CN108566257A - 一种基于反向传播神经网络的信号恢复方法 - Google Patents
一种基于反向传播神经网络的信号恢复方法 Download PDFInfo
- Publication number
- CN108566257A CN108566257A CN201810389984.5A CN201810389984A CN108566257A CN 108566257 A CN108566257 A CN 108566257A CN 201810389984 A CN201810389984 A CN 201810389984A CN 108566257 A CN108566257 A CN 108566257A
- Authority
- CN
- China
- Prior art keywords
- signal
- neural network
- network model
- layer
- artificial neural
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
-
- 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
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Optical Communication System (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明公开了一种基于反向传播神经网络的信号恢复方法,包括以下步骤:S1.获取未知信道中,信号发送端的插入导频信息和信号接收端的接收导频信息,并据此构建训练样本集;S2.建立由输入层、隐含层和输出层构成的反向传播神经网络模型;S3.将训练样本集中的各组样本信息依次输入反向传播神经网络模型进行训练,得到训练成熟的反向传播神经网络模型;S4.信号接收端从未知信道中接收信号,输入到训练成熟的反向传播神经网络模型中,恢复出信号发射端发送的原始信号。本发明能够根据信号接收端从未知信道中的接收信号,恢复出信号发射端发送的原始信号,避免未知信道带来的信号失真,提高了信号传输的准确性和稳定性。
Description
技术领域
本发明涉及无线通信领域,特别是涉及一种基于反向传播神经网络的信号恢复方法。
背景技术
在基于物理信道特性的安全通信模型中,信道信息是关键点,因此,更准确的信道信息能够恢复更准确的信息信号,理论上,给定完美的信道信息(CSI),发射机可以执行更合理的安全编码和其他先进的信号处理技术,以确保安全性;通常情况下在物理信道特性的安全通信模型中信道估计过程假设是完美的。然而实际的信道估计存在估计误差,高的信道估计误差严重影响接收信号的准确性。
因此,信道估计对于物理信道的通信安全非常重要,神经网络是学习,反馈和追踪的强大工具;特别地,神经网络可以在信道估计故障情况下恢复信道信息,为传输信号的准确率,因此神经网络在信道估计过程中有着广泛的应用;但是,目前信道建模中所利用的神经网络主要是实值神经网络,与实际信道之间存在着较大的差异,不利于信道信息的准确估计,在实际应用中还存在着一些不足。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于反向传播神经网络的信号恢复方法,能够根据信号接收端从未知信道中的接收信号,恢复出信号发射端发送的原始信号,避免未知信道带来的信号失真,提高了信号传输的准确性和稳定性。
本发明的目的是通过以下技术方案来实现的:一种基于反向传播神经网络的信号恢复方法,包括以下步骤:
S1.获取未知信道中,信号发送端的插入导频信息和信号接收端的接收导频信息,并据此构建训练样本集;
S2.建立由输入层、隐含层和输出层构成的反向传播神经网络模型;
S3.将训练样本集中的各组样本信息依次输入反向传播神经网络模型进行训练,得到训练成熟的反向传播神经网络模型;
S4.信号接收端从未知信道中接收信号,输入到训练成熟的反向传播神经网络模型中,恢复出信号发射端发送的原始信号。
其中,所述步骤S1包括以下子步骤:
在未知信道的信息发送端依次插入导频信号其中,CN表示N维复值向量;
在未知信道的信息接收端提取对应的接收导频信号Z1,Z2,...,Zq,...,ZT;其中,Zq∈CM,q=1,2,3,...,T;CM表示M维复值向量;
将每一个接收导频信号Zq与对应的插入导频信号作为一组样本数据 构建信号接收端到信号发射端的训练样本集
其中,所述步骤S2包括以下子步骤:
S201.建立由输入层、隐含层和输出层构成的反向传播神经网络模型:输入层包含M个神经元节点,隐含层包含L个神经元节点,输出层包括N个神经元节点,所述隐含层的激活函数为fa(z)=ez;
S202.建立连接输入层和隐含层的权重矩阵V0:
建立连接隐含层和输出层的权重矩阵V1:
建立隐含层各个神经元的偏置向量b:
b=[b1,...bL]T;
设反向传播神经网络模型输入zi,i=1,2,...,M;其中i表示输入层中第i个神经元的输入;则反向神经网络模型输出yk为:
其中,k表示输出层中第k个神经元的输出;表示隐含层中第l个神经元得到的输出值:
即
其中,所述步骤S3包括以下子步骤:
S301.依次提取训练样本集中的各组样本数据作为训练数据;
S302.将当前训练数据中的接收导频信号输入反向传播神经网络模型,计算反向传播神经网络模型的输出信号,并计算输出信号与插入导频信号的均方误差;具体地,所述步骤S302包括:
将当前训练数据中接收导频信号的M维复值与反向传播神经网络模型输入层的M个神经元一一对应,进行信号输入,由反向传播神经网络模型计算输出信号:设输入层中第i个神经元的输入为zi,i=1,2,...,M;则输出层中第k个神经元的输出为:
式中,
计算反向传播神经网络模型输出信号与当前训练数据中插入导频信号的均方误差E:
式中, 表示当前训练数据中插入导频信号的第k维数据,yk表示反向传播神经网络模型输出层中第k个神经元的输出。
S303.判断均方误差是否小于预设阈值,若是,训练完成,得到成熟的反向传播神经网络模型;若否,进入步骤S304;
S304.利用梯度下降学习算法,对反向传播神经网络模型的权值矩阵和偏置矩阵进行更新;具体地,所述步骤S304包括以下步骤:
计算输入层与隐含层的权重矩阵增量隐含层与输出层的权重矩阵增量以及隐含层的偏置向量增量Δbj(n+1):
式中,fa′(·)为fa(·)的一阶导数,η1,η2和η3表示学习速率,θ1,θ2和θ3是动量系数,n是表示学习时间的时间步长,n+1表示当前学习周期;
计算更新后输入层与隐含层的权重矩阵更新后隐含层与输出层的权重矩阵以及更新后的偏置向量bj(n+1):
bj(n+1)=bj(n)+Δbj(n)。
S305.返回步骤S301,重复进行步骤S301~S304,直至均方误差小于预设阈值为止。
本发明的有益效果是:(1)本发明基于反向传播神经网络,构建信号接收端到信号发射端的未知信道模型,并利用信号发送端的插入导频信息和信号接收端的接收导频信息构成的训练样本集对信道模型进行训练,在模型训练成熟后,能够根据信号接收端从未知信道中接收到的信号,恢复出信号发射端发送的原始信号,避免未知信道带来的信号失真,提高了信号传输的准确性和稳定性。
(2)本发明基于复值下的反向传播神经网络进行信道建模,考虑一个复数无线通信信号的实部和虚部之间的关系,与常用实值神经网络相比,更加贴近与实际信道,信道模型准确性更高,降低了信道估计误差对信号传输带来的不利影响。
(3)本发明基于反向传播神经网络的建模和训练,能够有效地存储信道信息,进而有利于跟踪和预测信道变化。
(4)本发明中,虽然反向传播神经网络不断迭代优化,但是每次迭代的计算复杂度低,占用的计算资源不多,并且与传统的最小二乘(LS)信道估计方法相比,本发明大大降低了比特错误率(BER),提高了系统的性能。
附图说明
图1为本发明的方法流程图;
图2为反向传播神经网络模型示意图;
图3为不同信道估计系统在各信噪比下的误比特率示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,一种基于反向传播神经网络的信号恢复方法,包括以下步骤:
S1.获取未知信道中,信号发送端的插入导频信息和信号接收端的接收导频信息,并据此构建训练样本集;
S2.建立由输入层、隐含层和输出层构成的反向传播神经网络模型;
S3.将训练样本集中的各组样本信息依次输入反向传播神经网络模型进行训练,得到训练成熟的反向传播神经网络模型;
S4.信号接收端从未知信道中接收信号,输入到训练成熟的反向传播神经网络模型中,恢复出信号发射端发送的原始信号。
其中,所述步骤S1包括以下子步骤:
在未知信道的信息发送端依次插入导频信号其中,CN表示N维复值向量;
在未知信道的信息接收端提取对应的接收导频信号Z1,Z2,...,Zq,...,ZT;其中,Zq∈CM,q=1,2,3,...,T;CM表示M维复值向量;
将每一个接收导频信号Zq与对应的插入导频信号作为一组样本数据 构建信号接收端到信号发射端的训练样本集
如图2所示,所述步骤S2包括以下子步骤:
S201.建立由输入层、隐含层和输出层构成的反向传播神经网络模型:输入层包含M个神经元节点,隐含层包含L个神经元节点,输出层包括N个神经元节点,所述隐含层的激活函数为fa(z)=ez;
S202.建立连接输入层和隐含层的权重矩阵V0:
建立连接隐含层和输出层的权重矩阵V1:
建立隐含层各个神经元的偏置向量b:
b=[b1,...bL]T;
设反向传播神经网络模型输入zi,i=1,2,...,M;其中i表示输入层中第i个神经元的输入;则反向神经网络模型输出yk为:
其中,k表示输出层中第k个神经元的输出;表示隐含层中第l个神经元得到的输出值:
即
其中,所述步骤S3包括以下子步骤:
S301.依次提取训练样本集中的各组样本数据作为训练数据;
S302.将当前训练数据中的接收导频信号输入反向传播神经网络模型,计算反向传播神经网络模型的输出信号,并计算输出信号与插入导频信号的均方误差;具体地,所述步骤S302包括:
将当前训练数据中接收导频信号的M维复值与反向传播神经网络模型输入层的M个神经元一一对应,进行信号输入,由反向传播神经网络模型计算输出信号:设输入层中第i个神经元的输入为zi,i=1,2,...,M;则输出层中第k个神经元的输出为:
式中,
计算反向传播神经网络模型输出信号与当前训练数据中插入导频信号的均方误差E:
式中, 表示当前训练数据中插入导频信号的第k维数据,yk表示反向传播神经网络模型输出层中第k个神经元的输出。
S303.判断均方误差是否小于预设阈值,若是,训练完成,得到成熟的反向传播神经网络模型;若否,进入步骤S304;
S304.利用梯度下降学习算法,对反向传播神经网络模型的权值矩阵和偏置矩阵进行更新;具体地,所述步骤S304包括以下步骤:
计算输入层与隐含层的权重矩阵增量隐含层与输出层的权重矩阵增量以及隐含层的偏置向量增量Δbj(n+1):
式中,fa′(·)为fa(·)的一阶导数,η1,η2和η3表示学习速率,θ1,θ2和θ3是动量系数,n是表示学习时间的时间步长,n+1表示当前学习周期;在本申请的实施例中,学习速率η1,η2和η3,以及动量系数θ1,θ2和θ3均为给定的已知实数。
计算更新后输入层与隐含层的权重矩阵更新后隐含层与输出层的权重矩阵以及更新后的偏置向量bj(n+1):
bj(n+1)=bj(n)+Δbj(n)。
如图3所示,在本申请的实施例中,给出了一个发射天线和四个接收天线的信道估计系统在各信噪比下的误比特率,该实施例中比较了实数值信道估计,最小二乘(LS)信道估计和本发明中的反向传播神经网络信道估计(BPNN)三种方法的误比特率性能,可见,本发明大大降低了比特错误率(BER),提高了系统的性能。
综上所述,本发明基于反向传播神经网络,构建信号接收端到信号发射端的未知信道模型,并利用信号发送端的插入导频信息和信号接收端的接收导频信息构成的训练样本集对信道模型进行训练,在模型训练成熟后,能够根据信号接收端从未知信道中接收到的信号,恢复出信号发射端发送的原始信号,避免未知信道带来的信号失真,提高了信号传输的准确性和稳定性;并且与传统的最小二乘(LS)信道估计方法相比,本发明大大降低了比特错误率(BER),提高了系统的性能。
Claims (6)
1.一种基于反向传播神经网络的信号恢复方法,其特征在于:包括以下步骤:
S1.获取未知信道中,信号发送端的插入导频信息和信号接收端的接收导频信息,并据此构建训练样本集;
S2.建立由输入层、隐含层和输出层构成的反向传播神经网络模型;
S3.将训练样本集中的各组样本信息依次输入反向传播神经网络模型进行训练,得到训练成熟的反向传播神经网络模型;
S4.信号接收端从未知信道中接收信号,输入到训练成熟的反向传播神经网络模型中,恢复出信号发射端发送的原始信号。
2.根据权利要求1所述的一种基于反向传播神经网络的信号恢复方法,其特征在于:所述步骤S1包括以下子步骤:
在未知信道的信息发送端依次插入导频信号其中,q=1,2,3,...,T;CN表示N维复值向量;
在未知信道的信息接收端提取对应的接收导频信号Z1,Z2,...,Zq,...,ZT;其中,Zq∈CM,q=1,2,3,...,T;CM表示M维复值向量;
将每一个接收导频信号Zq与对应的插入导频信号作为一组样本数据q=1,2,3,...,T,构建信号接收端到信号发射端的训练样本集q=1,2,3,...,T。
3.根据权利要求1所述的一种基于反向传播神经网络的信号恢复方法,其特征在于:所述步骤S2包括以下子步骤:
S201.建立由输入层、隐含层和输出层构成的反向传播神经网络模型:输入层包含M个神经元节点,隐含层包含L个神经元节点,输出层包括N个神经元节点,所述隐含层的激活函数为fa(z)=ez;
S202.建立连接输入层和隐含层的权重矩阵V0:
建立连接隐含层和输出层的权重矩阵V1:
建立隐含层各个神经元的偏置向量b:
b=[b1,...bL]T;
设反向传播神经网络模型输入zi,i=1,2,...,M;其中i表示输入层中第i个神经元的输入;则反向神经网络模型输出yk为:
其中,k表示输出层中第k个神经元的输出;表示隐含层中第l个神经元得到的输出值:
即
4.根据权利要求1所述的一种基于反向传播神经网络的信号恢复方法,其特征在于:所述步骤S3包括以下子步骤:
S301.依次提取训练样本集中的各组样本数据作为训练数据;
S302.将当前训练数据中的接收导频信号输入反向传播神经网络模型,计算反向传播神经网络模型的输出信号,并计算输出信号与插入导频信号的均方误差;
S303.判断均方误差是否小于预设阈值,若是,训练完成,得到成熟的反向传播神经网络模型;若否,进入步骤S304;
S304.利用梯度下降学习算法,对反向传播神经网络模型的权值矩阵和偏置矩阵进行更新;
S305.返回步骤S301,重复进行步骤S301~S304,直至均方误差小于预设阈值为止。
5.根据权利要求4所述的一种基于反向传播神经网络的信号恢复方法,其特征在于:所述步骤S302包括以下子步骤:
将当前训练数据中接收导频信号的M维复值与反向传播神经网络模型输入层的M个神经元一一对应,进行信号输入,由反向传播神经网络模型计算输出信号:设输入层中第i个神经元的输入为zi,i=1,2,...,M;则输出层中第k个神经元的输出为:
式中,
计算反向传播神经网络模型输出信号与当前训练数据中插入导频信号的均方误差E:
式中, 表示当前训练数据中插入导频信号的第k维数据,yk表示反向传播神经网络模型输出层中第k个神经元的输出。
6.根据权利要求4所述的一种基于反向传播神经网络的信号恢复方法,其特征在于:所述步骤S304包括以下步骤:
计算输入层与隐含层的权重矩阵增量隐含层与输出层的权重矩阵增量以及隐含层的偏置向量增量Δbj(n+1):
式中,fa′()为fa(·)的一阶导数,η1,η2和η3表示学习速率,θ1,θ2和θ3是动量系数,n是表示学习时间的时间步长,n+1表示当前学习周期;
计算更新后输入层与隐含层的权重矩阵更新后隐含层与输出层的权重矩阵以及更新后的偏置向量bj(n+1):
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810389984.5A CN108566257B (zh) | 2018-04-27 | 2018-04-27 | 一种基于反向传播神经网络的信号恢复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810389984.5A CN108566257B (zh) | 2018-04-27 | 2018-04-27 | 一种基于反向传播神经网络的信号恢复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108566257A true CN108566257A (zh) | 2018-09-21 |
CN108566257B CN108566257B (zh) | 2020-08-18 |
Family
ID=63537109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810389984.5A Active CN108566257B (zh) | 2018-04-27 | 2018-04-27 | 一种基于反向传播神经网络的信号恢复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108566257B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446434A (zh) * | 2018-10-24 | 2019-03-08 | 重庆理工大学 | 基于人工神经网络的在线社交网络信息传播与舆情演化综合分析方法 |
CN110113119A (zh) * | 2019-04-26 | 2019-08-09 | 国家无线电监测中心 | 一种基于人工智能算法的无线信道建模方法 |
CN111257825A (zh) * | 2018-12-03 | 2020-06-09 | 展讯通信(上海)有限公司 | Toa的确定与终端的定位方法及装置、存储介质、终端 |
CN111709592A (zh) * | 2020-08-20 | 2020-09-25 | 北京大成国测科技有限公司 | 基于神经网络与粗糙集分类的深基坑变形预测方法及系统 |
CN113114603A (zh) * | 2021-04-20 | 2021-07-13 | 西安科技大学 | 一种mimo-ofdm系统的信息恢复方法及装置 |
CN113765830A (zh) * | 2020-06-03 | 2021-12-07 | 华为技术有限公司 | 获取信道信息的方法及通信装置 |
CN113777648A (zh) * | 2021-09-09 | 2021-12-10 | 南京航空航天大学 | 一种基于随机编码与神经网络探测器成像的方法及伽马相机 |
CN114006794A (zh) * | 2021-10-09 | 2022-02-01 | 苏州大学 | 基于复数值神经网络的信道估计方法及系统 |
WO2022222116A1 (zh) * | 2021-04-22 | 2022-10-27 | Oppo广东移动通信有限公司 | 信道恢复的方法及收端设备 |
CN115606157A (zh) * | 2020-05-14 | 2023-01-13 | 诺基亚技术有限公司(Fi) | 天线阵列的信道估计 |
WO2023283785A1 (zh) * | 2021-07-12 | 2023-01-19 | Oppo广东移动通信有限公司 | 信号处理的方法及接收机 |
CN116016065A (zh) * | 2023-03-24 | 2023-04-25 | 南京大学 | 基于神经网络的抗串扰高速互联信号接收方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1710894A (zh) * | 2005-07-07 | 2005-12-21 | 上海交通大学 | 高速移动正交频分复用系统的信道估计方法 |
CN101340266A (zh) * | 2008-06-06 | 2009-01-07 | 山东大学 | 一种基于粒子滤波器和神经网络的双选择性信道跟踪方法 |
CN104022978A (zh) * | 2014-06-18 | 2014-09-03 | 中国联合网络通信集团有限公司 | 一种半盲信道估计方法和系统 |
CN105790813A (zh) * | 2016-05-17 | 2016-07-20 | 重庆邮电大学 | 一种大规模mimo下基于深度学习的码本选择方法 |
CN107124378A (zh) * | 2017-04-01 | 2017-09-01 | 中山大学 | 基于正交映射与概率神经网络的可见光信道联合均衡方法 |
CN107743103A (zh) * | 2017-10-26 | 2018-02-27 | 北京交通大学 | 基于深度学习的mmtc系统的多节点接入检测和信道估计方法 |
-
2018
- 2018-04-27 CN CN201810389984.5A patent/CN108566257B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1710894A (zh) * | 2005-07-07 | 2005-12-21 | 上海交通大学 | 高速移动正交频分复用系统的信道估计方法 |
CN101340266A (zh) * | 2008-06-06 | 2009-01-07 | 山东大学 | 一种基于粒子滤波器和神经网络的双选择性信道跟踪方法 |
CN104022978A (zh) * | 2014-06-18 | 2014-09-03 | 中国联合网络通信集团有限公司 | 一种半盲信道估计方法和系统 |
CN105790813A (zh) * | 2016-05-17 | 2016-07-20 | 重庆邮电大学 | 一种大规模mimo下基于深度学习的码本选择方法 |
CN107124378A (zh) * | 2017-04-01 | 2017-09-01 | 中山大学 | 基于正交映射与概率神经网络的可见光信道联合均衡方法 |
CN107743103A (zh) * | 2017-10-26 | 2018-02-27 | 北京交通大学 | 基于深度学习的mmtc系统的多节点接入检测和信道估计方法 |
Non-Patent Citations (1)
Title |
---|
AI HONG等: "Application of the optimal BP neural network in bridge health assessment", 《IEEE》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446434B (zh) * | 2018-10-24 | 2019-06-25 | 重庆理工大学 | 基于人工神经网络的在线社交网络信息传播与舆情演化综合分析方法 |
CN109446434A (zh) * | 2018-10-24 | 2019-03-08 | 重庆理工大学 | 基于人工神经网络的在线社交网络信息传播与舆情演化综合分析方法 |
CN111257825A (zh) * | 2018-12-03 | 2020-06-09 | 展讯通信(上海)有限公司 | Toa的确定与终端的定位方法及装置、存储介质、终端 |
CN111257825B (zh) * | 2018-12-03 | 2022-02-22 | 展讯通信(上海)有限公司 | Toa的确定与终端的定位方法及装置、存储介质、终端 |
CN110113119A (zh) * | 2019-04-26 | 2019-08-09 | 国家无线电监测中心 | 一种基于人工智能算法的无线信道建模方法 |
CN115606157A (zh) * | 2020-05-14 | 2023-01-13 | 诺基亚技术有限公司(Fi) | 天线阵列的信道估计 |
CN113765830A (zh) * | 2020-06-03 | 2021-12-07 | 华为技术有限公司 | 获取信道信息的方法及通信装置 |
CN111709592A (zh) * | 2020-08-20 | 2020-09-25 | 北京大成国测科技有限公司 | 基于神经网络与粗糙集分类的深基坑变形预测方法及系统 |
CN113114603A (zh) * | 2021-04-20 | 2021-07-13 | 西安科技大学 | 一种mimo-ofdm系统的信息恢复方法及装置 |
WO2022222116A1 (zh) * | 2021-04-22 | 2022-10-27 | Oppo广东移动通信有限公司 | 信道恢复的方法及收端设备 |
WO2023283785A1 (zh) * | 2021-07-12 | 2023-01-19 | Oppo广东移动通信有限公司 | 信号处理的方法及接收机 |
CN113777648A (zh) * | 2021-09-09 | 2021-12-10 | 南京航空航天大学 | 一种基于随机编码与神经网络探测器成像的方法及伽马相机 |
CN113777648B (zh) * | 2021-09-09 | 2024-04-12 | 南京航空航天大学 | 一种基于随机编码与神经网络探测器成像的方法及伽马相机 |
CN114006794A (zh) * | 2021-10-09 | 2022-02-01 | 苏州大学 | 基于复数值神经网络的信道估计方法及系统 |
CN116016065A (zh) * | 2023-03-24 | 2023-04-25 | 南京大学 | 基于神经网络的抗串扰高速互联信号接收方法及系统 |
CN116016065B (zh) * | 2023-03-24 | 2023-08-04 | 南京大学 | 基于神经网络的抗串扰高速互联信号接收方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108566257B (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108566257A (zh) | 一种基于反向传播神经网络的信号恢复方法 | |
CN107332598B (zh) | 一种基于深度学习的mimo系统联合预编码和天线选择方法 | |
CN104113398B (zh) | 基于正交空时分组编码的mimo盲信道估计模糊度去除方法 | |
CN107332599A (zh) | 一种基于功率和码字联合域的上行非正交多址接入方法 | |
CN105634545A (zh) | 一种超奈奎斯特通信系统中基于矩阵分解的干扰消除方法 | |
CN104202271A (zh) | 直接序列扩频通信中基于逐幸存路径处理的迭代均衡方法 | |
CN106130615A (zh) | 广义空间调制系统的激活天线与调制符号联合估计方法 | |
CN110808932B (zh) | 基于多分布测试数据融合的多层感知器快速调制识别方法 | |
CN105634568A (zh) | 一种基于大规模mimo系统信号检测的llr计算方法 | |
CN113114603B (zh) | 一种mimo-ofdm系统的信息恢复方法及装置 | |
CN102412931A (zh) | 多天线比特交织编码系统的串行干扰抵消检测方法及系统 | |
CN110233808B (zh) | 一种ftn系统信号检测方法 | |
CN107592115A (zh) | 一种基于非均匀范数约束的稀疏信号恢复方法 | |
CN104993910B (zh) | 一种基于矩阵模型的信号检测方法 | |
CN107809399B (zh) | 一种针对量化接收信号的多天线毫米波信道估计方法 | |
CN108282200B (zh) | 一种大规模mimo系统中基于因子图的置信度传播信号检测方法 | |
CN207304556U (zh) | 阵列天线波束形成接收机 | |
CN110868244A (zh) | 一种基于信道穿刺的低复杂度通信信号检测方法 | |
CN111431620A (zh) | 一种基于ppm调制的差分空间调制系统的构建方法 | |
CN114024803B (zh) | 一种ofdm系统下的信道估计方法 | |
CN113037409A (zh) | 基于深度学习的大规模mimo系统信号检测方法 | |
Yang et al. | Elastic Weight Consolidation Continual Learning Based Signal Detection in Multiple Channel MIMO System | |
CN103973617A (zh) | 多果蝇群协同优化小波常模盲均衡方法 | |
Ha | PLC Intelligent Transportation Signal Control Based on Algorithm of Function Block Conversion to Instruction List | |
CN108737298A (zh) | 一种基于图像处理的scma盲检测方法 |
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 |