CN114745230A - 基于深度神经网络结构的otfs信号接收恢复方法 - Google Patents
基于深度神经网络结构的otfs信号接收恢复方法 Download PDFInfo
- Publication number
- CN114745230A CN114745230A CN202210233419.6A CN202210233419A CN114745230A CN 114745230 A CN114745230 A CN 114745230A CN 202210233419 A CN202210233419 A CN 202210233419A CN 114745230 A CN114745230 A CN 114745230A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- otfs
- channel
- network
- 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 64
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 90
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims description 51
- 238000011084 recovery Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 125000004122 cyclic group Chemical group 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012805 post-processing Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 22
- 238000007476 Maximum Likelihood Methods 0.000 abstract description 3
- 230000006854 communication Effects 0.000 description 17
- 238000004891 communication Methods 0.000 description 15
- 238000013135 deep learning Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000005562 fading Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 239000000969 carrier Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- 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
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
-
- 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
- H04L27/2602—Signal structure
-
- 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
- H04L27/2655—Synchronisation arrangements
- H04L27/2689—Link with other circuits, i.e. special connections between synchronisation arrangements and other circuits for achieving synchronisation
- H04L27/2695—Link with other circuits, i.e. special connections between synchronisation arrangements and other circuits for achieving synchronisation with channel estimation, e.g. determination of delay spread, derivative or peak tracking
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种基于深度神经网络结构的OTFS信号接收恢复方法，该方法包括：构建OTFS收发***，并且构建发送数据集与对应数据的比特信息标签；获取经过延时多普勒信道后的电磁信号并转化为I Q数据，将接收到的I Q数据进行预处理成网络输入格式；构建基于残差块(ResNet)的多分类神经网络；对所述基于残差块(ResNet)的多分类神经网络进行训练；按信号获取方式将采集的I Q数据经过预处理后送入训练好的基于残差块(ResNet)的多分类神经网络，输出推理结果。本发明与常用的检测解调方法相比性能明显提升，与最大似然检测算法性能接近。
Description
技术领域
本发明属于通信信号接收检测以及信号处理技术领域，具体涉及一种基于深度神经网络结构的OTFS信号接收恢复方法。
背景技术
移动通信技术的发展伴随着每十年一代的发展规律，摩尔法则展现出芯片处理性能的飞速提升，随着5G网络的大规模部署、万物互联的物联网世界涌现以及新兴通信技术的快速发展，无线通信已经成为当代人类社会信息沟通和传递的一种重要方式。
OFDM(Orthogonal Frequency Division Multiplexing)正交频分复用技术，是***移动通信的核心技术，作为一种多载波调制技术，其多载波之间相互正交，可以提高频谱资源的利用率，将总带宽分割为若干个窄带子载波，有效抵抗频率选择性衰落。但在针对高速移动的通信场景时，传输性能会因信道时变特性显著下降，为了解决现有的OFDM***在高速移动环境中易受到频偏影响而性能恶化的情况，R.Hadani等人提出了一种新的调制方式OTFS(Orthogonal time frequency space modulation)正交时频空调制，在时延多普勒信道下，相比OFDM***，其展现出了显著的优势。时延多普勒域提供了一种可选择的时变信道移动终端和反射体几何模型，利用这种表示方式OTFS调制器将每个信息符号扩展到一个二维正交的基函数上，该函数跨越传输帧所需要的整个时频域，这个基函数是专门设计来对抗时变多径信道的动态特性；R.Hadani在研究中验证基于理想脉冲整形波形OTFS的一般框架，将turbo均衡的编码OTFS***与编码OFDM***进行了比较，取得显著的效果，同时也有学者证明在毫米波信道产生高频色散的情况时OTFS显示出比OFDM更优的性能。
OTFS***是在传统的OFDM***结构的基础上实现的，通过在OFDM***发送端增加一个OTFS预处理模块，在接收端增加一个后处理模块，实现将时频域信号传输转换到时延多普勒域传输。在无线通信***会中，发送端由信源产生比特信息经过信源编码、信道编码、调制、脉冲成型后通过天线辐射出去，信号通过空中无线信道传输后到达信号接收机，在接收端将射频信号搬至基带信号，采用载波同步、符号同步、信道估计、均衡、解调、信道译码、信源译码等处理恢复出信息。通信信号接收的本质是将基带电磁信号恢复为编码信息，这与深度学习中训练样本与标签的映射关系的物理模型是相符合的，通过深度学习训练得出网络模型，在保证恢复出发送信息的同时，能降低***推理时延，在真实通信环境采集的样本训练出的网络模型具有较强的鲁棒性，基于深度学习训练出的网络模型能够提高通信***在复杂环境下的信息恢复能力，同时基于真实环境采集的电磁信号更加符合实际通信过程，具有现实运用场景。
在现有的研究中，信道估计方面有学者提出基于深度学习的时变瑞利衰落估计方法，将循环神经网络结构与滑动窗口思想相结合，利用神经网络建立、训练和测试滑动双向门控递归单元信道估计器，完成时变瑞利衰落信道估计。在信道均衡方面，有学者提出基于深度神经网络和卷积神经网络的均衡器，并与传统的最小均方误差均衡器相比有更好的误码性能，在信号解调方面有学者提出基于卷积神经网络的解调器用于对双极性扩展的二进制相移监控超奈奎斯特速度信号进行解调，解决了严重码间干扰的问题，在信道译码方面有学者将深度学习与反向传播算法相结合来改经译码性能，随着深度学习技术的研究发展，越来越多的工作将深度学习用于物理层通信接收机的各个处理环节。
发明内容
有鉴于此，本发明的主要目的在于提供一种基于深度神经网络结构的OTFS信号接收恢复方法。
为达到上述目的，本发明的技术方案是这样实现的：
本发明实施例提供一种基于深度神经网络结构的OTFS信号接收恢复方法，该方法包括：
构建OTFS收发***，并且构建发送数据集与对应数据的比特信息标签；
获取经过延时多普勒信道后的电磁信号并转化为IQ数据，将接收到的IQ数据进行预处理成网络输入格式；
构建基于残差块(ResNet)的多分类神经网络；
对所述基于残差块(ResNet)的多分类神经网络进行训练；
按信号获取方式将采集的IQ数据经过预处理后送入训练好的基于残差块(ResNet)的多分类神经网络，输出推理结果。
上述方案中，所述构建OTFS收发***，并且构建发送数据集与对应数据的比特信息标签，具体为：构建OTFS收发***，生成用于网络模型训练的样本集与标签集，设置子载波数、符号数相应的基带映射调制方式，发送端随机产生固定帧长的比特流信息，经过信源编码、信道编码再通过调制映射成相应的符号，设置导频序列以及生成循环前缀序列，然后将数据分配到相应的子载波完成OTFS调制，由无线电外设辐射至空中信道，发送端每帧数据长度由一次OTFS调制所能传送符号数相匹配，发送的每帧比特数据作为数据标签，对应的经过OTFS调制后经过多普勒延时信道后的符号作为样本。
上述方案中，根据OTFS调制原理设置子载波数M＝2与每个子载波上频率复用数N＝2，选择相应的基带调制方式，则每帧数据编码前长度为：L＝M×N×log2(k)＝8，信源随机产生8个比特信息，经过信源编码、信道编码再通过QPSK调制映射成相应的符号，设置导频序列以及生成循环前缀序列，然后将数据分配到相应的子载波完成OTFS调制，将发送的数据定义为s(t)，设置多普勒路径参数为P＝2，以及对应路径上的延迟与多普勒平移量信道矩阵
其中τp表示第p条路径的延时，vp表示第p条路径的多普勒频移，发送的信号经过延时多普勒信道的输出为发送信息与信道卷积，信道噪声为均值为零的高斯白噪声w(t)，则接收到的信号为：r(t)＝∫∫h(τ,v)s(t-τ)ej2πv(t-τ)dτdv+w(t)。
上述方案中，所述获取经过延时多普勒信道后的电磁信号并转化为IQ数据，将接收到的IQ数据进行预处理成网络输入格式，具体为：接收端接收空中信道的模拟电磁信号经过A/D采样后，进行数字正交变换，通过信号提取算法获得IQ数据，将多普勒延迟因子、信噪比因子拼接成网络输入样本。
上述方案中，经过信道后的接收数据为S(n)，则
其中n表示接收符号个数，rI(n)表示取第n个符号的实部，rQ(n)表示取第n个符号的虚部，根据多普勒频移定律计算相应的多普勒延迟信道因子
将当前信号的信噪比因子记作G(SNR)，若发送端发送F帧数据，则按照以下数据拼接方式构建的样本集为：
其中，S(m)表示第m帧数据，Hk表示第k条路径的信道因子，则网络输入维度为L×Z的矩阵，其中L表示每帧数据符号数，Z表示多径下接收数据实部虚部、信道因子与信噪比因子维度，将data划分为训练集与测试集，用于下阶段网络模型训练，对应的发送数据划分为训练标签与测试标签。
上述方案中，所述构建基于残差块(ResNet)的多分类神经网络，具体为：根据比特信息与符号映射关系，以k阶QAM调制为例，则每个符号所携带比特信息为：t＝log2(k)，在网络的输入层利用反卷积层将输入样本矩阵L×Z第一维度扩充为tL×Z，即数据的横向维度扩充t倍，接下来为一个二维卷积层网络、一个批量归一化层、一个非线性激活层、一个最大池化层、一个或多个残差块；其中直连方式的一条通道为以卷积层、批归一化层与非线性激活层为组合的一个或多个层组合，并以卷积层、批归一化层为输出，直连的另一通道为卷积层、批归一化层输出，通过求和层将两个路径数据相加，网络结构的最后几层由非线性激活层、全局池化层、全连接层、最后通过sigmoid激活函数输出分类结果。
上述方案中，对所述基于残差块(ResNet)的多分类神经网络进行训练,具体为：划分模型训练集与测试集并训练网络，生成J帧数据，在接收端将经过多普勒延迟信道后的IQ数据保存，将IQ数据的I(0＜I＜J)组数据作为训练集数据，剩余数据作为测试集数据，同时将发送数据的前I组作为训练标签，剩余数据作为对应的测试集标签，对所述基于残差块(ResNet)的多分类神经网络进行训练。
上述方案中，对所述基于残差块(ResNet)的多分类神经网络进行训练,具体为：设置网络训练轮数Epochs，设置网络每批次训练数据大小Batch_size，设置初始学习率Learning_rate，自定义学习衰减为每5个Epochs后衰减一半，从J组数据中选取I组数据作为训练集数据，其余作为测试数据集对训练过程中网络模型的性能进行测试，以发送数据每帧L长度的比特信息作为标签，网络输出为L个二分类器，通过计算网络输入与输出的二元交叉熵，优化网络模型参数，用训练集数据对网络模型进行训练，得到网络初始模型，以测试集数据对网络模型进行测试，判断初始模型测试精度是否达到预期精度，若是则停止训练，网络模型训练任务完成保存相应模型，若否，则采用自适应梯度算法(Adam)优化器根据自定义学习率衰减方式降低学习率继续训练网络模型，更新网络中的权重偏置等可学习参数优化网络模型，继续训练直至模型测试精度达到预期值。
上述方案中，该方法还包括对基于残差块(ResNet)的多分类神经网络进行验证，具体为：将所述训练得到的基于残差块(ResNet)的多分类神经网络加载到验证代码中，按照所述方法获取OTFS调制后接收端得到的IQ数据，并保存对应的标签数据，将接收到的IQ数据按所述方法拼接成网络输入维度格式，预处理后给模型输入，将模型输出结果进行后处理为0，1比特数据，统计模型输出与发送端发送信息之间错误情况计算该帧数据的误码率，若满足预期性能要求则OTFS信号接收恢复完成。
与现有技术相比，本发明利用深度神经网络实现从接收的IQ数据中恢复出发送比特信息，替代传统接收端符号同步、信道均衡、解调、译码等信号恢复处理，克服了信道衰落、噪声等因素；采用基于二元交叉熵的L个二分类器，实现比特流信息的恢复，在网络输入层进行反卷积运算，可灵活适应不同阶数的基带调制方式，增强了本发明的适应性；通过实验表明，本发明与常用的检测解调方法相比性能明显提升，与最大似然检测算法性能接近。
附图说明
此处所说明的附图用来公开对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述OTFS信号接收方法示意图；
图2为本发明实施例算法设计流程图；
图3为本发明实施例给出的基于深度神经网络示例图；
图4为本发明实施例中信号检测提取示意图；
图5为本发明网络模型训练过程中的准确率和损失变化曲线；
图6为本发明在不同M，N参数设置下的性能对比情况图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、物品或者装置中还存在另外的相同要素。
本发明实施例提供一种基于深度神经网络结构的OTFS信号接收恢复方法，该方法包括：
步骤1：构建OTFS收发***，并且构建发送数据集与对应数据的比特信息标签；
具体地，构建OTFS收发***，生成用于网络模型训练的样本集与标签集，设置子载波数、符号数相应的基带映射调制方式，发送端随机产生固定帧长的比特流信息，经过信源编码、信道编码再通过调制映射成相应的符号，设置导频序列以及生成循环前缀序列，然后将数据分配到相应的子载波完成OTFS调制，由无线电外设辐射至空中信道，发送端每帧数据长度由一次OTFS调制所能传送符号数相匹配，发送的每帧比特数据作为数据标签，对应的经过OTFS调制后经过多普勒延时信道后的符号作为样本。
根据OTFS调制原理设置子载波数M＝2与每个子载波上频率复用数N＝2，选择相应的基带调制方式，则每帧数据编码前长度为：L＝M×N×log2(k)＝8，信源随机产生8个比特信息，经过信源编码、信道编码再通过QPSK调制映射成相应的符号，设置导频序列以及生成循环前缀序列，然后将数据分配到相应的子载波完成OTFS调制，将发送的数据定义为s(t)，设置多普勒路径参数为P＝2，以及对应路径上的延迟与多普勒平移量信道矩阵
其中τp表示第p条路径的延时，vp表示第p条路径的多普勒频移，发送的信号经过延时多普勒信道的输出为发送信息与信道卷积，信道噪声为均值为零的高斯白噪声w(t)，则接收到的信号为：r(t)＝∫∫h(τ,v)s(t-τ)ej2πv(t-τ)dτdv+w(t)。
步骤2：获取经过延时多普勒信道后的电磁信号并转化为IQ数据，将接收到的IQ数据进行预处理成网络输入格式；
具体地，接收端接收空中信道的模拟电磁信号经过A/D采样后，进行数字正交变换，通过信号提取算法获得IQ数据，将多普勒延迟因子、信噪比因子拼接成网络输入样本。
如图4所示，为本发明实施例中信号检测提取示意图，采用基于能量的非相干检测，直接对时域信号采样值求模，然后求平方，无需知道检测信号的任何先验知识，对信号类型不做限制。能量检测是在一定频带范围内做能量累积，当能量累积达到一定门限时，则说明信号存在，当低于一定门限时则说明仅有噪声。在时域信号通过计算滑动窗内能量累积值与门限值作比较找出信号开始结束点，将有效信号部分截取作为后续处理信号。
经过信道后的接收数据为S(n)，则
其中n表示接收符号个数，rI(n)表示取第n个符号的实部，rQ(n)表示取第n个符号的虚部，根据多普勒频移定律计算相应的多普勒延迟信道因子
将当前信号的信噪比因子记作G(SNR)，若发送端发送F帧数据，则按照以下数据拼接方式构建的样本集为：
其中，S(m)表示第m帧数据，Hk表示第k条路径的信道因子，则网络输入维度为L×Z的矩阵，其中L表示每帧数据符号数，Z表示多径下接收数据实部虚部、信道因子与信噪比因子维度。将data划分为训练集与测试集，用于下阶段网络模型训练，对应的发送数据划分为训练标签与测试标签。
步骤3：构建基于残差块(ResNet)的多分类神经网络；
具体地，根据比特信息与符号映射关系，以k阶QAM调制为例，则每个符号所携带比特信息为：t＝log2(k)，在网络的输入层利用反卷积层将输入样本矩阵L×Z第一维度扩充为tL×Z，即数据的横向维度扩充t倍，接下来为一个二维卷积层网络、一个批量归一化层、一个非线性激活层、一个最大池化层、一个或多个残差块；其中直连方式的一条通道为以卷积层、批归一化层与非线性激活层为组合的一个或多个层组合，并以卷积层、批归一化层为输出，直连的另一通道为卷积层、批归一化层输出，通过求和层将两个路径数据相加，网络结构的最后几层由非线性激活层、全局池化层、全连接层、最后通过sigmoid激活函数输出分类结果。
步骤4：对所述基于残差块(ResNet)的多分类神经网络进行训练；
具体地，划分模型训练集与测试集并训练网络，生成J帧数据，在接收端将经过多普勒延迟信道后的IQ数据保存，将IQ数据的I(0＜I＜J)组数据作为训练集数据，剩余数据作为测试集数据，同时将发送数据的前I组作为训练标签，剩余数据作为对应的测试集标签，对所述基于残差块(ResNet)的多分类神经网络进行训练。
对所述基于残差块(ResNet)的多分类神经网络进行训练,具体为：设置网络训练轮数Epochs，设置网络每批次训练数据大小Batch_size，设置初始学习率Learning_rate，自定义学习衰减为每5个Epochs后衰减一半，从J组数据中选取I组数据作为训练集数据，其余作为测试数据集对训练过程中网络模型的性能进行测试，以发送数据每帧L长度的比特信息作为标签，网络输出为L个二分类器，通过计算网络输入与输出的二元交叉熵，优化网络模型参数，用训练集数据对网络模型进行训练，得到网络初始模型，以测试集数据对网络模型进行测试，判断初始模型测试精度是否达到预期精度，若是则停止训练，网络模型训练任务完成保存相应模型，若否，则采用自适应梯度算法(Adam)优化器根据自定义学习率衰减方式降低学习率继续训练网络模型，更新网络中的权重偏置等可学习参数优化网络模型，继续训练直至模型测试精度达到预期值。
步骤5：按信号获取方式将采集的IQ数据经过预处理后送入训练好的基于残差块(ResNet)的多分类神经网络，输出推理结果。
进一步地，该方法还包括对基于残差块(ResNet)的多分类神经网络进行验证，具体为：将所述训练得到的基于残差块(ResNet)的多分类神经网络加载到验证代码中，按照所述方法获取OTFS调制后接收端得到的IQ数据，并保存对应的标签数据，将接收到的IQ数据按所述方法拼接成网络输入维度格式，预处理后给模型输入，将模型输出结果进行后处理为0，1比特数据，统计模型输出与发送端发送信息之间错误情况计算该帧数据的误码率，若满足预期性能要求则OTFS信号接收恢复完成。
实施例1
随着5G网络的大规模部署、万物互联的物联网世界涌现以及新兴通信技术的快速发展，无线通信已经成为当代人类社会信息沟通和传递的一种重要方式，人工智能再次兴起与通信领域结合在信号检测、信道估计以及解调恢复中得到广泛研究，对移动通信性能提升有着重要的意义。
下面将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，都属于本发明保护的范围。
如图1所示，本发明提供一种基于深度神经网络结构的OTFS信号接收方法，包括以下步骤：
步骤1，构建发送数据集与数据标签，构建OTFS收发***，制作用于网络模型训练的样本集与标签集。根据OTFS调制原理设置子载波数M＝2与每个子载波上频率复用数N＝2，选择相应的基带调制方式(以QPSK调制为例)，则每帧数据编码前长度为：L＝M×N×log2(k)＝8，信源随机产生8个比特信息，经过信源编码、信道编码再通过QPSK调制映射成相应的符号，设置导频序列以及生成循环前缀序列，然后将数据分配到相应的子载波完成OTFS调制，将发送的数据定义为s(t)。设置多普勒路径参数为P＝2，以及对应路径上的延迟与多普勒平移量信道矩阵
其中τp表示第p条路径的延时，vp表示第p条路径的多普勒频移，需要说明信道矩阵中延时量与多普勒频移量是延时多普勒网格中的相对值，实际取值与射频信号中心频率以及通信收发端的移动速度相关，发送的信号经过延时多普勒信道的输出为发送信息与信道卷积，信道噪声为均值为零的高斯白噪声w(t)则接收到的信号为：
r(t)＝∫∫h(τ,v)s(t-τ)ej2πv(t-τ)dτdv+w(t)
步骤2，获取电磁信号，并进行预处理，获取接收端IQ数据并进行预处理构建用于训练网络模型的数据集。将经过延时多普勒信道后的接收数据为S(n)，则
其中n表示接收符号个数，rI(n)表示取第n个符号的实部，rQ(n)表示取第n个符号的虚部，当M＝2，N＝2则接收符号数n＝4。根据多普勒频移定律计算相应的多普勒延迟信道因子
将当前信号的信噪比因子记作G(SNR)，若发送端发送F＝100000帧数据，则按照以下数据拼接方式构建的样本集为：
其中，S(m)表示第m帧数据(0＜m≤F)，Hk表示第k条路径的信道因子(0＜k≤2)，本例中M＝2，N＝2，则网络输入维度为L×Z＝[4,7]的矩阵，其中L表示每帧数据符号个数，Z表示多径下接收数据实部虚部、信道因子与信噪比因子维度，所以data的维度为F×L×Z＝100000*4*7的三维数组。将data中的80000组划分为训练集剩余20000组作为测试集，用于下阶段网络模型训练，对应的发送数据中80000组划分为训练标签剩余对应的20000组作为测试标签；
步骤3，构建基于残差块的深度神经网络结构，构建用于训练的网络结构，根据比特信息与符号映射关系，在本例中以QPSK调制为例，则每个符号所携带比特信息为：t＝log2(k)＝2，在网络的输入层利用反卷积层将输入样本矩阵L×Z＝4×7第一维度扩充为2L×Z＝8×7，即数据的横向维度扩充2倍，接下来为一个二维卷积层网络、一个批量归一化层、一个非线性激活层、一个最大池化层、一个或多个残差块，在残差块中用短接直连的方式解决深度网络模型退化的问题，其中残差块的主路径采用以卷积层、批归一化层与非线性激活层为组合的一个或多个层组合，并以卷积层、批归一化层为输出，残差块的副路径为卷积层、批归一化层输出，通过相加层求和将两个路径的特征向量相加向下传递，网络结构的最后几层由非线性激活层、全局池化层、全连接层、最后通过2L＝8个二分类器由sigmoid激活函数输出分类结果；
步骤4，划分训练集与测试集并训练网络，按(1)中所述方式生成J＝100000帧数据，在接收端将经过多普勒延迟信道后的IQ数据保存，将IQ数据的I＝80000(0＜I＜J)组数据作为训练集数据，剩余20000组数据作为测试集数据，同时将发送数据的前I＝80000组作为训练标签，剩余20000数据作为对应的测试集标签。对(3)所述的残差网络进行训练，具体过程包括设置网络训练轮数Epochs＝50，设置网络每批次训练数据大小Batch_size＝64，设置训练网络的初始学习率Learning_rate＝0.003，自定义学习衰减为每5个Epochs后衰减为原来的一半，从100000组数据中选取80000组数据作为训练集数据，其余作为测试数据集对训练过程中网络模型的性能进行测试，以发送数据每帧8位长度的比特信息作为标签，网络输出为经过8个sigmoid激活后的8个二分类器，通过计算网络输入与输出的二元交叉熵，优化网络模型参数，用训练集数据对网络模型进行训练，得到网络初始模型，以测试集数据对网络模型进行测试，判断初始模型测试精度是否达到预期精度，若是则停止训练，网络模型训练任务完成保存相应模型，若否，则采用自适应梯度算法(Adam)优化器根据自定义学习率衰减方式降低学习率继续训练网络模型，更新网络中的权重偏置等可学习参数优化网络模型，使网络模型沿着最优解方向优化学习，继续训练直至模型测试精度达到预期值；
步骤5，模型部署与性能验证，将(4)所述方法训练得到的网络模型加载到验证代码中，按照(1)所述方法获取OTFS调制后接收端得到的IQ数据，并保存对应的标签数据，将接收到的IQ数据按(1)所述方法拼接成网络输入维度格式，经过预处理后作为模型的输入，将模型输出结果进行后处理大于等于0.5的值置为1，小于0.5的值置为0，重新拼接作为接收网路最终输出的比特流信息，统计最终模型输出结果与发送端发送信息之间错误情况计算该帧数据的误比特率，若满足预期性能要求则OTFS信号接收恢复完成，若否则返回步骤4重新训练模型，直至误码性能满足要求。将最终训练保存的模型作为OTFS接收端信息从基带IQ数据恢复至比特流信息的模型。
本发明通过采集OTFS调制***发送不同比特流信息的电磁信号数据，构建以电磁信号为基础的样本，所发送比特信息作为标签的数据集，训练基于深度残差结构的网络模型，利用训练好的网络模型对发送端的比特流信息进行恢复，以达到对发送比特信息的恢复的目的。基于深度学习训练出的网络模型能够提高通信***在复杂环境下的信息恢复能力，同时真实环境采集的电磁信号更加符合实际通信过程，具有复杂环境下的现实运用场景。
以上所述，仅为本发明的一种实施方式，但本发明的保护范围并不限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，进行的改进变换或替换，均应落入本发明权利要求书确定的保护范围内。
仿真条件：如图1所示，OTFS调制中发送端将经过调制映射后的符号信息(如QAM)转换到时延多普勒域(Delay-Doppler，DD)网格上，通过ISFFT运算将信号转换到时间频率域，完成信号在时间和频率上的扩展，再通过海森堡变换(Heisenbergtransform)将多载波符号调制为时域信号，经过成型滤波后发送至无线信道。在接收端，采样后的信号经过预处理后构成网络模型输入的样本尺寸大小，利用训练好的模型将时域IQ数据解调解码恢复成比特信息。
仿真内容：本发明是对于OTFS信号进行接收恢复，主要是在信号接收端利用训练深度神经网络模型的方式将IQ数据映射到比特信息的过程，具体算法实现流程如图2所示，包括构建OTFS信号接收数学模型，采集调制后IQ数据，划分网络模型训练集和测试集，搭建网络模型初始化网络参数，接下来用当前训练集迭代训练网络模型，对权重偏置等参数进行迭代更新，利用测试集判断当前模型训练精度是否满足要求或者判断迭代次数是否达到预设值，若否则返回继续进行模型训练，若是则模型训练完成，进行评估部署。
如图6所示为OTFS调制方式设置不同子载波数以及不同符号数下的误比特曲线，其中，图6(a)为M＝2，N＝2时对比单抽头最小均方OFDM、消息传递检测算法、最大比率检测算法以及本发明接收算法下的误比特曲线，图6(b)为M＝4，N＝2时不同算法的误比特对比曲线，图6(c)为M＝4，N＝4时不同算法的误比特对比曲线，图6(d)为M＝2，N＝2基带符号映射为16QAM时不同算法的误比特对比曲线，图6(a)在OTFS调制方式中子载波数设置为2，符号数设置为2，4-QAM调制方式下不同检测接收下的误码率性能。其中在4-QAM调制下的MRC检测器的误码率，检测迭代设置为10次，消息传递MP算法迭代次数也设置为10，和OFDM单抽头的MMSE均衡器性能。通过仿真结果可以得出OTFS调制解调方式相比于OFDM调制在延时多普勒信道下性能有明显的优势，其中基于MP算法的检测在低信噪比时比MRC检测算法性能更优异，但随着信噪比增大时MRC检测算法优势体现出来，相比之下，基于深度神经网络模型的OTFS信号恢复方法性能有显著优势，且在高信噪比时性能表现更好。
图6(b)为子载波数为4，符号数为2时不同算法的性能曲线，与图a相比可知随着子载波数M增加时传统检测算法性能有所提升，同时基于深度学习训练的网络模型仍然具有较好的性能。图6(c)子载波数为4且符号数也为4，与图a相比传统MP检测算法的性能会随着子载波数符号数的增加而提升，但本发明所提出的接收方法仍然具有一定性能优势，在图6(d)中基带符号映射设置为16QAM，与4QAM相比单个符号所表示的比特数增加，传统的MP检测算法与本发明所提接收方法性能均有所下降，但本发明所提方法仍然较MP检测算法有所优势，同时随着子载波数与符号数增加对训练网路模型带来更多难度，但通过对网络结构进行调整仍可完成OTFS信号接收恢复任务，因此当数据样本足够丰富时本发明提出的接收方法具有较好的性能。
本法发明是一种基于深度神经网络结构的OTFS信号接收方法，构建深度学习的接收模型，利用深度神经网络实现从接收的IQ数据中恢复出发送比特信息，替代传统接收端符号同步、信道均衡、解调、译码等信号恢复处理，克服了信道衰落、噪声等因素。与通常的分类网络不同，本发明采用的是基于二元交叉熵的L个二分类器，实现比特流信息的恢复，在网络输入层进行反卷积运算，可灵活适应不同阶数的基带调制方式，增强了本发明的适应性。通过实验表明，基于深度学习的OTFS信号接收方法与常用的检测解调方法相比性能明显提升，与最大似然检测算法性能接近，在基于真实环境采集的样本数据能够增强网络模型的鲁棒性更具有实际运用价值。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。
Claims (9)
1.一种基于深度神经网络结构的OTFS信号接收恢复方法，其特征在于，该方法包括：
构建OTFS收发***，并且构建发送数据集与对应数据的比特信息标签；
获取经过延时多普勒信道后的电磁信号并转化为IQ数据，将接收到的IQ数据进行预处理成网络输入格式；
构建基于残差块(ResNet)的多分类神经网络；
对所述基于残差块(ResNet)的多分类神经网络进行训练；
按信号获取方式将采集的IQ数据经过预处理后送入训练好的基于残差块(ResNet)的多分类神经网络，输出推理结果。
2.根据权利要求1所述的基于深度神经网络结构的OTFS信号接收恢复方法，其特征在于，所述构建OTFS收发***，并且构建发送数据集与对应数据的比特信息标签，具体为：构建OTFS收发***，生成用于网络模型训练的样本集与标签集，设置子载波数、符号数相应的基带映射调制方式，发送端随机产生固定帧长的比特流信息，经过信源编码、信道编码再通过调制映射成相应的符号，设置导频序列以及生成循环前缀序列，然后将数据分配到相应的子载波完成OTFS调制，由无线电外设辐射至空中信道，发送端每帧数据长度由一次OTFS调制所能传送符号数相匹配，发送的每帧比特数据作为数据标签，对应的经过OTFS调制后经过多普勒延时信道后的符号作为样本。
3.根据权利要求2所述的基于深度神经网络结构的OTFS信号接收恢复方法，其特征在于，根据OTFS调制原理设置子载波数M＝2与每个子载波上频率复用数N＝2，选择相应的基带调制方式，则每帧数据编码前长度为：
L＝M×N×log2(k)＝8，信源随机产生8个比特信息，经过信源编码、信道编码再通过QPSK调制映射成相应的符号，设置导频序列以及生成循环前缀序列，然后将数据分配到相应的子载波完成OTFS调制，将发送的数据定义为s(t)，设置多普勒路径参数为P＝2，以及对应路径上的延迟与多普勒平移量信道矩阵
其中τp表示第p条路径的延时，vp表示第p条路径的多普勒频移，发送的信号经过延时多普勒信道的输出为发送信息与信道卷积，信道噪声为均值为零的高斯白噪声w(t)，则接收到的信号为：
r(t)＝∫∫h(τ,v)s(t-τ)ej2πv(t-τ)dτdv+w(t)。
4.根据权利要求1-3任意一项所述的基于深度神经网络结构的OTFS信号接收恢复方法，其特征在于，所述获取经过延时多普勒信道后的电磁信号并转化为IQ数据，将接收到的IQ数据进行预处理成网络输入格式，具体为：接收端接收空中信道的模拟电磁信号经过A/D采样后，进行数字正交变换，通过信号提取算法获得IQ数据，将多普勒延迟因子、信噪比因子拼接成网络输入样本。
5.根据权利要求4所述的基于深度神经网络结构的OTFS信号接收恢复方法，其特征在于，经过信道后的接收数据为S(n)，则
其中n表示接收符号个数，rI(n)表示取第n个符号的实部，rQ(n)表示取第n个符号的虚部，根据多普勒频移定律计算相应的多普勒延迟信道因子
将当前信号的信噪比因子记作G(SNR)，若发送端发送F帧数据，则按照以下数据拼接方式构建的样本集为：
其中，S(m)表示第m帧数据，Hk表示第k条路径的信道因子，则网络输入维度为L×Z的矩阵，其中L表示每帧数据符号数，Z表示多径下接收数据实部虚部、信道因子与信噪比因子维度，将data划分为训练集与测试集，用于下阶段网络模型训练，对应的发送数据划分为训练标签与测试标签。
6.根据权利要求5所述的基于深度神经网络结构的OTFS信号接收恢复方法，其特征在于，所述构建基于残差块(ResNet)的多分类神经网络，具体为：根据比特信息与符号映射关系，以k阶QAM调制为例，则每个符号所携带比特信息为：t＝log2(k)，在网络的输入层利用反卷积层将输入样本矩阵L×Z第一维度扩充为tL×Z，即数据的横向维度扩充t倍，接下来为一个二维卷积层网络、一个批量归一化层、一个非线性激活层、一个最大池化层、一个或多个残差块；其中直连方式的一条通道为以卷积层、批归一化层与非线性激活层为组合的一个或多个层组合，并以卷积层、批归一化层为输出，直连的另一通道为卷积层、批归一化层输出，通过求和层将两个路径数据相加，网络结构的最后几层由非线性激活层、全局池化层、全连接层、最后通过sigmoid激活函数输出分类结果。
7.根据权利要求6所述的基于深度神经网络结构的OTFS信号接收恢复方法，其特征在于，对所述基于残差块(ResNet)的多分类神经网络进行训练,具体为：划分模型训练集与测试集并训练网络，生成J帧数据，在接收端将经过多普勒延迟信道后的IQ数据保存，将IQ数据的I(0＜I＜J)组数据作为训练集数据，剩余数据作为测试集数据，同时将发送数据的前I组作为训练标签，剩余数据作为对应的测试集标签，对所述基于残差块(ResNet)的多分类神经网络进行训练。
8.根据权利要求7所述的基于深度神经网络结构的OTFS信号接收恢复方法，其特征在于，对所述基于残差块(ResNet)的多分类神经网络进行训练,具体为：设置网络训练轮数Epochs，设置网络每批次训练数据大小Batch_size，设置初始学习率Learning_rate，自定义学习衰减为每5个Epochs后衰减一半，从J组数据中选取I组数据作为训练集数据，其余作为测试数据集对训练过程中网络模型的性能进行测试，以发送数据每帧L长度的比特信息作为标签，网络输出为L个二分类器，通过计算网络输入与输出的二元交叉熵，优化网络模型参数，用训练集数据对网络模型进行训练，得到网络初始模型，以测试集数据对网络模型进行测试，判断初始模型测试精度是否达到预期精度，若是则停止训练，网络模型训练任务完成保存相应模型，若否，则采用自适应梯度算法(Adam)优化器根据自定义学习率衰减方式降低学习率继续训练网络模型，更新网络中的权重偏置等可学习参数优化网络模型，继续训练直至模型测试精度达到预期值。
9.根据权利要求8所述的基于深度神经网络结构的OTFS信号接收恢复方法，其特征在于，该方法还包括对基于残差块(ResNet)的多分类神经网络进行验证，具体为：将所述训练得到的基于残差块(ResNet)的多分类神经网络加载到验证代码中，按照所述方法获取OTFS调制后接收端得到的IQ数据，并保存对应的标签数据，将接收到的IQ数据按所述方法拼接成网络输入维度格式，预处理后给模型输入，将模型输出结果进行后处理为0，1比特数据，统计模型输出与发送端发送信息之间错误情况计算该帧数据的误码率，若满足预期性能要求则OTFS信号接收恢复完成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210233419.6A CN114745230B (zh) | 2022-03-10 | 2022-03-10 | 基于深度神经网络结构的otfs信号接收恢复方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210233419.6A CN114745230B (zh) | 2022-03-10 | 2022-03-10 | 基于深度神经网络结构的otfs信号接收恢复方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114745230A true CN114745230A (zh) | 2022-07-12 |
| CN114745230B CN114745230B (zh) | 2024-01-16 |
Family
ID=82275341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210233419.6A Active CN114745230B (zh) | 2022-03-10 | 2022-03-10 | 基于深度神经网络结构的otfs信号接收恢复方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114745230B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115296962A (zh) * | 2022-08-02 | 2022-11-04 | 北京信息科技大学 | 一种基于维特比网络的otfs***信号检测方法 |
| CN115514596A (zh) * | 2022-08-16 | 2022-12-23 | 西安科技大学 | 基于卷积神经网络的otfs通信接收机信号处理方法及装置 |
| CN115865199A (zh) * | 2022-11-10 | 2023-03-28 | 北京理工大学 | 一种基于残差神经网络的光纤通信的非线性补偿方法 |
| CN116055273A (zh) * | 2023-01-19 | 2023-05-02 | 浙江工业大学 | 一种神经网络级联的qpsk接收机及其辅助模型训练方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3433969A1 (en) * | 2016-03-23 | 2019-01-30 | Cohere Technologies | Receiver-side processing of orthogonal time frequency space modulated signals |
| US20190238189A1 (en) * | 2016-09-30 | 2019-08-01 | Cohere Technologies, Inc. | Uplink user resource allocation for orthogonal time frequency space modulation |
| CN111669344A (zh) * | 2020-06-01 | 2020-09-15 | 西北工业大学 | 一种基于深度学习的时变ofdm***信号检测方法 |
| US20210279851A1 (en) * | 2020-03-09 | 2021-09-09 | Canon Kabushiki Kaisha | Manufacturing method of learning data, learning method, learning data manufacturing apparatus, learning apparatus, and memory medium |
| CN113708855A (zh) * | 2021-09-29 | 2021-11-26 | 北京信息科技大学 | 基于深度学习的otfs数据驱动接收方法、***及介质 |
| CN113726697A (zh) * | 2021-09-14 | 2021-11-30 | 电子科技大学 | 一种基于置信空间动态判决的otfs符号检测方法 |
| CN113852580A (zh) * | 2021-09-14 | 2021-12-28 | 电子科技大学 | 一种基于多级分离的mimo-otfs符号检测方法 |
| CN113965440A (zh) * | 2021-10-20 | 2022-01-21 | 嘉兴学院 | 一种双通道混合深度神经网络ofdm无线通信盲接收方法 |
| CN114024811A (zh) * | 2021-09-18 | 2022-02-08 | 浙江大学 | 基于深度学习的otfs波形papr抑制方法及装置 |
-
2022
- 2022-03-10 CN CN202210233419.6A patent/CN114745230B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3433969A1 (en) * | 2016-03-23 | 2019-01-30 | Cohere Technologies | Receiver-side processing of orthogonal time frequency space modulated signals |
| US20190238189A1 (en) * | 2016-09-30 | 2019-08-01 | Cohere Technologies, Inc. | Uplink user resource allocation for orthogonal time frequency space modulation |
| US20210279851A1 (en) * | 2020-03-09 | 2021-09-09 | Canon Kabushiki Kaisha | Manufacturing method of learning data, learning method, learning data manufacturing apparatus, learning apparatus, and memory medium |
| CN111669344A (zh) * | 2020-06-01 | 2020-09-15 | 西北工业大学 | 一种基于深度学习的时变ofdm***信号检测方法 |
| CN113726697A (zh) * | 2021-09-14 | 2021-11-30 | 电子科技大学 | 一种基于置信空间动态判决的otfs符号检测方法 |
| CN113852580A (zh) * | 2021-09-14 | 2021-12-28 | 电子科技大学 | 一种基于多级分离的mimo-otfs符号检测方法 |
| CN114024811A (zh) * | 2021-09-18 | 2022-02-08 | 浙江大学 | 基于深度学习的otfs波形papr抑制方法及装置 |
| CN113708855A (zh) * | 2021-09-29 | 2021-11-26 | 北京信息科技大学 | 基于深度学习的otfs数据驱动接收方法、***及介质 |
| CN113965440A (zh) * | 2021-10-20 | 2022-01-21 | 嘉兴学院 | 一种双通道混合深度神经网络ofdm无线通信盲接收方法 |
Non-Patent Citations (2)
| Title |
|---|
| SHILIAN ZHENG: "Spectrum sensing based on deep learning classification for cognitive radios", 《CHINA COMMUNICATIONS》 * |
| 涂岳: "基于深度学习的OTFS信号解调技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115296962A (zh) * | 2022-08-02 | 2022-11-04 | 北京信息科技大学 | 一种基于维特比网络的otfs***信号检测方法 |
| CN115296962B (zh) * | 2022-08-02 | 2023-06-09 | 北京信息科技大学 | 一种基于维特比网络的otfs***信号检测方法 |
| CN115514596A (zh) * | 2022-08-16 | 2022-12-23 | 西安科技大学 | 基于卷积神经网络的otfs通信接收机信号处理方法及装置 |
| CN115514596B (zh) * | 2022-08-16 | 2024-06-04 | 西安科技大学 | 基于卷积神经网络的otfs通信接收机信号处理方法及装置 |
| CN115865199A (zh) * | 2022-11-10 | 2023-03-28 | 北京理工大学 | 一种基于残差神经网络的光纤通信的非线性补偿方法 |
| CN116055273A (zh) * | 2023-01-19 | 2023-05-02 | 浙江工业大学 | 一种神经网络级联的qpsk接收机及其辅助模型训练方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114745230B (zh) | 2024-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114745230B (zh) | 基于深度神经网络结构的otfs信号接收恢复方法 | |
| CN106357311B (zh) | 一种基于载波索引调制的mimo-ofdm***的检测方法 | |
| KR100918717B1 (ko) | 다입다출력 직교주파수분할다중화 이동통신 시스템에서의신호 시퀀스 추정 방법 및 장치 | |
| CN106453190A (zh) | 一种多用户子载波索引调制正交频分复用传输方法 | |
| CN105591717A (zh) | 用于载波索引调制的mimo-ofdm***的低复杂度检测方法 | |
| WO2006125343A1 (fr) | Emetteur, recepteur et procedes de multiplexage orthogonal a repartition frequentielle et temporelle | |
| CN111368979B (zh) | Mimo-ofdm***papr抑制方法 | |
| Jiang et al. | AI-aided online adaptive OFDM receiver: Design and experimental results | |
| CN111628833B (zh) | 基于卷积神经网络的mimo天线数目估计方法 | |
| CN113971430A (zh) | 信号检测及模型训练方法、装置、设备及存储介质 | |
| CN111669344A (zh) | 一种基于深度学习的时变ofdm***信号检测方法 | |
| KR101043698B1 (ko) | 공간다중화 시스템에서 신호검출 장치 및 방법 | |
| CN114745248B (zh) | 基于卷积神经网络的dm-gsm信号检测方法 | |
| Ye et al. | Bilinear convolutional auto-encoder based pilot-free end-to-end communication systems | |
| CN109067674B (zh) | 一种基于选择性叠加导频的信道估计方法 | |
| CN113726697A (zh) | 一种基于置信空间动态判决的otfs符号检测方法 | |
| CN112636855A (zh) | 一种ofdm信号检测方法 | |
| Meenalakshmi et al. | Deep learning-based channel estimation in 5g mimo-ofdm systems | |
| Telagam et al. | Ber analysis of concatenated levels of encoding in GFDM system using labview | |
| Li et al. | Model-driven deep learning scheme for adaptive transmission in MIMO-SCFDE system | |
| Liu et al. | RecNet: Deep learning-based OFDM receiver with semi-blind channel estimation | |
| CN114337876B (zh) | 一种基于nsga2算法训练的amp检测方法和实施该方法的*** | |
| Zhang et al. | Turbo receiver for polar-coded OFDM systems with unknown CSI | |
| CN115118566A (zh) | 改进无线通信中信息的发送 | |
| Krishna Reddy et al. | Enhancing PAPR performance in MIMO-OFDM system using hybrid optimal MMSE-MLSE equalizers |
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 |