CN109474352A - 一种基于深度学习的水声正交频分复用通信方法 - Google Patents

一种基于深度学习的水声正交频分复用通信方法 Download PDF

Info

Publication number
CN109474352A
CN109474352A CN201811584333.8A CN201811584333A CN109474352A CN 109474352 A CN109474352 A CN 109474352A CN 201811584333 A CN201811584333 A CN 201811584333A CN 109474352 A CN109474352 A CN 109474352A
Authority
CN
China
Prior art keywords
neural network
data
deep learning
underwater sound
signal
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
Application number
CN201811584333.8A
Other languages
English (en)
Other versions
CN109474352B (zh
Inventor
张友文
李俊轩
郭嘉城
黄福鹏
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.)
Nanhai innovation and development base of Sanya Harbin Engineering University
Original Assignee
Harbin Engineering 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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201811584333.8A priority Critical patent/CN109474352B/zh
Publication of CN109474352A publication Critical patent/CN109474352A/zh
Application granted granted Critical
Publication of CN109474352B publication Critical patent/CN109474352B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B13/00—Transmission systems characterised by the medium used for transmission, not provided for in groups H04B3/00 - H04B11/00
    • H04B13/02—Transmission systems in which the medium consists of the earth or a large mass of water thereon, e.g. earth telegraphy
    • 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

Abstract

一种基于深度学习的水声正交频分复用通信方法，属于水声通信技术领域。本发明分为两个阶段。首先是基于大量训练数据的训练阶段，通过训练过程将损失函数最小化并调整深度神经网络参数以获取有效的接收系统模型。其次是在线测试阶段，将有效训练的接收系统模型投入实际测试，在不需要明确信道估计及均衡的条件下直接恢复发射信号。与传统的水声通信需进行明确信道估计及均衡不同，深度神经网络可以通过训练来学习处理水声信道造成的复杂失真，直接从接收的信号中恢复原始发射信号；本发明可降低水声通信系统设计复杂度，有效实现水下数据传输；本发明对比于传统水声通信方法，对于导频数据量较少、循环前缀缺失情况下的水生通信具有更好的鲁棒性。

Description

一种基于深度学习的水声正交频分复用通信方法
技术领域
本发明属于水声通信技术领域，具体涉及一种基于深度学习的水声正交频分复用通信方法。
背景技术
正交频分复用技术是将信道分成若干正交子信道，将高速数据信号转化为并行的低速子数据流，调制到每个子信道上进行传输。可以有效的抑制和消除由于信道的时延拓展引起的选择性衰落，易实现调制解调。但是由于水下通信的多途传播及多普勒效应等因素，大大增加了水声正交频分复用接收系统的设计难度。为了简化通信接收系统的设计复杂度，本文提出基于深度学习的水声正交频分复用通信方法。该方法无需传统接收系统要求明确的信道估计及均衡，采用深度神经网络于接收端直接恢复原始发射信号。
近年来，机器学习被认为是解决目标检测与识别、语音识别等复杂问题的有效的解决方法。在2006年，多伦多大学教授Geoffrey Hinton首次提出了深度学习的模型以及训练方法。一般的深度学习模型有多层网络构成，每一层又由多个神经元组成，通过基于大量标记与未标记数据整合而成的训练集的有效训练而获取参数配置合理的深度学习模型。
发明内容
本发明的目的是为了降低传统水声正交频分复用通信接收系统设计复杂度较高的问题，提出了一种基于深度学习的水声正交频分复用通信方法。
本发明的目的是这样实现的：
一种基于深度学习的水声正交频分复用通信方法，包括下述步骤：
步骤1、训练阶段：通过建立深度神经网络并进行有效训练，得到有效训练的水声正交频分复用通信接收系统的深度学习模型；
步骤2、测试阶段：将步骤1所得到的有效训练的深度学习模型投入实际测试，直到恢复原始发射信号。
步骤1所述的有效训练的水声正交频分复用通信接收系统的深度学习模型是这样得到的：
步骤1.1、在通信系统输入端产生已知随机二进制比特流b，并将此数据序列进行符号映射得到频域信号s；对该频域信号进行多载波正交频分复用调制，即依次进行串并转换、插入导频、逆傅里叶变换、插入循环前缀及并串转换；调制后信号的数学表达式为xCP(n)，其中n为离散时间索引；
步骤1.2、步骤1.1的调制信号xCP(n)经过信道后到达通信接收端，长度为N的接收信号yCP(n)为：
其中，h(n)为信道的冲激响应函数，w(n)为加性高斯白噪声；
步骤1.3、对接收数据进行预处理，依次做串并转换、移除循环前缀及傅里叶变换，得到输出数据其中k为载波序号；
步骤1.4、搭建包含输入层、多层隐藏层、输出层，且每层由多个代表数据特征的神经元构成的深度神经网络并进行训练；训练过程中，深度神经网络输入数据集为步骤1.3的输出数据数据于神经网络中在权重、偏置和激活函数的共同作用下前向传播进而得到神经网络输出则第q层神经网络的第j个神经元的输入aj (q)和输出bj (q)分别为：
其中，J(q-1)和J(q)分别代表第q-1和第q层神经网络所包含的神经元个数，uij (q-1)为第q-1层第i个神经元与第q层第j个神经元之间的权重，vj (q-1)为第q层第j个神经元的偏置，f(·)为激活函数；因此得到深度神经网络的总输出：
其中，Q为深度神经网络层数，即为步骤1.3的输出数据
定义表征神经网络性能的损失函数：
其中，为预测数据，b(k)为监督数据即原始输入比特，当L2到达预设阈值ξ，结束训练并保存深度神经网络当前状态下各层的权值和偏置即得到有效训练的深度学习模型。
步骤2所述的深度学习的测试过程具体包括以下操作步骤：
步骤2.1、步骤2.2、步骤2.3同步骤1.1、步骤1.2、步骤1.3一致，其中，通信系统输入数据由已知随机二进制比特流变更为未知随机二进制比特流，得到神经网络输入数据y(k)；
步骤2.4、将步骤2.3得到的y(k)输入步骤1.4获取的深度学习模型，进而恢复原始发射信号。
步骤1.1发射信号包括以下具体操作步骤：
步骤1.1.1、将随机比特流进行符号映射并转换成并行数据；
步骤1.1.2、在转换后的并行数据插入导频符号；
步骤1.1.3、将插入导频符号后的数据进行傅里叶逆变换得到时域信号；
步骤1.1.4、在步骤1.3得到的时域信号插入循环前缀；
步骤1.1.5、将步骤1.4插入循环前缀后的数据进行并串转换后发送到信道中。
所述步骤1.4中将经信道传输得到的接收信号进行预处理后输入深度神经网络，通过损失函数判决得到权值u和偏置v，从而获取有效的深度学习模型。
本发明的有益效果在于：
本发明使用基于深度学习的水声正交频分复用通信方法，以深度学习模型代替传统水声通信接收系统。与传统的水声通信需进行明确信道估计及均衡不同，深度神经网络可以通过训练来学习处理水声信道造成的复杂失真，然后直接从接收的信号中恢复原始发射信号。本发明可降低水声通信系统设计复杂度，有效实现水下数据传输。同时，本发明对比于传统水声通信方法，对于导频数据量较少、循环前缀缺失情况下的水生通信具有更好的鲁棒性。
附图说明
图1为完整的基于深度学习的水声通信系统流程图；
图2为正交频分复用调制流程图；
图3为接收信号预处理流程图；
图4为深度神经网络原理图。
具体实施方式
下面结合附图对本发明进一步详细说明。
基于正交载波扫扩技术的抗多途水声通信方法，包括下述步骤：
步骤1、通过建立深度神经网络并进行有效训练，得到有效的水声正交频分复用通信接收系统。
步骤1.1、在通信系统输入端产生已知随机二进制比特流b，并将此数据序列进行符号映射得到频域信号s。如图2，对该频域信号进行多载波正交频分复用调制，即依次进行串并转换、插入导频、逆傅里叶变换、插入循环前缀及并串转换。调制后信号的数学表达式为xCP(n)，其中n为离散时间索引；
步骤1.2、步骤1.1的调制信号经过信道后到达通信接收端，长度为N的接收信号yCP(n)为：
其中，h(n)为信道的冲激响应函数，w(n)为加性高斯白噪声。
步骤1.3、如图3，对接收数据进行预处理，依次做串并转换、移除循环前缀及傅里叶变换，得到输出数据其中k为载波序号。
步骤1.4、如图4，搭建包含输入层、多层隐藏层、输出层，且每层由多个代表数据特征的神经元构成的深度神经网络并进行训练。训练过程中，该深度神经网络输入数据集为步骤1.3的输出数据数据于神经网络中在权重、偏置和激活函数的共同作用下前向传播进而得到神经网络输出则第q层神经网络的第j个神经元的输入aj (q)和输出bj (q)分别为：
其中，J(q-1)和J(q)分别代表第q-1和第q层神经网络所包含的神经元个数，uij (q-1)为第q-1层第i个神经元与第q层第j个神经元之间的权重，vj (q-1)为第q层第j个神经元的偏置，f(·)为激活函数。因此可以得到深度神经网络的总输出：
其中，Q为深度神经网络层数，即为步骤1.3的输出数据
我们定义表征神经网络性能的损失函数：
其中，为预测数据，b(k)为监督数据即原始输入比特。当L2到达预设阈值ξ，结束训练并保存深度神经网络当前状态下各层的权值和偏置即得到有效训练的深度学习模型。
步骤2、将步骤1所得到的有效训练的深度学习模型投入实际测试。
步骤2.1、步骤2.2、步骤2.3同步骤1.1、步骤1.2、步骤1.3一致，得到神经网络输入数据y(k)，其中，通信系统输入数据变更为未知随机二进制比特流。
步骤2.4、将步骤2.3得到的y(k)输入步骤1.4获取的深度学习模型，进而直接恢复原始发射信号。

Claims (5)

1.一种基于深度学习的水声正交频分复用通信方法，其特征在于，包括下述步骤：
步骤1、训练阶段：通过建立深度神经网络并进行有效训练，得到有效训练的水声正交频分复用通信接收系统的深度学习模型；
步骤2、测试阶段：将步骤1所得到的有效训练的深度学习模型投入实际测试，直到恢复原始发射信号。
2.根据权利要求1所述的一种基于深度学习的水声正交频分复用通信方法，其特征在于，步骤1所述的有效训练的水声正交频分复用通信接收系统的深度学习模型是这样得到的：
步骤1.1、在通信系统输入端产生已知随机二进制比特流b，并将此数据序列进行符号映射得到频域信号s；对该频域信号进行多载波正交频分复用调制，即依次进行串并转换、插入导频、逆傅里叶变换、插入循环前缀及并串转换；调制后信号的数学表达式为xCP(n)，其中n为离散时间索引；
步骤1.2、步骤1.1的调制信号xCP(n)经过信道后到达通信接收端，长度为N的接收信号yCP(n)为：
其中，h(n)为信道的冲激响应函数，w(n)为加性高斯白噪声；
步骤1.3、对接收数据进行预处理，依次做串并转换、移除循环前缀及傅里叶变换，得到输出数据其中k为载波序号；
步骤1.4、搭建包含输入层、多层隐藏层、输出层，且每层由多个代表数据特征的神经元构成的深度神经网络并进行训练；训练过程中，深度神经网络输入数据集为步骤1.3的输出数据数据于神经网络中在权重、偏置和激活函数的共同作用下前向传播进而得到神经网络输出则第q层神经网络的第j个神经元的输入aj (q)和输出bj (q)分别为：
其中，J(q-1)和J(q)分别代表第q-1和第q层神经网络所包含的神经元个数，uij (q-1)为第q-1层第i个神经元与第q层第j个神经元之间的权重，vj (q-1)为第q层第j个神经元的偏置，f(·)为激活函数；因此得到深度神经网络的总输出：
其中，Q为深度神经网络层数，即为步骤1.3的输出数据
定义表征神经网络性能的损失函数：
其中，为预测数据，b(k)为监督数据即原始输入比特，当L2到达预设阈值ξ，结束训练并保存深度神经网络当前状态下各层的权值和偏置即得到有效训练的深度学习模型。
3.根据权利要求1或2所述的一种基于深度学习的水声正交频分复用通信方法，其特征在于，步骤2所述的深度学习的测试过程具体包括以下操作步骤：
步骤2.1、步骤2.2、步骤2.3同权利要求2中步骤1.1、步骤1.2、步骤1.3一致，其中，通信系统输入数据由已知随机二进制比特流变更为未知随机二进制比特流，得到神经网络输入数据y(k)；
步骤2.4、将步骤2.3得到的y(k)输入步骤1.4获取的深度学习模型，进而恢复原始发射信号。
4.根据权利要求2所述的一种基于深度学习的水声正交频分复用通信方法，其特征在于，步骤1.1发射信号包括以下具体操作步骤：
步骤1.1.1、将随机比特流进行符号映射并转换成并行数据；
步骤1.1.2、在转换后的并行数据插入导频符号；
步骤1.1.3、将插入导频符号后的数据进行傅里叶逆变换得到时域信号；
步骤1.1.4、在步骤1.3得到的时域信号插入循环前缀；
步骤1.1.5、将步骤1.4插入循环前缀后的数据进行并串转换后发送到信道中。
5.根据权利要求2所述的一种基于深度学习的水声正交频分复用通信方法，其特征在于，所述步骤1.4中将经信道传输得到的接收信号进行预处理后输入深度神经网络，通过损失函数判决得到权值u和偏置v，从而获取有效的深度学习模型。
CN201811584333.8A 2018-12-24 2018-12-24 一种基于深度学习的水声正交频分复用通信方法 Active CN109474352B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811584333.8A CN109474352B (zh) 2018-12-24 2018-12-24 一种基于深度学习的水声正交频分复用通信方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811584333.8A CN109474352B (zh) 2018-12-24 2018-12-24 一种基于深度学习的水声正交频分复用通信方法

Publications (2)

Publication Number Publication Date
CN109474352A true CN109474352A (zh) 2019-03-15
CN109474352B CN109474352B (zh) 2021-07-06

Family

ID=65676624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811584333.8A Active CN109474352B (zh) 2018-12-24 2018-12-24 一种基于深度学习的水声正交频分复用通信方法

Country Status (1)

Country Link
CN (1) CN109474352B (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109818888A (zh) * 2019-03-25 2019-05-28 哈尔滨工程大学 一种脉冲干扰环境下的组稀疏水声信道估计方法
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
CN110738138A (zh) * 2019-09-26 2020-01-31 哈尔滨工程大学 基于循环神经网络的水声通信信号调制模式识别方法
CN110958204A (zh) * 2019-11-09 2020-04-03 天津大学 非对称复数深度神经网络的非正交多载波水下通信系统
CN111404849A (zh) * 2020-03-20 2020-07-10 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
CN111565160A (zh) * 2020-05-18 2020-08-21 中山大学 一种海洋通信系统联合信道分类、估计和检测方法
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系统信号检测方法
CN111683024A (zh) * 2020-06-01 2020-09-18 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
CN111740934A (zh) * 2020-05-21 2020-10-02 江苏科技大学 一种基于深度学习的水声fbmc通信信号检测方法
CN112383496A (zh) * 2020-11-09 2021-02-19 西安科技大学 基于深度接收机的矿井通信方法、系统、计算机设备及介质
CN112564830A (zh) * 2020-12-04 2021-03-26 山东大学 一种基于深度学习的双模正交频分复用索引调制检测方法及装置
CN112968736A (zh) * 2021-02-02 2021-06-15 浙江大学 基于自监督深度学习的端到端ofdm水下高速无线光通信系统及方法
CN113541726A (zh) * 2021-07-16 2021-10-22 哈尔滨工程大学 一种基于循环神经网络的码索引扩频水声通信方法
CN113709075A (zh) * 2021-07-27 2021-11-26 天津大学 一种利用水声信道多径效应的水声通信接收机的实现方法
CN113890633A (zh) * 2021-11-11 2022-01-04 中国船舶重工集团公司第七一五研究所 一种基于深度神经网络的水声通信体制自适应选取方法
CN113906704A (zh) * 2019-05-30 2022-01-07 诺基亚技术有限公司 通信系统中的学习
CN114938250A (zh) * 2022-04-08 2022-08-23 江苏科技大学 基于自编码网络的端到端水声fbmc通信方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140334530A1 (en) * 2011-11-15 2014-11-13 Acorn Technologies, Inc. Ofdm receiver with time domain channel estimation
CN106198909A (zh) * 2016-06-30 2016-12-07 中南大学 一种基于深度学习的水产养殖水质预测方法
CN107909082A (zh) * 2017-10-30 2018-04-13 东南大学 基于深度学习技术的声呐图像目标识别方法
CN108038471A (zh) * 2017-12-27 2018-05-15 哈尔滨工程大学 一种基于深度学习技术的水声通信调制模式识别方法
CN108073941A (zh) * 2016-11-17 2018-05-25 江南大学 一种基于深度学习的图像语义生成方法
CN108846323A (zh) * 2018-05-28 2018-11-20 哈尔滨工程大学 一种面向水下目标识别的卷积神经网络优化方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140334530A1 (en) * 2011-11-15 2014-11-13 Acorn Technologies, Inc. Ofdm receiver with time domain channel estimation
CN106198909A (zh) * 2016-06-30 2016-12-07 中南大学 一种基于深度学习的水产养殖水质预测方法
CN108073941A (zh) * 2016-11-17 2018-05-25 江南大学 一种基于深度学习的图像语义生成方法
CN107909082A (zh) * 2017-10-30 2018-04-13 东南大学 基于深度学习技术的声呐图像目标识别方法
CN108038471A (zh) * 2017-12-27 2018-05-15 哈尔滨工程大学 一种基于深度学习技术的水声通信调制模式识别方法
CN108846323A (zh) * 2018-05-28 2018-11-20 哈尔滨工程大学 一种面向水下目标识别的卷积神经网络优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李佳宸: "《基于深度学习的数字调制信号识别方法研究》", 《哈尔滨工程大学工学硕士学位论文》 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109818888A (zh) * 2019-03-25 2019-05-28 哈尔滨工程大学 一种脉冲干扰环境下的组稀疏水声信道估计方法
CN113906704A (zh) * 2019-05-30 2022-01-07 诺基亚技术有限公司 通信系统中的学习
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
CN110738138A (zh) * 2019-09-26 2020-01-31 哈尔滨工程大学 基于循环神经网络的水声通信信号调制模式识别方法
CN110958204A (zh) * 2019-11-09 2020-04-03 天津大学 非对称复数深度神经网络的非正交多载波水下通信系统
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
CN111404849A (zh) * 2020-03-20 2020-07-10 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
CN111565160B (zh) * 2020-05-18 2021-03-26 中山大学 一种海洋通信系统联合信道分类、估计和检测方法
CN111565160A (zh) * 2020-05-18 2020-08-21 中山大学 一种海洋通信系统联合信道分类、估计和检测方法
CN111740934A (zh) * 2020-05-21 2020-10-02 江苏科技大学 一种基于深度学习的水声fbmc通信信号检测方法
CN111740934B (zh) * 2020-05-21 2022-08-19 江苏科技大学 一种基于深度学习的水声fbmc通信信号检测方法
CN111683024A (zh) * 2020-06-01 2020-09-18 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
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系统信号检测方法
CN112383496A (zh) * 2020-11-09 2021-02-19 西安科技大学 基于深度接收机的矿井通信方法、系统、计算机设备及介质
CN112564830A (zh) * 2020-12-04 2021-03-26 山东大学 一种基于深度学习的双模正交频分复用索引调制检测方法及装置
CN112564830B (zh) * 2020-12-04 2021-09-21 山东大学 一种基于深度学习的双模正交频分复用索引调制检测方法及装置
CN112968736A (zh) * 2021-02-02 2021-06-15 浙江大学 基于自监督深度学习的端到端ofdm水下高速无线光通信系统及方法
CN113541726B (zh) * 2021-07-16 2022-05-06 哈尔滨工程大学 一种基于循环神经网络的码索引扩频水声通信方法
CN113541726A (zh) * 2021-07-16 2021-10-22 哈尔滨工程大学 一种基于循环神经网络的码索引扩频水声通信方法
CN113709075A (zh) * 2021-07-27 2021-11-26 天津大学 一种利用水声信道多径效应的水声通信接收机的实现方法
CN113709075B (zh) * 2021-07-27 2022-08-05 天津大学 一种利用水声信道多径效应的水声通信接收机的实现方法
CN113890633A (zh) * 2021-11-11 2022-01-04 中国船舶重工集团公司第七一五研究所 一种基于深度神经网络的水声通信体制自适应选取方法
CN113890633B (zh) * 2021-11-11 2023-10-20 中国船舶重工集团公司第七一五研究所 一种基于深度神经网络的水声通信体制自适应选取方法
CN114938250A (zh) * 2022-04-08 2022-08-23 江苏科技大学 基于自编码网络的端到端水声fbmc通信方法及系统
CN114938250B (zh) * 2022-04-08 2024-04-02 江苏科技大学 基于自编码网络的端到端水声fbmc通信方法及系统

Also Published As

Publication number Publication date
CN109474352B (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
CN109474352A (zh) 一种基于深度学习的水声正交频分复用通信方法
CN111404849B (zh) 一种基于深度学习的ofdm信道估计与信号检测方法
CN109067688B (zh) 一种数据模型双驱动的ofdm接收方法
CN109246038B (zh) 一种数据模型双驱动的gfdm接收机及方法
CN111510402B (zh) 基于深度学习的ofdm信道估计方法
CN110460402A (zh) 一种基于深度学习的端到端通信系统建立方法
CN112737987B (zh) 一种新型的基于深度学习的时变信道预测方法
CN109921822A (zh) 基于深度学习的非线性数字自干扰消除的方法
CN109412993A (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
CN111614584B (zh) 基于神经网络的变换域自适应滤波信道估计方法
CN107359899B (zh) 稀疏信道条件下正交频分复用扩频水声通信无导频判决反馈信道估计方法
CN110311876A (zh) 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
CN111431831A (zh) 一种基于多维ofdm环境自适应调制方法和系统
Zhao et al. Multi-task learning based underwater acoustic OFDM communications
CN111131108A (zh) 一种非合作水声ofdm子载波调制方式识别方法
CN110958204A (zh) 非对称复数深度神经网络的非正交多载波水下通信系统
CN112564830B (zh) 一种基于深度学习的双模正交频分复用索引调制检测方法及装置
Yao et al. Deep learning aided signal detection in OFDM systems with time-varying channels
Liu et al. Deep transfer learning-based variable Doppler underwater acoustic communications
Zhang et al. Generative adversarial network-based channel estimation in high-speed mobile scenarios
CN113709075B (zh) 一种利用水声信道多径效应的水声通信接收机的实现方法
CN114070688A (zh) 多制式水声通信信号调制识别方法和系统
Wang et al. Modulation recognition method for underwater acoustic communication signal based on relation network under small sample set
CN113541726B (zh) 一种基于循环神经网络的码索引扩频水声通信方法
CN117279082A (zh) 基于深度学习的lte系统下行链路定时同步算法

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
TA01 Transfer of patent application right

Effective date of registration: 20210528

Address after: 572024 area A129, 4th floor, building 4, Baitai Industrial Park, yazhouwan science and Technology City, Yazhou District, Sanya City, Hainan Province

Applicant after: Nanhai innovation and development base of Sanya Harbin Engineering University

Address before: 150001 Intellectual Property Office, Harbin Engineering University science and technology office, 145 Nantong Avenue, Nangang District, Harbin, Heilongjiang

Applicant before: HARBIN ENGINEERING University

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant