到的频域加性噪声。
进一步地,对频域发射信号S做正交相移键控(Quadrature phase shift keying,QPSK)调制或16正交幅度调制(16-Quadrature Amplitude Modulation,16-QAM);
对QPSK或16-QAM调制后的频域发射信号做独热编码,分别表示为:
or=1,oi=1→[1,0,0,0]
or=-1,oi=1→[0,1,0,0]
or=1,oi=-1→[0,0,1,0]
or=-1,oi=-1→[0,0,0,1]
or=-3,oi=-3→[1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]
or=-3,oi=-1→[0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0]
or=-3,oi=3→[0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0]
or=-3,oi=1→[0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0]
or=-1,oi=-3→[0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0]
or=-1,oi=-1→[0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0]
or=-1,oi=3→[0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0]
or=-1,oi=1→[0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0]
or=3,oi=-3→[0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0]
or=3,oi=-1→[0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0]
or=3,oi=3→[0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0]
or=3,oi=1→[0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0]
or=1,oi=-3→[0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0]
or=1,oi=-1→[0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0]
or=1,oi=3→[0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0]
or=1,oi=1→[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1]
其中,or是QPSK或16-QAM调制后的频域发射信号实部,oi是QPSK或16-QAM调制后的频域发射信号虚部;对QPSK或16-QAM调制后的频域发射信号做独热编码作为频域发射信号在星座图中的独热编码标签值P。
进一步地,步骤S1中,基于分类思想的深度学习网络包括堆叠的K个相同结构的分类网络单元,其中,第k个分类网络单元顺次包括输入层、第一全连接层、激活函数层、第二全连接层以及分类层,k=1,…,K。
进一步地,第k个分类网络单元中,输入层将输入的频域接收信号Y、时变频域信道矩阵H以及第k-1个分类网络单元中频域发射信号在星座图中的估计值拼接成的一个输入矩阵输出至第一全连接层,输入矩阵表示为:
其中,λk1是第k个分类网络单元中的第一步长参数,λk2第k个分类网络单元中的第二步长参数;当k=1时,输入第1个分类网络单元中的频域发射信号在星座图中的初始估计值基于迫零(Zero forcing,ZF)均衡方法做初始化得到,优化网络性能;由于时变频域信道矩阵H不一定是非奇异矩阵,基于迫零(Zero forcing,ZF)均衡的表达式为求伪逆形式
第一全连接层中,训练和更新网络权重参数,第一全连接层表示为:
其中,dk第k个分类网络单元的是第一全连接层的输出,wk是第k个分类网络单元的权重矩阵,nk是第k个分类网络单元的偏置项;
激活函数层中采用的激活函数包括relu函数或tanh函数,表达式分别为:
relu(dk)=max(dk,0)
激活函数层的输出是第一全连接层的输出dk经过激活函数做非线性处理的值Ak=θk(dk),θk代表第k个分类网络单元使用的激活函数;
第二全连接层输入激活函数层的输出Ak,输出第k个分类网络单元中频域发射信号在星座图中的估计值
分类层中,根据输入的激活函数层的输出Ak,使用softmax函数得到第k个分类网络单元中频域发射信号在星座图中的独热编码估计值softmax函数的表达式为:
其中,C为分类层做分类的类别个数;分类层使用loss函数做约束,loss函数包括kl散度函数或cross-entropy函数,具体如下:
其中,为第i个类别下的第k个分类网络单元中频域发射信号在星座图中的独热编码估计值,Pi为第i个类别下的频域发射信号在星座图中的独热编码标签值。
进一步地,基于分类思想的深度学习网络中还在第k个分类网络单元的第二全连接层后加入了残差连接,表达式为:
其中ε为残差因子,是第k-1个分类网络单元中频域发射信号在星座图中的估计值;分类层后也加入了残差连接,表达式为:
其中,是第k-1个分类网络单元中频域发射信号在星座图中的独热编码估计值。
进一步地,步骤S2中,为了减少基于分类思想的深度学习网络的计算量,对基于分类思想的深度学习网络的输入数据做分块处理,降低一次送入计算机的数据量;
分块处理后的时变频域信道矩阵H,频域接收信号Y和频域发射信号在星座图中的初始估计值S1表示为以下形式:
Y=[Γ1 Γ2 … ΓJ]
S1=[Υ1 Υ2 … ΥJ]
其中,J代表子块的总数目,代表时变频域信道矩阵H的第j个子块,j=1~J,Γj代表频域接收信号Y的第j个子块,Υj代表频域发射信号在星座图中的初始估计值S1的第j个子块。
初始的频域发射信号在星座图中的估计值S即为第1个分类网络单元中频域发射信号在星座图中的估计值的初始值是基于迫零(Zero forcing,ZF)均衡方法做初始化得到的。最终的频域发射信号在星座图中的估计值S是第K个分类网络单元中频域发射信号在星座图中的估计值/>
进一步地,将分块处理后的频域接收信号Y、时变频域信道矩阵H和频域发射信号在星座图中的初始估计值S1,输入基于分类思想的深度学习网络,并在tensorflow架构进行离线训练,使得基于分类思想的深度学习网络的输出逼近频域发射信号S和频域发射信号在星座图中的独热编码标签值P,并得到训练完成的深层分类网络模型。
进一步地,步骤S3中,在具体的时变信道通信中,将需要均衡的输入数据进行分块处理,输入基于分类思想的深度学习网络,调用训练完成的深层分类网络模型,得到频域发射信号在星座图中的最终独热编码估计值。
本发明与现有技术相比,具有如下优点和有益效果:
(1)利用分类思想简化网络结构,以较低的算法复杂度实现更低的SER性能。
(2)同时利用了通信的理论模型和通信数据集的多样性,网络对于不同的实测信道具有较好的鲁棒性,能够适应不同复杂程度的信道并达到较好的表现。
(3)能够适应不同调制方式的OFDM信号。
(4)能够适应不同长度的OFDM信号。
附图说明
图1为本发明基于分类思想的深度学习网络中第k个分类网络单元结构图;
图2为本发明基于分类思想的深度学习网络中残差结构图;
图3为本发明基于QPSK调制面对水声信道的性能图。
图4为本发明基于16-QAM调制面对水声信道的性能图;
图5为本发明输入1024子载波信号面对水声信道的性能图。
具体实施方式
在下面的描述中结合具体图示阐述了技术方案以便充分理解本发明申请。但是本发申请能够以很多不同于在此描述的的其他方法来实施,本领域普通技术人员在没有作出创造性劳动前提下所做类似推广实施例,都属于本发明保护的范围。
实施例1:
本实施例中,以水声信道均衡作为实施例,一种基于深层分类网络的时变信道OFDM信号均衡方法,包括以下步骤:
S1、给定实测信道数据集,构造基于分类思想的深度学习网络,分别构造基于分类思想的深度学习网络的输入和输出;
本实施例中,OFDM信号设为512个子载波,实测信道数据集使用在挪威奥斯陆峡湾采集的水声信道数据集NOF,加入的加性噪声信噪比(Signal to noise ratio,SNR)范围为10-35dB。从水声信道数据集NOF中选取120个长度相等的信道利用线性插值的方式,得到时变信道脉冲响应ir。
对时变信道脉冲响应进行二维傅里叶变换,得到时变频域信道矩阵H,具体如下:
时变信道信号传输过程建模为:
Y=HS+Z;
其中是时域接收信号y(n)经过FFT处理之后得到的频域接收信号,是时域发射信号s(n)经过FFT处理之后得到的频域发射信号,/>是时域加性噪声z(n)经过FFT处理之后得到的频域加性噪声。
本实施例中,频域发射信号做正交相移键控(Quadrature phase shift keying,QPSK)调制,对QPSK调制后的频域发射信号做独热编码,对QPSK调制后的频域发射信号做独热编码作为频域发射信号在星座图中的独热编码标签值P。
本实施例中,基于分类思想的深度学习网络包括堆叠的22个相同结构的分类网络单元,其中,第k个分类网络单元顺次包括输入层、第一全连接层、激活函数层、第二全连接层以及分类层,k=1,…,22;
如图1所示,第k个分类网络单元中,输入层将输入的频域接收信号Y、时变频域信道矩阵H以及第k-1个分类网络单元中频域发射信号在星座图中的估计值拼接成的一个输入矩阵输出至第一全连接层,输入矩阵表示为:
其中,λk1是第k个分类网络单元中的第一步长参数,λk2第k个分类网络单元中的第二步长参数;当k=1时,输入第1个分类网络单元中的基于迫零(Zero forcing,ZF)均衡方法做初始化得到,优化网络性能;由于时变频域信道矩阵H不一定是非奇异矩阵,基于迫零(Zero forcing,ZF)均衡的表达式为求伪逆形式/>
第一全连接层中,训练和更新网络权重参数,第一全连接层表示为:
其中,dk第k个分类网络单元的是第一全连接层的输出,wk是第k个分类网络单元的权重矩阵,nk是第k个分类网络单元的偏置项;
本实施例中,激活函数层中采用的激活函数采用tanh函数,将θk(dk)限制在-1~1之间,以0为中心,使得基于分类思想的深度学习网络收敛较快,表达式为:
激活函数层的输出是第一全连接层的输出dk经过激活函数做非线性处理的值Ak=θk(dk),θk代表第k个分类网络单元使用的激活函数;
第二全连接层输入激活函数层的输出Ak,输出第k个分类网络单元中频域发射信号在星座图中的估计值
分类层中,根据输入的激活函数层的输出Ak,使用softmax函数得到第k个分类网络单元中频域发射信号在星座图中的独热编码估计值Qi,softmax函数的表达式为:
其中,C为分类层做分类的类别个数,本实施例中,C的取值为4,softmax函数使多分类层的4个输出项满足概率之和为1,同时将4个输出项中想要增强的1个输出项增强到近似1的数,其余三个输出项抑制成近似0的数,从而突出想要增强的信息;
分类层使用loss函数做约束,本实施例中,loss函数采用或cross-entropy函数,评估频域发射信号在星座图中的独热编码估计值与标签值P的分布匹配误差,具体如下:
如图2所示,基于分类思想的深度学习网络中还在第k个分类网络单元的第二全连接层后加入了残差连接,表达式为:
其中,残差因子ε的值为0.1。分类层后也加入了残差连接,表达式为:
残差连接能够避免基于分类思想的深度学习网络出现梯度消失,同时优化基于分类思想的深度学习网络的效果。
残差连接能够避免基于分类思想的深度学习网络出现梯度消失,同时优化基于分类思想的深度学习网络的效果。
S2、对构建的基于分类思想的深度学习网络进行在线训练,得到训练完成的深层分类网络模型;
为了减少基于分类思想的深度学习网络的计算量,对基于分类思想的深度学习网络的输入数据做分块处理,降低一次送入计算机的数据量;
分块处理后的时变频域信道矩阵H,频域接收信号Y和频域发射信号在星座图中的初始估计值S1表示为以下形式:
Y=[Γ1 Γ2 … ΓJ]
S1=[Υ1 Υ2 … ΥJ]
其中,J代表子块的总数目,代表时变频域信道矩阵H的第j个子块,j=1~J,Γj代表频域接收信号Y的第j个子块,Υj代表频域发射信号在星座图中的初始估计值S1的第j个子块,本实施例中,J取值为64;
初始的频域发射信号在星座图中的估计值S即为第1个分类网络单元中频域发射信号在星座图中的估计值的初始值是基于迫零(Zero forcing,ZF)均衡方法做初始化得到的。最终的频域发射信号在星座图中的估计值S是第K个分类网络单元中频域发射信号在星座图中的估计值/>
将分块处理后的频域接收信号Y、时变频域信道矩阵H和频域发射信号在星座图中的初始估计值S1,输入基于分类思想的深度学习网络,并在tensorflow架构进行离线训练,使得基于分类思想的深度学习网络的输出逼近频域发射信号S和频域发射信号在星座图中的独热编码标签值P,并得到训练完成的深层分类网络模型;
S3、在具体的时变信道通信中,将需要均衡的输入数据进行分块处理,输入基于分类思想的深度学习网络,调用训练完成的深层分类网络模型,得到频域发射信号在星座图中的独热编码估计值,实现不同调制方式下的时变信道OFDM信号均衡。
本实施例中,经过仿真实验,实施例的性能如图3所示,对比MMSE均衡算法,DFE均衡算法和基于深层回归网络的SCN均衡器,深层分类网络取得了优于其他算法的SER表现。
实施例2:
在本实施例中,与实施例1不同的是,频域发射信号做16-QAM调制,对16-QAM调制后的频域发射信号做独热编码,对16-QAM调制后的频域发射信号做独热编码作为频域发射信号在星座图中的独热编码标签值Pi。
分类层中,根据输入的激活函数层的输出Ak,使用softmax函数得到第k个分类网络单元中频域发射信号在星座图中的独热编码估计值softmax函数的表达式为:
其中,C为分类层做分类的类别个数,本实施例中,C的取值为16,softmax函数使多分类层的16个输出项满足概率之和为1,同时将16个输出项中想要增强的1个输出项增强到近似1的数,其余三个输出项抑制成近似0的数,从而突出想要增强的信息;
本实施例中,经过仿真实验,实施例的性能如图4所示,对比MMSE均衡算法,DFE均衡算法,深层分类网络取得了优于其他算法的SER表现。本发明具有能适应不同调制方式的优点,具有更好的鲁棒性。
实施例3:
在本实施例中,与实施例1不同的是,OFDM信号设为1024个子载波,实测信道数据集使用在挪威奥斯陆峡湾采集的水声信道数据集NOF,加入的加性噪声信噪比(Signal tonoise ratio,SNR)范围为10-35dB。从水声信道数据集NOF中选取120个长度相等的信道利用线性插值的方式,得到时变信道脉冲响应ir。
分块处理后的时变频域信道矩阵H,频域接收信号Y和频域发射信号在星座图中的初始估计值S1表示为以下形式:
Y=[Γ1 Γ2 … ΓJ]
S1=[Υ1 Υ2 … ΥJ]
其中,J代表子块的总数目,代表时变频域信道矩阵H的第j个子块,j=1~J,Γj代表频域接收信号Y的第j个子块,Υj代表频域发射信号在星座图中的初始估计值S1的第j个子块,本实施例中,J取值为128;
本实施例中,经过仿真实验,实施例的性能如图5所示,对比DFE均衡算法和基于深层回归网络的SCN均衡器,深层分类网络取得了优于其他算法的SER表现。本发明在不改变网络结构的前提下,能够适应不同长度的OFDM信号,能够具有更好的实践用途。
Claims (7)
1.一种基于深层分类网络的时变信道OFDM信号均衡方法,其特征在于,包括以下步骤:
S1、给定实测信道数据集,构造基于分类思想的深度学习网络,分别构造基于分类思想的深度学习网络的输入和输出;
基于分类思想的深度学习网络包括堆叠的K个相同结构的分类网络单元,其中,第k个分类网络单元顺次包括输入层、第一全连接层、激活函数层、第二全连接层以及分类层,k=1,…,K;
第k个分类网络单元中,输入层将输入的频域接收信号Y、时变频域信道矩阵H以及第k-1个分类网络单元中频域发射信号在星座图中的估计值拼接成的一个输入矩阵输出至第一全连接层,输入矩阵表示为:
其中,λk1是第k个分类网络单元中的第一步长参数,λk2第k个分类网络单元中的第二步长参数;当k=1时,输入第1个分类网络单元中的频域发射信号在星座图中的初始估计值基于迫零(Zero forcing,ZF)均衡方法做初始化得到,优化网络性能;由于时变频域信道矩阵H不一定是非奇异矩阵,基于迫零(Zero forcing,ZF)均衡的表达式为求伪逆形式
第一全连接层中,训练和更新网络权重参数,第一全连接层表示为:
其中,dk第k个分类网络单元的是第一全连接层的输出,wk是第k个分类网络单元的权重矩阵,nk是第k个分类网络单元的偏置项;
激活函数层中采用的激活函数包括relu函数或tanh函数,表达式分别为:
relu(dk)=max(dk,0)
激活函数层的输出是第一全连接层的输出dk经过激活函数做非线性处理的值Ak=θk(dk),θk代表第k个分类网络单元使用的激活函数;
第二全连接层输入激活函数层的输出Ak,输出第k个分类网络单元中频域发射信号在星座图中的估计值
分类层中,根据输入的激活函数层的输出Ak,使用softmax函数得到第k个分类网络单元中频域发射信号在星座图中的独热编码估计值softmax函数的表达式为:
其中,C为分类层做分类的类别个数;分类层使用loss函数做约束,loss函数包括kl散度函数或cross-entropy函数,具体如下:
其中,为第i个类别下的第k个分类网络单元中频域发射信号在星座图中的独热编码估计值,Pi为第i个类别下的频域发射信号在星座图中的独热编码标签值;
基于分类思想的深度学习网络中还在第k个分类网络单元的第二全连接层后加入了残差连接,表达式为:
其中ε为残差因子,是第k-1个分类网络单元中频域发射信号在星座图中的估计值;分类层后也加入了残差连接,表达式为:
其中,是第k-1个分类网络单元中频域发射信号在星座图中的独热编码估计值;
S2、对构建的基于分类思想的深度学习网络进行在线训练,得到深层分类网络模型;
S3、在具体的时变信道通信中,将需要均衡的输入数据进行分块处理,输入基于分类思想的深度学习网络,调用可用的深层分类网络模型,得到频域发射信号在星座图中的独热编码估计值,实现不同调制方式下的时变信道OFDM信号均衡。
2.根据权利要求1所述的一种基于深层分类网络的时变信道OFDM信号均衡方法,其特征在于,步骤S1中,OFDM信号有N个子载波,S(m)表示在第m个子载波上传输的信号,m=1~N;
其中,n表示第n个采样时刻,n=0,...,N-1;s(n)表示第n个采样时刻N点快速傅里叶逆变换(Inverse fast fourier transform,IFFT)变换后的时域发射信号;
OFDM时域发射信号s(n)在第n个采样时刻通过l条路径到达接收端的时域接收信号y(n)表示为:
其中,h(n,l)是第n个采样时刻l路径的信道,L是信号传输路径的总数目,z(n)是第n个采样时刻的时域加性噪声;
实测信道数据集是大量实际测量的信道集合;从实测信道数据集中选取X个长度相等的信道利用线性插值的方式,得到时变信道脉冲响应,表达式为:
其中,ξ是线性插值的系数,ir是利用实测信道数据集生成的时变信道脉冲响应,x表示选取的信道数量,表示第x个选取的信道,其中x=1,…,X。
3.根据权利要求2所述的一种基于深层分类网络的时变信道OFDM信号均衡方法,其特征在于,对时变信道脉冲响应ir进行二维傅里叶变换,得到时变频域信道矩阵H,具体如下:
时变信道信号传输过程建模为:
Y=HS+Z;
其中,是时域接收信号y(n)经过FFT处理之后得到的频域接收信号,是时域发射信号s(n)经过FFT处理之后得到的频域发射信号,/>是时域加性噪声z(n)经过FFT处理之后得到的频域加性噪声。
4.根据权利要求3所述的一种基于深层分类网络的时变信道OFDM信号均衡方法,其特征在于,对频域发射信号S做正交相移键控(Quadrature phase shift keying,QPSK)调制或16正交幅度调制(16-Quadrature Amplitude Modulation,16-QAM);
对QPSK或16-QAM调制后的频域发射信号做独热编码,分别表示为:
or=1,oi=1→[1,0,0,0]
or=-1,oi=1→[0,1,0,0]
or=1,oi=-1→[0,0,1,0]
or=-1,oi=-1→[0,0,0,1]
or=-3,oi=-3→[1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]
or=-3,oi=-1→[0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0]
or=-3,oi=3→[0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0]
or=-3,oi=1→[0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0]
or=-1,oi=-3→[0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0]
or=-1,oi=-1→[0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0]
or=-1,oi=3→[0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0]
or=-1,oi=1→[0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0]
or=3,oi=-3→[0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0]
or=3,oi=-1→[0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0]
or=3,oi=3→[0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0]
or=3,oi=1→[0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0]
or=1,oi=-3→[0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0]
or=1,oi=-1→[0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0]
or=1,oi=3→[0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0]
or=1,oi=1→[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1]
其中,or是QPSK或16-QAM调制后的频域发射信号实部,oi是QPSK或16-QAM调制后的频域发射信号虚部;对QPSK或16-QAM调制后的频域发射信号做独热编码作为频域发射信号在星座图中的独热编码标签值P。
5.根据权利要求1~4任一项所述的一种基于深层分类网络的时变信道OFDM信号均衡方法,其特征在于,步骤S2中,为了减少基于分类思想的深度学习网络的计算量,对基于分类思想的深度学习网络的输入数据做分块处理,降低一次送入计算机的数据量;
分块处理后的时变频域信道矩阵H,频域接收信号Y和频域发射信号在星座图中的初始估计值表示为以下形式:
Y=[Γ1 Γ2 … ΓJ]
其中,J代表子块的总数目,代表时变频域信道矩阵H的第j个子块,j=1~J,Γj代表频域接收信号Y的第j个子块,γj代表频域发射信号在星座图中的初始估计值/>的第j个子块。
6.根据权利要求5所述的一种基于深层分类网络的时变信道OFDM信号均衡方法,其特征在于,将分块处理后的频域接收信号Y、时变频域信道矩阵H和频域发射信号在星座图中的初始估计值输入基于分类思想的深度学习网络,并在tensorflow架构进行离线训练,使得基于分类思想的深度学习网络的输出逼近频域发射信号S和频域发射信号在星座图中的独热编码标签值P,并得到训练完成的深层分类网络模型。
7.根据权利要求6所述的一种基于深层分类网络的时变信道OFDM信号均衡方法,其特征在于,步骤S3中在具体的时变信道通信中,将需要均衡的输入数据进行分块处理,输入基于分类思想的深度学习网络,调用训练完成的深层分类网络模型,得到频域发射信号在星座图中的最终独热编码估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210109366.7A CN114528925B (zh) | 2022-01-28 | 2022-01-28 | 一种基于深层分类网络的时变信道ofdm信号均衡方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210109366.7A CN114528925B (zh) | 2022-01-28 | 2022-01-28 | 一种基于深层分类网络的时变信道ofdm信号均衡方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114528925A CN114528925A (zh) | 2022-05-24 |
CN114528925B true CN114528925B (zh) | 2024-04-26 |
Family
ID=81622886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210109366.7A Active CN114528925B (zh) | 2022-01-28 | 2022-01-28 | 一种基于深层分类网络的时变信道ofdm信号均衡方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114528925B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007110333A (ja) * | 2005-10-12 | 2007-04-26 | Nippon Hoso Kyokai <Nhk> | チャンネル推定補正を行うofdm受信装置 |
CN109067688A (zh) * | 2018-07-09 | 2018-12-21 | 东南大学 | 一种数据模型双驱动的ofdm接收方法 |
CN113014524A (zh) * | 2021-03-03 | 2021-06-22 | 电子科技大学 | 一种基于深度学习的数字信号调制识别方法 |
-
2022
- 2022-01-28 CN CN202210109366.7A patent/CN114528925B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007110333A (ja) * | 2005-10-12 | 2007-04-26 | Nippon Hoso Kyokai <Nhk> | チャンネル推定補正を行うofdm受信装置 |
CN109067688A (zh) * | 2018-07-09 | 2018-12-21 | 东南大学 | 一种数据模型双驱动的ofdm接收方法 |
CN113014524A (zh) * | 2021-03-03 | 2021-06-22 | 电子科技大学 | 一种基于深度学习的数字信号调制识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114528925A (zh) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111404849B (zh) | 一种基于深度学习的ofdm信道估计与信号检测方法 | |
CN113676431B (zh) | 一种基于模型驱动的无循环前缀mimo-ofdm接收方法 | |
CN113381951A (zh) | 时变频选衰落信道下mftn联合信道估计与均衡方法 | |
CN111786923A (zh) | 一种正交频分复用***时频双选信道的信道估计方法 | |
CN108881080B (zh) | 一种基于滑动窗与深度学习的ofdm抗ici检测方法 | |
CN113852575A (zh) | 一种基于时域信道均衡辅助的迭代otfs符号检测方法 | |
CN115664898A (zh) | 一种基于复数卷积神经网络的ofdm***信道估计方法及*** | |
Hua et al. | Signal detection in uplink pilot-assisted multi-user MIMO systems with deep learning | |
CN115250216A (zh) | 一种基于深度学习的水声ofdm联合信道估计和信号检测方法 | |
CN112215335A (zh) | 一种基于深度学习的***检测方法 | |
Wang et al. | Online LSTM-based channel estimation for HF MIMO SC-FDE system | |
CN114499601B (zh) | 一种基于深度学习的大规模mimo信号检测方法 | |
Ye et al. | Bilinear convolutional auto-encoder based pilot-free end-to-end communication systems | |
Zhou et al. | Model-driven deep learning-based signal detector for CP-free MIMO-OFDM systems | |
Li et al. | Smart detection using the cascaded artificial neural network for OFDM with subcarrier number modulation | |
CN112636855A (zh) | 一种ofdm信号检测方法 | |
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 | |
Liu et al. | RecNet: Deep learning-based OFDM receiver with semi-blind channel estimation | |
Belkacem et al. | Neural network equalization for frequency selective nonlinear MIMO channels | |
CN114528925B (zh) | 一种基于深层分类网络的时变信道ofdm信号均衡方法 | |
Baumgartner et al. | A soft interference cancellation inspired neural network for SC-FDE | |
CN112039809B (zh) | 基于混合软信息的块迭代均衡器及双向块迭代均衡器 | |
CN114006797A (zh) | 一种用于高速视频通信的多天线均衡接收方法 | |
CN111769975A (zh) | Mimo***信号检测方法及*** | |
Ajayi et al. | Low-complexity neural networks for denoising imperfect CSI in physical layer security |
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 |