CN108540419B - 一种基于深度学习的抗子载波间干扰的ofdm检测方法 - Google Patents

一种基于深度学习的抗子载波间干扰的ofdm检测方法 Download PDF

Info

Publication number
CN108540419B
CN108540419B CN201810234260.3A CN201810234260A CN108540419B CN 108540419 B CN108540419 B CN 108540419B CN 201810234260 A CN201810234260 A CN 201810234260A CN 108540419 B CN108540419 B CN 108540419B
Authority
CN
China
Prior art keywords
ofdm
deep
training
network
detection
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
CN201810234260.3A
Other languages
English (en)
Other versions
CN108540419A (zh
Inventor
赵春明
李骁敏
姜明
黄启圣
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN201810234260.3A priority Critical patent/CN108540419B/zh
Publication of CN108540419A publication Critical patent/CN108540419A/zh
Application granted granted Critical
Publication of CN108540419B publication Critical patent/CN108540419B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H04L27/2647—Arrangements specific to the receiver only
    • H04L27/2649—Demodulators
    • H04L27/265—Fourier transform demodulators, e.g. fast Fourier transform [FFT] or discrete Fourier transform [DFT] demodulators
    • 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
    • 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
    • H04L25/03821—Inter-carrier interference cancellation [ICI]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/18—Phase-modulated carrier systems, i.e. using phase-shift keying
    • H04L27/22—Demodulator circuits; Receiver circuits

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Discrete Mathematics (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)

Abstract

本发明公开了一种基于深度学习的抗子载波间干扰的OFDM检测方法，可应用于高速移动的OFDM通信系统和毫米波段载波相位噪声较大的OFDM系统，可有效对抗多普勒频偏和相位噪声带来的子载波间干扰。本发明为逼近ML检测器，利用深度展开的方式基于投影梯度下降法设计了深度网络结构，训练算法为Adam算法，采用微小批次(batch)的训练方式，每个批次包含多个输入输出OFDM符号及对应的信道矩阵H，即每个批次反映了一段时间内信道的变化。通过训练先遍历一遍不同的信道信息，再循环使用这些信道信息进行深度学习，达到损失函数收敛到一个很小的值。利用训练好的深度检测网络解调OFDM信号，有效提高受较大多普勒频偏或相位噪声产生的子载波间干扰影响的OFDM系统检测的性能。

Description

一种基于深度学习的抗子载波间干扰的OFDM检测方法
技术领域
本发明涉及一种基于深度学习的抗子载波间干扰(Inter-CarrierInterference,ICI)的OFDM检测方法，属于无线移动通信技术领域。
背景技术
OFDM技术能将高速数据流通过串并变换，变成低速并行数据流调制到相互正交的子载波上进行传输，通过添加循环前缀能够消除符号间干扰。从频域角度看，由于OFDM中子载波间隔小于信道的相干带宽，因此OFDM能够很好的对抗频率选择性衰落，并且OFDM技术容易和多输入多输出相结合，采用功率分配和自适应调制技术能够获得空间的分集和复用增益，最大程度满足信道传输的要求。因此OFDM技术已经成为无线局域网，WiMAX和3GPP长期演进系统(4G)的关键技术。
OFDM系统的缺点在于其对于高速移动带来的Doppler频偏和载波相位噪声较为敏感，由此产生的子载波间的干扰会严重影响系统性能。OFDM技术将高速数据流调制到正交的子载波上，高速移动导致信道是快速时变的，反映在Doppler频偏上，时变速度越快，Doppler频偏越大，由此产生的子载波间干扰越大。从频域来看Doppler频偏产生的频率扩展破坏了子载波之间的正交性，导致接收端频域子载波间干扰，这是高速铁路场景下、毫米波段以及低轨卫星系统OFDM应用的一个瓶颈。目前已有的降低ICI影响的技术主要包括：时域加窗、频域均衡，经典ICI干扰自消除方法以及Doppler分集。另外还有一些通过引入其他技术来降低ICI的方法，例如通过采用全相位谱分析技术来压低子载波旁瓣的影响以降低ICI等。
近年来深度学习已经被成功应用于计算机视觉、自然语言处理等领域，其在通信系统物理层的应用也逐渐受到更多的关注，尤其是在未来通信系统更高速度、更低延时、更精确处理的要求下，深度学习由于其卓越的函数逼近能力、并行处理结构以及方便的优化能力成为一种颇有希望的技术。多种多样的框架库如Tensorflow、Theano、Caffe等可以用于加速试验以及高效地使用神经网络结构。Adagrad、Momentum、Adam等自适应学习率算法的提出也进一步提高了收敛速率，减少了计算复杂度，避免了收敛到局部最优解。
综上所述，由于已有的ICI消除方式存在复杂度高、频谱利用率低等问题，而深度学习展现出很强的算法学习潜力，因此期望能够基于深度学习找到一种检测网络有效对抗ICI对系统性能的影响。
发明内容
针对OFDM系统中Doppler频偏和相位噪声带来的ICI问题，本发明基于深度学习为OFDM通信系统提供一种基于深度学习的抗子载波间干扰的OFDM检测方法，通过训练深度检测网络来逼近最优ML解调器性能。
本发明为解决上述技术问题采用以下技术方案：
本发明提供一种基于深度学习的抗子载波间干扰的OFDM检测方法，通过一种深度检测网络进行OFDM检测，其中，深度检测网络的结构为：
Figure BDA0001603526010000021
式中，
Figure BDA0001603526010000023
分别表示第k+1层、第k层网络的输出，H表示ICI信道矩阵，Y表示接收符号；
Figure BDA0001603526010000024
表示由线性整流函数ρ(x)＝max{0,x}构造的分段函数，
Figure BDA0001603526010000025
Wk、bk、tk均为第k层的网络参数。
作为本发明的进一步技术方案，所述深度检测网络使用Tensorflow框架搭建而成。
作为本发明的进一步技术方案，所述深度检测网络采用Adam算法、微小批次的方式进行训练。
作为本发明的进一步技术方案，训练使用的学习率参考值为0.005，微小批次大小的参考值为500。
作为本发明的进一步技术方案，采用微小批次的方式训练深度检测网络时，每个批次包含反映了一段时间内信道的变化的多个发送、接收符号及对应的信道矩阵，且发送符号随机产生，训练信噪比均匀分布在系统最小信噪比和最大信噪比之间；训练时先遍历一遍不同的信道信息，再循环使用这些信道信息进行训练，直到损失函数收敛。
作为本发明的进一步技术方案，为了增强训练的稳定性，对于条件数大于104的信道矩阵在训练时剔除，但在测试时不做任何剔除操作。
作为本发明的进一步技术方案，采用Adam算法训练深度检测网络，利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率。
作为本发明的进一步技术方案，所述深度检测网络的损失函数定义如下：
Figure BDA0001603526010000026
式中，L表示深度检测网络的总层数，X表示发送符号，
Figure BDA0001603526010000027
作为本发明的进一步技术方案，当调制阶数为QPSK调制及更高阶调制时，将OFDM系统频域模型Y＝HX+W转换为等效实数模型。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：本发明提供的深度检测网络实现了一种抗ICI的OFDM检测方式，其核心思想是通过训练深度检测网络来逼近最优ML解调器，其有益效果在于针对OFDM调制在较大多普勒频偏或相位噪声传输环境中性能下降的问题，该检测网络有效解决了存在子载波间干扰(ICI)的OFDM调制信号的解调问题，提升了系统性能。
附图说明
图1为该发明设计的深度检测网络结构示意图；
图2为归一化多普勒频偏为0.16，子载波数为16，调制方式为QPSK时，深度神经网络的检测性能图；
图3为归一化多普勒频偏为0.24，子载波数为16，调制方式为QPSK时，深度神经网络的检测性能图；
图4为归一化多普勒频偏为0.16，子载波数为32，调制方式为QPSK时，深度神经网络的检测性能图。
图5为归一化多普勒频偏为0.1，子载波数为32，调制方式为QPSK时，深度神经网络的检测性能图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
本发明为逼近ML检测器，利用深度展开的方式基于投影梯度下降法设计了深度网络结构，可以用于受较大多普勒频偏或受较大相位噪声影响的OFDM系统的检测，训练算法为Adam算法，采用微小批次的训练方式，每个批次包含多个输入输出OFDM符号及对应的信道矩阵H，即每个批次反映了一段时间内信道的变化，该时间应大于信道相干时间。训练先遍历一遍不同的信道信息，再循环使用这些信道信息进行深度学习，直到损失函数收敛到一个很小的值。为了增强训练的稳定性，对于条件数大于10^4的信道矩阵在训练时剔除，但在测试时不做任何剔除操作。训练好的深度检测网络会有效提高存在子载波间干扰的OFDM系统的性能。
在时变多径信道模型中，当发送信号x(n,l)通过信道h(n,l)时，接收信号可以表示为：
Figure BDA0001603526010000031
其中，*表示卷积，P是离散径的数目，h(n,l)表示在第n个采样间隔第l个径的时变复增益，w(n)是加性白高斯噪声。
在接收端假设经过完美的同步，去除CP后进行N点FFT，N表示子载波数目，频域第m个子载波上的信号为：
Figure BDA0001603526010000041
其中，X[q]表示第q个子载波上传输的已调信号，W[m]是w(n)的FFT变换，仍是AWGN；
Figure BDA0001603526010000042
是时变多径信道抽头l的FFT变换，表示抽头l的时变特征，
Figure BDA0001603526010000043
可写成：
Figure BDA0001603526010000044
由式(2)可以看出，等式右边第一项是第m个子载波承载的数据和相应的信道冲激响应的频率响应，衰落因子由多径频率选择性产生，不含时变信道成分；第二项是其余子载波对第m个子载波的ICI。可见公式(2)可以被简单地写为：
Figure BDA0001603526010000045
其中，ICIm和H[m]分别表示ICI和由第m个子载波上的多径造成的信道频域响应。
进一步地，用H表示ICI信道矩阵，即为包含子载波间交叉项的非对角阵。矩阵H中的元素H(i,j)表示子载波间的ICI系数，可由公式(2)(3)计算得到。这样公式(2)可以表示为：
Y＝HX+W (5)
H的对角线元素是对应子载波上的衰落因子，非对角线元素是ICI干扰系数。当调制阶数为QPSK调制及更高阶调制时，(5)式为复数模型，可以转换为等效实数模型如下：
Figure BDA0001603526010000046
检测的目标是通过接收符号Y和信道矩阵H来得到发送符号的估计
Figure BDA0001603526010000047
检测结构即为函数
Figure BDA0001603526010000048
其中θ为检测结构的系数。训练的目的是在合理的集合内找到最佳的估计值
Figure BDA0001603526010000049
为了找到最佳的检测器，设定一个衡量真实符号和估计值之间的误差函数
Figure BDA00016035260100000410
接着，通过最小化这个误差函数来找到θ：
Figure BDA00016035260100000411
其中期望是对于式(5)中的随机变量。训练的过程就是找到最佳的系数集θ来最小化误差函数满足分布(5)的期望。(7)的解是ML检测器：
Figure BDA0001603526010000051
其中N表示子载波数目。最大似然准则在准确度方面是最优的，但是却需要很大的搜索量。
为了逼近ML检测器，基于投影梯度下降法将根据式(8)可得下面循环的形式：
Figure BDA0001603526010000052
其中，
Figure BDA0001603526010000053
表示第k次循环的估计值，Π[·]是一个非线性映射操作，δk是步进大小。根据(9)式可以得到下面的检测网络结构：
Figure BDA0001603526010000054
其中，
Figure BDA0001603526010000055
表示由线性整流函数ρ(x)＝max{0,x}构造的分段函数，定义如下：
Figure BDA0001603526010000056
网络结构如附图1所示，为了训练得到网络参数的最佳取值，定义损失函数如下：
Figure BDA0001603526010000057
其中，
Figure BDA0001603526010000058
是标准的解相关的方法。L为深度网络的总层数，X为实际的发送符号，也即期望得到的检测符号。该损失函数联合考虑了深度网络各层的输出，相对解相关方法检测结果进行了归一化。
该方案设计的检测网络，可应用于较大多普勒频偏或较大相位噪声下的OFDM系统的检测，该方法具体包括以下步骤：
(1)在存在较大多普勒频偏或较大相位噪声影响的OFDM系统中，接收端进行信道估计，获得上述原理中所介绍的频域信道矩阵H，构建如公式(5)所示的OFDM系统频域模型。
(2)构造深度网络训练集，包括满足系统模型的发送符号X，接收符号Y以及相应的频域信道矩阵H。如果调制为QPSK调制及更高阶的调制，则需要按照公式(6)转换为其等效实数模型，将H、X、Y对应由实部和虚部表示，保证输入网络的数据及网络中每个节点都是实数形式。
(3)搭建如附图1所示的深度检测网络结构，本发明示例是使用Tensorflow框架搭建。
(4)使用训练集训练网络参数，训练采用微小批次的方式，每个批次包含多个输入输出OFDM符号(发送符号X，接收符号Y)及对应的信道矩阵H，即每个批次反映了一段时间内信道的变化，该时间应大于信道相干时间。每次发送的OFDM符号随机产生，训练信噪比均匀分布在系统最小信噪比和最大信噪比之间。训练先遍历一遍不同的信道信息，再循环使用这些信道信息进行训练，直到损失函数收敛到一个很小的值。为了增强训练的稳定性，对于条件数大于10^4的信道矩阵在训练时剔除，但在测试时不做任何剔除操作。训练算法为Adam算法，利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率。训练使用的学习率参考值为0.005，微小批次大小的参考值为500。
训练好的网络即可用于受到较大多普勒频偏或较大相位噪声影响的OFDM系统的检测，且在训练信噪比范围内都可适用。网络的输出为调制符号的实部和虚部，对应组合成相应复数符号后进行解调。解调结果即为发送的信息比特。
本实施方式主要包括以下步骤：首先根据需要设定相应的归一化多普勒频偏大小，仿真产生瑞利信道，由说明书中公式(2)(3)计算得频域信道矩阵，接着根据OFDM频域系统模型(5)独立产生训练数据集和测试数据集，每个数据集中包括若干发送符号、接收符号和对应的信道，每个发送的OFDM符号随机产生，训练数据信噪比均匀分布在系统最小信噪比和最大信噪比之间。将训练数据集分为多个批次用于训练深度网络，测试数据集用于测试深度网络检测性能。之后搭建如附图1所示的深度网络，使用训练数据集训练该网络，直到损失函数收敛到一个很小的值。最后用测试数据集测试训练好的网络的检测性能，方法是将测试数据集中的接收符号输入该网络，将网络检测输出的符号解调之后与原信息比特比较，获得检测误比特率，再加之与直接解相关的方式比较来衡量检测性能。
仿真示例1
仿真条件如下：
子载波数 16 深度网络层数 30
调制方式 QPSK 批次大小 500
采样速率 1Mbps 训练集信道个数 100000
最大多普勒频偏 10kHz 整体循环次数 500
归一化多普勒频偏 0.16
仿真信道使用六个时延径的瑞利信道，相对功率大小使用ITU车辆-A信道模型参数。图2给出了以上条件下的仿真结果，可以看出与直接解相关的方式相比，深度网络检测比特错误率小约2dB。
仿真示例2
仿真条件如下：
子载波数 16 深度网络层数 30
调制方式 QPSK 批次大小 500
采样速率 1Mbps 训练集信道个数 100000
最大多普勒频偏 15kHz 整体循环次数 500
归一化多普勒频偏 0.24
仿真信道使用六个时延径的瑞利信道，相对功率大小使用ITU车辆-A信道模型参数。图3给出了以上条件下的仿真结果，可以看出与直接解相关的方式相比，深度网络检测比特错误率小约4dB。与图2相比，也可以看出深度检测网络性能基本不会受到多普勒频偏大小的影响。
仿真示例3
仿真条件如下：
子载波数 32 深度网络层数 30
调制方式 QPSK 批次大小 500
采样速率 1Mbps 训练集信道个数 100000
最大多普勒频偏 5kHz 整体循环次数 500
归一化多普勒频偏 0.16
仿真信道使用四个时延径的瑞利信道，相对功率大小使用ITU行人-A信道模型参数。图4给出了以上条件下的仿真结果，可以看出与直接解相关的方式相比，深度网络检测比特错误率小约4-6dB。
仿真示例4
仿真条件如下：
子载波数 32 深度网络层数 30
调制方式 QPSK 批次大小 500
采样速率 1Mbps 训练集信道个数 100000
最大多普勒频偏 3.1kHz 整体循环次数 500
归一化多普勒频偏 0.1
仿真信道使用四个时延径的瑞利信道，相对功率大小使用ITU行人-A信道模型参数。图5给出了以上条件下的仿真结果，可以看出与直接解相关的方式相比，深度网络检测比特错误率小约2-3dB。
综上所述，本发明公开了一种基于深度学习的抗子载波间干扰的OFDM检测方法，可应用于高速移动的OFDM通信系统和毫米波段载波相位噪声较大的OFDM系统，可有效对抗多普勒频偏和相位噪声带来的子载波间干扰。本发明为逼近ML检测器，利用深度展开的方式基于投影梯度下降法设计了深度网络结构，训练算法为Adam算法，采用微小批次(batch)的训练方式，每个批次包含多个输入输出OFDM符号及对应的信道矩阵H，即每个批次反映了一段时间内信道的变化。通过训练先遍历一遍不同的信道信息，再循环使用这些信道信息进行深度学习，达到损失函数收敛到一个很小的值。利用训练好的深度检测网络解调OFDM信号，会有效提高受较大多普勒频偏或相位噪声产生的子载波间干扰影响的OFDM系统检测的性能。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，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)

1.一种基于深度学习的抗子载波间干扰的OFDM检测方法，其特征在于，通过一种深度检测网络进行OFDM检测，其中，深度检测网络的结构为：
Figure FDA0002723872440000011
Figure FDA0002723872440000012
式中，
Figure FDA0002723872440000013
分别表示第k+1层、第k层网络的输出，H表示ICI信道矩阵，Y表示接收符号；
Figure FDA0002723872440000014
表示由线性整流函数ρ(x)＝max{0,x}构造的分段函数，
Figure FDA0002723872440000015
Wk、bk、tk均为第k层的网络参数；
所述深度检测网络采用Adam算法、微小批次的方式进行训练；采用微小批次的方式训练深度检测网络时，每个批次包含反映了一段时间内信道的变化的多个发送、接收符号及对应的信道矩阵，且发送符号随机产生，训练信噪比均匀分布在系统最小信噪比和最大信噪比之间；训练时先遍历一遍不同的信道信息，再循环使用这些信道信息进行训练，直到损失函数收敛。
2.根据权利要求1所述的一种基于深度学习的抗子载波间干扰的OFDM检测方法，其特征在于，所述深度检测网络使用Tensorflow框架搭建而成。
3.根据权利要求1所述的一种基于深度学习的抗子载波间干扰的OFDM检测方法，其特征在于，训练使用的学习率参考值为0.005，微小批次大小的参考值为500。
4.根据权利要求1所述的一种基于深度学习的抗子载波间干扰的OFDM检测方法，其特征在于，对于条件数大于104的信道矩阵,在训练时剔除，但在测试时不剔除。
5.根据权利要求1所述的一种基于深度学习的抗子载波间干扰的OFDM检测方法，其特征在于，所述深度检测网络的损失函数定义如下：
Figure FDA0002723872440000016
式中，L表示深度检测网络的总层数，X表示发送符号，
Figure FDA0002723872440000017
6.根据权利要求1所述的一种基于深度学习的抗子载波间干扰的OFDM检测方法，其特征在于，当调制阶数为QPSK调制及更高阶调制时，将OFDM系统频域模型Y＝HX+W转换为等效实数模型。
CN201810234260.3A 2018-03-21 2018-03-21 一种基于深度学习的抗子载波间干扰的ofdm检测方法 Active CN108540419B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810234260.3A CN108540419B (zh) 2018-03-21 2018-03-21 一种基于深度学习的抗子载波间干扰的ofdm检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810234260.3A CN108540419B (zh) 2018-03-21 2018-03-21 一种基于深度学习的抗子载波间干扰的ofdm检测方法

Publications (2)

Publication Number Publication Date
CN108540419A CN108540419A (zh) 2018-09-14
CN108540419B true CN108540419B (zh) 2020-12-01

Family

ID=63484972

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810234260.3A Active CN108540419B (zh) 2018-03-21 2018-03-21 一种基于深度学习的抗子载波间干扰的ofdm检测方法

Country Status (1)

Country Link
CN (1) CN108540419B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109587093B (zh) * 2018-10-30 2021-07-13 东南大学 一种基于级联结构的深度学习网络ofdm信号检测方法
CN109218233B (zh) * 2018-11-14 2021-07-20 国家电网有限公司 基于深度特征融合网络的ofdm信道估计方法
CN109657604B (zh) * 2018-12-17 2021-02-12 中国人民解放军战略支援部队信息工程大学 基于循环神经网络的卫星幅相信号识别解调方法及装置
CN109921822A (zh) * 2019-02-19 2019-06-21 哈尔滨工程大学 基于深度学习的非线性数字自干扰消除的方法
CN109995449B (zh) * 2019-03-15 2020-12-18 北京邮电大学 一种基于深度学习的毫米波信号检测方法
CN111510402B (zh) * 2020-03-12 2021-08-27 西安电子科技大学 基于深度学习的ofdm信道估计方法
CN111404849B (zh) * 2020-03-20 2021-01-12 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
CN111669344B (zh) * 2020-06-01 2022-01-07 西北工业大学 一种基于深度学习的时变ofdm系统信号检测方法
CN112054832B (zh) * 2020-09-08 2021-10-15 西安交通大学 一种深度学习多输入多输出检测方法
CN113872911B (zh) * 2021-10-15 2023-10-24 齐鲁工业大学 模型驱动的正交频分复用系统高峰均比抑制方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107332598A (zh) * 2017-06-26 2017-11-07 浙江理工大学 一种基于深度学习的mimo系统联合预编码和天线选择方法
CN107769828A (zh) * 2017-09-27 2018-03-06 中国电子科技集团公司第五十四研究所 一种基于特征值提取的csi‑mimo室内定位方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107332598A (zh) * 2017-06-26 2017-11-07 浙江理工大学 一种基于深度学习的mimo系统联合预编码和天线选择方法
CN107769828A (zh) * 2017-09-27 2018-03-06 中国电子科技集团公司第五十四研究所 一种基于特征值提取的csi‑mimo室内定位方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"Deep MIMO Detection";Neev Samuel等;《2017 IEEE 18th International Workshop on Signal Processing Advances in Wireless Communications (SPAWC)》;20170706;正文第2、3节 *

Also Published As

Publication number Publication date
CN108540419A (zh) 2018-09-14

Similar Documents

Publication Publication Date Title
CN108540419B (zh) 一种基于深度学习的抗子载波间干扰的ofdm检测方法
CN1802831B (zh) 用于ofdm信号的自适应相位补偿的方法和装置
CN101778069B (zh) 一种新型ofdm信道估计联合ici自消除方法
Lin et al. Linear precoding assisted blind channel estimation for OFDM systems
CN112737987B (zh) 一种新型的基于深度学习的时变信道预测方法
CN102291363B (zh) 一种用于ofdm系统的信道估计及数据检测方法
Zhang et al. Deep learning based on orthogonal approximate message passing for CP-free OFDM
US11044121B2 (en) Multicarrier communication system for doubly selective channels using virtual trajectories receiver
Wang et al. Preamble design with interference cancellation for channel estimation in MIMO-FBMC/OQAM systems
CN101018219B (zh) 一种空频信号处理方法
Li et al. Hybrid carrier communication with partial FFT demodulation over underwater acoustic channels
CN108881080B (zh) 一种基于滑动窗与深度学习的ofdm抗ici检测方法
Qing Yang Modulation classification based on extensible neural networks
CN113866752A (zh) 一种svd预编码的mimo-otfs雷达目标检测方法
CN112822130B (zh) 一种5g高速移动系统中基于深度学习的多普勒频偏估计方法
ZHANG et al. Performance of LDPC coded OTFS systems over high mobility channels
Zhang et al. Generative adversarial network-based channel estimation in high-speed mobile scenarios
CN116488965A (zh) 一种联合感知与通信一体化方法
Pihlajasalo et al. Deep learning based OFDM physical-layer receiver for extreme mobility
Zhao et al. Model-driven based deep unfolding equalizer for underwater acoustic OFDM communications
CN116248444A (zh) 基于改进卷积神经网络的车联网中otfs系统信道估计方法
Munshi et al. Design Simulation and Evaluation of SISO/MISO/MIMO OFDM Systems
Kojima et al. Towards Deep Learning-Guided Multiuser SNR and Doppler Shift Detection for Next-Generation Wireless Systems
Gao et al. Research on OTFS Performance Based on Joint-Sparse Fast Time-Varying Channel Estimation
Thomas et al. Null-subcarrier based channel estimation and mutual interference reduction in MIMO OFDM systems

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