CN109951412A - 深度神经网络抑制信号立方度量的方法 - Google Patents
深度神经网络抑制信号立方度量的方法 Download PDFInfo
- Publication number
- CN109951412A CN109951412A CN201910094570.4A CN201910094570A CN109951412A CN 109951412 A CN109951412 A CN 109951412A CN 201910094570 A CN201910094570 A CN 201910094570A CN 109951412 A CN109951412 A CN 109951412A
- Authority
- CN
- China
- Prior art keywords
- signal
- neural network
- deep neural
- module
- cubic metric
- 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
Links
Landscapes
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开的一种深度神经网络抑制信号立方度量的方法,旨在提供一种具有良好的CM抑制特性和信号畸变性能,更好的折衷性能并且耗时很短的抑制CM的方法。本发明通过下述技术方案予以实现:在信号经过正交频分复用OFDM系统接收端的星座映射后,将通过第一串并转换单元串并转换为OFDM的多路信号,送入深度神经网络单元利用训练得到的神经网络参数对输入信号的立方度量CM抑制,再经IFFT模块对于深度神经网络单元输出的信号进行逆快速傅里叶反变换,获得并行的时域信号,传输到第二并串转换单元转换为时域信号,获得的时域信号通过数模转换器DAC将时域数字信号转换为模拟信号送入功率放大器PA端口发送。
Description
技术领域
本发明属于无线通信技术领域,具体涉及到一种利用深度学习神经网络降低OFDM信号立方度量的方法
技术背景
信号包络波动过大是正交频分复用(OFDM)的一个主要问题,OFDM系统有两个衡量信号包络波动的性能指标:峰均功率比PAPR和立方度量(Cubic Metric,CM)。相比于功率峰均比(PAPR),立方度量能够更加准确地预测功放的功率回退量,因此被认为是更有效的衡量正交频分复用(OFDM)信号包络变化的度量。在放大器电路中,放大增益的三次方非线性分量是产生ACLR的主要原因,也就是说这个立方项是造成信道失真,三次谐波,从而造成带内干扰和邻道干扰的原因。因此,用CM比PAPR更加准确,能更好的反应OFDM信号的功放特性。为了提高功放效率,常用优化方法是直接最小化信号的立方度量值。然而,这样会引入严重的带内失真,造成系统误码率性能的恶化。CM按原始CM计算,其值越小性能越好。由序列可知,常数序列达到了CM性能极限;和序列幅值整体变化较大,CM性能变差;瑞利分布要比均匀分布的CM性能差很多。由此可知,序列的幅值分布是影CM性能的主要因素,部分幅值偏大或偏小对CM性能都不利。降低信号峰值能够明显改OFDM信号的PAPR性能,经典的PAPR方法都是根据这个思路进行处理的。正交频分复用(OFDM)技术是现代宽带通信系统一项广泛采用的技术。该技术主要缺点之一是OFDM信号具有较高的峰均功率比求功率放大器HPA具有较高的线性范围,导致HPA的功率效率降低。另外,功率放大器的非线性会使动态范围大的信号产生非线性失真,降低系统的误比特率BER性能。OFDM作为一项多载波技术,存在信号包络起伏较大的问题。当包络起伏较大的OFDM信号通过功率放大器(PA)时,会出现严重的非线性失真。立方度量CM是新近提出的度量OFDM信号包络波动的指标。与峰均功率比相比,CM考虑的是功率放大器三阶非线性互调干扰的影响,因此在用来评估OFDM信号包络变化时,CM要比PAPR更加准确,这已被3GPP标准接受。
CM的表达式为:
其中,rms[x(n)]为信号x(n)的均方根值;20log{rms[(x(n)/rms[x(n)])3]}称为参考立方度量值RCM(RawCubicMetric);RCMref为参考信号的RCM;Q是一个经验因子。由于RCMref和Q是常数,所以在比较信号的包络波动时,我们可以只考虑信号的RCM大小。经过简单的变换后,RCM可以等价地表示为:
式中,E[]表示求取均值的计算。
一种经典的子载波预留方法,在很好地降低系统PAPR的同时,一定程度上可改善信号序列的CM性能。但将该方法用于解决OFDM信号包络波动问题时,还存在以下问题:问题在降低系统PAPR性能的同时,CM性能并不十分理想。问题处理复基带OFDM信号时,只在若干个固定方向进PAPR处理,效率不高。问题迭代步长要求非常严格,运算量过大。传统选择性映射(CSLM)中,获得不同的备选序列需要进行多次逆快速傅里叶反变换IFFT,导致计算复杂度较高,并且需要发送端传送额外的边带信息来恢复原始信号。总之,为了降低信号的CM,科研人员提出了很多办法,这些方法大都源自于降低PAPR的方案,这些方案大体上可以分为对信号有畸变影响的方案和无畸变影响的方案两大类。前者的典型算法是限幅滤波法,为了实现好的性能,限幅和滤波需要迭代进行,而且为了设计最优的滤波方案,还需要求解优化问题,后者的典型方案是部分发送序列(PTS)法,但该方案在需求最优的旋转因子时需要用到穷举法,也需要耗费大量时间。限幅方式压扩算法,这两种算法复杂度较低,但算法本身会引入非线性干扰或扩大噪声功率从而使得系统BER性能恶化;这些都增加了算法的执行时间。因此,不论是畸变方案还是非畸变方案,在应用时往往都需要占用大量执行时间,这对于即时性要求十分严苛的通信系统来说是一个严重的挑战。
发明内容
本发明的目的是针对OFDM信号在使用传统方案时算法时间开销过大等问题进行优化,提供一种具有良好的CM抑制特性和信号畸变性能,更好的折衷性能,并且耗时很短的深度神经网络抑制信号立方度量的方法。
本发明的上述目的主要是通过以下措施来达到的,一种深度神经网络抑制信号立方度量的方法,具有如下技术特征:
在信号经过正交频分复用OFDM系统接收端的星座映射后,将通过第一串并转换单元串并转换为OFDM的多路信号,送入深度神经网络单元利用训练得到的神经网络参数对输入信号的立方度量CM抑制,再经IFFT模块对于深度神经网络单元输出的信号进行逆快速傅里叶反变换,获得并行的时域信号,传输到第二并串转换单元转换为时域信号,获得的时域信号通过数模转换器DAC将时域数字信号转换为模拟信号送入功率放大器PA端口发送。
本发明具相比于现有技术具有如下优势:
具有良好的CM抑制特性和信号畸变性能。本发明在信号经过正交频分复用OFDM系统采用接收端的星座映射后,通过第一串并转换单元串并转换为OFDM的多路信号,通过深度神经网络单元进行处理,有效降低复基OFDM信号的CM。需要的迭代次数较少,降低后续IFFT算法开销,且著降低了发送端的计算复杂度,获得了良好的RCM抑制性,所获得不同的备选序列不需要进行多次逆快速傅里叶反变换IFFT,也不需要发送端传送额外的边带信息来恢复原始信号,不会随着总的备选序列个数的增多而加大算法的复杂度。同时由于训练深度神经网络单元的时候优化了信号的误码性能,所以在接收端也可以获得良好的误码性能。
更好的折衷性能。本发明利用训练得到的神经网络参数对输入OFDM的多路信号送入采用深度神经网络单元将对输入信号的立方度量CM进行抑制,利用构建深度神经网络模型实现降低信号包络波动和减少信号畸变的折衷。这种不同于众多已有算法需要多次迭代特性的深度神经网络,采用在线下进行学习和训练,把训练得到的网络直接在线对信号进行动态峰值削减处理的深度神经网络简化了迭代算法,降低了计算开销,计算复杂度得到了很好地控制,不仅具有更好的实时性,有效善信号CM性能,而且计算开销很小,相比传统算法大大减少了时间开销。这种利用深度学习神经网络降低信号CM的方法,可以满足系统实时性的要求,因而具有比已有方案更加优秀的性能。由于深度神经网络利用RCM和EVM的加权值作为优化深度神经网络的损失函数,因此在利用优化函数进行深度神经网络优化的时候,可以通过改变加权系数来有选择地提升CM抑制性能或信号畸变性能。
本发明利用深度学习神经网络来降低信号CM,可以在CM抑制性能和信号畸变之间实现良好的折衷。并且与已有方案相比具有的另外一个显著的优点是,算法耗时很短,能够满足实际通信系统对实时性的要求。适用于OFDM系统中降低信号包络波动模块。
附图说明
图1是图示执行本发明利用深度神经网络降低OFDM信号的原理结构框图。
图2是图1的深度神经网络的结构图。
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。在本发明中公开的特定术语被提出以帮助理解本发明,并且这些特定术语的使用可以被改变为在本发明的技术范围或精神内的另一个格式。在一些情况下,可以省略公知的结构和装置以便避免混淆本发明的概念,并且可以以框图形式示出结构和装置的重要功能。将贯穿附图使用相同的附图标号以指示相同或相似的部分。
具体实施方式
参阅图1。根据本发明,在信号经过正交频分复用OFDM系统接收端的星座映射后,将通过第一串并转换单元串并转换为OFDM的多路信号,送入深度神经网络单元利用训练得到的神经网络参数对输入信号的立方度量CM抑制,再经IFFT模块对于任意输入OFDM信号直接进行逆快速傅里叶反变换IFFT运算,获得多个不同的时域子序列组成对应的时域子序列集合,传输到第二并串转换单元并串转换为时域信号,获得的时域信号通过数模转换器DAC将时域数字信号转换为模拟信号送入功率放大器PA端口发送。
深度神经网络学习训练算法可以分为训练阶段和实用阶段两个阶段,前者是在线下完成的,不占用算法在系统中的执行时间,主要目标是训练得到合适的神经网络参数;后者在系统中在线进行的。
深度神经网络单元训练得到的神经网络完成对输入信号的CM抑制。利用训练阶段和实用阶段两个阶段获取神经网络参数,具体实现步骤如下:
训练阶段
步骤1:深度神经网络单元产生随机训练数据,得到随机的训练矩阵将T进行星座映射得到的矩阵根据深度神经网络不能对复数进行处理,对Re(X)代表矩阵X的实数部分,Im(X)代表矩阵X的虚数部分进行分解得到Re(X)和Im(X),得到最终的训练数据:X1=[Re(X),Im(X)],其中M为每次训练神经网络所需的信号的数量,N为OFDM载波数目;
步骤2:深度神经网络单元利用神经网络的全连接模块求得通过全连接模块加权过后的数据其中,n为第几层网络,表示第n层网络的加权系数,α为该全连接模块的神经元个数,β上层网络的神经元个数,表示第n层网络的偏置项,表示第n层网络的全连接模块的输出,可以根据情况定义(这里可以对最后一层的神经元个数作出约定为M)。
深度神经网络单元使用批归一化模块进行归一化处理加权过后的数据
其中γ表示缩放因子,δ表示位移因子,它们都是可以通过学习训练的优化算法进行调整的,E表示求信号均值,Var表示求信号方差,v=0.001是一个常数,为了防止分母为0。
步骤4:深度神经网络单元使用激活模块使得神经网络可以进一步优化非线性的关系:其中,Xn为第n层的神经网络输出,tanh,sinh,cosh分别为双曲正切函数,双曲正弦函数,双曲余弦函数。
步骤5:深度神经网络单元通过矩阵分块合并还原信号Xout=X′1+j*X′2,在数据通过了最后一层神经网络之后得到了和初始输入数据规模相同的矩阵其中X′=[X′1,X′2],且有X′1为矩阵X′的1列到N列,X′2为矩阵X′的N+1列到2N列。
步骤6:深度神经网络单元利用损失函数模块计算信号误差向量幅度(ErrorVectorMagnitude,EVM):
来衡量信号的畸变程度,计算最终输出的时域信号xout=IFFT(Xout)和通过深度神经网络最终输出时域信号xout的原始立方度量值RCM值:其中,Xout(k)为有畸变的信号,X(k)为原始信号,k表示N个载波中的第k个。
步骤7:深度神经网络单元构建损失函数loss=a*EVM+b*RCM,其中a表示EVM的权重,b表示RCM的权重,可以通过调节a,b的相对大小来对降低信号的波动或者畸变进行折衷处理。
步骤8:优化深度神经网络,深度神经网络单元通过人工智能学习系统TensorFlow深度学习框架中的Adam优化器(Optimizer)算法+源码函数以最小化函数的值为目标对深度神经网络中的参数进行优化,Adam算法利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率,并通过多次循环训练并且得到最终的深度神经网络模型。Adam也是一种基于基于梯度的优化算法,该方法实现简洁,计算高效,内存占用少,适合非平稳目标函数,超参数有符合直觉的解释,无需复杂的调参过程。
实用阶段
该系统对于任意输入OFDM信号,利用训练得到的深度神经网络执行上述步骤1到步骤5完成对CM的抑制。在信号经过OFDM系统的星座映射后,通过串并转换得到OFDM的多路信号,对于传统的OFDM系统来说缺少中间的深度神经网络单元而直接进行IFFT变换,再由并串转换,得到发送的时域信号,由于此时时域信号的包络波动幅度过大,对于PA端口容易形成非线性失真。因此加入了深度神经网络单元。
参阅图2。在以下本发明的实施例中,给出了基于深度神经网络降低信号CM的深度神经网络单元,深度神经网络单元主要包括:顺次串联在数据产生模块与数据处理模块之间的,第一串联组全连接模块、批归一化模块、激活函数模块,第二串联组全连接模块、批归一化模块、激活函数模块,第三串联组全连接模块、批归一化模块、激活函数模块和第四全连接模块,以及通过数据处理模块并联在上述深度神经网络单元之间的损失函数模块、批归一化模块和优化函数模块。其中,每个串联组全连接模块,批归一化模块,激活函数模块构成了单层的神经网络,并且多个单层神经网络连接成深度神经网络,深度神经网络进行学习训练,通过学习和训练之后的深度神经网络来对输入信号的CM抑制进行优化。
其中:
数据产生模块:产生随机训练数据,得到随机的训练矩阵其中M为每次训练神经网络所需的信号的数量,N为OFDM载波数目,并且将T进行星座映射得到由于深度神经网络不能对复数进行处理,对X进行分解得到Re(X)和Im(X)。Re(X)代表矩阵X的实数部分,Im(X)代表矩阵X的虚数部分。得到最终的训练数据:
全连接模块:通过全连接模块加权过后的数据:其中,表示第n层网络的加权系数,α为该全连接模块的神经元个数,可以根据情况定义(这里我们对最后一层的神经元个数作出约定,为M),β上层网络的神经元个数,表示第n层网络的偏置项,表示第n层网络的全连接模块的输出。
批归一化模块:通过批归一化模块使得数据进行归一化处理:
其中γ表示缩放因子,δ表示位移因子,他们都是可以通过学习训练进行调整的。v=0.001是一个常数,为了防止分母为0。
激活函数模块:使用激活模块使得神经网络可以进一步优化非线性的关系:
其中Xn为第n层的神经网络输出。tanh,sinh,cosh分别为双曲正切函数,双曲正弦函数,双曲余弦函数。
数据处理模块:。通过矩阵分块合并还原信号:Xout=X′1+j*X′2,在数据通过了最后一层神经网络之后得到了和初始输入数据规模相同的矩阵其中X′=[X′1,X′2]。且有X′1为矩阵X′的1列到N列,X′2为矩阵X′的N+1列到2N列。
损失函数模块用误差向量幅度(ErrorVectorMagnitude,EVM)描述信号畸变的程度,EVM的表达式为:
式中Xout(k)为有畸变的信号,X(k)为原始信号。计算最终的输出时域信号:xout=IFFT(Xout),其中xout表示通过深度神经网络最终输出时域信号。计算xout的原始立方度量值RCM:
构建损失函数:loss=a*EVM+b*RCM,其中a表示EVM的权重,b表示原始立方度量值RCM的权重,可以通过调节a,b的相对大小来对降低信号的波动或者畸变进行折衷处理。
优化函数模块:通过人工智能学习系统TensorFlow中的AdamOptimizer函数以最小化函数的值为目标对深度神经网络进行优化。并且得到最终的深度神经网络模型。对任一新的信号而言,通过这个训练好的深度神经网络模型可以直接得到优化过后的输出结果。
以上描述的本发明的实施例是以预定形式的本发明的元素和特征的组合。元素或特征可以被看作选择性的,除非另外说明。每一个元素或特征可以不与其他元素或特征组合地被实施。而且,可以通过组合元素和/或特征的部分来构造本发明的实施例。可以重新排列在本发明的实施例中描述的操作顺序。任何一个实施例的一些构造可以被包括在另一个实施例中,并且可以被替换为另一个实施例的对应的构造。
本领域内的技术人员可以明白,在不偏离本发明的精神和必要特性的情况下,可以以除了在此阐述的特定形式之外的其他特定形式来体现本发明。因此,上面的说明要在所有的方面被解释为说明性而非限制性的。应当通过所附的权利要求的合理解释确定本发明的范围,并且在本发明的等同范围内的所有改变旨在落入本发明的范围内。另外,不显式地从属于彼此的权利要求可以被组合以提供实施例,或者能够通过在提交本申请后的修改来增加新的权利要求。
Claims (10)
1.一种深度神经网络抑制信号立方度量的方法,具有如下技术特征:在信号经过正交频分复用OFDM系统接收端的星座映射后,将通过第一串并转换单元串并转换为OFDM的多路信号,送入深度神经网络单元利用训练得到的神经网络参数对输入信号的立方度量CM抑制,再经IFFT模块对于深度神经网络单元输出的信号进行逆快速傅里叶反变换,获得并行的时域信号,传输到第二并串转换单元转换为时域信号,获得的时域信号通过数模转换器DAC将时域数字信号转换为模拟信号送入功率放大器PA端口发送。
2.如权利要求1所述的深度神经网络抑制信号立方度量的方法,其特征在于:深度神经网络单元包括:顺次串联在数据产生模块与数据处理模块之间的第一串联组全连接模块、批归一化模块、激活函数模块,第二串联组全连接模块、批归一化模块、激活函数模块,第三串联组全连接模块、批归一化模块、激活函数模块和第四全连接模块,以及通过数据处理模块并联在上述深度神经网络单元之间的损失函数模块、批归一化模块和优化函数模块,其中,每个串联组全连接模块,批归一化模块,激活函数模块构成了单层的神经网络,并且多个单层神经网络连接成深度神经网络,深度神经网络进行学习训练,通过学习和训练之后的深度神经网络来对输入信号的CM抑制进行优化。
3.如权利要求1所述的深度神经网络抑制信号立方度量的方法,其特征在于:深度神经网络单元产生随机训练数据,得到随机的训练矩阵将训练矩阵T进行星座映射得到的矩阵对Re(X)代表矩阵X的实数部分,Im(X)代表矩阵X的虚数部分进行分解得到Re(X)和Im(X),得到最终的训练数据:X1=[Re(X),Im(X)],其中M为每次训练神经网络所需的信号的数量,N为OFDM载波数目。
4.如权利要求1所述的深度神经网络抑制信号立方度量的方法,其特征在于:深度神经网络单元利用神经网络的全连接模块求得通过全连接模块加权过后的数据其中,n为网络层数,表示第n层网络的加权系数,α为该全连接模块的神经元个数,β上层网络的神经元个数,表示第n层网络的偏置项,表示第n层网络的全连接模块的输出。
5.如权利要求1所述的深度神经网络抑制信号立方度量的方法,其特征在于:深度神经网络单元使用批归一化模块进行归一化处理加权过后的数据其中γ表示缩放因子,δ表示位移因子,E表示求信号均值,Var表示求信号方差,v=0.001是一个常数,为了防止分母为0。
6.如权利要求1所述的深度神经网络抑制信号立方度量的方法,其特征在于:深度神经网络单元使用激活模块使得神经网络进一步优化非线性的关系:其中,Xn为第n层的神经网络输出,tanh,sinh,cosh分别为双曲正切函数,双曲正弦函数,双曲余弦函数。
7.如权利要求1所述的深度神经网络抑制信号立方度量的方法,其特征在于:深度神经网络单元通过矩阵分块合并还原信号Xout=X′1+j*X′2,j表示一个虚数单位,在数据通过了最后一层神经网络之后得到了和初始输入数据规模相同的矩阵其中X′=[X′1,X′2],且有X′1为矩阵X′的1列到N列,X′2为矩阵X′的N+1列到2N列。
8.如权利要求1所述的深度神经网络抑制信号立方度量的方法,其特征在于:深度神经网络单元利用损失函数模块计算信号误差向量幅度EVM:
来衡量信号的畸变程度,计算最终输出的时域信号xout=IFFT(Xout)和通过深度神经网络最终输出时域信号xout的原始立方度量值RCM值:其中,Xout(k)为有畸变的信号,X(k)为原始信号,k表示N个载波中的第k个。
9.如权利要求8所述的深度神经网络抑制信号立方度量的方法,其特征在于:深度神经网络单元构建损失函数loss=a*EVM+b*RCM,其中,a表示EVM的权重,b表示RCM的权重,可以通过调节a,b的相对大小来对降低信号的波动或者畸变进行折衷处理。
10.如权利要求1所述的深度神经网络抑制信号立方度量的方法,其特征在于:深度神经网络单元通过人工智能学习系统TensorFlow深度学习框架中的Adam优化器Optimizer算法+源码函数,以最小化函数的值为目标对深度神经网络中的参数进行优化,Adam算法利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率,并通过多次循环训练并且得到最终的深度神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910094570.4A CN109951412B (zh) | 2019-01-31 | 2019-01-31 | 深度神经网络抑制信号立方度量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910094570.4A CN109951412B (zh) | 2019-01-31 | 2019-01-31 | 深度神经网络抑制信号立方度量的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109951412A true CN109951412A (zh) | 2019-06-28 |
CN109951412B CN109951412B (zh) | 2021-06-11 |
Family
ID=67006725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910094570.4A Active CN109951412B (zh) | 2019-01-31 | 2019-01-31 | 深度神经网络抑制信号立方度量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109951412B (zh) |
Cited By (3)
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 |
CN113435577A (zh) * | 2021-06-25 | 2021-09-24 | 安徽知陉智能科技有限公司 | 基于训练深度脉冲神经网络的梯度函数学习框架替换方法 |
CN115208731A (zh) * | 2022-07-15 | 2022-10-18 | 北京科技大学 | 一种信号峰均功率比papr抑制方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102098246A (zh) * | 2009-12-09 | 2011-06-15 | 中兴通讯股份有限公司 | 峰值检测方法和通信系统 |
CN103873417A (zh) * | 2014-03-18 | 2014-06-18 | 电子科技大学 | 基于带外立方度量ocm的新型功率回退量度量系统及方法 |
CN104639254A (zh) * | 2015-01-27 | 2015-05-20 | 华中科技大学 | 一种三维正交频分复用数据调制方法及数据解调方法 |
CN105024965A (zh) * | 2015-07-13 | 2015-11-04 | 长安大学 | 基于窗函数平滑的载波预留ofdm信号峰平比抑制方法 |
CN108512796A (zh) * | 2018-03-20 | 2018-09-07 | 西安电子科技大学 | 基于ace算法的抑制信号峰均比方法 |
CN109246048A (zh) * | 2018-10-30 | 2019-01-18 | 广州海格通信集团股份有限公司 | 一种基于深度学习的物理层安全通信方法和系统 |
-
2019
- 2019-01-31 CN CN201910094570.4A patent/CN109951412B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102098246A (zh) * | 2009-12-09 | 2011-06-15 | 中兴通讯股份有限公司 | 峰值检测方法和通信系统 |
CN103873417A (zh) * | 2014-03-18 | 2014-06-18 | 电子科技大学 | 基于带外立方度量ocm的新型功率回退量度量系统及方法 |
CN104639254A (zh) * | 2015-01-27 | 2015-05-20 | 华中科技大学 | 一种三维正交频分复用数据调制方法及数据解调方法 |
CN105024965A (zh) * | 2015-07-13 | 2015-11-04 | 长安大学 | 基于窗函数平滑的载波预留ofdm信号峰平比抑制方法 |
CN108512796A (zh) * | 2018-03-20 | 2018-09-07 | 西安电子科技大学 | 基于ace算法的抑制信号峰均比方法 |
CN109246048A (zh) * | 2018-10-30 | 2019-01-18 | 广州海格通信集团股份有限公司 | 一种基于深度学习的物理层安全通信方法和系统 |
Non-Patent Citations (1)
Title |
---|
XIAODONG ZHU: "《Cubic Metric Reduction in OFDM Systems by Iterative Descendent Clipping and Filtering》", 《IEEE》 * |
Cited By (5)
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 |
CN113435577A (zh) * | 2021-06-25 | 2021-09-24 | 安徽知陉智能科技有限公司 | 基于训练深度脉冲神经网络的梯度函数学习框架替换方法 |
CN113435577B (zh) * | 2021-06-25 | 2023-12-26 | 安徽知陉智能科技有限公司 | 基于训练深度脉冲神经网络的梯度函数学习框架替换方法 |
CN115208731A (zh) * | 2022-07-15 | 2022-10-18 | 北京科技大学 | 一种信号峰均功率比papr抑制方法和装置 |
CN115208731B (zh) * | 2022-07-15 | 2023-08-25 | 北京科技大学 | 一种信号峰均功率比papr抑制方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109951412B (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109951412A (zh) | 深度神经网络抑制信号立方度量的方法 | |
CN1965553B (zh) | 生成误差信号的设备和方法 | |
CN102281221B (zh) | 非线性系统失真校正装置及方法 | |
US20080159421A1 (en) | Reducing a peak-to-average ratio of a signal using filtering | |
CN105656434B (zh) | 基于修改分段线性函数的功放数字预失真装置及方法 | |
CN106506430A (zh) | 一种基于压缩感知技术的补偿峰均比非线性失真的新算法 | |
CN103715992A (zh) | 基于简化Volterra级数的功放预失真装置及方法 | |
CN107395538A (zh) | 一种频率选择性谐波抑制的数字预失真系统及方法 | |
CN111245512A (zh) | 基于神经网络的可见光通信系统非线性信道建模方法 | |
CN103812817B (zh) | 正交频分复用ofdm信号的峰平比抑制方法 | |
CN111245375A (zh) | 一种复值全连接递归神经网络模型的功放数字预失真方法 | |
CN101076007A (zh) | 用于wcdma直放站系统的在频域实现的干扰抵消方法 | |
KR20040073156A (ko) | 직교주파수분할다중 시스템의 첨두대평균 전력비 저감을위한 장치 및 방법 | |
CN111447164A (zh) | Ofdm系统中基于建设性干扰的峰均比抑制方法 | |
CN111614595B (zh) | 一种基于能效优化的f-tr峰均比抑制方法 | |
CN114337750B (zh) | 一比特量化输出的大规模天线系统实现方法以及系统装置 | |
CN104660182A (zh) | 通信装置及减小波峰因数的方法 | |
CN107276934A (zh) | 一种大规模mimo系统多用户上行鲁棒检测方法 | |
CN105515711B (zh) | 联合压缩感知与接收分集的测距仪干扰抑制系统 | |
CN107222446A (zh) | 一种大规模mimo‑ofdm的峰均功率比降低系统及其方法 | |
CN101710887B (zh) | 一种数字预失真处理方法及系统 | |
CN102916916A (zh) | 基于最小误码率准则的自适应信道均衡器及其实现方法 | |
CN113055323B (zh) | 一种通信系统的数字预失真处理的方法及系统 | |
CN106789822A (zh) | 降低多用户大规模mimo‑ofdm系统峰均功率比的方法及系统 | |
CN114565077B (zh) | 一种面向功率放大器的深度神经网络泛化性建模方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |