CN109951412B - 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 PDF

Info

Publication number
CN109951412B
CN109951412B CN201910094570.4A CN201910094570A CN109951412B CN 109951412 B CN109951412 B CN 109951412B CN 201910094570 A CN201910094570 A CN 201910094570A CN 109951412 B CN109951412 B CN 109951412B
Authority
CN
China
Prior art keywords
neural network
signal
deep neural
module
signals
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.)
Active
Application number
CN201910094570.4A
Other languages
English (en)
Other versions
CN109951412A (zh
Inventor
张毅
袁田
朱晓东
朱红亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Electronic Technology Institute No 10 Institute of Cetc
Original Assignee
Southwest Electronic Technology Institute No 10 Institute of Cetc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Electronic Technology Institute No 10 Institute of Cetc filed Critical Southwest Electronic Technology Institute No 10 Institute of Cetc
Priority to CN201910094570.4A priority Critical patent/CN109951412B/zh
Publication of CN109951412A publication Critical patent/CN109951412A/zh
Application granted granted Critical
Publication of CN109951412B publication Critical patent/CN109951412B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

深度神经网络抑制信号立方度量的方法
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：
Figure BDA0001964197120000011
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：
Figure BDA0001964197120000021
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
Figure BDA0001964197120000041
将T进行星座映射得到的矩阵
Figure BDA0001964197120000042
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)]，
Figure BDA0001964197120000043
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
Figure BDA0001964197120000044
其中，n为第几层网络，
Figure BDA0001964197120000045
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，
Figure BDA0001964197120000046
表示第n层网络的偏置项，
Figure BDA0001964197120000047
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
Figure BDA0001964197120000048
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：
Figure BDA0001964197120000051
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
Figure BDA0001964197120000052
其中X′＝[X′1,X′2]，且有
Figure BDA0001964197120000053
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)：
Figure BDA0001964197120000054
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：
Figure BDA0001964197120000055
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
Figure BDA0001964197120000061
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
Figure BDA0001964197120000062
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：
Figure BDA0001964197120000063
全连接模块：通过全连接模块加权过后的数据：
Figure BDA0001964197120000064
其中，
Figure BDA0001964197120000065
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，
Figure BDA0001964197120000066
表示第n层网络的偏置项，
Figure BDA0001964197120000067
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：
Figure BDA0001964197120000068
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：
Figure BDA0001964197120000069
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
Figure BDA00019641971200000610
其中X′＝[X′1,X′2]。且有
Figure BDA00019641971200000611
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：
Figure BDA0001964197120000071
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：
Figure BDA0001964197120000072
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产生随机训练数据，得到随机的训练矩阵，对得到随机的训练矩阵进行星座映射得到的矩阵，然后对代表矩阵的实数部分和的虚数部分进行分解得到得到训练数据，使用批归一化模块进行归一化处理加权过后的数据，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，基于梯度的优化算法Adam，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得到最终的深度神经网络模型，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2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后，将训练矩阵T进行星座映射得到的矩阵
Figure FDA0003009091490000011
对代表矩阵X的实数部分Re(X)，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)]，
Figure FDA0003009091490000012
其中，得到随机的训练矩阵
Figure FDA0003009091490000013
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3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为
Figure FDA0003009091490000014
其中，n为网络层数，
Figure FDA0003009091490000015
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，
Figure FDA0003009091490000016
表示第n层网络的偏置项，
Figure FDA0003009091490000017
表示第n层网络的全连接模块的输出。
5.如权利要求4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加权数据为
Figure FDA0003009091490000021
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5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：
Figure FDA0003009091490000022
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6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
Figure FDA0003009091490000023
其中X′＝[X′1,X′2]，且有
Figure FDA0003009091490000024
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7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：
Figure FDA0003009091490000025
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：
Figure FDA0003009091490000026
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9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。
CN201910094570.4A 2019-01-31 2019-01-31 深度神经网络抑制信号立方度量的方法 Active CN109951412B (zh)

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 CN109951412A (zh) 2019-06-28
CN109951412B true 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)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
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
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
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

Citations (6)

* Cited by examiner, † Cited by third party
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
Title
《Cubic Metric Reduction in OFDM Systems by Iterative Descendent Clipping and Filtering》;Xiaodong Zhu;《IEEE》;20140612;全文 *

Also Published As

Publication number Publication date
CN109951412A (zh) 2019-06-28

Similar Documents

Publication Publication Date Title
CN109951412B (zh) 深度神经网络抑制信号立方度量的方法
CN105656830B (zh) 基于分布式实现的ofdm信号峰平比抑制方法
CN102075483B (zh) 降低ofdm信号峰均比的方法
GB2477986A (en) Method and apparatus for crest factor reduction
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
CN114024811A (zh) 基于深度学习的otfs波形papr抑制方法及装置
CN101076007A (zh) 用于wcdma直放站系统的在频域实现的干扰抵消方法
CN101237262A (zh) 通过保留音调实现峰均功率比减小的改造的有效集方法
CN107222446B (zh) 一种大规模mimo-ofdm的峰均功率比降低系统及其方法
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
CN111614595B (zh) 一种基于能效优化的f-tr峰均比抑制方法
Liu et al. A low complexity improved tone reservation method based on ADMM for OFDM systems' PAPR reduction
CN103457896A (zh) 一种抑制ofdm峰均比的方法
CN113347131A (zh) 一种改进的slm-pts峰均比抑制方法
Behravan et al. Some statistical properties of multicarrier signals and related measures
CN114124637B (zh) 一种适用于降低ofdm系统峰均比的低复杂度方法
CN109714288B (zh) 降低ofdm信号立方度量的限幅滤波方法
Abdelali et al. New Technique Combining the Tone Reservation Method with Clipping Technique to Reduce the Peak-to-Average Power Ratio.
Nayak et al. A review on PAPR reduction techniques in OFDM system
Hou et al. PAPR reduction of OFDM systems using embedded SLM-PTS combination scheme
Renuka et al. Performance and analysis of PAPR reduction schemes based on improved low complexity four partial transmit sequences and constellation methods
Zeng et al. A crest factor reduction method in digital predistortion for improvement of power efficiency
CN113890811B (zh) 基于比例化贪心算法和ace-pts的子载波分配方法
Xin et al. A new SLM OFDM scheme with low complexity for PAPR reduction in CR system
Yu et al. PAPR reduction for OFDMA systems via Kashin's representation

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