CN117692104A - 一种基于深度学习的预降噪通信物理层盲接收方法 - Google Patents
一种基于深度学习的预降噪通信物理层盲接收方法 Download PDFInfo
- Publication number
- CN117692104A CN117692104A CN202311704661.8A CN202311704661A CN117692104A CN 117692104 A CN117692104 A CN 117692104A CN 202311704661 A CN202311704661 A CN 202311704661A CN 117692104 A CN117692104 A CN 117692104A
- Authority
- CN
- China
- Prior art keywords
- model
- slstm
- layer
- pdn
- 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.)
- Pending
Links
- 238000004891 communication Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 230000006870 function Effects 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 42
- 230000009467 reduction Effects 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims description 35
- 230000004913 activation Effects 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 230000010363 phase shift Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000011056 performance test Methods 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 239000003638 chemical reducing agent Substances 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 108010031959 cognin Proteins 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0036—Systems modifying transmission characteristics according to link quality, e.g. power backoff arrangements specific to the receiver
- H04L1/0038—Blind format detection
-
- 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
- H04L25/03165—Arrangements for removing intersymbol interference using neural networks
-
- 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)
- Quality & Reliability (AREA)
- Detection And Prevention Of Errors In Transmission (AREA)
Abstract
一种基于深度学习的预降噪通信物理层盲接收方法，用matlab搭建无线通信***模型，并使用该***模型分别获得PDN模型和SLSTM模型的训练数据集和测试数据集；构建基于PDN模型和SLSTM模型级联的无线通信物理层接收模型；利用训练数据集，采用均方误差函数作为损失函数，并使用Nadam优化算法对PDN网络模型进行训练，以更新PDN网络模型；采用交叉熵损失函数作为损失函数，并使用Nadam优化算法对SLSTM网络模型进行训练，以更新SLSTM网络模型；利用测试数据集，对所得到的无线通信物理层接收机进行BER性能测试。本发明提升BER性能。
Description
技术领域
本发明属于无线通信技术领域，具体涉及一种基于深度学习的预降噪通信物理层盲接收方法。
背景技术
无线通信技术的进步推动了自动驾驶和智慧城市等新兴产业的出现，这些产业对无线通信的可靠性有着更高的要求。为了满足可靠的信息传输需求，传统的物理层接收机通常采用串行的信号处理方法，包括信道估计、均衡、解调和解码。然而，这种串行处理架构可能导致前一步骤的处理误差影响到后续模块的优化，由于误差的累积，可能无法确保整个***的最佳性能。大多数无线通信中的信号处理算法通常基于理论假设，但这些假设可能并未完全反映真实环境的复杂性。此外，传统物理层接收机的实现通常需要专门的硬件模块，这在开发通信接收机时可能导致大量的时间和资源消耗。
为了克服传统物理层接收机的限制，研究人员利用深度学习(Deep Learning简称DL)技术来设计智能接收机，以提高在复杂无线环境下的通信可靠性和有效性。文献1[S.Zheng,S.Chen,and X.Yang,“Deepreceiver:Adeep learning-based intelligentreceiver for wireless communications in the physical layer,”IEEE Trans.onCogn.Commun.Netw.,vol.7,no.1,pp.5–20,Aug.2021.]中，Zheng等人提出了一种基于DenseNet结构的盲接收方法(命名为Deepreceiver)用于接收信号的统一检测，但其网络结构较为复杂且需要较多的计算机算力。此外，由于通信***中存在的噪声会降低接收信号的质量，因此有学者提出了几种基于DL的噪声抑制方案以增强信息恢复能力。Lee等人在文献2[W.-H.Lee,M.Ozger,U.Challita,and K.W.Sung,“Noise learning based denoisingautoencoder,”IEEE Commun.Lett.,vol.25,no.9,pp.2983–2987,Jun.2021]中设计了一种一维去噪自动编码器用于相关噪声的学习和抑制，以恢复原始信息。Yang等人在文献3[X.Yang,L.Zhang,Y.Feng,and Z.Wu,“Aresidual cnn-based denoiser for reliablerecovery of bit stream with applications to soft channel decoding,”IEEETrans.on Cogn.Commun.Netw.,vol.8,no]中提出了一种基于卷积神经网络(Convolutional Neural Network简称CNN)的智能降噪器，可以有效地减少相关噪声功率，进而提升信息检测性能。以上两种降噪器都是针对相关噪声设计的，而实际***中的主要噪声来源是热噪声，这是一种典型的高斯白噪声。此外，以上方案的误比特率(bit errorrate简称BER)性能有待进一步提升。因此，迫切需要一种在考虑加性高斯白噪声(AdditiveWhite Gaussian Noise简称AWGN)情况下的接收机设计方案，以期在降低计算复杂度的同时保证通信的可靠传输。
发明内容
为了克服现有技术的不足，针对现有技术存在的网络模型复杂度高以及BER性能低的问题，本发明提出了一种基于深度学习的预降噪通信物理层盲接收方法，首先利用基于深度学习的降噪算法对接收信号进行降噪处理，以减少噪声的影响，然后利用基于深度学习的检测算法对降噪后的信号进行检测，以提升通信的可靠性的同时降低***的复杂度。
为了达到上述发明目的，本发明采用以下技术方案：
一种基于深度学习的预降噪通信物理层盲接收方法，所述方法包括以下步骤：
S1、用matlab搭建传统无线通信***模型，并使用该***模型分别获得PDN(pre-denoised network简称PDN)模型和SLSTM(Stack-LSTM简称SLSTM)模型的训练数据集和测试数据集；
S2、构建基于PDN模型和SLSTM模型级联的无线通信物理层接收模型；
S3、利用S1中PDN模型的训练数据集，采用均方误差函数作为损失函数，并使用Nadam优化算法对PDN网络模型进行训练，以更新PDN网络模型参数；同时，利用步骤S1中SLSTM模型的训练数据集，采用交叉熵损失函数作为损失函数，并使用Nadam优化算法对SLSTM网络模型进行训练，以更新SLSTM网络模型参数；当PDN网络模型和SLSTM网络模型预测值与真实值对比的错误率不再下降，停止训练，并将训练后的PDN模型和SLSTM模型进行级联后作为无线通信物理层接收机；
S4、利用S1中的测试数据集，对步骤S3中所得到的无线通信物理层接收机进行BER性能测试。
进一步，步骤S1的过程如下：
S11、首先，在matlab仿真中随机生成长度为g的信息比特流s，经过编码调制后，得到待发送的调制信号c；然后，调制信号c通过根升余弦进行脉冲整形；最后，整形后的波形通过AWGN信道到达接收端。优选地，所述编码方式为循环码，所述调制方式为二进制移相键控(Binary Phase Shift Keying简称BPSK)、正交相移键控(Quadrature Phase ShiftKeying简称QPSK)和八进制相移键控(8Phase Shift Keying简称8PSK)；对原始发送信号c进行采样，得到预采样序列，然后，用0对称地填充预采样序列，使BPSK、QPSK和8PSK调制样式下的采样序列长度一致，得到原始发送信号c的采样序列x；
S12、接收端首先对接收到的信号进行采样，得到预采样序列；然后，用0对称地填充预采样序列，使BPSK、QPSK和8PSK调制样式下的采样序列长度一致，得到经过AWGN信道的信号的采样序列y；之后，将x和y分别进行短时傅里叶变换(Short-Time FourierTransform简称STFT)得到两者的时频表示X和Y；最后，将Y减去X得到噪声的时频表示Z，对于SLSTM模型的训练数据集，特征标签对为(y，s)，对于PDN模型的训练数据集，特征标签对为(Y，Z)。
再进一步，步骤S2的过程如下：
S21、所述的PDN模型是将STFT模块、残差去噪网络(residual denoising network简称RDN)模块和短时傅里叶逆变换(Inverse Short-Time Fourier Transform简称ISTFT)模块进行级联；
STFT模块的窗口大小为l，窗函数每次滑动的长度为H，临近的两次窗口截取的信号重叠的部分长度是l-H，l-H大于等于1，窗口滑动的次数为L，采样序列y通过STFT模块，并获得二维表示为：
其中w表示窗函数，r和q表示频域和时域的范围，p用于控制窗口函数的位置；
RDN模块包含三层网络：第一层网络为卷积层,激活函数为ReLU；第二层网络包含v个结构相同的卷积块，每个卷积块包含卷积层(Conv层)、批归一化(Batch normalization简称BN)层和ReLU激活层；第三层网络包含一个卷积层，将RDN模块中第三层网络输出与Y进行叠加作为RDN模块的预测标签然后将Y减去/>得到降噪后的接收信号的时频表示/>
ISTFT模块中，首先，对矩阵的每一列做r点IFFT，表达式如下：
然后，对M矩阵各列分别向右平移(g-1)×H点后进行叠加，g∈[1,L]，得到总长度为l+(L-1)×H的数据，将数据尾部截掉，使其与采样序列y长度相同，将其作为PDN模型的输出；
S22、所述的SLSTM模型包含五层网络：第一层和第二层网络均为LSTM网络，均采用ReLU激活函数；第三层是全连接神经网络，采用ReLU激活函数；第四层是全连接神经网络，采用ReLU激活函数；第五层是全连接神经网络，激活函数为sigmoid。sigmoid层使得输出向量中的所有元素值都在[0,1]区间内，进而实现多标签分类。
更进一步，步骤S3中，所述均方误差损失函数使用如下方式计算：
其中，Zi是第i个样本的标签，是深度神经网络对第i个样本的预测值。
优选地，步骤S3中，所述交叉熵损失函数使用如下方式计算：
其中，NB是小批量的样本数，是第i个样本中的第m比特位的标签，/>是深度神经网络对第i个样本的第m比特进行预测的结果。
优选地，步骤S3中，所述PDN模型以最小化均方误差训练，所述SLSTM模型以最小化交叉熵误差训练，并以Nadam算法作为模型训练的优化算法；对于Nadam算法，初始学习比率设置为LR，小批量样本数设置为NB；为防止过拟合，当损失函数趋于稳定后，学习率调整为原始学习率的1/2；此外，当连续N个epoch验证损失没有改善时，训练停止，以确定epoch(整个数据集跑完一次称为一个epoch)的值，以实现更好的泛化性能。
步骤S4的过程为：首先，将步骤S1生成的测试数据集特征标签对(y，s)中的y输入到步骤S3中生成无线通信物理层接收机，得到预测标签然后将预测标签/>与真实数据标签s对比计算出BER。
本发明与现有技术相比，本发明的有益效果为：本发明的方法包含两个小型神经网络模型，分别具有降噪和解调解码功能。相比于Deepreceiver方法，这两个小型神经网络不仅能显著减少网络复杂度，并能减小AWGN信道对解调信号的影响，进而提升BER性能。
附图说明
图1是本发明实施例的一种基于深度学习的预降噪无线通信物理层盲接收机接收方法的流程图；
图2是本发明实施例的一种基于深度学习的预降噪无线通信物理层盲接收机接收方法模型图；
图3是本发明的PDN模型中的RDN神经网络结构示意图；
图4是本发明的SLSTM模型的示意图；
图5是本发明的一种基于深度学习的预降噪无线通信物理层盲接收机与传统硬判决接收机以及Deepreceiver的误码率对比图。
具体实施方式
下面通过具体实施例和附图对本发明作进一步的说明。本发明的实施例是为了使本领域的技术人员更好地理解本发明，并不对本发明作任何的限制。
参照图1～图5，一种基于深度学习的预降噪通信物理层盲接收方法，其接收方法流程图如图1所示，所述方法包括以下步骤：
S1、用matlab搭建传统无线通信***模型，并使用该***模型分别获得PDN(pre-denoised network简称PDN)模型和SLSTM(Stack-LSTM简称SLSTM)模型的训练数据集；构建基于PDN模型和SLSTM模型级联的无线通信物理层接收模型；利用步骤S1中PDN模型的训练数据集，采用均方误差函数作为损失函数，并使用Nadam优化算法对PDN网络模型进行训练，以更新PDN网络模型参数；同时，利用步骤S1中SLSTM模型的训练数据集，采用交叉熵损失函数作为损失函数，并使用Nadam优化算法对SLSTM网络模型进行训练，以更新SLSTM网络模型参数；当PDN网络模型和SLSTM网络模型预测值与真实值对比的错误率不再下降，停止训练，并将训练后的PDN模型和SLSTM模型进行级联后作为无线通信物理层接收机，利用步骤S1中的测试数据集，对步骤S3中所得到的无线通信物理层接收机进行BER性能测试。
步骤S1的过程如下：
S11、首先，在matlab仿真中随机生成长度为32的信息比特流s，采用(7，4)循环码对信息比特流进行信道编码，编码后的比特流长度为56；然后，用BPSK、QPSK和8PSK调制编码后的比特流；之后，调制后的信号通过滚降因子为0.5的根升余弦脉冲进行脉冲整形，并通过AWGN信道到达接收端；。对原始发送信号c进行采样，得到预采样序列，我们设置每个符号的采样点为8，得到BPSK、QPSK和8PSK调制的预采样序列长度分别为448、224和112；然后，为确保所有调制样式下采样序列长度为448，我们对称地用0填充预采样序列，得到原始发送信号c的采样序列x；
S12、在接收端，首先对接收到的信号进行采样，我们设置每个符号的采样点为8，得到BPSK、QPSK和8PSK调制的预采样序列长度分别为448、224和112；然后，为确保所有调制样式下采样序列长度为448，我们对称地用0填充预采样序列，得到经过AWGN信道的信号的采样序列y；将x和y经STFT得到其时频表示X和Y，Y减X得到AWGN的时频表示Z。STFT模块中使用长度为3的汉明窗，窗函数每次滑动长度为1。PDN模型的训练数据集包含不同Eb/N0水平(范围从0dB到8dB)下的特征标签对(Y，Z)，其中，Eb/N0间隔为1dB且每个Eb/N0下的样本数为200000。则，针对PDN模型，每个调制样式训练样本的总数为1800000。RDN模块的测试数据集包含Eb/N0值从0dB到8dB的数据每个调制样式各100000，间隔为1dB。SLSTM模型的训练数据集包含在不同Eb/N0水平下(范围从0dB到8dB)的(y，s)。训练数据集中的Eb/N0间隔为0.5dB，且每个Eb/N0的样本数为200000。每个调制样式训练样本的总数为3600000。SLSTM模型的测试数据集包含Eb/N0值从0dB到8dB的数据每个调制样式各100000，间隔为0.5dB。
S2、构建基于PDN模型和SLSTM模型级联的无线通信物理层接收模型；
步骤S2的过程如下：
S21、PDN模型首先对输入的接收信号y做STFT，再输入到RDN的第一层网络，第一个网络是一个卷积层，卷积核的个数是64个，卷积核的大小是(3,3),采用的激活函数是ReLU。然后输入到第二层网络，采用25个结构相同的卷积块，每个卷积块包含的卷积核的个数是64个，卷积核的大小都是(3,3)，采用的激活函数是ReLU。最后输入到第三层网络，包含一个卷积层，卷积核的个数是1个，卷积核的大小都是(3,3)，该层是特征汇聚层，没有激活函数。为了保持输入和输出的数据规格一致，所有卷积层后面都没有池化层。
S22、SLSTM神经网络模型的输入数据为PDN模型的输出结果或者未经过PDN模型的采样序列(为验证PDN模型的降噪效果)，SLSTM网络模型的第一层和第二层网络均为LSTM网络，均采用ReLU激活函数，神经元个数均为32，第三层是全连接神经网络，采用ReLU激活函数，神经元个数为256。第四层是全连接神经网络，神经元个数为128，采用ReLU激活函数。最后一层是全连接神经网络，神经元个数为32，激活函数为sigmoid。sigmoid层使得输出向量中的所有元素值都在[0,1]的区间里，实现了多标签分类方法。
S3、将步骤S1中的PDN模型训练数据集输入到步骤S2生成的PDN模型，采用均方损失函数对网络进行训练，并使用Nadam优化算法对PDN网络模型进行训练；将步骤S1中的SLSTM模型训练数据集输入到步骤S2生成SLSTM网络模型，采用交叉熵损失函数对网络进行训练，并使用Nadam优化算法对SLSTM网络模型进行训练；小批量的样本数NB＝512，学习率为LR＝0.001，损失函数测量输出和正确标签之间的差异，网络通过最小化损失函数来优化参数；为防止过拟合，当损失函数趋于稳定后，动态调整学习率为原始值的1/2。此外，当连续5个epoch验证损失没有改善时，训练停止，以确定epoch(整个数据集跑完一次称为一个epoch)的值，以实现更好的泛化性能，将训练后的的神经网络模型作为无线通信物理层接收机；
S4、首先，将步骤S1生成的测试数据集的特征标签对(y，s)中的y输入到步骤S3中生成无线通信物理层接收机，得到预测标签然后，将预测标签/>与真实标签s对比计算出BER。
上述实施使用MATLAB R2021a和pycharm2020、tensorflow1.15.0(python3.6)模拟上述步骤进行仿真实验，计算并绘制出在信噪比0～8dB时,随着信噪比的增加，使用Deepreceiver智能接收机(在图5中标记为Deepreceiver)、本发明的所述的基于深度学习的预降噪通信物理层盲接收机(在图5中标记为PDN-SLSTM)进行降噪和解调解码、硬判决接收机(在图5中标记为Ideal Hard decision)分别计算出的误码率对比图，如图5所示。纯SLSTM(pure-SLSTM)的意思是接收信号没有经过PDN模型做降噪处理。
本实施例的接收机具有降噪和解调解码两个小型神经网络，在降噪环节设计出了一种基于残差学习的RDN，同时将AWGN的时频特征考虑在内；此外，运用了多标签分类的思想，在解调解码环节设计出了SLSTM神经网络模型，对PDN模型的输出进行了的特征提取，增强了信息处理能力，提高了接收机的解调解码性能。与Deepreceiver的深度神经网络相比，本专利设计的接收机模型显著减少了网络复杂度、并能针对局部进行优化、应用更灵活，性能得到了进一步提升。相比与传统接收机的接收方法，本专利设计的接收机无需预先识别出待解调信号的调制样式且比传统接收机误码率低。
应当说明的是，上述实施例仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。
Claims (7)
1.一种基于深度学习的预降噪通信物理层盲接收方法，其特征在于，所述方法包括以下步骤：
S1、用matlab搭建传统无线通信***模型，并使用该***模型分别获得PDN模型和SLSTM模型的训练数据集和测试数据集；
S2、构建基于PDN模型和SLSTM模型级联的无线通信物理层接收模型；
S3、利用S1中PDN模型的训练数据集，采用均方误差函数作为损失函数，并使用Nadam优化算法对PDN网络模型进行训练，以更新PDN网络模型参数；同时，利用步骤S1中SLSTM模型的训练数据集，采用交叉熵损失函数作为损失函数，并使用Nadam优化算法对SLSTM网络模型进行训练，以更新SLSTM网络模型参数；当PDN网络模型和SLSTM网络模型预测值与真实值对比的错误率不再下降，停止训练，并将训练后的PDN模型和SLSTM模型进行级联后作为无线通信物理层接收机；
S4、利用S1中的测试数据集，对步骤S3中所得到的无线通信物理层接收机进行BER性能测试。
2.如权利要求1所述的一种基于深度学习的预降噪通信物理层盲接收方法，其特征在于，步骤S1的过程如下：
S11、首先，在matlab仿真中随机生成长度为g的信息比特流s，经过编码调制后，得到待发送的调制信号c；然后，调制信号c通过根升余弦进行脉冲整形；最后，整形后的波形通过AWGN信道到达接收端，所述编码方式为循环码，所述调制方式为二进制移相键控BPSK、正交相移键控QPSK和八进制相移键控8PSK，对原始发送信号c进行采样，得到预采样序列，然后，用0对称地填充预采样序列，使BPSK、QPSK和8PSK调制样式下的采样序列长度一致，得到原始发送信号c的采样序列x；
S12、接收端首先对接收到的信号进行采样，得到预采样序列；然后，用0对称地填充预采样序列，使BPSK、QPSK和8PSK调制样式下的采样序列长度一致，得到经过AWGN信道的信号的采样序列y；之后，将x和y分别进行短时傅里叶变换STFT得到两者的时频表示X和Y；最后，将Y减去X得到噪声的时频表示Z，对于SLSTM模型的训练数据集，特征标签对为，对于PDN模型的训练数据集，特征标签对为(Y，Z)。
3.如权利要求1或2所述的一种基于深度学习的预降噪通信物理层盲接收方法，其特征在于，步骤S2的过程如下：
S21、所述的PDN模型是将STFT模块、残差去噪网络RDN模块和短时傅里叶逆变换ISTFT模块进行级联；
STFT模块的窗口大小为l，窗函数每次滑动的长度为H，临近的两次窗口截取的信号重叠的部分长度是l-H，l-H大于等于1，窗口滑动的次数为L，采样序列y通过STFT模块，并获得二维表示为：
其中w表示窗函数，r和q表示频域和时域的范围，p用于控制窗口函数的位置；
RDN模块包含三层网络：第一层网络为卷积层,激活函数为ReLU；第二层网络包含v个结构相同的卷积块，每个卷积块包含卷积层、批归一化层和ReLU激活层；第三层网络包含一个卷积层，将RDN模块中第三层网络输出与Y进行叠加作为RDN模块的预测标签然后将Y减去/>得到降噪后的接收信号的时频表示/>
ISTFT模块中，首先，对矩阵的每一列做r点IFFT，表达式如下：
然后，对M矩阵各列分别向右平移(g-1)×H点后进行叠加，g∈[1,L]，得到总长度为l+(L-1)×H的数据，将数据尾部截掉，使其与采样序列y长度相同，将其作为PDN模型的输出；
S22、所述的SLSTM模型包含五层网络：第一层和第二层网络均为LSTM网络，均采用ReLU激活函数；第三层是全连接神经网络，采用ReLU激活函数；第四层是全连接神经网络，采用ReLU激活函数；第五层是全连接神经网络，激活函数为sigmoid，sigmoid层使得输出向量中的所有元素值都在[0,1]区间内，进而实现多标签分类。
4.如权利要求1或2所述的一种基于深度学习的预降噪通信物理层盲接收方法，其特征在于，步骤S3中，所述均方误差损失函数使用如下方式计算：
其中，Zi是第i个样本的标签，是深度神经网络对第i个样本的预测值。
5.如权利要求1或2所述的一种基于深度学习的预降噪通信物理层盲接收方法，其特征在于，步骤S3中，所述交叉熵损失函数使用如下方式计算：
其中，NB是小批量的样本数，是第i个样本中的第m比特位的标签，/>是深度神经网络对第i个样本的第m比特进行预测的结果。
6.如权利要求1或2所述的一种基于深度学习的预降噪通信物理层盲接收方法，其特征在于，步骤S3中，所述PDN模型以最小化均方误差训练，所述SLSTM模型以最小化交叉熵误差训练，并以Nadam算法作为模型训练的优化算法；对于Nadam算法，初始学习比率设置为LR，小批量样本数设置为NB；为防止过拟合，当损失函数趋于稳定后，学习率调整为原始学习率的1/2，此外，当连续N个epoch验证损失没有改善时，训练停止，以确定epoch的值，以实现更好的泛化性能。
7.如权利要求1或2所述的一种基于深度学习的预降噪通信物理层盲接收方法，其特征在于，步骤S4的过程为：首先，将步骤S1生成的测试数据集特征标签对(y，s)中的y输入到步骤S3中生成无线通信物理层接收机，得到预测标签然后将预测标签/>与真实数据标签s对比计算出BER。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311704661.8A CN117692104A (zh) | 2023-12-11 | 2023-12-11 | 一种基于深度学习的预降噪通信物理层盲接收方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311704661.8A CN117692104A (zh) | 2023-12-11 | 2023-12-11 | 一种基于深度学习的预降噪通信物理层盲接收方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117692104A true CN117692104A (zh) | 2024-03-12 |
Family
ID=90131467
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311704661.8A Pending CN117692104A (zh) | 2023-12-11 | 2023-12-11 | 一种基于深度学习的预降噪通信物理层盲接收方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117692104A (zh) |
-
2023
- 2023-12-11 CN CN202311704661.8A patent/CN117692104A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110166391B (zh) | 脉冲噪声下基于深度学习的基带预编码msk信号解调方法 | |
| CN108650201B (zh) | 基于神经网络的信道均衡方法、译码方法及对应设备 | |
| US20050286659A1 (en) | Reduced bitstream candidate based receiver and received signal processing method | |
| Ye et al. | Circular convolutional auto-encoder for channel coding | |
| CN113269077A (zh) | 基于改进门控网络和残差网络的水声通信信号调制方式识别方法 | |
| CN115694518A (zh) | 基于gmm-hmm的卷积码解码方法和*** | |
| Teng et al. | Neural network-based equalizer by utilizing coding gain in advance | |
| CN113114603B (zh) | 一种mimo-ofdm***的信息恢复方法及装置 | |
| Meenalakshmi et al. | Enhancing channel estimation accuracy in polar-coded MIMO–OFDM systems via CNN with 5G channel models | |
| Cao et al. | Learning to denoise and decode: A novel residual neural network decoder for polar codes | |
| CN117692104A (zh) | 一种基于深度学习的预降噪通信物理层盲接收方法 | |
| CN110752852B (zh) | 极化码的bp译码方法、装置、***、设备及存储介质 | |
| CN115208483B (zh) | 一种极地脉冲干扰下的水声通信方法 | |
| CN115276912B (zh) | 基于高斯近似改进极化码的译码级联迭代水声通信*** | |
| CN115314163B (zh) | 基于蒙特卡罗极化码的译码级联迭代的水声通信*** | |
| US20190229838A1 (en) | Fast decoding method and device suitable for ovxdm system, and ovxdm system | |
| Zhang et al. | Blind recognition of channel coding based on CNN-BLSTM | |
| CN113114423B (zh) | 一种自适应球形译码检测方法 | |
| Zhao et al. | An End-to-End Demodulation System Based on Convolutional Neural Networks | |
| CN112803951A (zh) | 一种降低通信***接收信号的噪声的方法及接收端和通信*** | |
| Ou et al. | A neural network-aided Viterbi receiver for joint equalization and decoding | |
| CN111769975A (zh) | Mimo***信号检测方法及*** | |
| CN116055273B (zh) | 一种神经网络级联的qpsk接收机及其辅助模型训练方法 | |
| CN110719112A (zh) | 一种基于深度学习的参数自适应rs码译码方法 | |
| CN115499098B (zh) | 自适应的物理层网络编码传输方法、装置、设备及介质 |
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 |