CN114629763B - 一种基于神经网络的ofdm***iq信号解调方法及装置 - Google Patents

一种基于神经网络的ofdm***iq信号解调方法及装置 Download PDF

Info

Publication number
CN114629763B
CN114629763B CN202111134319.XA CN202111134319A CN114629763B CN 114629763 B CN114629763 B CN 114629763B CN 202111134319 A CN202111134319 A CN 202111134319A CN 114629763 B CN114629763 B CN 114629763B
Authority
CN
China
Prior art keywords
signal
network
demodulation
path
data set
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
Application number
CN202111134319.XA
Other languages
English (en)
Other versions
CN114629763A (zh
Inventor
李军
张志晨
李敬芳
王宝栓
任洪东
朱平
辛同亮
张倩
张绪毅
王昱凯
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.)
Assa Abloy Guoqiang Shandong Hardware Technology Co Ltd
Qilu University of Technology
Original Assignee
Assa Abloy Guoqiang Shandong Hardware Technology Co Ltd
Qilu University of Technology
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 Assa Abloy Guoqiang Shandong Hardware Technology Co Ltd, Qilu University of Technology filed Critical Assa Abloy Guoqiang Shandong Hardware Technology Co Ltd
Priority to CN202111134319.XA priority Critical patent/CN114629763B/zh
Publication of CN114629763A publication Critical patent/CN114629763A/zh
Application granted granted Critical
Publication of CN114629763B publication Critical patent/CN114629763B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2614—Peak power aspects
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2647—Arrangements specific to the receiver only
    • H04L27/2649—Demodulators
    • 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)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Noise Elimination (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

本申请公开了一种基于神经网络的OFDM***IQ信号解调方法及装置，用以解决目前的IQ信号解调方法存在的***复杂度较高、通信评价指标较差的问题。该方法通过正交频分复用OFDM***采集原始数据集，得到I路信号和Q路信号，作为训练数据集；原始数据集包括多径和衰落信息的时域冲激响应产生的去除保护间隔的接收信号；根据OFDM***的子载波数目，分别确定针对I路信号和Q路信号的基于长短期记忆神经网络的解调网络；确定峰值平均功率比检测网络，对于削波后的发送信号，在经过解调网络处理后进行信号恢复；采用训练数据集对解调网络和峰值平均功率比检测网络进行训练，得到训练完成的集成网络，用于OFDM***的IQ信号解调。

Description

一种基于神经网络的OFDM***IQ信号解调方法及装置
技术领域
本申请涉及智能通信领域，尤其涉及一种基于神经网络的OFDM***IQ信号解调方法及装置。
背景技术
数字调制技术是现代通信的重要方法，与传统的模拟调制相比，其具有更好的抗干扰性能，更强的抗信道损耗，以及更好的安全性。其中，同相正交IQ调制解调作为数字调制的特殊架构，凭借高数据速率以及易于实现等优势，广泛应用于无线通信***。
IQ调制架构以0、1比特为调制信号，其将原始数据比特流按照一定的规则映射至IQ坐标系，映射完成后得到数字同向(In-phase，I)和正交(Quadrature，Q)信号，再分别由数字模拟转换器DAC转换为模拟I和Q信号，最后经IQ调制器上变频至射频发送。
在矢量坐标系中，横轴为实部，纵轴为虚部。数字IQ调制完成了符号到矢量坐标系的映射，映射点一般称为星座点，具有实部和虚部。从矢量角度来说，实部与虚部是正交的关系，通常称实部为In-phase分量，虚部为Quadrature分量，即IQ，因此，该矢量坐标系也称为IQ坐标系。在IQ坐标系中，任意一点都确定一个矢量，可以写为(I+JQ)的形式，数字调制后可得到相应的I和Q波形。
目前在通过模拟调制或数字调制对IQ信号进行解调映射时，一般采用控制载波信号的幅度、频率和相位三要素来调制信号，分别称为调幅、调频和调相。在该解调过程中存在***复杂度较高、通信评价指标较差的问题。
发明内容
本申请实施例提供一种基于神经网络的OFDM***IQ信号解调方法及装置，用以解决目前的IQ信号解调方法存在的***复杂度较高、通信评价指标较差的问题。
本申请实施例提供的一种基于神经网络的OFDM***IQ信号解调方法，包括：
通过正交频分复用OFDM***采集原始数据集，得到I路信号和Q路信号，作为训练数据集；所述原始数据集包括多径和衰落信息的时域冲激响应产生的去除保护间隔后的接收信号；
根据所述OFDM***的子载波数目，分别确定针对所述I路信号和Q路信号的基于长短期记忆神经网络的解调网络；
确定峰值平均功率比检测网络，对经过削波处理后的信号进行信号恢复；
采用所述训练数据集对所述解调网络和峰值平均功率比检测网络进行训练，得到训练完成的集成网络，用于所述OFDM***的IQ信号解调。
在一个示例中，所述多径和衰落信息的时域冲激响应的公式为：
其中，f＝fdsin(2πu)，f为离散多普勒频移，fd为最大多普勒频移，θ＝2πu为离散多普勒相位，u为独立随机变量，L为多径信道径数，M为调和系数，ρ[k]为路径能量，τk为时间延迟，k为路径序号，t为时间,i和j为发送天线和接收天线的索引，其中，i＝1,j＝1。
在一个示例中，所述解调网络的输入通过以下方式得到：
其中，Y为接收信号，也表示所述解调网络的输入，X为待发送信号，h为所述多径和衰落信息的时域冲激响应，为卷积操作，n为信道噪声。
在一个示例中，通过正交频分复用OFDM***采集原始数据集，得到I路信号和Q路信号，作为训练数据集，具体包括：
通过正交频分复用OFDM***采集原始数据集；
通过混频器产生正交的正弦波，对所述原始数据集进行处理；
通过低通滤波器，对经过所述混频器处理的原始数据集再进行处理，得到正交的I路和Q路两路信号，作为训练数据集。
在一个示例中，所述解调网络包括两层长短期记忆网络层，一层分类层，对应的节点数分别为512、1024、N，其中，N表示所述OFDM***的子载波数目；
所述峰值平均功率比检测网络包括一层长短期记忆网络层，一层全连接层。
在一个示例中，所述集成网络的训练批次为600，批次大小为1000。
在一个示例中，所述集成网络采用的激活函数为ReLU函数，采用的损失函数为MAE函数，采用的参数优化器为Adam优化器。
本申请实施例提供的一种基于神经网络的OFDM***IQ信号解调装置，包括：
采集模块，通过正交频分复用OFDM***采集原始数据集，得到I路信号和Q路信号，作为训练数据集；所述原始数据集包括多径和衰落信息的时域冲激响应产生的去除保护间隔后的接收信号；
确定模块，根据所述OFDM***的子载波数目，分别确定针对所述I路信号和Q路信号的基于长短期记忆神经网络的解调网络；
恢复模块，确定峰值平均功率比检测网络，对经过削波处理后的信号进行信号恢复；
训练模块，采用所述训练数据集对所述解调网络和峰值平均功率比检测网络进行训练，得到训练完成的集成网络，用于所述OFDM***的IQ信号解调。
本申请实施例提供一种基于神经网络的OFDM***IQ信号解调方法及装置，至少包括以下有益效果：
基于创新型的结构设计，采用模型驱动的网络搭建模式，结合无线通信传统数字调制中的IQ解调结构，将深度学习思想引入无线通信中。通过设计模型驱动的结构，改进了传统IQ调制结构。利用长短期记忆网络擅长处理时间序列的特性进行IQ调制解调，采用神经网络取代解调过程，避免了在传统解调过程中LO信号不正交进而影响信号解调过程的问题。并且，将I路信号和Q路信号分开，能够降低网络数据处理的复杂度，也降低***复杂度，减少了训练时间。
另外，对于OFDM***来说，信号是合成信号，则发送信号在时域可能具有很高的功率峰值。峰均比问题不仅影响发射功率放大器的效率，而且降低了模数和数模转换器的信号量化噪声比(SQNR)。所以，OFDM***一般会对发送信号进行PAPR限制操作，例如削波技术。本方案增加PAPR检测网络，通过LSTM和全连接层，对OFDM***中的削波信号进行信号恢复，抑制PAPR对于信号解调的影响，从而优化了如误码率、误差幅度向量、峰均比等通信评价指标。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例提供的一种基于神经网络的OFDM***IQ信号解调方法流程图；
图2为本申请实施例提供的解调网络结构图；
图3为本申请实施例提供的集成网络结构图；
图4为本申请实施例提供的集成网络信噪比误码率示意图；
图5为本申请实施例提供的集成网络误差向量幅度性能示意图；
图6为本申请实施例提供的集成网络互补累积分布函数性能示意图；
图7为本申请实施例提供的削波后的误码率性能示意图；
图8为本申请实施例提供的一种基于神经网络的OFDM***IQ信号解调装置结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
图1为本申请实施例提供的一种基于神经网络的OFDM***IQ信号解调方法流程图，具体包括以下步骤：
步骤101：通过正交频分复用OFDM***采集原始数据集，得到I路信号和Q路信号，作为训练数据集；所述原始数据集包括多径和衰落信息的时域冲激响应产生的去除保护间隔后的接收信号。
在本申请实施例中，采集基于传统OFDM无线通信的IQ调制解调信号作为原始数据集，原始数据集包含了多径和衰落信息的去除保护前缀的IQ两路的合成接收信号。
IQ信号作为合成信号，两路信号相位差为90度，根据正交性的原理，两路信号完全没有相互干扰，可以进行I路和Q路的信号分离。两路信号分别通过本振口的混频器，混频器产生相互正交的正弦波，其频率等于发送端本振口混频器的频率，接着信号通过低通滤波器，即可得到相互正交的I路和Q路信号，作为训练数据集，用于训练神经网络。并且，根据得到的I路和Q路信号，确定训练数据集的标签。将I路和Q路信号分开处理，能够降低网络数据处理的复杂度。
在一个实施例中，多径和衰落信息的时域冲激响应的公式为：
其中，f＝fdsin(2πu)，f为离散多普勒频移，fd为最大多普勒频移，θ＝2πu为离散多普勒相位，u为独立随机变量，L为多径信道径数，M为调和系数，ρ[k]为路径能量，τk为时间延迟，k为路径序号，t为时间,i和j为发送天线和接收天线的索引，其中，i＝1,j＝1。
ρ[k]和τk如表1所示：
表1
解调网络的输入通过以下方式得到：
其中，Y为接收信号，也表示所述解调网络的输入，X为待发送信号，h为所述多径和衰落信息的时域冲激响应，为卷积操作，n为信道噪声。
在一个实施例中，OFDM无线通信***的具体实现过程包括以下步骤：
第一，发送端待传输的比特信息经过数字调制后串并变换，利用快速傅里叶逆变换实现发送端上变频器的简化，之后***循环前缀，以抗击符号间干扰(ISI)，此时的待发送信号可以表示为：
第二，发送信号经过信道后，接收信号可以表示为：
第三，信号经过噪声满足均值为零，方差为的加性高斯白噪声，然后对接收信号进行去除CP的操作。
第四，由于数字调制信号的特殊性，将信号分为IQ两路，分别输入相应解调网络中，进行调制过程。
在一个实施例中，对获取到的训练数据集进行随机打乱，再从中确定预设比例的数据作为训练集，用于进行神经网络的训练，将其余数据作为网络性能的验证集，用于进行神经网络的性能验证，这样有利于提高训练出的神经网络的准确性。比如，将训练数据集的60％作为训练集，其余40％作为验证集。
步骤102：根据所述OFDM***的子载波数目，分别确定针对所述I路信号和Q路信号的基于长短期记忆神经网络的解调网络。
在本申请实施例中，分别针对I路信号和Q路信号，设计其对应的基于长短期记忆(LongShort-TermMemory，LSTM)神经网络的解调网络，并将训练数据集中发送与接收的I路信号和Q路信号分别作为其各自对应的解调网络的输入和输出。
解调网络使用LSTM块基本结构，每一层网络包含了数组参数，即每组包含了输入门、遗忘门、状态门以及输出门，状态门体现了LSTM网络的记忆功能，形式为矢量，决定了各时刻相互影响的强弱，遗忘门决定了输入状态的更新，其中主要采用的激活函数为Sigmoid和Tanh。
LSTM网络中每一层只有一个核心，有多个输入输出，即多组参数，在方案的解调网络中，设置数层的隐层网络，并采用了三层网络，其中包含两层LSTM网络层，节点个数分别为512、1024，还包含输出层(即分类层)为全连接层，节点数个数等于***子载波数目。
为了提高网络训练准确率，杜绝过拟合的现象，设计采用一百万行数据，训练批次(Batch)为600，批次大小为一千，即一次喂入一千组数据，用以更新网络参数。
在一个实施例中，OFDM***采用固定数字调制方式，分别有QPSK、160QAM、64QAM、子载波数目为512，循环前缀长度为64，未***导频。
图2为本申请实施例提供的解调网络结构示意图。在图2中，下方为I路信号，其通过对应的解调网络进行解调后输出，上方为Q路信号，其通过对应的解调网络进行解调后输出。最后，两路信号相加，相位差为90度。
步骤103：确定峰值平均功率比检测网络，对经过削波处理后的信号进行信号恢复。
考虑到OFDM***中常见的峰均比问题，即合成信号的功率过大，尤其对于上行通信，终端UE的电池限制，需要考虑峰值平均功率比(Peak to Average Power Ratio，PAPR)问题，故在此设信号在发送时进行了削波处理。本申请实施例在调节网络后增加了PAPR检测网络，PAPR检测网络采用两层的LSTM网络，通过数据处理，进行信号恢复，降低削波技术对信号解调的影响。
图3为本申请实施例提供的集成网络结构图。在图3中，下方为I路信号，其通过对应的解调网络进行调制后输出，上方为Q路信号，其通过对应的解调网络进行调制后输出。PAPR检测网络进行信号恢复后，Q路信号再进行正交与I路信号集成。
步骤104：采用所述训练数据集对所述解调网络和峰值平均功率比检测网络进行训练，得到训练完成的集成网络，用于所述OFDM***的IQ信号解调。
在本申请实施例中，通过训练数据集对构建的集成网络的网络结构(包括解调网络和峰值平均功率比检测网络)进行训练，在确定了网络具体结构、输入与输出后，使用反向传播过程更新网络参数，把每一次的实际输出值与正确值的差作为输入，通过反向传播来更新参数。
所选的输出层的激活函数为ReLU函数，损失函数为绝对值平均误差(MAE)函数，参数优化器选择Adam优化器。对应的公式为：
可见，其引入了衰减系数ρ，这就使得如果某段时间梯度一直很小，由于ρ的存在，累积梯度就会以指数级的速度衰减，从而当前的梯度的影响会以指数级的速度增强。也就是说，在RMSProp算法中，不仅能让当前的更新在一段剧烈的更新后“降温”，也能在一段平稳的更新后“升温”。
完成训练后，基于模型驱动的集成网络(即上述集成网络)即可替代原始IQ解调器进行信号处理。
模拟IQ调制器内部会出现两路本振口(LO)信号之间正交性不好的情况，即两路信号出现相位差的情况。在接收信号中，包络会出现衰减因子，类似于IQ幅度不平衡。对于数字调制信号，即使存在正交误差，从频谱上也很难观察到异常，但依然会影响信号的调制质量，误差向量幅度(EVM)会恶化，星座图会发生旋转。
在本申请实施例中，基于创新型的结构设计，采用模型驱动的网络搭建模式，结合无线通信传统数字调制中的IQ解调结构，将深度学习思想引入无线通信中。通过设计模型驱动的结构，改进了传统IQ调制结构。利用长短期记忆网络擅长处理时间序列的特性进行IQ调制解调，采用神经网络取代解调过程，避免了在传统解调过程中LO信号不正交进而影响信号解调过程的问题。并且，将I路信号和Q路信号分开，能够降低网络数据处理的复杂度，也降低***复杂度，减少了训练时间。
另外，对于OFDM***来说，信号是合成信号，则发送信号在时域具有很高的功率峰值。峰均比问题不仅影响发射功率放大器的效率，而且降低了模数和数模转换器的信号量化噪声比(SQNR)。本方案增加PAPR检测网络，通过LSTM和全连接层，对OFDM***中削波后的发送信号进行信号恢复，抑制削波技术对于信号解调的影响，从而优化了如误码率、误差幅度向量、峰均比等通信评价指标。
图4～图7为本申请实施例提供的集成网络的通信评价指标的相关示意图，包括信噪比误码率、误差向量幅度性能、互补累积分布函数性能、削波信号进行信号恢复后的误码率性能。
可见，通过与传统IQ解调信号准确率做对比，本方案在信噪比误码率、EVM性能、CCDF性能以及削波信号误码率等评价指标中表现良好。
以上为本申请实施例提供的基于神经网络的OFDM***IQ信号解调方法，基于同样的发明思路，本申请实施例还提供了相应的基于神经网络的OFDM***IQ信号解调装置，如图8所示。
图8为本申请实施例提供的一种基于神经网络的OFDM***IQ信号解调装置结构示意图，具体包括：
采集模块801，通过正交频分复用OFDM***采集原始数据集，得到I路信号和Q路信号，作为训练数据集；所述原始数据集包括多径和衰落信息的时域冲激响应产生的去除时钟脉冲信号后的接收信号；
确定模块802，根据所述OFDM***的子载波数目，分别确定针对所述I路信号和Q路信号的基于长短期记忆神经网络的解调网络；
削波模块803，确定峰值平均功率比检测网络，对经过所述解调网络处理后的信号进行信号恢复；
恢复模块804，采用所述训练数据集对所述解调网络和峰值平均功率比检测网络进行训练，得到训练完成的集成网络，用于所述OFDM***的IQ信号解调。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (7)

1.一种基于神经网络的OFDM***IQ信号解调方法，其特征在于，包括：
通过正交频分复用OFDM***采集原始数据集，得到I路信号和Q路信号，作为训练数据集，具体包括：
通过正交频分复用OFDM***采集原始数据集；
通过混频器产生正交的正弦波，对所述原始数据集进行处理；
通过低通滤波器，对经过所述混频器处理的原始数据集再进行处理，得到正交的I路和Q路两路信号，作为训练数据集；
所述原始数据集包括多径和衰落信息的时域冲激响应产生的去除保护间隔后的接收信号；
根据所述OFDM***的子载波数目，分别确定针对所述I路信号和Q路信号的基于长短期记忆神经网络的解调网络；
确定峰值平均功率比检测网络，对经过削波处理后的信号进行信号恢复；
采用所述训练数据集对所述解调网络和峰值平均功率比检测网络进行训练，得到训练完成的集成网络，用于所述OFDM***的IQ信号解调。
2.根据权利要求1所述的方法，其特征在于，所述多径和衰落信息的时域冲激响应的公式为：
其中，f＝fdsin(2πu)，f为离散多普勒频移，fd为最大多普勒频移，θ＝2πu为离散多普勒相位，u为独立随机变量，L为多径信道径数，M为调和系数，ρ[k]为路径能量，τk为时间延迟，k为路径序号，t为时间,i和j为发送天线和接收天线的索引，其中，i＝1,j＝1。
3.根据权利要求2所述的方法，其特征在于，所述解调网络的输入通过以下方式得到：
其中，Y为接收信号，也表示所述解调网络的输入，X为待发送信号，h为所述多径和衰落信息的时域冲激响应，为卷积操作，n为信道噪声。
4.根据权利要求1所述的方法，其特征在于，所述解调网络包括两层长短期记忆网络层，一层分类层，对应的节点数分别为512、1024、N，其中，N表示所述OFDM***的子载波数目；
所述峰值平均功率比检测网络包括一层长短期记忆网络层，一层全连接层。
5.根据权利要求1所述的方法，其特征在于，所述集成网络的训练批次为600，批次大小为1000。
6.根据权利要求1所述的方法，其特征在于，所述集成网络采用的激活函数为ReLU函数，采用的损失函数为MAE函数，采用的参数优化器为Adam优化器。
7.一种基于神经网络的OFDM***IQ信号解调装置，其特征在于，包括：
采集模块，通过正交频分复用OFDM***采集原始数据集，得到I路信号和Q路信号，作为训练数据集；具体包括：通过正交频分复用OFDM***采集原始数据集；通过混频器产生正交的正弦波，对所述原始数据集进行处理；通过低通滤波器，对经过所述混频器处理的原始数据集再进行处理，得到正交的I路和Q路两路信号，作为训练数据集；
所述原始数据集包括多径和衰落信息的时域冲激响应产生的去除保护间隔后的接收信号；
确定模块，根据所述OFDM***的子载波数目，分别确定针对所述I路信号和Q路信号的基于长短期记忆神经网络的解调网络；
恢复模块，确定峰值平均功率比检测网络，对经过削波处理后的信号进行信号恢复；
训练模块，采用所述训练数据集对所述解调网络和峰值平均功率比检测网络进行训练，得到训练完成的集成网络，用于所述OFDM***的IQ信号解调。
CN202111134319.XA 2021-09-27 2021-09-27 一种基于神经网络的ofdm***iq信号解调方法及装置 Active CN114629763B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111134319.XA CN114629763B (zh) 2021-09-27 2021-09-27 一种基于神经网络的ofdm***iq信号解调方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111134319.XA CN114629763B (zh) 2021-09-27 2021-09-27 一种基于神经网络的ofdm***iq信号解调方法及装置

Publications (2)

Publication Number Publication Date
CN114629763A CN114629763A (zh) 2022-06-14
CN114629763B true CN114629763B (zh) 2023-10-13

Family

ID=81896953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111134319.XA Active CN114629763B (zh) 2021-09-27 2021-09-27 一种基于神经网络的ofdm***iq信号解调方法及装置

Country Status (1)

Country Link
CN (1) CN114629763B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101272373A (zh) * 2008-05-07 2008-09-24 北京北方烽火科技有限公司 一种自适应模拟正交调制失衡补偿方法和装置
CN111404849A (zh) * 2020-03-20 2020-07-10 北京航空航天大学 一种基于深度学习的ofdm信道估计与信号检测方法
CN111614587A (zh) * 2020-05-25 2020-09-01 齐鲁工业大学 一种基于自适应集成深度学习模型的sc-fde***信号检测方法
CN111865863A (zh) * 2020-07-20 2020-10-30 山东大学 一种基于rnn神经网络的ofdm信号检测方法
WO2021175344A2 (zh) * 2021-05-06 2021-09-10 南京航空航天大学 一种无线信道冲激响应动态测量重构方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101272373A (zh) * 2008-05-07 2008-09-24 北京北方烽火科技有限公司 一种自适应模拟正交调制失衡补偿方法和装置
CN111404849A (zh) * 2020-03-20 2020-07-10 北京航空航天大学 一种基于深度学习的ofdm信道估计与信号检测方法
CN111614587A (zh) * 2020-05-25 2020-09-01 齐鲁工业大学 一种基于自适应集成深度学习模型的sc-fde***信号检测方法
CN111865863A (zh) * 2020-07-20 2020-10-30 山东大学 一种基于rnn神经网络的ofdm信号检测方法
WO2021175344A2 (zh) * 2021-05-06 2021-09-10 南京航空航天大学 一种无线信道冲激响应动态测量重构方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
IITH,CEWiT,IITM,Tejas Networks.R1-1701913 "Pre-DFT Multiplexing of RS and Data: Results on Short duration One OFDM Symbol Uplink Design".3GPP tsg_ran\WG1_RL1.2017,(TSGR1_88),全文. *

Also Published As

Publication number Publication date
CN114629763A (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
US7042957B1 (en) Method and communication system for transmitting information with the aid of a multicarrier method
US8681885B2 (en) OFDM receiver and method for compensating for I/Q imbalance
JP2005514864A5 (zh)
US7072411B1 (en) Computation reduction in OFDM system using frequency domain processing
CN110855713B (zh) 一种WiFi设备到ZigBee设备的跨协议通信方法及***
Fouladifard et al. Frequency offset estimation in OFDM systems in the presence of IQ imbalance
CN103281265A (zh) Mimo-ofdm/oqam***中的导频序列结构以及信道估计方法
CN112398770A (zh) 一种蓝牙低功耗多相位频移键控调制、解调方法及设备
CN111901269B (zh) 可变调制指数的高斯频移键控调制方法、装置及***
Savaux et al. OFDM/OQAM blind equalization using CNA approach
US8971450B2 (en) Transmission device, reception device, transmission method and reception method for wireless communication system
US7579921B2 (en) On-off keying-7-phase shift keying modulation system and method for fiber communication
CN110266627A (zh) 基于伪导频和判决反馈的cir和cfo联合估计方法
Jayati et al. Impact of nonlinear distortion with the rapp model on the gfdm system
Kollar et al. Physical layer considerations for cognitive radio: Synchronization point of view
Patel et al. A comparative performance analysis of OFDM using MATLAB simulation with M-PSK and M-QAM mapping
CN114629763B (zh) 一种基于神经网络的ofdm***iq信号解调方法及装置
Nissel et al. On the influence of doubly-selectivity in pilot-aided channel estimation for FBMC-OQAM
CN111711593A (zh) 一种基于ofdm/oqam的可见光通信***的调制方法
Gordillo et al. Increase the range and coverage on OFDM system using PAPR reduction by clipping on SDR
CN100440878C (zh) 基于循环前缀单载波***的格形译码解调器及解调方法
Bala et al. Analysis the performance of MIMO-OFDM for various modulation techniques over AWGN, Rayleigh fading and rician fading channel
Akila et al. Performance analysis of filter bank multicarrier system for 5G networks
CN110855588B (zh) 一种频域自适应均衡的传输数据处理方法、数据接收端及存储介质
Abd Aziz et al. A Comparative Study of In-phase and Quadrature (IQ) Imbalance Estimation and Compensation Algorithms for OFDM Receivers

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