CN109600335B - 基于神经网络的aco-ofdm系统综合papr抑制方法及系统 - Google Patents

Abstract

本公开提出了基于神经网络的ACO‑OFDM系统综合PAPR抑制方法及系统，利用自编码器网络来实现传输信号的的Q‑I映射和解映射，并在网络结构中，加入了扩展的SLM方法和Clipping方法。首先将输入信号进行串并转换并传输至自编码器网络的编码器部分，得到I‑Q星座映射输出；然后传输至相位旋转器，生成替代的低PAPR输出序列；替代的输出序列进行Hermitian对称并进行快速傅里叶逆变换得到时域OFDM信号；时域OFDM信号进行并串转换和添加循环前缀后，通过限幅，使OFDM信号适合于LED的有限发射范围；经过信道传输后，接收端通过相反的过程恢复失真的信号。在网络训练中同时考虑误码率和PAPR两个因素，对自动编码器采用组合损耗函数进行训练。提出的基于神经网络的综合方案有效地降低PAPR达12dB以上。

Description

基于神经网络的ACO-OFDM系统综合PAPR抑制方法及系统

技术领域

本公开涉及光无线通信技术领域，特别是涉及基于神经网络的ACO-OFDM系统综合PAPR抑制方法及系统。

背景技术

光无线通信(OWC)由于无许可波段的数量非常大，对电磁干扰的鲁棒性强，一直是射频(RF)无线通信的一种有效的补充方法。基于发光二极管的可见光通信(VLC)是一种很有应用前景的室内无线接入技术。为了克服室内不同光源反射引起的多径失真，提高通信效率，VLC系统广泛采用了光正交频分复用(OFDM)技术。然而，由于受平均辐射光功率和前端设备动态范围的限制，高峰均功率比(PAPR)是VLC系统的主要限制因素之一。高峰值功率比使VLC系统，特别是不对称切割光OFDM(ACO-OFDM)系统更容易受到非线性失真的影响，从而大大降低了系统的性能。

近年来ACO-OFDM系统的峰均比抑制方法包括基于可恢复的上半部削波的方案，子载波分组方案，试点辅助方法以及半定弛豫法来降低ACO-OFDM的峰均比，但是这些方法会导致诸如系统复杂度的升高，数据速率的损失和误码率(BER)性能的降低等等问题。

发明内容

为了解决现有技术的不足，本公开的实施例子提供了基于神经网络的ACO-OFDM系统综合PAPR抑制方法，能有效地降低PAPR达12dB。

为了实现上述目的，本申请采用以下技术方案：

基于神经网络的ACO-OFDM系统综合PAPR抑制方法，包括：

将输入信号进行串并转换并传输至自编码器网络，自编码器网络由编码器及解码器构成；

在编码器部分进行星座映射编码后传输至相位旋转器，生成替代的低PAPR输出序列；

假设OFDM信号由4N个子载波进行传输，对替代的低PAPR输出序列进行Hermitian对称，只在奇数载波上传输数据，偶数载波上数据置零，并进行快速傅里叶逆变换得到实时域OFDM信号；

对时域OFDM信号进行并串转换和添加循环前缀后，进行限幅操作，不需要添加直流偏置，调制信号的所有负值都被归为零，将快速傅里叶逆变换的输出信号转换为非负实信号，并使其适合于LED的有限发射范围；

经过信道传输后，在接收端经过反过程处理，最后经过解码器解码得到恢复失真的信号；

其中，自编码器的编码器和解码器是标准的多层神经网络，通过激活函数描述输入和输出之间的非线性关系，基于反向传播算法，在无需监控的情况下对编码器和解码器的参数进行训练。

作为本申请的进一步的技术方案，假设OFDM信号由4N个子载波进行传输，x,f(x)和g(x)分别为自动编码器的输入、编码器的输出和解码器的输出。设在编码器部分的输出A＝f(x)，

由2N个实数值组成，按一定顺序成对组合形成N个复数信号X，X＝[X₀,X₁,...,X_N-1]^T,

作为本申请的进一步的技术方案，对于相位旋转器，每一个输入值都乘以一个相位因子，并将其表示为

其中

和ψ_k∈[0,2π),k＝0,1,...,N-1，每个相位因子通过损失函数在深度学习网络中进行训练。

作为本申请的进一步的技术方案，LED的发射信号要求为非负实数，需对

进行Hermitian对称，形成频域OFDM帧X_H(k)，在ACO-OFDM中，只有奇数子载波携带数据信号，所有偶数频率输入都设置为零。

作为本申请的进一步的技术方案，网络训练时，编码器和解码器的输入和输出都是通过L_f＝L_g＝3个隐藏层连接的，每个隐藏层的输出都经过批处理规范化，以及激活函数和Dropout层处理。

作为本申请的进一步的技术方案，设

为编码器第l个隐藏层的输入，输出表示

其中，

和

为第l个隐藏层的权重和偏差；

隐藏层的参数集为

每个隐藏层的输出通过Batchnorm层，以最小化内部协变量的偏差，表示为

然后将归一化值送入激活函数，网络中采用的两种激活函数分别是是整流线性单元(Relu)和Sigmoid，分别定义为

和

解码器的最后一个隐藏层使用Sigmoid来保持解码器的输出

外，其余隐藏层都使用Relu作为激活函数；

采用概率为μ的Dropout层来解决自动编码器网络的参数量巨大引起的过拟合问题。

作为本申请的进一步的技术方案，编码器的输出表示：

其中，x是输入信号，A＝f(x)是编码器的输出，

是第L_f个编码器的激活函数，

和

分别是第L_f个编码器隐藏层的权重和偏差。

作为本申请的进一步的技术方案，解码器的输出表示：

其中，Y是接收端送入解码器的信号，

是接收端的恢复信号，

是解码器的输出，

是第L_g个解码器的激活函数，

和

分别是第L_g个解码器隐藏层的权重和偏差。

作为本申请的进一步的技术方案，将包含误码率及PAPR两个因素的损耗函数来确定网络的参数。

第一个损耗分量：

其中，

是网络的损耗函数，x,f(·)和g(·)分别为自动编码器的输入、编码器的输出和解码器的输出，

是接收端的恢复信号，K表示光信道的影响，FFT(·)和IFFT(·)分别表示快速傅里叶变换和快速傅里叶反变换，θ^f＝{W^f,b^f}和θ^g＝{W^g,b^g}分别表示编码器和解码器的参数集，ε是接收器的噪声；

第二个损耗分量L₂(x)：

L₂(x)＝PAPR{x_H(n)}

使用一个超参数η来平衡两个不同的损失分量，总损失函数为：

作为本申请的进一步的技术方案，在自动编码器的训练中，采用随机梯度下降算法来寻找良好的参数集θ，θ的迭代更新表示为

其中λ>0是学习率，θ表示自动编码器的参数，

代表梯度操作

在端到端随机梯度下降训练过程中，接收机通过直接学习恢复原始的传输信息。

本公开的实施例子还公开了一种自动编码器通信系统，包括发射机、信道和接收机，发射机和接收机都由若干子块组成，每个子块由隐藏层、Batchnorm层、激活函数和Dropout层组成，发射机称为编码器，接收机称为解码器，编码器及解码器构成自编码器，利用基于神经网络的ACO-OFDM系统综合PAPR抑制方法实现PAPR的抑制。

与现有技术相比，本公开的有益效果是：

本公开的技术方案通过深度学习的方法对ACO-OFDM性能进行优化，提出了一种结合扩展选择性映射(SLM)和限幅(Clipping)方法的综合自动编码器(Autoencoder)来解决ACO-OFDM信号的高PAPR问题。

本公开的技术方案利用自动编码器结构来实现传输信号的的Q-I映射和解映射，在网络结构中，加入了扩展的SLM方法和Clipping方法，训练中同时考虑误码率和PAPR两个因素，对自动编码器采用组合损耗函数进行训练。由于自编码网络的参数和各子载波的相位因子可通过组合损耗函数连续地获取和优化，本方案中提出的基于神经网络的综合方案可以更有效地降低PAPR达12dB以上，同时在无线信号视线传输信道(LOS)和散射光无线信道(DOW)两种信道中误码率性能明显优于SLM和Clipping方法，且对码间干扰具有很强的鲁棒性。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本公开实施例子的基于神经网络的ACO-OFDM系统框图；

图2为本公开实施例子的自动编码器系统的构成示意图；

图3为本公开实施例子的扩展SLM技术的OFDM发射机部分框图；

图4为本公开仿真例子的几种方法的CCDF比较曲线示意图；

图5为本公开仿真例子的LOS信道下ACO-OFDM系统的误码率性能示意图；

图6为本公开仿真例子的DOW信道下ACO-OFDM系统的误码率性能示意图；

图7为本公开仿真例子的有码间干扰和无码间干扰时DOW信道下ACO-OFDM系统的误码率性能示意图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

术语解释部分：

PAPR峰均功率比。

Autoencoder自动编码器。

ACO-OFDM((asymmetrically clipped optical OFDM,ACO-OFDM))不对称切割光正交频分复用。

通信系统的端到端学习是一种新方法。它的复杂度低、适应性强，硬件简单以及在未知或复杂信道分析中的优势使得深入学习成为提高系统性能的有效工具。其中，一种特殊的网络结构，自动编码器(Autoencoder)，通常用于对损坏的数据进行去噪和恢复，它的参数可以通过一个特定的损失函数自动确定，适合于处理由高PAPR引起的非线性失真。

本公开的一种典型的实施方式中，如图1所示，提供了基于神经网络的ACO-OFDM系统综合PAPR抑制方法，图1显示了基于神经网络综合方案的ACO-OFDM发送器和接收器结构。与传统的ACO-OFDM系统不同的是，整个模型采用了一种自动编码器，可以表示从输入到期望输出的映射。在本方案中，假设OFDM信号由4N个子载波进行传输，首先将输入信号送入编码器和相位旋转器模块中，然后再进行Hermitian对称和IFFT，在并串转换和添加循环前缀(CP)后，通过增加直流偏压和限幅，将IFFT的输出转换为单极性输出，并使其适合于LED的有限工作范围。在光信道中，实际场景中的噪声源会对传输信号产生影响。在接收端，相位恢复和译码器用来恢复失真的信号。

在本公开的实施例子中，对传输信号进行编码是通信过程中提高系统抗噪声能力、降低误码率的重要环节。自动编码器Autoencoder提供了一个端到端的解决方案来解决编码和解码问题。它依靠人工神经网络的结构来建立从原始信号到自身的映射，以恢复原始信号。

具体的，图2显示了基于自动编码器的通信系统的简要结构，由编码器部分和译码器部分组成，编译码器通过通信信道连接。编码器和解码器是标准的多层网络，通过激活层描述输入和输出之间的非线性关系，基于反向传播算法，可以在无需监控的情况下对编码器和解码器的参数进行训练。在编码器部分的输出A＝f(x)，

由2N个实数值组成，按一定顺序成对组合形成N个复数信号X，X＝[X₀,X₁,...,X_N-1]^T,

为了降低ACO-OFDM信号的峰均比，本公开的具体例子中引入了相位旋转模块。该方案采用了扩展的SLM技术，使相位序列对编码器的星座映射结果具有自适应性。回到SLM技术的原始定义来选择相位因子。如图3所示，每一个输入值都乘以一个相位因子，并将其表示为

其中

和ψ_k∈[0,2π),k＝0,1,...,N-1。每个相位因子不再需要人工设置，因为它可以通过损失函数在深度学习网络中进行训练。该方法的优点是在测试阶段只需计算一次IFFT，在很大程度上降低了计算复杂度。当损失函数得到最小值时，P＝[P₀,P₁,...,P_N-1]^T就确定了。

另外，在ACO-OFDM系统中，LED的发射信号要求为非负实数，对

采用Hermitian对称运算形成频域OFDM帧X_H(k)。在ACO-OFDM中，只有奇数子载波携带数据符号，所有偶数频率输入都设置为零。IFFT方程表示为：

ACO-OFDM信号的峰均比为：

通常情况下，在增加循环前缀和并串转换之后，发送端会简单地将所有负信号剪切为零。然而，LED动态范围有限，超出该范围的信号会被切割。假设LED的线性范围为[0,ξ_upper]，信号切割表示为：

定义

其中γ是剪切比。值得一提的是，限幅噪声会导致ACO-OFDM系统的非线性失真，从而降低系统的性能。非负实信号驱动LED将电信号转换为光信号，然后在光通道中传输。接收到的信号矢量y＝[y₀,y₁,...,y_4N-1]^T受到信道噪声的影响表示为：

其中，x_ACO是ACO-OFDM矢量信号，κ是信道响应，Q＝[Q₀,Q₁,...,Q_4N-1]^T表示环境光照噪声和热噪声的总和，它们是具有实数方差的加性高斯白噪声(AWGN)。

最后，矢量y通过快速傅立叶变换和解码器模块，得到恢复的符号。

在具体实施时，关于网络训练：如图2所示，假设编码器和解码器的输入和输出都是通过L_f＝L_g＝3个隐藏层连接的。每个隐藏层的输出都经过批处理规范化(Batchnorm)、激活函数和Dropout层处理。设

为编码器第l个隐藏层的输入，输出可以表示

其中，

和

为第l个隐藏层的权重和偏差。此层的参数集为

每个隐藏层的输出通过Batchnorm层，以最小化内部协变量的偏差，表示为

然后将归一化值送入激活函数，网络中采用的两种激活函数分别是是整流线性单元(Relu)和Sigmoid，分别定义为

和

在大多数情况下，除了解码器的最后一个隐藏层使用Sigmoid来保持解码器的输出

外，其余隐藏层都使用Relu作为激活函数。由于自动编码器网络的参数量巨大，采用概率为μ的Dropout层来解决过拟合问题。

在具体实施时，编码器的输出经过信道成为解码器的输入。信道噪声要求神经网络寻找一种能消除噪声干扰的编码和解码策略，并适用于复杂光信道的传输。

因此编码器的输出为：

其中，x是输入信号，A＝f(x)是编码器的输出，

是第L_f个编码器的激活函数，

和

分别是第L_f个编码器隐藏层的权重和偏差。

解码器的输出为：

其中，Y是接收端送入解码器的信号，

是接收端的恢复信号，

是解码器的输出，

是第L_g个解码器的激活函数，

和

分别是第L_g个解码器隐藏层的权重和偏差。

在本公开的技术方案的设计中，该混合自编码网络经过训练，要在不影响误码率性能的前提下降低ACO-OFDM系统的PAPR，因此，必须使用包含上述两个因素的特定损耗函数来确定网络的参数。一方面，噪声信道会使信号失真，自动编码器的目标是以最小的误差重建传输信号。为了实现这一目标，接收端恢复的信号可以简化表示为：

其中，x,f(·)和g(·)分别为自动编码器的输入、编码器的输出和解码器的输出，K表示光信道的影响，FFT(·)和IFFT(·)分别表示快速傅里叶变换和快速傅里叶反变换。

实现这一目标的损失函数为：

L₁(x,x)＝||x-g(FFT(KοIFFT(f(x；θ^f))+ε)；θ^g||₂

其中，

是网络的损耗函数，x,f(·)和g(·)分别为自动编码器的输入、编码器的输出和解码器的输出，

是接收端的恢复信号，K表示光信道的影响，FFT(·)和IFFT(·)分别表示快速傅里叶变换和快速傅里叶反变换，θ^f＝{W^f,b^f}和θ^g＝{W^g,b^g}分别表示编码器和解码器的参数集，ε是接收器的噪声。

另一方面，发射机和接收机通常具有较高的峰均功率比，这可能导致VLC系统的非线性失真。此外，对于ACO-OFDM，高信号峰值意味着LED的线性范围更宽，系统的功率效率下降更严重。因此，我们定义了第二个损耗分量L₂(x)以同时降低PAPR值：

L₂(x)＝PAPR{x_H(n)}

结合这两个因素，本公开技术方案使用一个超参数η来平衡两个不同的损失分量。因此，总损失函数表示为：

具体的，在自动编码器的训练中，采用了一种最常用的随机梯度下降算法(SGD)来寻找良好的参数集θ。θ的迭代更新表示为

其中λ>0是学习率，θ表示自动编码器的参数，

代表梯度操作

在端到端随机梯度下降(SGD)训练过程中，接收机通过直接学习恢复原始的传输信息。

为了使得本领域技术人员能够更加清楚地了解本公开的技术方案，以下将结合具体的实施例与对比实例详细说明本公开的技术方案。

对系统进行了仿真，以验证该方案在不同信道下的PAPR和信噪比性能。网络参数如表1所示。

表1.网络参数

在该网络的训练中，总共使用64000000个独立随机位进行训练，12800000个位用于验证，12800000个位用于测试。以信噪比(SNR)＝10dB为例，训练集、验证集、测试集的平均PAPR和BER结果见表2。请注意，下面对自动编码器方案的所有模拟和讨论都是基于测试集的结果。

表2训练集、验证集和测试集的结果比较

为了进行比较，还仿真了常用的PAPR抑制方法，如SLM和不同削波比γ的限幅方法。所有仿真结果均取自10万个OFDM符号，在误码率分析中，考虑了4-QAM、16-QAM和64-QAM三种映射的限幅方法。

从图4可以看出，与原始ACO-OFDM相比，本公开提出的综合方案(HAE)令系统PAPR降低了12dB，明显优于其他方法。

关于误码率分析：LOS信道中，ACO-OFDM系统的误码率性能如图5所示，仿真结果表明，信噪比增大时，与传统方法相比，该方法能显著提高误码率。在BER＝10^-5时，HAE的信噪比要求大约比SLM和4-QAM的信噪比要求低3.5dB和5.5dB。

同时，图6给出了DOW信道中上述方法的误码率性能，不存在符号间干扰(ISI)时，所有方案的误码率性能都有所下降，但本公开方法误码率小于10^-4，这一性能明显优于限幅方法和SLM方法。以BER＝10^-3，与SLM和4-QAMγ＝1.5相比，该综合方案至少获得4.8dB和10dB信噪比需求的降低。

为了证明ISI的影响，图7给出了有ISI和无ISI的DOW信道中上述方法的误码率性能比较。我们可以观察到，该综合方案更能适应ISI，性能下降幅度更小。这是因为网络的大量可训练参数的优化很好的补偿了光通道的多重效应。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.基于神经网络的ACO-OFDM系统综合PAPR抑制方法，其特征是，包括：

将输入信号进行串并转换并传输至自编码器网络，自编码器网络由编码器及解码器构成；

在编码器部分进行星座映射编码后传输至相位旋转器，生成替代的低PAPR输出序列；

假设OFDM信号由4N个子载波进行传输，对替代的低PAPR输出序列进行Hermitian对称，只在奇数载波上传输数据，偶数载波上数据置零，并进行快速傅里叶逆变换得到实时域OFDM信号；

对时域OFDM信号进行并串转换和添加循环前缀后，进行限幅操作，不需要添加直流偏置，调制信号的所有负值都被归为零，将快速傅里叶逆变换的输出信号转换为非负实信号，并使其适合于LED的有限发射范围；

经过信道传输后，在接收端经过反过程处理，最后经过解码器解码得到恢复失真的信号；

其中，自编码器的编码器和解码器是标准的多层神经网络，通过激活函数描述输入和输出之间的非线性关系，基于反向传播算法，在无需监控的情况下对编码器和解码器的参数进行训练；X_k指复数信号X中的第k个元素，

|w₁ ^fx+b₁ ^f|_norm指编码器第一个隐藏层经过Batchnorm层的输出，

指编码器第L_f个隐藏层经过Batchnorm层的输出，

w₁ ^gY+b₁ ^g|_norm指解码器第一个隐藏层经过Batchnorm层的输出，

指编码器第L_g个隐藏层经过Batchnorm层的输出。

2.如权利要求1所述的基于神经网络的ACO-OFDM系统综合PAPR抑制方法，其特征是，假设OFDM信号由4N个子载波进行传输，在编码器部分的输出A＝f(x)，

由2N个实数值组成，按一定顺序成对组合形成N个复数信号x，x＝[x₀，x₁，...，x_N-1]^T，X∈￡^N；￡^N为复数域。

3.如权利要求1所述的基于神经网络的ACO-OFDM系统综合PAPR抑制方法，其特征是，对于相位旋转器，每一个输入值都乘以一个相位因子，并将其表示为

其中

和

每个相位因子通过损失函数在深度学习网络中进行训练；X_k指复数信号x中的第k个元素；

指第一个损耗分量，

指具体这个损耗分量的计算公式，x_H(n)}指频域OFDM帧信号，n指复数信号的个数，PAPR{x_H(n)}指计算OFDM信号的峰均比，

指第二个损耗分量，w^f指编码器隐藏层的权重，b^f指编码器隐藏层的偏差，w^g，指解码器隐藏层的权重，b^g指解码器隐藏层的偏差。

4.如权利要求3所述的基于神经网络的ACO-OFDM系统综合PAPR抑制方法，其特征是，LED的发射信号要求为非负实数，对

采用Hermitian对称运算形成频域OFDM帧x_H(k)，在ACO-OFDM中，只有奇数子载波携带数据信号，所有偶数频率输入都设置为零。

5.如权利要求3所述的基于神经网络的ACO-OFDM系统综合PAPR抑制方法，其特征是，网络训练时，假设编码器和解码器的输入和输出都是通过L_f＝L_g＝3个隐藏层连接的，每个隐藏层的输出都经过批处理规范化，以及激活函数和Dropout层处理。

6.如权利要求5所述的基于神经网络的ACO-OFDM系统综合PAPR抑制方法，其特征是，设r₁ ^f为编码器第1个隐藏层的输入，输出表示h₁ ^f＝w₁ ^fr₁ ^f+b₁ ^f，其中，w₁ ^f和b₁ ^f为第1个隐藏层的权重和偏差；

隐藏层的参数集为θ₁ ^f＝{w₁ ^f，b₁ ^f}，每个隐藏层的输出通过Batchnorm层，以最小化内部协变量的偏差，表示为|h₁ ^f|_norm；

然后将归一化值送入激活函数，网络中采用的两种激活函数分别是是整流线性单元Relu和Sigmoid，分别定义为max(|h₁ ^f|_norm，0)和

解码器的最后一个隐藏层使用Sigmoid来保持解码器的输出

外，其余隐藏层都使用Relu作为激活函数；

采用概率为μ的Dropout层来解决自动编码器网络的参数量巨大引起的过拟合问题。

7.如权利要求1所述的基于神经网络的ACO-OFDM系统综合PAPR抑制方法，其特征是，编码器的输出表示：

其中，x是输入信号，A＝f(x)是编码器的输出，

是第L_f个编码器的激活函数，

和

分别是第L_f个编码器隐藏层的权重和偏差；

解码器的输出为：

其中，Y是接收端送入解码器的信号，

是接收端的恢复信号，

是解码器的输出，

是第L_g个解码器的激活函数，

和

分别是第L_g个解码器隐藏层的权重和偏差；

|w₁ ^fx+b₁ ^f|_norm指编码器第一个隐藏层经过Batchnorm层的输出，

指编码器第L_f个隐藏层经过Batchnorm层的输出，

w₁ ^gY+b₁ ^g|_norm指解码器第一个隐藏层经过Batchnorm层的输出，

指编码器第L_g个隐藏层经过Batchnorm层的输出。

8.如权利要求3所述的基于神经网络的ACO-OFDM系统综合PAPR抑制方法，其特征是，将包含误码率及PAPR两个因素的损耗函数来确定网络的参数；

第一个损耗分量：

其中，其中，

是网络的损耗函数，x，l(g)和g(g)分别为自动编码器的输入、编码器的输出和解码器的输出，

是接收端的恢复信号，K表示光信道的影响，FFT(g)和IFFT(g)分别表示快速傅里叶变换和快速傅里叶反变换，θ^f＝{w^f，b^f}和θ^g＝{w^g，b^g}分别表示编码器和解码器的参数集，ε是接收器的噪声；

第二个损耗分量L₂(x)：L₂(x)＝PAPR{x_H(n)}；

使用一个超参数η来平衡两个不同的损失分量，总损失函数：

指第一个损耗分量，

指具体这个损耗分量的计算公式，x_H(n)}指频域OFDM帧信号，n指复数信号的个数，PAPR{x_H(n)}指计算OFDM信号的峰均比，

指第二个损耗分量，w^f指编码器隐藏层的权重，b^f指编码器隐藏层的偏差，w^g，指解码器隐藏层的权重，b^g指解码器隐藏层的偏差。

9.如权利要求3所述的基于神经网络的ACO-OFDM系统综合PAPR抑制方法，其特征是，在自动编码器的训练中，采用随机梯度下降算法来寻找良好的参数集θ，θ的迭代更新表示为

其中λ＞0是学习率，θ表示自动编码器的参数，

代表梯度操作

在端到端随机梯度下降训练过程中，接收机通过直接学习恢复原始的传输信息；

指网络的总的损耗函数，x指自动编码器的输入，

指接收端的恢复信号。

10.一种自动编码器通信系统，包括发射机、信道和接收机，发射机和接收机都由若干子块组成，每个子块由隐藏层、Batchnorm层、激活函数和Dropout层组成，发射机称为编码器，接收机称为解码器，编码器及解码器构成自编码器，利用权利要求1-9任一所述的基于神经网络的ACO-OFDM系统综合PAPR抑制方法实现PAPR的抑制。

Images