CN109831400A - 一种正交频分复用ofdm信号接收的方法及设备 - Google Patents
一种正交频分复用ofdm信号接收的方法及设备 Download PDFInfo
- Publication number
- CN109831400A CN109831400A CN201910169516.1A CN201910169516A CN109831400A CN 109831400 A CN109831400 A CN 109831400A CN 201910169516 A CN201910169516 A CN 201910169516A CN 109831400 A CN109831400 A CN 109831400A
- Authority
- CN
- China
- Prior art keywords
- ofdm
- training
- signal
- qam
- model
- 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
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种正交频分复用OFDM信号接收的方法及设备,涉及通信技术领域,用以解决在利用OFDM基带系统接收OFDM信号时,对信号处理过程复杂、占用资源多占用资源多且计算复杂度较高,导致效率降低的问题,该方法包括:接收包含预设循环长度的循环前缀的OFDM信号,利用基于深度学习网络预先构建的OFDM接收模型,依次进行去除所述OFDM信号的循环前缀、进行傅里叶逆变换、信道估计和信道均衡后,解调成对应的正交振幅调制QAM信号并输出。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种正交频分复用OFDM信号接收的方法及设备。
背景技术
目前的正交频分复用OFDM(Orthogonal Frequency Division Multiplexing)基带系统包括信号的发射端和接收端。在发送端,信息比特经过正交振幅调制QAM(Quadrature Amplitude Modulation)(包括QPSK、16QAM、64QAM,256QAM等)调制,再经快速傅里叶逆变换(FFT),变成时域信号,再经串并转换,插入循环前缀,调制到载波上,经过无线信道发送出去。在接收端,接收包含循环前缀的OFDM信号,将其解调到基带信道,经过采样,然后移除循环前缀,串并逆转换,再经快速傅里叶(FFT)反变换,通过信道估计和信道均衡,恢复成QAM信号,再解调出信息比特。
其中,信道估计通常有两种方案,一种是非盲信道估计,通过在发送方OFDM信号里加入时频参考信号,接收方利用这些参考信号估计出信道,另一种是盲信道估计,发送方不发送参考信号,接收方利用接收信号的统计特性估计出信道,然而非盲信道估计,参考信号占用的频谱资源,频谱的利用率低。盲信道估计不需参考信道,但接收端计算复杂度比较高;
综上,OFDM基带系统中接收端对信号的处理过程复杂,且对接收的信号进行处理时占用资源多、计算复杂度较高,导致效率降低的问题。
发明内容
本发明提供一种正交频分复用OFDM信号接收的方法及设备,解决在利用OFDM基带系统接收OFDM信号时,对信号处理过程复杂、占用资源多且计算复杂度较高,导致效率降低的问题。
第一方面,本申请提供一种正交频分复用OFDM信号接收方法,该方法包括:
接收包含预设循环长度的循环前缀的OFDM信号;
利用基于深度学习网络预先构建的OFDM接收模型,依次进行去除所述OFDM信号的循环前缀、进行傅里叶逆变换、信道估计和信道均衡后,解调成对应的正交振幅调制QAM信号并输出。
上述方法中,直接将带循环前缀的OFDM信号输入OFDM接收模型,直接利用OFDM接收模型对接收的OFDM信号进行解调,使信号处理过程简单化,同时能缩短对OFDM信号处理的时间。
在一种可能的实现方式中,接收包含预设循环长度的循环前缀的OFDM信号,包括:
将所述OFDM信号对应的采样信号复数的实部和虚部,分别输入所述预先构建的OFDM接收模型。
上述方法中,直接将OFDM信号对应的采样信号复数的实部和虚部输入OFDM接收模型,进而使用OFDM接收模型对实部和虚部处理,最后得到QAM信号输出的过程中,占用的资源较少,且降低了计算的复杂度。
在一种可能的实现方式中,基于深度学习网络预先构建OFDM接收模型,包括:
获取所述OFDM接收模型的训练样本集和测试样本集,所述训练样本和测试样本集均包括预设场景下的OFDM信号样本以及解调所述OFDM信号样本对应的真实QAM信号,所述OFDM信号样本包含预设循环长度的循环前缀;
基于深度学习网络构建OFDM接收训练模型,并初始化构建的OFDM接收训练模型的模型参数;
利用所述训练样本集,对OFDM接收训练模型的模型参数训练;
利用所述测试样本集确定训练后的OFDM接收训练模型满足预设精度要求时,停止训练。
上述方法中,同时利用训练样本集和测试样本集获得OFDM接收模型,使得获得的OFDM接收模型的精度较高,具有良好的表现,能使OFDM接收模型解调出的QAM信号更接近实际的QAM信号。
在一种可能的实现方式中,所述预设场景下的OFDM信号样本包括如下任一或任多:
不同信道的OFDM信号样本;
不同的信道参数下的OFDM信号样本;
不同信噪比的OFDM信号样本。
上述方法中,利用预设场景下的OFDM信号样本对模型参数训练进行训练,使得训练得到的OFDM接收模型具有更好的表现性,能保证对不同场景下的OFDM信号解调出的QAM信号精度更高,使得训练得到的OFDM接收模型具有广泛的适用性。
在一种可能的实现方式中,利用所述训练样本集,对OFDM接收训练模型的模型参数训练,包括:
确定触发模型训练时,利用当前的OFDM接收模型,对未经当前的OFDM接收训练模型训练过的OFDM信号样本依次进行去除循环前缀、进行傅里叶逆变换、信道估计和信道均衡后,解调成对应的训练QAM信号并输出;
输出任一个训练QAM信号,确定满足第一预设训练停止条件时,触发利用测试样本集对当前的OFDM接收训练模型进行测试。
在一种可能的实现方式中,解调成对应的训练QAM信号并输出,包括:
根据进行信道均衡后的信号的星座图上,各个星座点集中区域中的星座点落在其最佳星座点的概率;
根据所述各个星座点集中区域中的星座点落在其最佳星座点的概率,将所述进行信道均衡后的信号解调成对应的训练QAM信号并输出。
上述方法中,在训练OFDM接收模型时,根据星座点落在其最佳星座点的概率解调出QAM信号,对比于直接根据各个星座点集中区域的星座点调制出QAM信号的方式而言,避免了由于各个星座点集中区域的星座点与最佳星座点存在偏离造成的解调出的QAM信号不够精确的问题。
在一种可能的实现方式中,输出任一个训练QAM信号时,还包括:
确定不满足第一预设训练停止条件时,且所有的OFDM信号样本都已经过当前的OFDM接收训练模型训练时,调整当前模型参数并触发模型训练。
在一种可能的实现方式中,确定满足第一预设训练停止条件包括如下任一:
确定当前得到的所有训练QAM信号与对应的真实QAM信号的相似度阈值满足第一设定要求;
确定当前得到的训练QAM信号与对应的真实QAM信号的相似度阈值满足第二设定要求;
确定触发模型训练的次数达到第一预设训练次数。
在一种可能的实现方式中,确定当前得到的所有训练QAM信号与对应的真实QAM信号的相似度阈值满足第一设定要求,或者,确定当前得到的训练QAM信号或者当前得到的所有训练QAM信号与对应的真实QAM信号的相似度阈值满足设定要求,包括:
根据预设损失函数,确定当前得到的所有训练QAM信号与对应的真实QAM信号的损失函数值小于或等于第一相似度预设阈值时,确定当前得到的所有训练QAM信号与对应的真实QAM信号的相似度阈值满足设定要求,所述损失函数值包括误比特率和误包率;
根据预设损失函数,确定当前得到的训练QAM信号与对应的真实QAM信号的损失函数值小于或等于第二相似度预设阈值时,确定当前得到的所有训练QAM信号与对应的真实QAM信号的相似度阈值满足设定要求,所述损失函数值包括误比特率和误包率。
上述方法中,利用损失函数评估模型的表现能力,使得训练得到的OFDM接收模型更精准。
在一种可能的实现方式中,所述OFDM接收训练模型包括输入层网络、多个隐含层网络和输出层网络,初始化模型参数时,还包括:
初始化所述OFDM接收训练模型的输入层的节点数,为所述预设循环长度和去除循环前缀后的OFDM信号的傅里叶变换长度之和的两倍;
初始化所述OFDM接收训练模型的输出层的节点数为所述傅里叶变换长度;
初始化所述OFDM接收训练模型的隐含层网络的个数及每个隐含层网络的节点数。
在一种可能的实现方式中,触发利用测试样本集对当前的OFDM接收训练模型进行测试之后,还包括:
将测试样本集中的OFDM信号样本输入当前的OFDM接收训练模型;
确定当前的OFDM接收训练模型输出的训练QAM信号满足第二预设训练停止条件时,将当前的OFDM接收训练模型确定为所述OFDM接收模型;
确定当前的OFDM接收训练模型输出的训练QAM信号不满足第二预设训练停止条件时,调整所述当前的OFDM接收训练模型的隐含层网络的个数及每个隐含层网络的节点数,将调整后的OFDM接收训练模型作为当前的OFDM接收训练模型并触发模型训练。
在一种可能的实现方式中,所述第二预设训练停止条件包括如下任一:
当前得到的所有训练QAM信号与对应的真实QAM信号的相似度阈值满足第三设定要求;
确定当前得到的训练QAM信号与对应的真实QAM信号的相似度阈值满足第四设定要求;
确定触发模型训练的次数达到第一预设训练次数;
确定调整所述当前的OFDM接收训练模型的隐含层网络的个数及每个隐含层网络的节点数的次数达到预设节点调整次数。
上述方法中,用测试样本集进一步对OFDM接收训练模型进行训练,通过调整隐含层网络的个数及每个隐含层网络的节点数以提高模型的表现性,以及模型处理信号的精准度。
在一种可能的实现方式中,所述OFDM接收训练模型包括输入层网络、多个隐含层网络和输出层网络,所述模型参数包括所述OFDM接收训练模型的每个网络的参数和权重。
第二方面,本申请提供一种正交频分复用OFDM信号接收装置,所述装置包括:
信号接收单元,用于接收包含预设循环长度的循环前缀的OFDM信号;
信号处理输出单元,用于利用基于深度学习网络预先构建的OFDM接收模型,依次进行去除所述OFDM信号的循环前缀、进行傅里叶逆变换、信道估计和信道均衡后,解调成对应的正交振幅调制QAM信号并输出。
第三方面,本申请提供一种正交频分复用OFDM信号接收设备,该设备包括处理器和存储器,其中,存储器存储可执行程序,在所述可执行程序被执行时,所述处理器实现如下过程:
接收包含预设循环长度的循环前缀的OFDM信号;
利用基于深度学习网络预先构建的OFDM接收模型,依次进行去除所述OFDM信号的循环前缀、进行傅里叶逆变换、信道估计和信道均衡后,解调成对应的正交振幅调制QAM信号并输出。
第四方面,本申请提供一种计算机存储介质,所述计算机存储介质存储有计算机程序,该计算机程序被执行时实现本发明第一方面所述的方法。
另外,第二方面和第三方面中任一种实现方式所带来的技术效果可参见第一方面中不同实现方式所带来的技术效果,此处不再赘述。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的一种正交频分复用OFDM信号接收的方法示意图;
图2为本发明实施例一提供的基于深度学习网络构建OFDM接收训练模型示意图;
图3为本发明实施例一提供的构建OFDM接收模型的完整流程示意图;
图4为本发明实施例二提供的一种正交频分复用OFDM信号接收的设备示意图;
图5为本发明实施例二提供的一种正交频分复用OFDM信号接收的装置示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明实施例描述的应用场景是为了更加清楚的说明本发明实施例的技术方案,并不构成对于本发明实施例提供的技术方案的限定,本领域普通技术人员可知,随着新应用场景的出现,本发明实施例提供的技术方案对于类似的技术问题,同样适用。其中,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
针对上述场景,下面结合说明书附图对本发明实施例做进一步详细描述。
实施例一:
本发明提供一种正交频分复用OFDM信号接收的方法,如图1所示,其具体过程如下:
第一方面,本申请提供一种正交频分复用OFDM信号接收方法,该方法包括:
步骤101,接收包含预设循环长度的循环前缀的OFDM信号;
步骤102,利用基于深度学习网络预先构建的OFDM接收模型,去除上述OFDM信号的循环前缀,依次进行去除上述OFDM信号的循环前缀、进行傅里叶逆变换、信道估计和信道均衡后,解调成对应的正交振幅调制QAM信号并输出。
其中,利用基于深度学习网络预先构建的OFDM接收模型,去除上述OFDM信号的循环前缀,并将去除循环前缀后的OFDM信号解调成对应的正交振幅调制QAM信号,包括:
利用基于深度学习网络预先构建的OFDM接收模型,对OFDM信号依次进行采样、移除循环前缀、串并逆转换、快速傅里叶反变换、信道估计和信道均衡,解调成对应QAM信号。
上述方法中,直接将带循环前缀的OFDM信号输入OFDM接收模型,直接利用OFDM接收模型对接收的OFDM信号进行解调,使信号处理过程简单化,同时能缩短对OFDM信号处理的时间。
由于信号在传递的过程中,会由于信号的子载波的多径传播,会造成信道间的干扰,为了消除上述由于多径传播所造成的信道间干扰,在对OFDM信号进入信道之前,首先要加入循环前缀,将原来宽度为T的OFDM符号进行周期扩展,用扩展信号来填充保护间隔,将上述保护间隔内的信号称为循环前缀CP(Cyclic Prefix),循环前缀中的信号与OFDM符号尾部宽度为上述保护间隔的部分相同。
上述采样操作为一种可选的实施方式,接收包含预设循环长度的循环前缀的OFDM信号,包括:
将上述OFDM信号对应的采样信号复数的实部和虚部,分别输入上述预先构建的OFDM接收模型。
上述OFDM接收模型在对OFDM信号解调时,会对上述OFDM信号进行采样,因而OFDM接收模型接收的OFDM信号都有一个对应的采样信号复数,上述采样信号复数包括实部部分和虚部部分;
作为一种可选的实施方式,基于深度学习网络预先构建OFDM接收模型,包括:
(一)获取上述OFDM接收模型的训练样本集和测试样本集,上述训练样本和测试样本集均包括预设场景下的OFDM信号样本以及解调上述OFDM信号样本对应的真实QAM信号,上述OFDM信号样本包含预设循环长度的循环前缀;
(二)基于深度学习网络构建OFDM接收训练模型,并初始化构建的OFDM接收训练模型的模型参数;
(三)利用上述训练样本集,对OFDM接收训练模型的模型参数训练;
(四)利用上述测试样本集确定训练后的OFDM接收训练模型满足预设精度要求时,停止训练。
作为一种可选的实施方式,在上述(一)获取训练样本集和测试样本集时,可以但不局限于通过仿真实验或真实测试获得上述训练样本集和测试样本集,且上述训练样本集和测试样本集的样本数据可以完全相同,也可以部分相同,还可以完全不同,对此不做过多限定,本领域的技术人员可根据实际需求设置。
作为一种可选的实施方式,上述预设场景下的OFDM信号样本包括如下任一或任多:
不同信道的OFDM信号样本;
不同的信道参数下的OFDM信号样本;
不同信噪比的OFDM信号样本。
作为一种可选的实施方式,在上述(二)中,如图2所示,基于深度学习网络构建OFDM接收训练模型包括输入层网络201、多个隐含层网络202和输出层网络203;
作为一种可选的实施方式,上述模型参数包括上述OFDM接收训练模型的每个网络的参数和权重;
作为一种可选的实施方式,在上述(二)中初始化构建的OFDM接收训练模型的模型参数包括:
初始化上述OFDM接收训练模型的每个网络层的权重和偏置;
初始化上述OFDM接收训练模型的输入层的节点数,为上述预设循环长度CPlen和去除循环前缀后的OFDM信号的傅里叶变换长度FFTLen之和的两倍,即初始化输入层的节点数为【2×(CPlen+FFTLen)】;
初始化上述OFDM接收训练模型的输出层的节点数为上述傅里叶变换长度FFTLen;
初始化上述OFDM接收训练模型的隐含层网络的个数及每个隐含层网络的节点数。
作为一种可选的实施方式,可以但不局限于采用现有的方式初始化上述OFDM接收训练模型的每个网络层的权重和偏置;
作为一种可选的实施方式,可以但不局限于随机初始化隐含层网络的个数及每个隐含层网络的节点数;
作为一种可选的实施方式,在上述(三)利用上述训练样本集,对OFDM接收训练模型的模型参数训练,包括:
确定触发模型训练时,利用当前的OFDM接收模型,对未经当前的OFDM接收训练模型训练过的OFDM信号样本依次进行去除循环前缀、进行傅里叶逆变换、信道估计和信道均衡后,解调成对应的训练QAM信号并输出;
输出任一个训练QAM信号,确定满足第一预设训练停止条件时,停止对未经当前的OFDM接收训练模型训练过的OFDM信号样本进行处理并输出训练QAM信号,触发利用测试样本集对当前的OFDM接收训练模型进行测试。
作为一种可选的实施方式,上述解调成对应的训练QAM信号并输出,包括:
根据进行信道均衡后的信号的星座图上,各个星座点集中区域中的星座点落在其最佳星座点的概率;
根据上述各个星座点集中区域中的星座点落在其最佳星座点的概率,将上述进行信道均衡后的信号解调成对应的训练QAM信号并输出。
上述星座图为一个分布有星座点的坐标系,上述星座点指信号调制过程中信号的同相分量和正交分量在上述坐标系中的坐标点,本领域的技术人员可根据实验获得上述进行信道均衡后的信号的星座图;
应当理解的是,在本实施例中,以一个最佳星座点为圆心,预设长度为半径组成的圆覆盖的区域为一个星座点集中区域,对上述预设距离不做过多限定,针对不同的星座点集中区域可以设置不同的预设长度,本领域的技术人员可根据实际所得的星座图设定;
应当理解的是,在本实施例中,上述最佳星座点为对进行信道均衡后的信号进行解调时,各个解调所得的星座点与信号发射端调制OFDM信号时QAM信号对应的星座点在星座图上的位置点,即可以理解为解调出的与发射端调制信号无偏差的对应星座点所在的位置点。
由于传统解调出QAM信号时,是直接根据各个星座点集中区域的星座点调制出QAM信号,但由于中间对信号的处理过程,会使得各个星座点在星座图中与其真实的最佳星座点产生偏离,而使用偏离后的各个星座点解调出QAM信号时,就会使的解调出的QAM信号与对应的真实的QAM信号具有一定程度的偏差,而在本申请中,根据各个星座点集中区域中的星座点落在其最佳星座点的概率得到QAM信号,很大程度地减少了得到的QAM信号与对应的真实的QAM信号的偏差。
作为一种可选的实施方式,输出任一个训练QAM信号时,还包括:
确定不满足第一预设训练停止条件时,且所有的OFDM信号样本都已经过当前的OFDM接收训练模型训练时,调整当前的模型参数并触发模型训练。
作为一种可选的实施方式,可以但不局限于通过如下任一方法调整当前的模型参数:
1)对当前的模型参数进行阶梯性的增大或减少;
2)将当前的模型参数与预设调整系数之积的结果作为新的模型参数;
3)对当前的模型参数进行阶梯性的增大或减小,将增大或减少后的模型参数与预设调整系数之积的结果作为新的模型参数;
4)计算当前的模型参数与预设调整系数之积的结果,将上述结果进行阶梯性的增大或减少后作为新的模型参数。
作为一种可选的实施方式,确定满足第一预设训练停止条件可以但不局限于包括如下任一:
确定当前得到的所有训练QAM信号与对应的真实QAM信号的相似度阈值满足第一设定要求;
确定当前得到的最新的训练QAM信号与对应的真实QAM信号的相似度阈值满足第二设定要求;
确定触发模型训练的次数达到第一预设训练次数。
作为一种可选的实施方式,可以根据预设损失函数,判断当前得到的所有训练QAM信号与对应的真实QAM信号的相似度阈值是否满足第一设定要求,或者判断当前得到的最新的训练QAM信号与对应的真实QAM信号的相似度阈值是否满足第二设定要求;
作为一种可选的实施方式,确定当前得到的所有训练QAM信号与对应的真实QAM信号的相似度阈值满足第一设定要求,包括:
根据预设损失函数,确定当前得到的所有训练QAM信号与对应的真实QAM信号的损失函数值小于或等于第一相似度预设阈值时,确定当前得到的所有训练QAM信号与对应的真实QAM信号的相似度阈值满足设定要求,上述损失函数值包括误比特率和误包率;
作为一种可选的实施方式,确定当前得到的训练QAM信号或者当前得到的所有训练QAM信号与对应的真实QAM信号的相似度阈值满足第二设定要求,包括:
根据预设损失函数,确定当前得到的训练QAM信号与对应的真实QAM信号的损失函数值小于或等于第二相似度预设阈值时,确定当前得到的所有训练QAM信号与对应的真实QAM信号的相似度阈值满足设定要求,上述损失函数值包括误比特率和误包率;
作为一种可选的实施方式,在比较训练QAM信号与对应的真实QAM信号的相似度阈值是否满足设定要求时,可以比较训练QAM信号相对于对应的真实QAM信号的误比特率和误包率;
上述损失函数可以但不局限于包括均方差ReLU函数,此处对所使用的激活函数不做过多限定,本领域的技术人员可根据实际需求灵活性选择。
作为一种可选的实施方式,触发利用测试样本集对当前的OFDM接收训练模型进行测试之后,还包括:
将测试样本集中的OFDM信号样本输入当前的OFDM接收训练模型;
确定当前的OFDM接收训练模型输出的训练QAM信号满足第二预设训练停止条件时,将当前的OFDM接收训练模型确定为上述OFDM接收模型;
确定当前的OFDM接收训练模型输出的训练QAM信号不满足第二预设训练停止条件时,调整上述当前的OFDM接收训练模型的隐含层网络的个数及每个隐含层网络的节点数,将调整后的OFDM接收训练模型作为当前的OFDM接收训练模型并触发模型训练。
作为一种可选的实施方式,上述第二预设训练停止条件包括如下任一:
当前得到的所有训练QAM信号与对应的真实QAM信号的相似度阈值满足第三设定要求;
确定当前得到的训练QAM信号与对应的真实QAM信号的相似度阈值满足第四设定要求;
确定触发模型训练的次数达到第一预设训练次数;
确定调整上述当前的OFDM接收训练模型的隐含层网络的个数及每个隐含层网络的节点数的次数达到预设节点调整次数。
作为一种可选的实施方式,确定当前得到的所有训练QAM信号与对应的真实QAM信号的相似度阈值满足第三设定要求,包括:
根据预设损失函数,确定当前得到的所有训练QAM信号与对应的真实QAM信号的损失函数值小于或等于第三相似度预设阈值时,确定当前得到的所有训练QAM信号与对应的真实QAM信号的相似度阈值满足设定要求,上述损失函数值包括误比特率和误包率;
作为一种可选的实施方式,确定当前得到的训练QAM信号或者当前得到的所有训练QAM信号与对应的真实QAM信号的相似度阈值满足第四设定要求,包括:
根据预设损失函数,确定当前得到的训练QAM信号与对应的真实QAM信号的损失函数值小于或等于第四相似度预设阈值时,确定当前得到的所有训练QAM信号与对应的真实QAM信号的相似度阈值满足设定要求,上述损失函数值包括误比特率和误包率。
作为一种可选的实施方式,上述第三设定要求的标准应高于上述第一设定要求,上述第四设定要求的标准应高于上述第二设定要求,应以便用测试样本集对训练后的OFDM接收训练模型进行调整,即在具体的实现过程中,可以设置第三相似度预设阈值小于第一相似度预设阈值,第四相似度预设阈值小于第二相似度预设阈值。
作为一种可选的实施方式,上述OFDM接收训练模型包括输入层网络、多个隐含层网络和输出层网络,上述模型参数包括上述OFDM接收训练模型的每个网络的参数和权重。
如图3所示,以下给出构建上述OFDM接收模型的完整流程,具体包括:
步骤301,获取训练样本集和测试样本集;
步骤302,基于深度学习网络构建OFDM接收训练模型,并初始化模型参数;
步骤303,从训练样本集中选择未经当前的OFDM接收训练模型训练过的OFDM样本,将其输入当前的OFDM接收训练模型;
步骤304,利用当前的OFDM接收训练模型,对上述OFDM信号样本进行处理并输出训练QAM信号;
步骤305,根据输出的训练QAM信号,判断是否满足第一预设训练停止条件,若满足进入步骤308,否则进入步骤306;
步骤306,判断训练样本集中的训练样本是否都经过当前的OFDM接收训练模型训练过,若是,进入步骤307,否则进入步骤303;
步骤307,调整当前的模型参数并进入步骤303;
步骤308,将测试样本集中的OFDM样本输入当前的OFDM接收训练模型,得到对应的训练QAM信号;
步骤309,根据上述训练QAM信号,判断是否满足第二预设训练停止条件,若满足进入步骤310,否则进入步骤311;
步骤310,将当前的OFDM接收训练模型确定为上述OFDM接收模型;
步骤311,调整上述当前的OFDM接收训练模型的隐含层网络的个数及每个隐含层网络的节点数,将调整后的OFDM接收训练模型作为当前的OFDM接收训练模型,并进入步骤303。
实施例二:
如图4所示,基于同一发明构思,本实施例提供一种正交频分复用OFDM信号接收设备,其特征在于,该设备包括处理器401和存储器402,其中,存储器402存储可执行程序,在上述可执行程序被执行时,上述处理器401实现如下过程:
接收包含预设循环长度的循环前缀的OFDM信号;
利用基于深度学习网络预先构建的OFDM接收模型,依次进行去除上述OFDM信号的循环前缀、进行傅里叶逆变换、信道估计和信道均衡后,解调成对应的正交振幅调制QAM信号并输出。
作为一种可选的实施方式,上述处理器具体用于,将上述OFDM信号对应的采样信号复数的实部和虚部,分别输入上述预先构建的OFDM接收模型。
作为一种可选的实施方式,基于深度学习网络预先构建OFDM接收模型,上述处理器具体用于:
获取上述OFDM接收模型的训练样本集和测试样本集,上述训练样本和测试样本集均包括预设场景下的OFDM信号样本以及解调上述OFDM信号样本对应的真实QAM信号,上述OFDM信号样本包含预设循环长度的循环前缀;
基于深度学习网络构建OFDM接收训练模型,并初始化构建的OFDM接收训练模型的模型参数;
利用上述训练样本集,对OFDM接收训练模型的模型参数训练;
利用上述测试样本集确定训练后的OFDM接收训练模型满足预设精度要求时,停止训练。
作为一种可选的实施方式,上述预设场景下的OFDM信号样本包括如下任一或任多:
不同信道的OFDM信号样本;
不同的信道参数下的OFDM信号样本;
不同信噪比的OFDM信号样本。
作为一种可选的实施方式,上述处理器具体用于:
确定触发模型训练时,利用当前的OFDM接收模型,对未经当前的OFDM接收训练模型训练过的OFDM信号样本依次进行去除循环前缀、进行傅里叶逆变换、信道估计和信道均衡后,解调成对应的训练QAM信号并输出;
输出任一个训练QAM信号,确定满足第一预设训练停止条件时,触发利用测试样本集对当前的OFDM接收训练模型进行测试。
作为一种可选的实施方式,解调成对应的训练QAM信号并输出时,上述处理器具体用于:
根据进行信道均衡后的信号的星座图上,各个星座点集中区域中的星座点落在其最佳星座点的概率;
根据上述各个星座点集中区域中的星座点落在其最佳星座点的概率,将上述进行信道均衡后的信号解调成对应的训练QAM信号并输出。
作为一种可选的实施方式,输出任一个训练QAM信号时,上述处理器还用于:
确定不满足第一预设训练停止条件时,且所有的OFDM信号样本都已经过当前的OFDM接收训练模型训练时,调整当前模型参数并触发模型训练。
作为一种可选的实施方式,确定满足第一预设训练停止条件包括如下任一:
确定当前得到的所有训练QAM信号与对应的真实QAM信号的相似度阈值满足第一设定要求;
确定当前得到的训练QAM信号与对应的真实QAM信号的相似度阈值满足第二设定要求;
确定触发模型训练的次数达到第一预设训练次数。
作为一种可选的实施方式,上述处理器具体用于,根据预设损失函数,确定当前得到的所有训练QAM信号与对应的真实QAM信号的损失函数值小于或等于第一相似度预设阈值时,确定当前得到的所有训练QAM信号与对应的真实QAM信号的相似度阈值满足设定要求,上述损失函数值包括误比特率和误包率;
作为一种可选的实施方式,上述处理器具体用于,根据预设损失函数,确定当前得到的训练QAM信号与对应的真实QAM信号的损失函数值小于或等于第二相似度预设阈值时,确定当前得到的所有训练QAM信号与对应的真实QAM信号的相似度阈值满足设定要求,上述损失函数值包括误比特率和误包率。
作为一种可选的实施方式,上述OFDM接收训练模型包括输入层网络、多个隐含层网络和输出层网络,上述处理器还用于:
初始化上述OFDM接收训练模型的输入层的节点数,为上述预设循环长度和去除循环前缀后的OFDM信号的傅里叶变换长度之和的两倍;
初始化上述OFDM接收训练模型的输出层的节点数为上述傅里叶变换长度;
初始化上述OFDM接收训练模型的隐含层网络的个数及每个隐含层网络的节点数。
作为一种可选的实施方式,触发利用测试样本集对当前的OFDM接收训练模型进行测试之后,上述处理器还用于:
将测试样本集中的OFDM信号样本输入当前的OFDM接收训练模型;
确定当前的OFDM接收训练模型输出的训练QAM信号满足第二预设训练停止条件时,将当前的OFDM接收训练模型确定为上述OFDM接收模型;
确定当前的OFDM接收训练模型输出的训练QAM信号不满足第二预设训练停止条件时,调整上述当前的OFDM接收训练模型的隐含层网络的个数及每个隐含层网络的节点数,将调整后的OFDM接收训练模型作为当前的OFDM接收训练模型并触发模型训练。
作为一种可选的实施方式,上述第二预设训练停止条件包括如下任一:
当前得到的所有训练QAM信号与对应的真实QAM信号的相似度阈值满足第三设定要求;
确定当前得到的训练QAM信号与对应的真实QAM信号的相似度阈值满足第四设定要求;
确定触发模型训练的次数达到第一预设训练次数;
确定调整上述当前的OFDM接收训练模型的隐含层网络的个数及每个隐含层网络的节点数的次数达到预设节点调整次数。
作为一种可选的实施方式,上述OFDM接收训练模型包括输入层网络、多个隐含层网络和输出层网络,上述模型参数包括上述OFDM接收训练模型的每个网络的参数和权重。
如图5所示,基于同一发明构思,本实施例还提供一种正交频分复用OFDM信号接收装置,该述装置包括:
信号接收单元501,用于接收包含预设循环长度的循环前缀的OFDM信号;
信号处理输出单元502,用于利用基于深度学习网络预先构建的OFDM接收模型,去除上述OFDM信号的循环前缀,依次进行去除循环前缀、进行傅里叶逆变换、信道估计和信道均衡后,解调成对应的训练QAM信号并输出。
实施例三:
本实施例提供一种计算机存储介质,该计算机存储介质存储有计算机程序,该计算机程序被执行时实现实施例一到三所述的方法。
应当说明的是,本发明的各个实施例的技术方案可以相互结合,但是必须是以本领域的技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当人认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (16)
1.一种正交频分复用OFDM信号接收方法,其特征在于,该方法包括:
接收包含预设循环长度的循环前缀的OFDM信号;
利用基于深度学习网络预先构建的OFDM接收模型,依次进行去除所述OFDM信号的循环前缀、进行傅里叶逆变换、信道估计和信道均衡后,解调成对应的正交振幅调制QAM信号并输出。
2.如权利要求1所述的方法,其特征在于,接收包含预设循环长度的循环前缀的OFDM信号,包括
将所述OFDM信号对应的采样信号复数的实部和虚部,分别输入所述预先构建的OFDM接收模型。
3.如权利要求1所述的方法,其特征在于,基于深度学习网络预先构建OFDM接收模型,包括:
获取所述OFDM接收模型的训练样本集和测试样本集,所述训练样本和测试样本集均包括预设场景下的OFDM信号样本以及解调所述OFDM信号样本对应的真实QAM信号,所述OFDM信号样本包含预设循环长度的循环前缀;
基于深度学习网络构建OFDM接收训练模型,并初始化构建的OFDM接收训练模型的模型参数;
利用所述训练样本集,对OFDM接收训练模型的模型参数训练;
利用所述测试样本集确定训练后的OFDM接收训练模型满足预设精度要求时,停止训练。
4.如权利要求3所述的方法,其特征在于,所述预设场景下的OFDM信号样本包括如下任一或任多:
不同信道的OFDM信号样本;
不同的信道参数下的OFDM信号样本;
不同信噪比的OFDM信号样本。
5.如权利要求3所述的方法,其特征在于,利用所述训练样本集,对OFDM接收训练模型的模型参数训练,包括:
确定触发模型训练时,利用当前的OFDM接收模型,对未经当前的OFDM接收训练模型训练过的OFDM信号样本依次进行去除循环前缀、进行傅里叶逆变换、信道估计和信道均衡后,解调成对应的训练QAM信号并输出;
输出任一个训练QAM信号,确定满足第一预设训练停止条件时,触发利用测试样本集对当前的OFDM接收训练模型进行测试。
6.如权利要求5所述的方法,其特征在于,解调成对应的训练QAM信号并输出,包括:
确定进行信道均衡后的信号的星座图上,各个星座点集中区域中的星座点落在其最佳星座点的概率;
根据所述各个星座点集中区域中的星座点落在其最佳星座点的概率,将所述进行信道均衡后的信号解调成对应的QAM信号并输出。
7.根据权利要求5所述的方法,其特征在于,输出任一个训练QAM信号时,还包括:
确定不满足第一预设训练停止条件时,且所有的OFDM信号样本都已经过当前的OFDM接收训练模型训练时,调整当前模型参数并触发模型训练。
8.如权利要求5所述的方法,其特征在于,确定满足第一预设训练停止条件包括如下任一:
确定当前得到的所有训练QAM信号与对应的真实QAM信号的相似度阈值满足第一设定要求;
确定当前得到的训练QAM信号与对应的真实QAM信号的相似度阈值满足第二设定要求;
确定触发模型训练的次数达到第一预设训练次数。
9.如权利要求8所述的方法,其特征在于,确定当前得到的所有训练QAM信号与对应的真实QAM信号的相似度阈值满足第一设定要求,或者,确定当前得到的训练QAM信号或者当前得到的所有训练QAM信号与对应的真实QAM信号的相似度阈值满足设定要求,包括:
根据预设损失函数,确定当前得到的所有训练QAM信号与对应的真实QAM信号的损失函数值小于或等于第一相似度预设阈值时,确定当前得到的所有训练QAM信号与对应的真实QAM信号的相似度阈值满足设定要求,所述损失函数值包括误比特率和误包率;
根据预设损失函数,确定当前得到的训练QAM信号与对应的真实QAM信号的损失函数值小于或等于第二相似度预设阈值时,确定当前得到的所有训练QAM信号与对应的真实QAM信号的相似度阈值满足设定要求,所述损失函数值包括误比特率和误包率。
10.如权利要求3所述的方法,其特征在于,所述OFDM接收训练模型包括输入层网络、多个隐含层网络和输出层网络,初始化模型参数时,还包括:
初始化所述OFDM接收训练模型的输入层的节点数,为所述预设循环长度和去除循环前缀后的OFDM信号的傅里叶变换长度之和的两倍;
初始化所述OFDM接收训练模型的输出层的节点数为所述傅里叶变换长度;
初始化所述OFDM接收训练模型的隐含层网络的个数及每个隐含层网络的节点数。
11.如权利要求5所述的方法,其特征在于,触发利用测试样本集对当前的OFDM接收训练模型进行测试之后,还包括:
将测试样本集中的OFDM信号样本输入当前的OFDM接收训练模型;
确定当前的OFDM接收训练模型输出的训练QAM信号满足第二预设训练停止条件时,将当前的OFDM接收训练模型确定为所述OFDM接收模型;
确定当前的OFDM接收训练模型输出的训练QAM信号不满足第二预设训练停止条件时,调整所述当前的OFDM接收训练模型的隐含层网络的个数及每个隐含层网络的节点数,将调整后的OFDM接收训练模型作为当前的OFDM接收训练模型并触发模型训练。
12.如权利要求11所述的方法,其特征在于,所述第二预设训练停止条件包括如下任一:
当前得到的所有训练QAM信号与对应的真实QAM信号的相似度阈值满足第三设定要求;
确定当前得到的训练QAM信号与对应的真实QAM信号的相似度阈值满足第四设定要求;
确定触发模型训练的次数达到第一预设训练次数;
确定调整所述当前的OFDM接收训练模型的隐含层网络的个数及每个隐含层网络的节点数的次数达到预设节点调整次数。
13.如权利要求3所述的方法,其特征在于,所述OFDM接收训练模型包括输入层网络、多个隐含层网络和输出层网络,所述模型参数包括所述OFDM接收训练模型的每个网络的参数和权重。
14.一种正交频分复用OFDM信号接收装置,其特征在于,所述装置包括:
信号接收单元,用于接收包含预设循环长度的循环前缀的OFDM信号;
信号处理输出单元,用于利用基于深度学习网络预先构建的OFDM接收模型,依次进行去除所述OFDM信号的循环前缀、进行傅里叶逆变换、信道估计和信道均衡后,解调成对应的正交振幅调制QAM信号并输出。
15.一种正交频分复用OFDM信号接收设备,其特征在于,该设备包括处理器和存储器,其中,存储器存储可执行程序,在所述可执行程序被执行时,所述处理器实现如下过程:
接收包含预设循环长度的循环前缀的OFDM信号;
利用基于深度学习网络预先构建的OFDM接收模型,依次进行去除所述OFDM信号的循环前缀、进行傅里叶逆变换、信道估计和信道均衡后,解调成对应的正交振幅调制QAM信号并输出。
16.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机程序,该计算机程序被执行时实现权利要求1-13任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910169516.1A CN109831400A (zh) | 2019-03-06 | 2019-03-06 | 一种正交频分复用ofdm信号接收的方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910169516.1A CN109831400A (zh) | 2019-03-06 | 2019-03-06 | 一种正交频分复用ofdm信号接收的方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109831400A true CN109831400A (zh) | 2019-05-31 |
Family
ID=66865551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910169516.1A Pending CN109831400A (zh) | 2019-03-06 | 2019-03-06 | 一种正交频分复用ofdm信号接收的方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109831400A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111314255A (zh) * | 2020-02-13 | 2020-06-19 | 南京航空航天大学 | 一种低复杂度siso和mimo接收机生成方法 |
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101247373A (zh) * | 2008-03-20 | 2008-08-20 | 上海交通大学 | 基于免疫网络的正交频分复用系统的动态信道均衡方法 |
CN107147600A (zh) * | 2017-04-28 | 2017-09-08 | 电子科技大学 | 一种基于神经网络的数字调制信号解调器及其解调方法 |
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 |
CN109194595A (zh) * | 2018-09-26 | 2019-01-11 | 东南大学 | 一种基于神经网络的信道环境自适应ofdm接收方法 |
-
2019
- 2019-03-06 CN CN201910169516.1A patent/CN109831400A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101247373A (zh) * | 2008-03-20 | 2008-08-20 | 上海交通大学 | 基于免疫网络的正交频分复用系统的动态信道均衡方法 |
CN107147600A (zh) * | 2017-04-28 | 2017-09-08 | 电子科技大学 | 一种基于神经网络的数字调制信号解调器及其解调方法 |
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 |
CN109194595A (zh) * | 2018-09-26 | 2019-01-11 | 东南大学 | 一种基于神经网络的信道环境自适应ofdm接收方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111314255A (zh) * | 2020-02-13 | 2020-06-19 | 南京航空航天大学 | 一种低复杂度siso和mimo接收机生成方法 |
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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102017432B (zh) | 通信系统、发射机、接收机及通信方法 | |
Shafik et al. | On the extended relationships among EVM, BER and SNR as performance metrics | |
CN101557378B (zh) | Ofdm系统中导频发送、信道估计和噪声功率估计方法 | |
TWI548242B (zh) | 正交分頻多工系統內之區塊時域通道估計 | |
CN105991504A (zh) | 无线通信装置及方法、基站、用户设备和通信系统 | |
EP2163057B1 (en) | Memory-saving method for generating soft bit values from an ofdm signal | |
CN1937598A (zh) | 正交频分复用系统中的信道估计方法以及信道估计器 | |
Arslan et al. | Delay spread estimation for wireless communication systems | |
CN101588327B (zh) | 用于ofdm系统的数据指导信道估计方法及其实现装置 | |
CN108540419A (zh) | 一种基于深度学习的抗子载波间干扰的ofdm检测方法 | |
CN104243377B (zh) | 一种干扰抑制方法和装置 | |
CN101945066A (zh) | 一种ofdm/oqam系统的信道估计方法 | |
CN109831400A (zh) | 一种正交频分复用ofdm信号接收的方法及设备 | |
Yucek et al. | Time dispersion and delay spread estimation for adaptive OFDM systems | |
CN106533590A (zh) | 基于接收端evm的上行链路信道质量测量方法 | |
CN100421438C (zh) | 选频单载波分块传输系统中的比特加载方法 | |
CN110138700A (zh) | 一种基于门限判决的连续相位调制低复杂度解调方法 | |
CN108881080A (zh) | 一种基于滑动窗与深度学习的ofdm抗ici检测方法 | |
CN112398769B (zh) | 调制方式的检测方法及装置、电子设备、可读存储介质 | |
CN109286587A (zh) | 一种多有源广义空间调制检测方法 | |
CN108965187A (zh) | 一种循环前缀去除方法及装置 | |
CN112636855A (zh) | 一种ofdm信号检测方法 | |
Ren et al. | SNR estimation algorithm based on the preamble for wireless OFDM systems | |
CN114172779B (zh) | 一种信道估计方法、装置、设备和存储介质 | |
Song et al. | Joint bit-loading and power-allocation for OFDM systems based on statistical frequency-domain fading model |
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 |