CN109921822A - 基于深度学习的非线性数字自干扰消除的方法 - Google Patents
基于深度学习的非线性数字自干扰消除的方法 Download PDFInfo
- Publication number
- CN109921822A CN109921822A CN201910122763.6A CN201910122763A CN109921822A CN 109921822 A CN109921822 A CN 109921822A CN 201910122763 A CN201910122763 A CN 201910122763A CN 109921822 A CN109921822 A CN 109921822A
- Authority
- CN
- China
- Prior art keywords
- linear
- data
- deep learning
- neural network
- interference
- 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
- Noise Elimination (AREA)
Abstract
基于深度学习的非线性数字自干扰消除的方法，属于5G通信技术领域。为了降低传统非线性干扰对于接收信号的影响，本发明以消除非线性数字自干扰消除模型建立了深度学习网络。本发明的使用分为三个个阶段，首先使用正交载波进行信息调制，产生发射数据。经过同相正交混合器、功率放大器和自干扰信道后得到接收信号。其次基于大量的训练数据进行训练，通过训练过程使定义的损失函数最小并反馈调节整个深度学习网络的随机参数来得到有效的消除非线性数字自干扰的模型。最后，是将产生的训练模型投入实际测试阶段，在不需要信道函数的条件下直接得出非线性数字自干扰功率谱。本发明适用于5G通讯领域。
Description
技术领域
本发明属于5G通信技术领域，具体涉及一种基于深度学习的非线性数字自干扰消除的方法。
背景技术
带内全双工是利用正交频分复用技术在相同的频带内同时进行发送和接收。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。由于在全双工通讯中，在接收传输信号的同时，还会接收到自身发射的信号。由于使用的物理器件不是理想的，因此在信号的产生过程中存在着非线性失真。为了消除非线性部分的失真，本文提出基于深度学习的非线性数字自干扰消除的方法。该方法无需传统接收方法中计算非线性的复杂过程，采用深度神经网络利用发射的信号可以直接得出非线性部分。
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
本发明的目的在于提供一种基于深度学习的非线性数字自干扰消除的方法，代替传统基于多项式函数的非线性数字自干扰消除问题。
本发明的目的是这样实现的：
基于深度学习的非线性数字自干扰消除的方法，包括如下步骤：
步骤1：通过建立深度神经网络并进行有效训练，得到有效的非线性数字自干扰消除系统；
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；
所属步骤1中得到有效的非线性数字自干扰消除系统具体步骤为
步骤1.1：发射端产生采用正交频分复用技术，调制后的数字信号的数学表达式为x(n)，其中n为离散时间索引；
步骤1.2：步骤1.1的调制信号经过同相正交混合器将信号的实部与虚部结合，得到的信号xIQ(n)
xIQ(n)＝K1x(n)+K2x*(n)
其中K1,K2是同相正交混合器的系数，
步骤1.3：对发射数据进行功率放大，根据汉默斯坦模型得出进行功率放大器后的信号xPA(n)
步骤1.4：将信号通过信道响应为hSI(l)的SI信道，信道长度为L，接收信号y(n)为
步骤1.5：将构造出的数据分为线性部分和非线性部分，线性部分为
非线性部分为
步骤1.6：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。
所述步骤1.6中进行训练过程中，深度神经网络输入数据集为步骤1.1的输入数据x(n)，输出数据为步骤1.5中得到的ynL(n)；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第p层神经网络的第j个神经元的输入aj (p)和输出bj (p)分别为
其中，uij (p-1)为第p-1层第i个神经元与第p层第j个神经元之间的权重，vj (p-1)为第p层第j个神经元的偏置，f(·)为激活函数；深度神经网络的总输出为
其中，P为深度神经网络层数，为步骤1.5的输出数据ynL(n)。
所述步骤1.1中采用正交频分复用技术的具体步骤为
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：将得到的数据进行傅里叶逆变换和过采样得到时域信号；
步骤1.1.3：在步骤1.1.2得到的时域信号插入循环前缀；
步骤1.1.4：将步骤1.1.3插入循环前缀后的数据进行并串转换后经过信道得到接收信号。
所述步骤2中训练所获取的有效深度学习模型用于实际测试，将得到神经网络输入数据ynL(n)输入步骤1.6获取的深度学习模型，进而直接得出非线性数字自干扰数据。
本发明有益效果在于：本发明使用基于深度学习的非线性数字自干扰消除方法，以深度学习模型代替传统多项式函数的自干扰消除的方法。与传统的多项式函数方法不同，利用深度学习网络可以通过训练已知数据来处理由于同相正交混合器和功率放大器产生的复杂的非线性自干扰，从而我们可以直接从发射数据中估算出自身接收到的非线性部分信号的大小，从而避免了复杂的理论计算，可以让自干扰的影响降低到噪声水平，可以有效地进行传输。本发明相比于传统的多项式方法具有更好的效果，非线性部分更接近于噪声。
附图说明
图1为全双工非线性数字自干扰信号产生模型图；
图2为完整的基于深度学习的非线性数字自干扰消除流程图；
图3为正交频分复用调制流程图；
图4为接收信号预处理流程图；
图5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做更进一步描述。
具体实施方式一：基于深度学习的非线性数字自干扰消除方法，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，得到有效的非线性数字自干扰消除系统。
步骤1.1、发射端产生采用正交频分复用技术，调制后的数字信号的数学表达式为x(n)，其中n为离散时间索引；
步骤1.2、步骤1.1的调制信号经过同相正交混合器将信号的实部与虚部结合，得到的信号xIQ(n)可表示为：
xIQ(n)＝K1x(n)+K2x*(n)
其中K1,K2是同相正交混合器的系数，
步骤1.3、对发射数据进行功率放大，根据汉默斯坦模型可以得出进行功率放大器后的信号xPA(n)可表示为：
步骤1.4、将信号通过信道响应为hSI(l)的SI信道，信道长度为L。则接收信号y(n)可表示为
步骤1.5、将构造出的数据分为线性部分和非线性部分，线性部分可表示为：
非线性部分可表示为：
步骤1.6、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1.1的输入数据x(n)，输出数据为步骤1.5中得到的ynL(n)。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p层神经网络的第j个神经元的输入aj (p)和输出bj (p)分别为：
其中，uij (p-1)为第p-1层第i个神经元与第p层第j个神经元之间的权重，vj (p-1)为第p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，P为深度神经网络层数，即为步骤1.5的输出数据ynL(n)。
定义神经网络性能的损失函数可表示为：
其中，为预测数据，b(k)为监督数据。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则可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2.5同权利要求1中步骤1.1-步骤1.5，得到神经网络输入数据ynL(n)。
步骤2.4、将步骤2.3得到的ynL(n)输入步骤1.6获取的深度学习模型，进而直接得出非线性数字自干扰数据。
Claims (5)
1.基于深度学习的非线性数字自干扰消除的方法，其特征在于，包括：
(1)通过建立深度神经网络并进行有效训练，得到有效的非线性数字自干扰消除系统；
(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。
2.根据权利要求1所述的基于深度学习的非线性数字自干扰消除的方法，其特征在于：所述步骤(1)中得到有效的非线性数字自干扰消除系统具体步骤为
(1.1)发射端产生采用正交频分复用技术，调制后的数字信号的数学表达式为x(n)，其中n为离散时间索引；
(1.2)步骤(1.1)的调制信号经过同相正交混合器将信号的实部与虚部结合，得到的信号xIQ(n)
xIQ(n)＝K1x(n)+K2x*(n)
其中K1,K2是同相正交混合器的系数，K1,
(1.3)对发射数据进行功率放大，根据汉默斯坦模型得出进行功率放大器后的信号xPA(n)
(1.4)将信号通过信道响应为hSI(l)的SI信道，信道长度为L，接收信号y(n)为
(1.5)将构造出的数据分为线性部分和非线性部分，线性部分为
非线性部分为
(1.6)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。
3.根据权利要求2所述的基于深度学习的非线性数字自干扰消除的方法，其特征在于：所述步骤(1.6)中进行训练过程中，深度神经网络输入数据集为步骤(1.1)的输入数据x(n)，输出数据为步骤(1.5)中得到的ynL(n)；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第p层神经网络的第j个神经元的输入aj (p)和输出bj (p)分别为
其中，uij (p-1)为第p-1层第i个神经元与第p层第j个神经元之间的权重，vj (p-1)为第p层第j个神经元的偏置，f(·)为激活函数；深度神经网络的总输出为
其中P为深度神经网络层数，为步骤(1.5)的输出数据ynL(n)。
4.根据权利要求2所述的基于深度学习的非线性数字自干扰消除的方法，其特征在于：所述步骤(1.1)中采用正交频分复用技术的具体步骤为
(1.1.1)：将随机比特流进行符号映射并转换成并行数据；
(1.1.2)将得到的数据进行傅里叶逆变换和过采样得到时域信号；
(1.1.3)在步骤(1.1.2)得到的时域信号插入循环前缀；
(1.1.4)将步骤(1.1.3)插入循环前缀后的数据进行并串转换后经过信道得到接收信号。
5.根据权利要求1所述的基于深度学习的非线性数字自干扰消除的方法，其特征在于：所述步骤(2)中训练所获取的有效深度学习模型用于实际测试，将得到神经网络输入数据ynL(n)输入步骤(1.6)获取的深度学习模型，进而直接得出非线性数字自干扰数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910122763.6A CN109921822A (zh) | 2019-02-19 | 2019-02-19 | 基于深度学习的非线性数字自干扰消除的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910122763.6A CN109921822A (zh) | 2019-02-19 | 2019-02-19 | 基于深度学习的非线性数字自干扰消除的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109921822A true CN109921822A (zh) | 2019-06-21 |
Family
ID=66961733
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910122763.6A Pending CN109921822A (zh) | 2019-02-19 | 2019-02-19 | 基于深度学习的非线性数字自干扰消除的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109921822A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110995327A (zh) * | 2019-12-17 | 2020-04-10 | 电子科技大学 | 一种多载波mimo系统的混合波束成形优化方法及系统 |
| CN112491442A (zh) * | 2020-11-17 | 2021-03-12 | 中山大学 | 一种自干扰消除方法及装置 |
| CN112532548A (zh) * | 2020-12-23 | 2021-03-19 | 国网信息通信产业集团有限公司 | 一种信号优化方法及装置 |
| CN112564725A (zh) * | 2020-12-07 | 2021-03-26 | 哈尔滨工业大学 | 基于神经网络的多用户共享接入接收机及其通信方法 |
| 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 |
| CN113325375A (zh) * | 2021-05-25 | 2021-08-31 | 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 |
| CN113726350A (zh) * | 2021-08-09 | 2021-11-30 | 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 |
| CN114221667A (zh) * | 2021-12-08 | 2022-03-22 | 哈尔滨工程大学 | 一种通信系统接收端已知信号消除方法及系统 |
| CN114938232A (zh) * | 2022-06-15 | 2022-08-23 | 北京邮电大学 | 基于lstm的同时同频全双工数字域自干扰抑制方法 |
| CN115152188A (zh) * | 2020-02-24 | 2022-10-04 | 高通股份有限公司 | 失真探索参考信号 |
| CN114268969B (zh) * | 2020-09-16 | 2024-05-28 | 维沃移动通信有限公司 | 参数评估方法、装置及终端 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105556860A (zh) * | 2013-08-09 | 2016-05-04 | 库姆网络公司 | 用于非线性数字自干扰消除的系统以及方法 |
| US20170179983A1 (en) * | 2015-12-16 | 2017-06-22 | Kumu Networks, Inc. | Systems and methods for out-of band-interference mitigation |
| CN108282437A (zh) * | 2018-01-08 | 2018-07-13 | 西安电子科技大学 | 基于模拟退火神经网络和消除干扰的数据检测方法 |
| CN108540419A (zh) * | 2018-03-21 | 2018-09-14 | 东南大学 | 一种基于深度学习的抗子载波间干扰的ofdm检测方法 |
| CN108599809A (zh) * | 2018-03-14 | 2018-09-28 | 中国信息通信研究院 | 全双工自干扰信号数字消除方法及装置 |
-
2019
- 2019-02-19 CN CN201910122763.6A patent/CN109921822A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105556860A (zh) * | 2013-08-09 | 2016-05-04 | 库姆网络公司 | 用于非线性数字自干扰消除的系统以及方法 |
| US20170179983A1 (en) * | 2015-12-16 | 2017-06-22 | Kumu Networks, Inc. | Systems and methods for out-of band-interference mitigation |
| CN108282437A (zh) * | 2018-01-08 | 2018-07-13 | 西安电子科技大学 | 基于模拟退火神经网络和消除干扰的数据检测方法 |
| CN108599809A (zh) * | 2018-03-14 | 2018-09-28 | 中国信息通信研究院 | 全双工自干扰信号数字消除方法及装置 |
| CN108540419A (zh) * | 2018-03-21 | 2018-09-14 | 东南大学 | 一种基于深度学习的抗子载波间干扰的ofdm检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| ALEXIOS BALATSOUKAS-STIMMING: "Non-Linear Digital Self-Interference Cancellation for In-Band Full-Duplex Radios Using Neural Networks", 《2018 IEEE 19TH INTERNATIONAL WORKSHOP ON SIGNAL PROCESSING ADVANCES IN WIRELESS COMMUNICATIONS (SPAWC)》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110995327A (zh) * | 2019-12-17 | 2020-04-10 | 电子科技大学 | 一种多载波mimo系统的混合波束成形优化方法及系统 |
| CN115152188B (zh) * | 2020-02-24 | 2023-12-08 | 高通股份有限公司 | 失真探索参考信号 |
| US11737106B2 (en) | 2020-02-24 | 2023-08-22 | Qualcomm Incorporated | Distortion probing reference signals |
| CN115152188A (zh) * | 2020-02-24 | 2022-10-04 | 高通股份有限公司 | 失真探索参考信号 |
| CN114268969B (zh) * | 2020-09-16 | 2024-05-28 | 维沃移动通信有限公司 | 参数评估方法、装置及终端 |
| CN112491442A (zh) * | 2020-11-17 | 2021-03-12 | 中山大学 | 一种自干扰消除方法及装置 |
| CN112564725A (zh) * | 2020-12-07 | 2021-03-26 | 哈尔滨工业大学 | 基于神经网络的多用户共享接入接收机及其通信方法 |
| CN112532548A (zh) * | 2020-12-23 | 2021-03-19 | 国网信息通信产业集团有限公司 | 一种信号优化方法及装置 |
| CN112532548B (zh) * | 2020-12-23 | 2024-02-27 | 国网信息通信产业集团有限公司 | 一种信号优化方法及装置 |
| 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 |
| CN113325375A (zh) * | 2021-05-25 | 2021-08-31 | 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 |
| 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 |
| CN113726350A (zh) * | 2021-08-09 | 2021-11-30 | 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 |
| CN114221667A (zh) * | 2021-12-08 | 2022-03-22 | 哈尔滨工程大学 | 一种通信系统接收端已知信号消除方法及系统 |
| CN114221667B (zh) * | 2021-12-08 | 2023-08-18 | 哈尔滨工程大学 | 一种通信系统接收端已知信号消除方法及系统 |
| CN114938232A (zh) * | 2022-06-15 | 2022-08-23 | 北京邮电大学 | 基于lstm的同时同频全双工数字域自干扰抑制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109921822A (zh) | 基于深度学习的非线性数字自干扰消除的方法 | |
| CN109474352B (zh) | 一种基于深度学习的水声正交频分复用通信方法 | |
| CN109067688B (zh) | 一种数据模型双驱动的ofdm接收方法 | |
| CN107124381B (zh) | 一种数字通信信号调制方式自动识别方法 | |
| 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 | |
| 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 | |
| CN109688082B (zh) | 一种基于ofdm载波联合优化的通信雷达一体化系统 | |
| 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 | |
| CN111510402A (zh) | 基于深度学习的ofdm信道估计方法 | |
| Chi et al. | Challenges and prospects of machine learning in visible light communication | |
| WO2020113464A1 (zh) | 一种5g多载波水声通信方法 | |
| CN110568409A (zh) | 雷达通信一体化系统子载波分配与波形联合优化设计方法 | |
| 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 | |
| CN108063657A (zh) | 基于压缩感知的随钻测井数据nc-ofdm声波传输方法 | |
| Shaheen et al. | PAPR reduction of FBMC/OQAM systems based on combination of DST precoding and A-law nonlinear companding technique | |
| CN112242969A (zh) | 一种基于模型驱动的深度学习的新型单比特ofdm接收机 | |
| CN103888146B (zh) | 一种数据压缩的方法、装置和通信设备 | |
| Kapse et al. | Comparative analysis of OFDM signal on the basis of different modulation techniques | |
| CN107453808A (zh) | 一种降低可见光通信系统光源LED非线性的μ律方法及系统 | |
| CN105553513A (zh) | 一种保证系统速率的多载波plc中继系统功率优化方法 | |
| CN117640300A (zh) | 一种基于机器学习的信道估计与解调方法 | |
| CN106487738A (zh) | 一种基于正交导频序列的水声ofdm通信系统选择性映射峰均比抑制算法 | |
| CN113179238B (zh) | 一种降低fbmc-oqam系统的峰均功率比的方法 | |
| CN114124637B (zh) | 一种适用于降低ofdm系统峰均比的低复杂度方法 | |
| CN114679363A (zh) | 人工智能辅助ofdm接收机的离线学习方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190621 |