CN109412993B - 一种基于深度学习的具有抑制自干扰的全双工认知水声通信信号检测方法 - Google Patents
一种基于深度学习的具有抑制自干扰的全双工认知水声通信信号检测方法 Download PDFInfo
- Publication number
- CN109412993B CN109412993B CN201811424814.2A CN201811424814A CN109412993B CN 109412993 B CN109412993 B CN 109412993B CN 201811424814 A CN201811424814 A CN 201811424814A CN 109412993 B CN109412993 B CN 109412993B
- Authority
- CN
- China
- Prior art keywords
- data
- underwater acoustic
- dnn
- full
- acoustic communication
- 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
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
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/69—Spread spectrum techniques
- H04B1/707—Spread spectrum techniques using direct sequence modulation
-
- 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
- H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
- H04L1/0056—Systems characterized by the type of code used
- H04L1/0071—Use of interleaving
-
- 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
-
- 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
- H04L27/261—Details of reference signals
- H04L27/2613—Structure of the reference signals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/32—Carrier systems characterised by combinations of two or more of the types covered by groups H04L27/02, H04L27/10, H04L27/18 or H04L27/26
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)
- Discrete Mathematics (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明公开了一种基于深度学习的具有抑制自干扰的全双工认知水声通信信号检测方法,属于通信技术领域。该发明通过匹配和深度神经网络对具有抑制自干扰的全双工认知水声通信IM‑OFDM‑SS信号的索引比特和符号比特分别进行检测,避免使用传统的信道估计、信道均衡和信号解调的方式,不仅降低了接收机的设计复杂度,而且解决了时变水声信道环境下通信信号检测困难的问题。
Description
技术领域
本发明属于通信技术领域,涉及深度学习、OFDM(Orthogonal FrequencyDivision Multiplexing)、IM(Index Modulation)、SS(Spread Spectrum)技术。
背景技术
全双工认知水声通信是Junfeng Wang、Yui Cui、Haixin Sun、Lanjun Liu和Shexiang Ma于2018年在文献[1]中提出的一种水声通信方式,它综合了全双工和认知技术的优点,在保护海洋环境的同时避免了现有水声通信技术频谱利用率不高、功耗较大、频谱效率低、带宽有限等缺点,有望成为未来水声通信的一种新技术。尽管全双工认知水声通信具有一些现有水声通信技术无可比拟的优点,但是面对全双工认知水声通信在保护海洋环境同时得到足够宽的频谱时,如何提高频谱效率问题成为了研究全双工认知水声通信的挑战问题之一。相对于OFDM-SS而言,IM-OFDM-SS是一种频谱效率更高、计算复杂度更低的通信技术,为此本专利首次将IM-OFDM-SS技术引入全双工认知水声通信中,以此提高水声通信频谱效率。然而,由于海洋环境的噪声和水声通信信道的多变性,使得采用IM-OFDM-SS技术的全双工认知水声通信同样面对信号检测的难题。深度学习作为机器学习方法之一,特别是深度神经网络在语音、通信、图像处理等领域得到了广泛的应用,深度学习也成为了现阶段的研究热点。此外,深度神经网络近年来也在通信信号均衡、信道编解码、波形分类等领域进行了深入应用,充分体现了其优越的性能。基于上述分析,本专利提出一种基于深度学习的具有抑制自干扰的全双工认知水声通信信号检测方法,该方法避免使用传统的信道估计、信道均衡和信号解调的方式,不仅降低了接收机的设计复杂度,而且解决了时变水声信道环境下通信信号检测困难的问题。
发明内容
本发明的目的是利用深度学习的方法解决具有抑制自干扰的全双工认知水声通信信号检测的问题。
本发明的技术方案:
一种基于深度学习的具有抑制自干扰的全双工认知水声通信信号检测方法,具体步骤以及各步骤细节如下:
第1步、索引比特(IndexBits)检测设计方案;
第2步、符号比特(SymbolBits)检测设计方案。
所述第1步中具体步骤总结如下:
第1.1步、将解交织后的数据y送入匹配模块,即z=∑y·ssci,i=1,...,N,其中ssci是扩频码,N是扩频码集的大小。
第1.2步、将上述z最大值(匹配)对应的扩频码进行逆映射,从而检测出索引比特。
所述第2步中具体步骤总结如下:
第2.1步、对DNN进行线下训练;
第2.2步、基于训练好的DNN对解交织后的数据进行符号比特检测。
在第1.1步中,通常可以采用具有理想自相关的Frank-Heimiller变换序列作为索引位置对应的扩频码;
在第1.2步中,涉及到的逆映射过程可以采用预先存储的扩频码集作为数据库,然后由z最大值(匹配)对应的扩频码进行对应查找。
在第2.1步中,对DNN进行线下训练分为三个步骤:一、在数据发送链路采用导频的模式生成IM-OFDM-SS信号xT,然后通过常规OFDM系统模式生成训练数据;二、让生成训练数据经过模拟的水声信道,其中具有Rayleigh分布的水声衰落信道模拟数据可以采用文献[2]生成;三、在数据接收链路按常规的OFDM系统接收模式处理数据后,分实部与虚部送入DNN,此时利用训练数据对((y,s),其中s表示导频数据)对DNN进行训练,训练模型的损失函数定义为其中为s的估计值,训练模型的激活函数分别采用Relu和Sigmoid函数对加权数据进行非线性变换。当训练满足一定的预设条件时,训练模型结束,此时的DNN就可以用于具有抑制自干扰的全双工认知水声通信系统IM-OFDM-SS信号中符号比特的检测。
在第2.2步中,将解交织后的数据送入上述2.1步训练好的DNN,经过DNN处理,输出符号比特。DNN由输入层、隐藏层和输出层构成,该模型的激活函数分别采用Relu和Sigmoid函数。根据训练数据的性能可以适当压缩导频数据的比例,直到达到最大频谱效率。
本发明的优点和有益效果:
①本发明基于匹配方法来检测具有抑制自干扰的全双工认知水声通信的IM-OFDM-SS信号,具有方法简单、检测效率高等特点。②本发明采用DNN来检测IM-OFDM-SS信号,该方法避免使用传统的信道估计、信道均衡和信号解调的方式,不仅降低了接收机的设计复杂度,而且解决了时变水声信道环境下通信信号检测困难的问题。
附图说明
图1为本发明方案设计示意图。
图2为基于IM-OFDM-SS的全双工认知水声通信系统发送链路示意图。
图3为基于匹配方法的索引比特检测方案示意图。
图4为DNN的结构示意图。
具体实施方式
实施例1:
一种基于深度学习的具有抑制自干扰的全双工认知水声通信信号检测方法如图1所示,该方案使用匹配方法和DNN分别来检测具有抑制自干扰的全双工认知水声通信信号中索引比特和符号比特,其步骤以及各步骤细节如下:
第1步、索引比特检测设计方案;
第2步、符号比特检测设计方案。
所述第1步中,由于具有抑制自干扰的全双工认知水声通信系统采用了IM-OFDM-SS通信技术,而且IM-OFDM-SS通信技术利用IM、SS和OFDM共同调制信源信息,具有高频谱效率,其示意图如图2所示。在IM-OFDM-SS通信技术中的数据发送链路:首先将信源信息比特分为索引比特和符号比特,接着将其送入IM-OFDM-SS模块中,然后按照OFDM传统的方案进行信号发送;在IM-OFDM-SS通信技术中的数据接收链路:首先按照OFDM传统的方案进行接收,其次进行解交织,最后需要检测索引比特和符号比特。本发明主要设计信号检测的方案,因此需要对其解交织后的数据分别进行索引和符号比特检测。此外,由于IM-OFDM-SS发送信号的索引比特对应于扩频(SS)码,而且使用匹配的方法对其进行检测具有方法简单、检测效率高等特点,为此本发明首先使用匹配方法对索引比特进行检测,其示意图如图3所示。本发明以BPSK数字调制技术,32个OFDM subBlock,128个子载波为例,在数据接收链路将解交织后的数据y进行如下处理:
第1.1步、采用匹配方法进行选择扩频序列,即
z=∑y·ssci,i=1,...,N (1)
N=4。由z最大值选出对应的扩频码。
第1.2步、将上述z最大值(匹配)对应的扩频码进行逆映射,从而检测出索引比特,即00,01,10,11。
所述第2步中,由于海洋环境的噪声和水声通信信道的多变性,使得采用IM-OFDM-SS技术的具有抑制自干扰的全双工认知水声通信同样面对符号比特检测困难的问题。深度神经网络(Deep NeuralNetwork,DNN)的广泛应用,使得深度学习也成为了研究的热点,故本发明将其应用于具有抑制自干扰的全双工认知水声通信系统中。在基于深度学习的具有抑制自干扰的全双工认知水声通信符号信号检测方法中,首先对DNN进行线下训练,然后基于训练好的DNN对解交织后的数据进行符号比特检测。所述第2步中具体步骤总结如下:
第2.1步、对DNN进行线下训练;
第2.2步、基于训练好的DNN对解交织后的数据进行符号比特检测。
在第1.1步中,通常可以采用具有理想自相关的Frank-Heimiller变换序列作为索引位置对应的扩频码;
在第1.2步中,涉及到的逆映射过程可以采用预先存储的扩频码集作为数据库,然后由z最大值(匹配)对应的扩频码进行对应查找。
在第2步中,采用DNN对具有抑制自干扰的全双工认知水声通信符号比特信号进行检测,在数据接收链路将解交织后的数据y进行如下处理:
第2.1步、对DNN进行线下训练:第一步、在数据发送链路采用导频的模式生成IM-OFDM-SS信号xT,然后通过常规OFDM系统模式生成训练数据;第二步、让生成训练数据经过模拟的水声信道,其中具有Rayleigh分布的水声衰落信道模拟数据可以采用文献[2]生成。信号xT经过水声信道后的信号为
其中hT为水声信道,wT为噪声;第三步、接收信号yT经过FFT和解交织后
y=xFh+w (3)
其中xF为OFDMBlock,h为hT补零后频域向量的解交织数据,w为频域噪声。然后,利用训练数据对((y,s),其中s表示导频数据)对DNN进行训练,训练模型的损失函数定义为
其中为s的估计值。训练模型的激活函数分别采用Relu和Sigmoid函数对加权数据进行非线性变换。当训练满足一定的预设条件时,训练模型结束,此时的DNN就可以用于具有抑制自干扰的全双工认知水声通信系统IM-OFDM-SS信号中符号比特的检测。
第2.2步、将解交织后的数据y分实部和虚部送入上述2.1步训练好的DNN,经过DNN处理,输出符号比特。在本例中,DNN由输入层、隐藏层和输出层构成,该模型的输入层的神经元个数为256,隐藏层的神经元个数为2400,输出层的神经元个数为32,激活函数分别采用Relu和Sigmoid函数,其结构如附图4所示。根据训练数据的性能可以适当压缩导频数据的比例,直到达到最大频谱效率。
参考文献
[1]Junfeng Wang,Yue Cui,Haixin Sun,Lanjun Liu,Shexiang Ma,“Full-duplex cognitive underwater acoustic communications:concept and challenges”,Proceedings ofthe 14th International Conference on SignalProcessing,pp.698-701,2018。
[2]Junfeng Wang,Xiurong Ma,Jianfu Teng,Yue Cui,“Efficient andaccurate simulator for Rayleigh and Rician fading”,Transactions ofTianjinUniversity,vol.18,no.4,pp.243-247,2012。
Claims (5)
1.一种基于深度学习的具有抑制自干扰的全双工认知水声通信信号检测方法,其特征在于该方法包括:
第1步、索引比特检测设计方案;
第2步、符号比特检测设计方案;
第1步中所述索引比特检测设计方案包括:
第1.1步、将解交织后的数据y送入匹配模块,即z=∑y·ssci,i=1,…,N,其中ssci是扩频码,N是扩频码集的大小;
第1.2步、将上述z最大值对应的扩频码进行逆映射,从而检测出索引比特;
第2步中所述符号比特检测设计方案包括:
第2.1步、对DNN进行线下训练;
第2.2步、基于训练好的DNN对解交织后的数据进行符号比特检测。
2.如权利要求1所述的基于深度学习的具有抑制自干扰的全双工认知水声通信信号检测方法,其特征在于,在第1.1步中采用具有理想自相关的Frank-Heimiller变换序列作为索引位置对应的扩频码。
3.如权利要求1所述的基于深度学习的具有抑制自干扰的全双工认知水声通信信号检测方法,其特征在于,在第1.2步中涉及到的逆映射过程可以采用预先存储的扩频码集作为数据库,然后由z最大值对应的扩频码进行对应查找。
4.如权利要求1所述的基于深度学习的具有抑制自干扰的全双工认知水声通信信号检测方法,其特征在于,在第2.1步中对DNN进行线下训练分为三个步骤:一、在数据发送链路采用导频的模式生成IM-OFDM-SS信号xT,然后通过常规OFDM系统模式生成训练数据;二、让生成训练数据经过模拟的水声信道;三、在数据接收链路按常规的OFDM系统接收模式处理数据后,分实部与虚部送入DNN,此时利用训练数据对(y,s)对DNN进行训练,训练模型的损失函数定义为其中s表示导频数据,为s的估计值,训练模型的激活函数分别采用Relu和Sigmoid函数对加权数据进行非线性变换;当训练满足一定的预设条件时,训练模型结束,此时的DNN就可以用于具有抑制自干扰的全双工认知水声通信系统IM-OFDM-SS信号中符号比特的检测。
5.如权利要求1所述的基于深度学习的具有抑制自干扰的全双工认知水声通信信号检测方法,其特征在于,在第2.2步中将解交织后的数据送入上述2.1步训练好的DNN,经过DNN处理,输出符号比特;DNN由输入层、隐藏层和输出层构成,DNN模型的激活函数分别采用Relu和Sigmoid函数;根据训练数据的性能可以适当压缩导频数据的比例,直到达到最大频谱效率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811424814.2A CN109412993B (zh) | 2018-11-27 | 2018-11-27 | 一种基于深度学习的具有抑制自干扰的全双工认知水声通信信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811424814.2A CN109412993B (zh) | 2018-11-27 | 2018-11-27 | 一种基于深度学习的具有抑制自干扰的全双工认知水声通信信号检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109412993A CN109412993A (zh) | 2019-03-01 |
CN109412993B true CN109412993B (zh) | 2021-03-26 |
Family
ID=65455812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811424814.2A Active CN109412993B (zh) | 2018-11-27 | 2018-11-27 | 一种基于深度学习的具有抑制自干扰的全双工认知水声通信信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109412993B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10917192B2 (en) * | 2019-03-13 | 2021-02-09 | Mitsubishi Electric Research Laboratories, Inc. | Symbol detection is shared wireless channel subject to jamming interference |
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 |
CN110048972B (zh) * | 2019-04-24 | 2020-04-07 | 燕山大学 | 一种水声正交频分复用信道估计方法及系统 |
CN110311876A (zh) * | 2019-06-06 | 2019-10-08 | 天津大学 | 基于深度神经网络的水声正交频分复用接收机的实现方法 |
CN111245754B (zh) * | 2020-01-03 | 2021-07-13 | 西安交通大学 | 一种基于深度学习的自适应空域均衡方法 |
CN111683024B (zh) * | 2020-06-01 | 2021-06-25 | 西北工业大学 | 一种基于深度学习的时变ofdm系统信道估计方法 |
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 |
CN113067646A (zh) * | 2021-03-30 | 2021-07-02 | 哈尔滨工程大学 | 一种单载波通信的全双工水声通信机 |
CN113325375B (zh) * | 2021-05-25 | 2022-12-13 | 哈尔滨工程大学 | 一种基于深度神经网络的自适应对消方法 |
CN113726350B (zh) * | 2021-08-09 | 2022-11-01 | 哈尔滨工程大学 | 一种基于深度神经网络的强相关自干扰对消方法 |
CN113708855B (zh) * | 2021-09-29 | 2023-07-25 | 北京信息科技大学 | 基于深度学习的otfs数据驱动接收方法、系统及介质 |
CN114978840B (zh) * | 2022-05-13 | 2023-08-18 | 天津理工大学 | 一种无线网络中物理层安全和高谱效通信方法 |
CN115118557B (zh) * | 2022-06-28 | 2023-07-25 | 南华大学 | 基于深度学习的水声ofdm通信信道反馈方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103647741A (zh) * | 2013-12-19 | 2014-03-19 | 电子科技大学 | 基于sim-ofdm的叠加编码调制方法 |
WO2017026965A1 (en) * | 2015-08-12 | 2017-02-16 | Istanbul Teknik Universitesi Rektorlugu | Multiple input multiple output orthogonal frequency division multiplexing with index modulation, mimo-ofdm-im, communications system |
CN106788636A (zh) * | 2017-03-09 | 2017-05-31 | 重庆临菲电子科技有限公司 | 一种空—码二维索引调制无线通信系统及通信方法 |
-
2018
- 2018-11-27 CN CN201811424814.2A patent/CN109412993B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103647741A (zh) * | 2013-12-19 | 2014-03-19 | 电子科技大学 | 基于sim-ofdm的叠加编码调制方法 |
WO2017026965A1 (en) * | 2015-08-12 | 2017-02-16 | Istanbul Teknik Universitesi Rektorlugu | Multiple input multiple output orthogonal frequency division multiplexing with index modulation, mimo-ofdm-im, communications system |
CN106788636A (zh) * | 2017-03-09 | 2017-05-31 | 重庆临菲电子科技有限公司 | 一种空—码二维索引调制无线通信系统及通信方法 |
Non-Patent Citations (3)
Title |
---|
"Index Modulated OFDM Spread Spectrum";Qiang Li,Miaowen Wen,Ertugrul Basar,Fangjiong Chen;《IEEE Transactions on Wireless Communications》;20180123;摘要和第II节 * |
"Signal Detection Scheme Based on Adaptive Ensemble Deep Learning Model";Chang-Bin Ha,Hyoung-Kyu Song;《IEEE Access》;20180411;摘要 * |
"直接序列扩频分组映射码索引调制";邢峰英,郑鹤,刘永花,江治林,葛利嘉;《电讯技术》;20170630;第2.2节、第3节和表1 * |
Also Published As
Publication number | Publication date |
---|---|
CN109412993A (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109412993B (zh) | 一种基于深度学习的具有抑制自干扰的全双工认知水声通信信号检测方法 | |
Ye et al. | Power of deep learning for channel estimation and signal detection in OFDM systems | |
Petropulu et al. | Blind OFDM channel estimation through simple linear precoding | |
CN109474352B (zh) | 一种基于深度学习的水声正交频分复用通信方法 | |
CN112600772B (zh) | 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法 | |
Ma et al. | A low complexity MMSE for OFDM systems over frequency-selective fading channels | |
Zhang et al. | Spectrum-efficient triple-layer hybrid optical OFDM for IM/DD-based optical wireless communications | |
CN106302298A (zh) | 一种消除正交频分复用水声通信系统限幅噪声的方法 | |
Zhou et al. | Research and development of a highly reconfigurable OFDM MODEM for shallow water acoustic communication | |
CN112215335B (zh) | 一种基于深度学习的系统检测方法 | |
Li et al. | Bit-error rate based Doppler estimation for shallow water acoustic OFDM communication | |
Cao et al. | Time reversal MFSK acoustic communication in underwater channel with large multipath spread | |
Qasem et al. | Deep learning-based code indexed modulation for autonomous underwater vehicles systems | |
Yang et al. | Delay-Doppler frequency domain-aided superimposing pilot OTFS channel estimation based on deep learning | |
Jiang et al. | Deep learning-aided signal detection for two-stage index modulated universal filtered multi-carrier systems | |
CN114124168B (zh) | 一种基于深度学习的mimo-noma系统信号检测方法及系统 | |
Gao et al. | Non-redundant precoding and PAPR reduction in MIMO OFDM systems with ICA based blind equalization | |
Chen et al. | Neural network-based symbol detection in high-speed ofdm underwater acoustic communication | |
CN105227502A (zh) | 一种基于mimo的tdcs发射机、接收机、系统和方法 | |
Zhang et al. | Underwater acoustic OFDM communications using deep learning | |
Peng et al. | A novel PTS scheme for PAPR reduction of filtered-OFDM signals without side information | |
Qian et al. | Novel intersymbol interference cancellation scheme to enable parallel computational and high-performance faster-than-Nyquist signaling | |
Yang et al. | Joint Multiple Turbo Equalization for Harsh Time-Varying Underwater Acoustic Channels | |
Bai et al. | Improved PAPR Reduction Algorithm for OTFS Systems | |
CN114465862A (zh) | 一种降低ofdm信号峰均比值的方法、装置及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20211026 Address after: 650000 room 211, No.8, Tai'an Road, taipingxincheng Street office, Anning City, Kunming City, Yunnan Province Patentee after: Yunnan poly Tiantong underwater equipment Technology Co., Ltd Address before: 300384 No. 391 Binshui West Road, Xiqing District, Tianjin Patentee before: TIANJIN University OF TECHNOLOGY |
|
TR01 | Transfer of patent right |