CN109831399A - 一种人工智能辅助的ofdm接收机 - Google Patents
一种人工智能辅助的ofdm接收机 Download PDFInfo
- Publication number
- CN109831399A CN109831399A CN201910057264.3A CN201910057264A CN109831399A CN 109831399 A CN109831399 A CN 109831399A CN 201910057264 A CN201910057264 A CN 201910057264A CN 109831399 A CN109831399 A CN 109831399A
- Authority
- CN
- China
- Prior art keywords
- frequency
- neural network
- artificial intelligence
- signal
- region 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.)
- Pending
Links
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种人工智能辅助的OFDM接收机，包括：射频天线，用于采集实际信道环境中的射频信号；基于FPGA芯片的无线电模块，用于对射频天线采集的射频信号进行时钟同步和帧同步，并进行离散傅立叶变换FFT转至频域信号，通过高速以太网接口传输；多核通用处理器，用于对频域信号进行侦听，还原出频域信号；并将还原出的频域信号输入人工智能算法中根据实际信道环境训练出的神经网络，由神经网络输出发射数据流的估计，并将发射数据流的估计传输至计算机接收和显示。本发明引入人工智能算法取代传统接收机的信道估计、信号检测和解映射模块，降低了信道建模的难度，满足实时性要求，具有很强的灵活性和可扩展性。
Description
技术领域
本发明涉及一种人工智能辅助的OFDM接收机，属于无线通信技术领域。
背景技术
智能通信作为下一代移动通信的主要研究方向之一，通过引入人工智能技术，能够解决传统通信系统中的许多问题。近年来，智能通信已经取得了不少成就，包括使用人工智能算法进行信号分类、MIMO检测、信道状态信息反馈等等，在通信领域展现出巨大的潜力。
OFDM是现代通信系统中广泛应用的一种关键技术，实现复杂度低，且通过在发送码元间插入保护间隔，消除了信道多径带来的码间串扰，能够有效解决无线信道时延扩展的问题。传统的OFDM接收机都是基于专业知识或特殊模型设计的，其工作原理主要如下：接收到信号后，首先进行去CP和FFT变换，然后进行信道估计、信号检测以及QAM解映射，最终得到相应的比特流。虽然传统OFDM接收机的结构并不复杂，但需要根据实际信道选择参数搭建特定的模型，而人为设计可能存在一定的难度和局限性，不能保证模型完全合理，且根据某种信道模型设计出的OFDM接收机可能不适用于其他信道环境，适应性和灵活性差，在面对信道变化及信道多样性问题时存在明显不足。
发明内容
本发明所要解决的技术问题在于克服现有技术的不足，提供一种人工智能辅助的OFDM接收机，解决现有OFDM接收机可能不适用于其他信道环境，适应性和灵活性差，在面对信道变化及信道多样性问题存在缺陷的问题。
本发明具体采用以下技术方案解决上述技术问题：
一种人工智能辅助的OFDM接收机，包括：
射频天线，用于采集实际信道环境中的射频信号；
基于FPGA芯片的无线电模块，用于对射频天线采集的射频信号进行时钟同步和帧同步，并进行下变频、去CP、离散傅立叶变换FFT后转至频域信号Y，所述频域信号Y包含导频和数据信息，并将频域信号Y打包通过高速以太网接口传输；
多核通用处理器，用于对高速以太网接口所传输打包的频域信号进行侦听，还原出频域信号Y；并将还原出的频域信号Y输入人工智能算法中根据实际信道环境训练出的神经网络，由神经网络输出发射数据流的估计并将发射数据流的估计还原为视频流传输至计算机；
计算机，用于接收和显示多核通用处理器传输的发射数据流的估计
进一步地，作为本发明的一种优选技术方案：所述无线电模块将频域信号Y采用UDP格式打包，且固定IP和端口号。
进一步地，作为本发明的一种优选技术方案：所述高速以太网接口采用10Gbps以太网接口。
进一步地，作为本发明的一种优选技术方案：所述多核通用处理器的人工智能算法采用的神经网络为数据驱动全连接深度神经网络FC-DNN。
进一步地，作为本发明的一种优选技术方案：所述多核通用处理器的人工智能算法采用的神经网络为模型驱动的神经网络ComNet。
进一步地，作为本发明的一种优选技术方案：所述多核通用处理器的人工智能算法采用的神经网络为自适应于信道环境的切换神经网络。
本发明采用上述技术方案，能产生如下技术效果：
本发明的人工智能辅助的OFDM接收机，通过在无线电模块对接收信号进行OFDM解调，在多核服务器上用人工智能算法将解调符号直接恢复成原始比特流信息，实现了较宽的工作频带和较快的运行速率，满足实时性要求；通过深度神经网络对信道特征进行学习，对实际信道环境具有很强的适应性，且可以根据实际需求选择合适的网络结构，是一款性能优良且具有扩展性的无线传输接收机。
本发明将基于FPGA芯片的无线电模块与多核通用处理器相结合，具有很强的数据处理能力和高吞吐量；同时，通过在传统OFDM接收机结构中引入人工智能算法，取代信道估计、信号检测及QAM解映射三个模块，降低了信道建模的难度，提高了接收机在实际信道环境中的性能，具有较强的灵活性和普适性。
附图说明
图1为本发明人工智能辅助的OFDM接收机的结构示意图。
具体实施方式
下面结合说明书附图对本发明的实施方式进行描述。
如图1所示，本发明设计了一种人工智能辅助的OFDM接收机，包括：射频天线、基于FPGA芯片的无线电模块、高速以太网接口、多核通用处理器和计算机。其中，射频天线与无线电模块输入端相连，无线电模块输出端通过高速以太网接口与多核通用处理器的输入端相连，所述多核通用处理器的输出端与计算机相连。
其中，所述射频天线，用于采集实际信道环境中的射频信号；基于FPGA芯片的无线电模块，用于对射频天线采集的射频信号进行时钟同步和帧同步，并进行下变频、去CP、离散傅立叶变换FFT后转至频域信号Y，所述频域信号Y包含导频和数据信息，并将频域信号Y打包通过高速以太网接口传输；多核服务器，用于对高速以太网接口所传输打包的频域信号进行侦听，还原出频域信号Y；并将还原出的频域信号Y输入人工智能算法中根据实际信道环境训练出的神经网络，由神经网络输出发射数据流的估计并将发射数据流的估计传输至计算机；计算机，用于接收和显示多核服务器传输的发射数据流的估计
本发明的人工智能辅助的OFDM接收机，其工作过程具体如下：
步骤一、由外部的发射端将发射数据流X，通过发射端FPGA模块进行QAM映射、FFT、加导频、加入循环前缀CP，加入帧同步头，上变频得到发送时域信号S；软件无线电平台将时域信号S进行IQ双路调制并通过射频天线传播到实际信道环境中。
步骤二、接收机进行接收和处理，即接收机中射频天线采集实际信道环境中的射频信号，在FPGA模块上进行时钟同步和帧同步，并进行下变频、去循环前缀CP、离散傅立叶变换FFT后转至频域信号Y，此时频域信号包含导频和数据信息；在接收机对接收到的射频信号进行下变频、去CP和FFT变换，其中采用OFDM方式对信号进行去CP和基于FFT的解调，射频天线接收射频信号的中心频率可在1.2GHz-6GHz范围内调节。
步骤三、接收机中无线电模块将频域信号Y打包通过高速以太网接口传输至多核通用处理器进行处理，打包方式采用UDP格式，且固定IP和端口号；
优选地，所述高速以太网接口采用10Gbps以太网接口。接收机中基于FPGA芯片的无线电模块和多核通用处理器通过10Gbps以太网接口相连，保证高数据传输速率和实时性。
步骤四、多核通用处理器对打包的频域信号Y进行UDP侦听，还原出频域信号Y，并通过多核通用处理器上的人工智能算法中根据实际信道环境训练出的神经网络输入频域信号Y，神经网络输出发射数据流的估计其中，多核通用处理器能够提供充足的处理器，调用Intel MKL库和多核多线程支持人工智能算法，加快运行速率。
步骤五、多核通用处理器将射数据流的估计传输并再计算机接收后上显示，并且优选可以还原为视频流显示。
其中，所述多核通用处理器通过人工智能算法模块对信道特征进行学习，取代了传统接收机中信道估计、信号检测和QAM解映射三个模块，接收到的频域数据经已训练完成的神经网络直接恢复成原始的比特流信息。
本实施例所述的在多核通用处理器上实现的人工智能算法模块，其输入为无线电模块输出的频域信号Y，通过根据实际信道环境训练过的神经网络输出恢复的比特流信息该模块使用的人工智能算法可根据实际需求选择不同的网络结构，采用现有的数据驱动全连接深度神经网络FC-DNN、模型驱动的神经网络ComNet以及自适应于信道环境的切换神经网络均可作为人工智能算法模块的具体实例，但不限于该些网络结构。
所述数据驱动全连接深度神经网络FC-DNN，采用FC-DNN对频域信号Y进行多层非线性全连接网络运算，直接获得发射数据流的估计所述神经网络ComNet，先从频域信号Y中通过线性全连接网络估计出实际信道响应H，在对信道均衡后的频域信号进行非线性网络运算得到发射数据流的估计所述切换神经网络则通过部分数据和已知比特位先对网络的运算结构进行调整，选择一个更好的信道处理方案，再通过线性网络得到一个更准确的信道响应H，并对信道均衡后的频域信号通过非线性网络运算得到发射数据流的估计以上几种网络均在本硬件平台上得到了良好的测试和验证。
综上，本发明的OFDM接收机，通过在无线电模块对接收信号进行OFDM解调，在多核服务器上用人工智能算法将解调符号直接恢复成原始比特流信息，实现了较宽的工作频带和较快的运行速率，满足实时性要求；工作频带宽且数据处理速度快，可用于视频流传输；人工智能算法对信道环境具有适应性和可扩展性，降低了信道建模的难度，在实际应用中展现出巨大的优势和潜力。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (6)
1.一种人工智能辅助的OFDM接收机，其特征在于，包括：
射频天线，用于采集实际信道环境中的射频信号；
基于FPGA芯片的无线电模块，用于对射频天线采集的射频信号进行时钟同步和帧同步，并进行下变频、去CP、离散傅立叶变换FFT后转至频域信号Y，所述频域信号Y包含导频和数据信息，并将频域信号Y打包通过高速以太网接口传输；
多核通用处理器，用于对高速以太网接口所传输打包的频域信号进行侦听，还原出频域信号Y；并将还原出的频域信号Y输入人工智能算法中根据实际信道环境训练出的神经网络，由神经网络输出发射数据流的估计并将发射数据流的估计传输至计算机；
计算机，用于接收和显示多核通用处理器传输的发射数据流的估计
2.根据权利要求1所述人工智能辅助的OFDM接收机，其特征在于：所述无线电模块将频域信号Y采用UDP格式打包，且固定IP和端口号。
3.根据权利要求1所述人工智能辅助的OFDM接收机，其特征在于：所述高速以太网接口采用10Gbps以太网接口。
4.根据权利要求1所述人工智能辅助的OFDM接收机，其特征在于：所述多核通用处理器的人工智能算法采用的神经网络为数据驱动全连接深度神经网络FC-DNN。
5.根据权利要求1所述人工智能辅助的OFDM接收机，其特征在于：所述多核通用处理器的人工智能算法采用的神经网络为模型驱动的神经网络ComNet。
6.根据权利要求1所述人工智能辅助的OFDM接收机，其特征在于：所述多核通用处理器的人工智能算法采用的神经网络为自适应于信道环境的切换神经网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910057264.3A CN109831399A (zh) | 2019-01-22 | 2019-01-22 | 一种人工智能辅助的ofdm接收机 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910057264.3A CN109831399A (zh) | 2019-01-22 | 2019-01-22 | 一种人工智能辅助的ofdm接收机 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109831399A true CN109831399A (zh) | 2019-05-31 |
Family
ID=66860497
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910057264.3A Pending CN109831399A (zh) | 2019-01-22 | 2019-01-22 | 一种人工智能辅助的ofdm接收机 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109831399A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110289875A (zh) * | 2019-07-15 | 2019-09-27 | 东南大学 | 一种人工智能辅助的分布式mimo接收机 |
| 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 |
| CN111510402A (zh) * | 2020-03-12 | 2020-08-07 | 西安电子科技大学 | 基于深度学习的ofdm信道估计方法 |
| CN114157544A (zh) * | 2021-12-07 | 2022-03-08 | 中南大学 | 基于卷积神经网络的帧同步方法、设备及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103647798A (zh) * | 2008-09-30 | 2014-03-19 | 高通股份有限公司 | 用于提供和接收场地级传输和服务的装置和方法 |
| CN206547097U (zh) * | 2017-03-09 | 2017-10-10 | 东南大学 | 一种基于多核通用服务器的无线通信下行链路发射机 |
| CN109067688A (zh) * | 2018-07-09 | 2018-12-21 | 东南大学 | 一种数据模型双驱动的ofdm接收方法 |
-
2019
- 2019-01-22 CN CN201910057264.3A patent/CN109831399A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103647798A (zh) * | 2008-09-30 | 2014-03-19 | 高通股份有限公司 | 用于提供和接收场地级传输和服务的装置和方法 |
| CN206547097U (zh) * | 2017-03-09 | 2017-10-10 | 东南大学 | 一种基于多核通用服务器的无线通信下行链路发射机 |
| CN109067688A (zh) * | 2018-07-09 | 2018-12-21 | 东南大学 | 一种数据模型双驱动的ofdm接收方法 |
Non-Patent Citations (3)
| Title |
|---|
| HAOYE: "Power of Deep Learning for Channel Estimation and Signal Detection in OFDM Systems", 《IEEE》 * |
| 张静: "基于人工智能的无线传输技术最新研究进展", 《电信科学》 * |
| 潘煜晨: "一种基于OFDM 的低压窄带电力线通信基带系统", 《复旦学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110289875A (zh) * | 2019-07-15 | 2019-09-27 | 东南大学 | 一种人工智能辅助的分布式mimo接收机 |
| CN111510402A (zh) * | 2020-03-12 | 2020-08-07 | 西安电子科技大学 | 基于深度学习的ofdm信道估计方法 |
| 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 |
| CN114157544A (zh) * | 2021-12-07 | 2022-03-08 | 中南大学 | 基于卷积神经网络的帧同步方法、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109831399A (zh) | 一种人工智能辅助的ofdm接收机 | |
| CN107318169B (zh) | 基于不完全信道状态信息的功率与时分因子联合分配方法 | |
| US10405216B2 (en) | Mobile terminal simulator for a wireless telecommunications network and method of simulating a mobile terminal | |
| CN101478510B (zh) | 一种自适应均衡器及使用该均衡器的接收机系统 | |
| Jiang et al. | AI-aided online adaptive OFDM receiver: Design and experimental results | |
| CN106209712B (zh) | 基于码下标调制的差分混沌移位键控调制解调装置 | |
| CN113708855A (zh) | 基于深度学习的otfs数据驱动接收方法、系统及介质 | |
| CN110289875A (zh) | 一种人工智能辅助的分布式mimo接收机 | |
| Sahrab et al. | Filtered orthogonal frequency division multiplexing for improved 5G systems | |
| Li et al. | On the achievable rates of uplink NOMA with asynchronized transmission | |
| Navita et al. | Performance analysis of OFDMA, MIMO and SC-FDMA technology in 4G LTE networks | |
| TH et al. | Improvement in Data Transmission Efficiency in Mobile 5G New Radio System using Filter Bank Multicarrier Signals | |
| CN111884980B (zh) | 一种无线光通信的广义索引调制光ofdm调制方法 | |
| CN109728878A (zh) | Lte通信系统中基于信道估计与分段线性回归的天线端口数快速检测方法 | |
| Okoyeigbo et al. | Comparative study of MIMO-OFDM channel estimation in wireless systems | |
| CN112383496A (zh) | 基于深度接收机的矿井通信方法、系统、计算机设备及介质 | |
| CN105119861B (zh) | 一种交织载波索引调制n阶连续ofdm系统ber改善方法 | |
| Qian et al. | Novel intersymbol interference cancellation scheme to enable parallel computational and high-performance faster-than-Nyquist signaling | |
| Wang et al. | Frequency offset estimation for index modulation-based cognitive underwater acoustic communications | |
| Zhao et al. | Modulation format recognition based on transfer learning for visible light communication systems | |
| Sung et al. | Real-time testbed for diversity in powerline and wireless smart grid communications | |
| Ma et al. | Design of DBN based Demodulator in Underwater Wireless Optical Communications | |
| CN201044450Y (zh) | 自由空间光通信多载波调制装置 | |
| Sun et al. | Implementation of a 2x2 mimo-ofdm real-time system on dsp/fpga platform | |
| Xingxin et al. | Optimal wavelet packet based multicarrier modulation over multipath wireless channels |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190531 |
|
| RJ01 | Rejection of invention patent application after publication |