CN110071750B - 一种基于机器学习的二维空码索引调制方法 - Google Patents
一种基于机器学习的二维空码索引调制方法 Download PDFInfo
- Publication number
- CN110071750B CN110071750B CN201910184134.6A CN201910184134A CN110071750B CN 110071750 B CN110071750 B CN 110071750B CN 201910184134 A CN201910184134 A CN 201910184134A CN 110071750 B CN110071750 B CN 110071750B
- Authority
- CN
- China
- Prior art keywords
- antenna
- phase
- modulation
- orthogonal
- code
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000010801 machine learning Methods 0.000 title claims abstract description 26
- 238000001228 spectrum Methods 0.000 claims abstract description 83
- 238000013507 mapping Methods 0.000 claims abstract description 51
- 238000006243 chemical reaction Methods 0.000 claims abstract description 30
- 230000007480 spreading Effects 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims description 87
- 238000012549 training Methods 0.000 claims description 86
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 72
- 239000013598 vector Substances 0.000 claims description 58
- 239000011159 matrix material Substances 0.000 claims description 54
- 238000004422 calculation algorithm Methods 0.000 claims description 36
- 230000005540 biological transmission Effects 0.000 claims description 33
- 238000004891 communication Methods 0.000 claims description 28
- 238000001514 detection method Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 14
- 238000007476 Maximum Likelihood Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 238000000638 solvent extraction Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 56
- 230000008901 benefit Effects 0.000 abstract description 9
- 238000013527 convolutional neural network Methods 0.000 description 57
- 238000013135 deep learning Methods 0.000 description 10
- 238000011160 research Methods 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 8
- 238000010295 mobile communication Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- URWAJWIAIPFPJE-YFMIWBNJSA-N sisomycin Chemical compound O1C[C@@](O)(C)[C@H](NC)[C@@H](O)[C@H]1O[C@@H]1[C@@H](O)[C@H](O[C@@H]2[C@@H](CC=C(CN)O2)N)[C@@H](N)C[C@H]1N URWAJWIAIPFPJE-YFMIWBNJSA-N 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/69—Spread spectrum techniques
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
- H04B7/0602—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using antenna switching
- H04B7/0608—Antenna selection according to transmission parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0014—Carrier regulation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0014—Carrier regulation
- H04L2027/0024—Carrier regulation at the receiver end
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0014—Carrier regulation
- H04L2027/0083—Signalling arrangements
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radio Transmission System (AREA)
Abstract
本发明公开了一种基于机器学习的二维空码索引调制方法,主要步骤为:1)对发射端的发送信息比特u进行串并转换。2)建立基于SVM的最优天线子集,并构建标签和天线组合映射表;3)对串并转换后的发送信息比特u进行符号调制和索引调制,从而确定发射天线、调制符号和扩频PN码;4)对调制符号进行扩频,并传输至接收端;5)接收端接收扩频信号,并对扩频信号进行相关特性检测。6)利用CNN对解扩信号进行估计检测;7)对估计出的解调符号和天线与PN码索引值进行解调和解映射,从而还原源信息比特。本发明结合了空间调制和码索引调制中扩频技术的优势,既利用了多天线信道链路资源,又因为使用了扩频技术从而具有一定的抗干扰和抗多径能力。
Description
技术领域
本发明涉及高速无线通信技术领域,具体是一种基于机器学习的二维空码索引调制方法。
背景技术
从上个世纪70年代至今,无线通信系统得到了突飞猛进的发展,从第一代模拟通信系统(First Generation,1G)发展到现在广泛使用的第四代移动通信系统(4thGeneration,4G),信息的传输速率得到了质的提升。人们的需求也已经从对语音、信息传输的需求逐渐转变为对视频、图像等多媒体大数据传输的需求,并且近些年,人们为了推动物联网技术、车联网技术和智能家居技术的发展,第五代移动通信系统(5th Generation,5G)也应运而生。5G技术能够极大地满足人们对移动通信的需求,进一步提高人们的生活质量,我国也计划在2020年正式启动5G商用服务。但是如何在有限的频谱资源中进一步提高频谱效率的同时,能够在有效的频带内对信息进行稳定可靠的高速率传输成为了5G技术的关键之一,这也成为近些年科研工作者的研究热点。因此,大量新技术被科研工作者们提出,在这些技术中,索引调制技术作为能够提高频谱效率和能量效率的技术而受到了广泛关注。
索引调制是一种具有高频谱效率和能量效率的简单数字调制技术。在传输信息时,与仅依靠正弦载波信号的幅度、相位和频率的调制来进行传输的传统数字调制方案有所不同,索引调制提供了额外的方式来进行传输,具体来说,就是利用传输天线、扩频码或者子载波的索引来传输信息比特。因此,在不增加通信系统硬件复杂度的同时,索引调制可以有效地提高频谱效率和能量效率。这也使得索引调制成为下一代移动通信系统有竞争力的候选技术之一。目前,按维度进行划分,索引调制可以分为一维索引调制和二维索引调制,其中,一维索引调制主要包括空域索引调制技术、频域索引调制技术和码索引调制技术,二维索引调制则主要包括空频索引调制技术和空码索引调制技术。
科研工作者对空域索引调制技术的研究是从空间调制(Spatial Modulation,SM)开始的。在2006年,有学者提出了SM这一技术,它也从此成为MIMO系统中的一种新型传输技术。与传统的MIMO技术相比,SM在每个传输时隙仅激活一根发射天线来发送数字调制符号,其它发射天线均处于静默状态,并且被激活天线的索引也被映射为潜在的信息比特进行隐形传输。这就在有效地避免了传统MIMO技术中存在的发射天线同步和天线间干扰问题的同时,尽可能地提高了信息的传输速率。并且SM适用于发射天线数大于接收天线数的MIMO系统,这就有效地解决了传统MIMO技术中接收天线需大于发射天线数的限制。但SM也存在明显的缺点,由于在每个发送时隙只激活一根发射天线,这就造成了天线资源的浪费,即天线的利用率不高。为了提高天线的利用率,有学者在2010提出了广义空间调制(GeneralizaedSpatial Modulation,GSM),它是对SM的一种改进,它在每个传输时隙同时激活多根发射天线来传输数据符号,并把被选的多根天线的多个组合映射为信息比特进行隐形传输,因此,相比SM,GSM不仅提高了天线的利用率,还提高了频谱的利用率。此外,在GSM中,同时激活的多根天线可以用来传输相同的数据符号,也可以用来传输不同的数据符号。有所不同的是后者进一步地提高了频谱利用率。在2015年,有学者提出了正交空间调制(QuadratureSpatial Modulation,QSM)。它对SM进行了巧妙地改进,在每个传输时隙将调制符号的实部和虚部分开并分别激活一根天线进行传输,与SM相比,它也提高了频谱效率。
频域索引调制主要指载波索引调制技术,而载波索引调制技术是指在传统的多载波系统中,对其子载波进行索引调制的技术。在2009年,有学者受到空间调制的启发,首次提出将索引调制技术运用在OFDM系统中,其基本思想和空间调制类似,即通过索引比特的信息来选择激活一个子载波用来发送调制符号,其余子载波均保持静默状态。为了解决频谱效率低的问题,在2013年,有学者提出在OFDM系统中将子载波进行分组,并且保证每组中含有相同的子载波数目,然后在每组中选择激活部分子载波用来发送调制符号,剩余子载波则均处于静默状态,这一技术被称为正交频分复用索引调制技术(OFDM with IndexModulation,OFDM-IM)。与传统OFDM技术相比,OFDM-IM技术由于含有许多静默的子载波,可以使得被激活的子载波分布具有稀疏性,这就降低了系统对频率偏移的敏感程度,从而增加了系统的鲁棒性。并且这些处于静默的子载波不需要发送能量,从而提高了系统的能量效率。此外,由于OFDM-IM技术引入了索引调制技术,从而能够通过调整每组包含的子载波数目(子载波块的长度)或者每组激活子载波的数目来灵活地对频谱效率和系统性能进行按需调节。正因为OFDM-IM技术具有的这些优点,从而引起了广大学者对它的研究兴趣。在近些年,学者们逐渐地提出了一些对OFDM-IM技术进行改进的一些技术。在2015年,有学者就提出了两种改进的OFDM-IM技术,第一种技术就是使每组激活的子载波数量不再固定,而是由相应的索引比特信息来决定每组激活的子载波数量,因此,该技术相比OFDM-IM技术而言,提高了频谱效率。第二种技术则是借鉴QSM的基本思想,它首先取出调制符号的实部和虚部,然后由相应的索引信息比特分别选择激活的子载波来传输实部和虚部,这就进一步地提高了频谱效率。以上关于OFDM-IM的相关技术都是基于单输入单输出(Single-InputSingle-Out)系统而言的,不过由于SISO系统所能达到的有限频谱效率,从而使得这些技术不太适用于对频谱效率要求高的应用场景。所以在同年2015年,有学者提出了基于MIMO系统的OFDM-IM技术,被命名为MIMO-OFDM-IM技术,该技术极大地提高了OFDM-IM技术的频谱效率和能量效率。
在2015年,受空间调制技术的启发,有学者提出了一种将索引调制和直接序列扩频相结合的技术,被命名为码索引调制(Code Index Modulation,CIM)技术。该技术将传输信息比特分为多个连续的子块且每个子块包含两比特信息,其中第二个比特信息用于从两个扩频码中选择其中的一个来对第一个比特信息进行扩频。在2016年,为了进一步提高频谱效率,有学者提出了一种广义码索引调制技术,它是对码索引调制技术的一种改进。它同样将传输信息比特分为多个连续的子块,但是每个子块又被分为两个小子块,分别称为调制子块和映射子块。其中,调制子块通过QPSK调制或者QAM调制成为调制符号,而映射子块则选择相应的扩频码对调制符号进行扩频。而在国内,也有对码索引调制技术的研究,研究方向为结合码索引调制技术和差分混沌键控技术的混沌调制方案。
顾名思义,二维索引调制就是结合两种一维索引调制的技术。目前,关于二维索引调制技术的研究成果并不多,相关的研究还处于初始阶段。在2015年,有学者首次提出了广义空频索引调制技术。它是一种将空域的广义空间调制和频域的子载波索引调制相结合的一种技术。在2018年,有学者提出了一种广义频分复用空频索引调制(GeneralizedFrequency Division Multiplexing with Space and Frequency Index Modulation,GFDM-SFIM)技术。受二维空频索引调制技术的启发,在2018年,有学者将空间调制和码索引调制相结合,从而形成了二维空码索引调制技术。相比一维索引调制技术,虽然二维索引调制技术通过增加了索引的维度来提高了隐形传输的信息比特数,从而同时具有更高的频谱效率和能量效率,但是这些优势都是以牺牲系统的复杂度为代价的,尤其是在接收端的复杂度更为突出。因此,如何降低二维索引调制技术在接收端的检测和解调复杂度将成为今后的一个研究热点方向。
近些年,随着大数据信息时代的到来以及计算机硬件设备的飞速发展,越来越多的研究者充满了对人工智能技术的研究热情并展开了积极的研究,从而使得人工智能技术被成功应用于计算机视觉(Computer Vision,CV)、自然语言处理(Natural LanguageProcessing,NLP)和语音识别(Speech Recognition,SR)等方面。这也促使大量通信研究者将人工智能技术应用于无线通信系统中,以解决传统技术所带来的高复杂度问题。人工智能技术主要包括机器学习(Machine Learning,ML)和深度学习(Deep Learning,DL),下面分别简介ML和DL。
在二十世纪五十年代,ML作为人工智能的一个子领域而被提出,它已经在图像处理、音频处理、社会行为分析等方面得到了广泛应用。ML从严格意义上可以划分为四类:有监督学习、无监督学习、半监督学习和强化学习,它的三要素包括模型、策略和算法。经典的机器学习算法有分类算法、回归算法、聚类算法和降维算法,在无线通信系统中通常使用分类算法,例如逻辑回归(Logistic Regression,LR)、朴素贝叶斯(Naive Bayes,NB)、SVM、K-近邻(K-Nearest Neighbor,KNN)和人工神经网络(Artificial Neural Networks,ANN)。
而DL第一次是在2006年提出。有学者提出了深度信念网络(Deep BeliefNetwork,DBN)这一概念,近些年,DL已被成功应用于CV、NLP和SR等领域,它兴起的原因主要得益于三个方面:大数据时代的出现、计算能力的提高和算法的创新。DL最典型的模型包括自动编码器(Automatic Encoder,AE)、DBN、卷积神经网络(Convolutional NeuralNetwork,CNN)和递归神经网络(Recurrent Neural Network,RNN),DL在无线通信系统中的应用一般都基于这四种模型,尤其是CNN最为常用。
总的来说,一维索引调制技术的频谱效率要比二维索引调制技术的频谱效率低很多,并且通常只能以增加使用的索引资源量来增加索引映射比特数的方式达到提高一维索引调制技术频谱效率的目的。比如SM需要通过增加发射天线数来提高频谱效率;OFDM-IM则需要通过增加每组的子载波数来提高频谱效率;而CIM则需要通过增加伪随机码(PseudoRandom,PN)的个数来提高频谱效率。因此这种方式需要消耗大量的物理资源且使得接收端的检测复杂度剧增,从而使得这种方式并不那么经济实用。而二维索引调制技术则通过增加索引的维度来提高频谱效率,使得进一步提高频谱效率的方式更加多样灵活,从而更好地达到频谱效率和系统复杂度的折中。这就使得二维索引调制技术更加适用于对频谱效率要求更高的5G。虽然二维索引调制技术增加了系统的复杂度,但是可以考虑用人工智能技术来降低它的系统复杂度,并且同时提高整个系统的比特误码率(Bit Error Rate,BER)性能。目前对二维索引调制技术的研究成果并不多,暂时还没有将人工智能技术融合到二维索引调制技术的研究成果。包括图1在内的现有技术,存在接收端的检测复杂等问题。
发明内容
本发明的目的是解决现有技术中存在的问题。
为实现本发明目的而采用的技术方案是这样的,一种基于机器学习的二维空码索引调制方法,主要包括以下步骤:
1)搭建通信系统。
所述通信系统主要包括发射端和接收端。发射端发送的信息记为发送信息比特u。
发射端的发射天线数记为Nt,接收端的接收天线数记为Nr。
选择出的最优天线子集中含有的天线数记为nt。
通信系统的信道矩阵记为H。
通信系统中PN码组维度记为Nc。
通信系统基带调制的调制阶数记为M。
对发送信息比特u进行串并转换的主要步骤如下:
对发送信息比特u进行串并转换,得到天线索引部分GAnt、PN码索引部分GCode和基带调制部分GMod。其中天线索引部分GAnt对应的长度为2log2nt。PN码索引部分GCode对应的长度为2log2Nc。基带调制部分GMod对应的长度为m。2m=M。M为基带调制的调制阶数。
3)建立基于SVM的最优天线子集,并构建标签和天线组合映射表。标签和天线组合映射表中存储标签集合L和天线组合集合X的映射关系。
建立基于SVM的最优天线子集的主要步骤如下:
3.1)利用基于欧式距离的最优天线选择算法EDAS产生训练数据集,主要步骤为:
3.1.1)以信道矩阵H的复值元素hij的弧度为特征,从M个信道矩阵H中提取M个实值特征向量d∈R1×N,其中dm表示第m个实值特征向量。m=1,2,…,M。N为向量维度。
3.1.3)对数据矩阵D进行归一化处理,得到归一化特征矩阵T。其中,归一化特征矩阵T中的元素ti,j如下所示:
ti,j=(di,j-Ei{di,j})/(maxi{di,j}-mini{di,j}) (1)
式中,Ei{di,j}为期望。di,j为实值特征向量d中的元素。maxi{di,j}为实值特征向量d中元素最大值。mini{di,j}为实值特征向量d中元素最小值。
3.1.4)利用传统的EDAS算法分别从M个信道矩阵H中得到M个天线组合,其中表示第m个信道矩阵Hm所对应的天线组合,也即第m个实值特征向量dm所对应的天线组合,天线组合集合记为X。nt为选定的发射天线数量。
3.1.5)设置标签集合L。标签集合L和天线组合集合X一一对应。根据标签集合L和天线组合集合X的映射关系建立标签和天线组合映射表。
3.1.6)基于标签和天线组合映射表,对M个天线组合贴上对应的标签l,得到标签向量c∈RM×1,其中cm为标签向量c中的第m个元素,也即第m个实值特征向量dm所对应的标签l。l∈L。
3.2)利用基于欧式距离的最优天线选择算法EDAS产生测试数据集,主要包括以下两种方法:
I)以信道矩阵H的复值元素hij的弧度为特征,从M个信道矩阵H中提取M个实值特征向量d′∈R1×N,其中d′m′表示第m个实值特征向量。m′=1,2,…,M。N为向量维度。
对数据矩阵D′进行归一化处理,得到归一化特征矩阵T′。
利用传统的EDAS算法得到M个天线组合并贴上M个对应的标签。
II)从训练数据集中随机抽取测试数据集。
3.3)基于特征矩阵T和标签向量c,建立SVM学习模型,并设定测试精度阈值ε。利用训练数据集训练SVM学习模型,确立SVM学习模型的学习参数。利用测试数据集测试SVM学习模型,若测试精度则调整SVM学习模型的学习参数,继续利用训练数据集训练学习模型,直到测试精度所述学习参数主要包括惩罚因子和核函数。
3.4)实时从信道矩阵H中提取出实值特征向量d,并输入到SVM学习模型中,从而得到实值特征向量d对应的标签l。基于标签和天线组合映射表,选定标签l对应的天线组合。
4)对串并转换后的发送信息比特u进行符号调制和索引调制,从而确定发射天线、调制符号和扩频PN码。
对串并转换后的发送信息比特u进行符号调制和索引调制的主要步骤如下:
4.1)对调制部分GMod进行基带调制,得到调制符号s=sR+jsI。sR为调制符号s的同相分量。sI为调制符号s的正交分量。
5)对调制符号进行扩频,并传输至接收端。
对调制符号进行扩频传输的主要步骤如下:
5.1)利用扩频PN码wi扩频调制符号s的同相分量sR。
利用扩频PN码wj扩频调制符号s的正交分量sI。
5.2)对扩频后的同相信号sRwi进行射频调制,并通过发射天线TsR向接收端发送。
对扩频后的正交信号jsIwj进行射频调制,并通过发射天线TsI向接收端发送。
6)接收端接收扩频信号,并对扩频信号进行相关特性检测,得到同相解扩信号yI_DS和正交解扩信号yQ_DS。
对扩频信号进行相关特性检测的主要步骤如下:
6.1)接收端接收到扩频信号后,对扩频信号进行射频下变频处理,将宽带射频信号变频至中频。
7)利用CNN对解扩信号进行估计检测。
利用CNN对解扩信号进行估计检测的主要步骤如下:
7.1)利用最大似然估计算法产生解扩训练数据集,主要步骤如下:
7.1.1)在同相解扩信号yI_DS中选定同相学习模型的训练样本,即同相解扩信号yI_DS的模值向量mI对应的二维图像fI。
在正交解扩信号yQ_DS中选定正交学习模型的训练样本,即正交解扩信号yQ_DS的模值向量mQ对应的二维图像fQ。
7.1.2)设置同相标签集合L1和正交标签集合L2。解调符号的同相元素和nt根发射天线的序号之间的排列组合所构成的集合记为A。解调符号的正交元素和nt根发射天线的序号之间的排列组合所构成的集合记为B。
同相标签集合L1与集合A一一对应,并根据对应关系建立标签与估计的发射天线和解调符号的同相分量的组合映射表。正交标签集合L2与集合B一一对应,并根据对应关系建立标签与估计的发射天线和解调符号的正交分量的组合映射表。
式中,real(sk)为第k根天线发送的调制符号的实部信号。Ω为经过M阶基带调制后所形成的调制符号的集合。I为nt根发射天线所形成的集合。k为任意发射天线序号。nt为选定的发射天线数量。hk为发射天线。
式中,imag(sg)为第g根天线发送的调制符号的虚部信号。hg为发射天线。
7.1.4)基于标签与估计的发射天线和解调符号的同相分量的组合映射表,为估计的发射天线和解调符号的同相分量的组合贴上标签l1∈L1,基于标签与估计的发射天线和解调符号的正交分量的组合映射表,为估计的发射天线和解调符号的正交分量的组合贴上标签l2∈L2。
7.1.5)重复步骤7.1.1至7.1.4,直到得到M个同相训练样本及其对应的M个标签以及M个正交训练样本及其对应的M个标签,从而形成同相训练数据集和正交训练数据集。
7.2)建立测试数据集,主要包括以下两种方法:
II)从解扩训练数据集中随机抽取。
7.3)基于同相训练数据集和测试数据集建立同相CNN学习模型,并设定测试精度阈值σ1。利用训练数据集训练同相CNN学习模型,确立同相CNN学习模型的学习参数。利用测试数据集测试同相CNN学习模型,若测试精度η1<σ1,则调整同相CNN学习模型的学习参数,继续利用训练数据集训练同相CNN学习模型,直到测试精度η1≥σ1。所述学习参数主要包括卷积层数和步长。
基于正交训练数据集和测试数据集建立正交CNN学习模型,并设定测试精度阈值σ2。利用训练数据集训练正交CNN学习模型,确立正交CNN学习模型的学习参数。利用测试数据集测试正交CNN学习模型,若测试精度η2<σ2,则调整正交CNN学习模型的学习参数,继续利用训练数据集训练正交CNN学习模型,直到测试精度η2≥σ2。所述学习参数主要包括卷积层数和步长。
7.4)基于CNN的估计检测:
实时将同相解扩信号yI_DS的模值向量mI和正交解扩信号yQ_DS的模值向量mQ对应的二维图像f′I和f′Q分别输入到同相CNN学习模型分类器和正交CNN学习模型分类器中,分别得到同相解扩信号yI_DS对应的标签l1和正交解扩信号yQ_DS对应的标签l2。
对估计出的解调符号和天线与PN码索引值进行解调和解映射的主要步骤如下:
本发明的技术效果是毋庸置疑的。本发明的基于机器学习的二维空码索引调制方法,结合了空间调制和码索引调制中扩频技术的优势,既利用了多天线信道链路资源,又因为使用了扩频技术从而具有一定的抗干扰和抗多径能力。此外,本发明采用了正交映射的方式,使得空域和码域中的索引资源得到了重复利用,降低了消耗的成本。并且本发明还同时利用了机器学习算法和深度学习算法,使得在降低系统接收端估计检测复杂度的同时,还提高了系统的BER性能。
本发明在进一步提高索引调制技术频谱效率和误码率性能的同时,尽可能地降低接收端的检测复杂度。与具有相同频谱效率的SM相比,本次提出的二维空码索引调制将使用更少的发射天线数,并且在接收端采用深度学习技术来检测索引的发射天线序号和发送的调制符号的实部和虚部,从而避免了采用最大似然估计检测所带来的高复杂度问题;而与具有相同频谱效率的CIM相比,因采用机器学习技术从所有发射天线中选择出一个最优天线子集,然后再从最优天线子集中选择天线进行索引和发送调制符号,因此,性能较差的发射天线将被淘汰,从而提高了误码率性能,使得本次提出的二维索引调制的误码率性能尽可能地接近CIM的误码率性能。
本发明与现有的一维索引调制技术和二维空码索引调制技术相比,分别具有如下优势:
1)提升系统的频谱效率。因为本发明增加了索引的维度,使得每一个传输时隙所传输的信息比特会更多,所以与一维的索引调制技术相比,本发明提升了系统的频谱效率。
2)消耗更少的索引资源。假设本发明采用的系统配置为:Nt=6,nt=4,Nr=4,Nc=4,M=4,那么系统的频谱效率就为10bits/s/Hz。若要一维的空间调制达到相同的频谱效率,在调制阶数同样为4的条件下,则需要256根发射天线。因此,本发明相比于一维的索引调制技术,更加节约索引资源。
3)更高的能量效率。本发明采用了正交映射的方式,使得天线索引资源和PN码索引资源都得到了重复利用,从而增加了隐形传输的索引映射比特信息,因此与一维的索引调制技术相比,本发明的能量效率得到了提高。
4)具有一定的抗干扰能力。本发明受到一维CIM技术的启发而采用了扩频技术,使得与空域中的一维索引调制技术相比,具有更好的抗干扰能力和抗多径能力。
5)更好的BER性能。本发明利用机器学习算法从所有发射天线中选择出性能最优的发射天线子集来发送信息,因此,与现有的二维空码索引调制技术相比,提高了系统的整体BER性能。
6)更灵活的发射天线设置。由于本发明对发射天线进行了选择,所以只要求被选择出来的发射天线子集中的天线数为二的整数次幂即可,发射天线数的设置可以是大于等于二的任何数。因此,该发明相比空间调制技术和二维空码索引调制技术,具有更灵活的发射天线设置,从而具有更广的应用场景。
7)更低的估计检测复杂度。本发明在接收端利用深度学习算法分别对同相解扩信号和正交解扩信号进行估计检测,避免了每次使用最大似然估计算法都要进行穷搜索所带来的高复杂度问题,因此,本发明极大地降低了接收端的估计检测复杂度。
附图说明
图1为传统算法的系统框图;
图2为基于机器学习的二维空码索引调制方法的系统框图。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
实施例1:
参见图2,一种基于机器学习的二维空码索引调制方法,主要包括以下步骤:
1)搭建MIMO通信系统。
所述通信系统主要包括发射端和接收端。发射端发送的信息记为发送信息比特u。
发射端的发射天线数记为Nt,接收端的接收天线数记为Nr。
选择出的最优天线子集中含有的天线数记为nt。
通信系统的信道矩阵记为H。
通信系统中PN码组维度记为Nc。
通信系统基带调制的调制阶数记为M。
对发送信息比特u进行串并转换的主要步骤如下:
对发送信息比特u进行串并转换,得到天线索引部分GAnt、PN码索引部分GCode和基带调制部分GMod。其中天线索引部分GAnt对应的长度为2log2nt。PN码索引部分GCode对应的长度为2log2Nc。基带调制部分GMod对应的长度为m。2m=M。M为基带调制的调制阶数。
3)建立基于SVM的最优天线子集,并构建标签和天线组合映射表。标签和天线组合映射表中存储标签集合L和天线组合集合X的映射关系。
建立基于SVM的最优天线子集的主要步骤如下:
3.1)利用基于欧式距离的最优天线选择算法EDAS产生训练数据集,主要步骤为:
3.1.1)以信道矩阵H的复值元素hij的弧度为特征,从M个信道矩阵H中提取M个实值特征向量d∈R1×N,其中dm表示第m个实值特征向量。m=1,2,…,M。N为向量维度。R为实数集。
3.1.3)对数据矩阵D进行归一化处理,得到归一化特征矩阵T。其中,归一化特征矩阵T中的元素ti,j如下所示:
ti,j=(di,j-Ei{di,j})/(maxi{di,j}-mini{di,j}) (1)
式中,Ei{di,j}为期望。di,j为实值特征向量d中的元素。maxi{di,j}为实值特征向量d中元素最大值。mini{di,j}为实值特征向量d中元素最小值。
3.1.4)利用传统的EDAS算法分别从M个信道矩阵H中得到M个天线组合,其中表示第m个信道矩阵Hm所对应的天线组合,也即第m个实值特征向量dm所对应的天线组合,天线组合集合记为X。nt为选定的发射天线数量。
3.1.5)设置标签集合L。标签集合L和天线组合集合X一一对应。根据标签集合L和天线组合集合X的映射关系建立标签和天线组合映射表。
3.1.6)基于标签和天线组合映射表,对M个天线组合贴上对应的标签l,得到标签向量c∈RM×1,其中cm为标签向量c中的第m个元素,也即第m个实值特征向量dm所对应的标签l。l∈L。
3.2)利用基于欧式距离的最优天线选择算法EDAS产生测试数据集,主要包括以下两种方法:
I)以信道矩阵H的复值元素hij的弧度为特征,从M个信道矩阵H中提取M个实值特征向量d′∈R1×N,其中d′m′表示第m个实值特征向量。m′=1,2,…,M。N为向量维度。
对数据矩阵D′进行归一化处理,得到归一化特征矩阵T′。
利用传统的EDAS算法得到M个天线组合并贴上M个对应的标签。
II)从训练数据集中随机抽取测试数据集。
3.3)基于特征矩阵T和标签向量c,建立SVM学习模型,并设定测试精度阈值ε。利用训练数据集训练SVM学习模型,确立SVM学习模型的学习参数。利用测试数据集测试SVM学习模型,若测试精度则调整SVM学习模型的学习参数,继续利用训练数据集训练学习模型,直到测试精度所述学习参数主要包括惩罚因子和核函数。
3.4)实时从信道矩阵H中提取出实值特征向量d,并输入到SVM学习模型中,从而得到实值特征向量d对应的标签l。基于标签和天线组合映射表,选定标签l对应的天线组合。
4)对串并转换后的发送信息比特u进行符号调制和索引调制,从而确定发射天线、调制符号和扩频PN码。
对串并转换后的发送信息比特u进行符号调制和索引调制的主要步骤如下:
4.1)对调制部分GMod进行基带调制,得到调制符号s=sR+jsI。sR为调制符号s的同相分量。sI为调制符号s的正交分量。
5)对调制符号进行扩频,并传输至接收端。
对调制符号进行扩频传输的主要步骤如下:
5.1)利用扩频PN码wi扩频调制符号s的同相分量sR。
利用扩频PN码wj扩频调制符号s的正交分量sI。
5.2)对扩频后的同相信号sRwi进行射频调制,并通过发射天线TsR向接收端发送。
对扩频后的正交信号jsIwj进行射频调制,并通过发射天线TsI向接收端发送。
6)接收端接收扩频调制符号,并对扩频调制符号进行相关特性检测,得到同相解扩信号yI_DS和正交解扩信号yQ_DS。
对扩频信号进行相关特性检测的主要步骤如下:
6.1)接收端接收到扩频信号后,对扩频信号进行射频下变频处理,将宽带射频信号变频至中频。
7)利用CNN对解扩信号进行估计检测。
利用CNN对解扩信号进行估计检测的主要步骤如下:
7.1)利用最大似然估计算法产生解扩训练数据集,主要步骤如下:
7.1.1)在同相解扩信号yI_DS中选定同相学习模型的训练样本,即同相解扩信号yI_DS的模值向量mI对应的二维图像fI。
在正交解扩信号yQ_DS中选定正交学习模型的训练样本,即正交解扩信号yQ_DS的模值向量mQ对应的二维图像fQ。
7.1.2)设置同相标签集合L1和正交标签集合L2。解调符号的同相元素和nt根发射天线的序号之间的排列组合所构成的集合记为A。解调符号的正交元素和nt根发射天线的序号之间的排列组合所构成的集合记为B。
同相标签集合L1与集合A一一对应,并根据对应关系建立标签与估计的发射天线和解调符号的同相分量的组合映射表。正交标签集合L2与集合B一一对应,并根据对应关系建立标签与估计的发射天线和解调符号的正交分量的组合映射表。
式中,real(sk)为第k根天线发送的调制符号的实部信号。Ω为经过M阶基带调制后所形成的调制符号的集合。I为nt根发射天线所形成的集合。k为任意发射天线序号。nt为选定的发射天线数量。hk为发射天线。
式中,imag(sg)为第g根天线发送的调制符号的虚部信号。hg为发射天线。
7.1.4)基于标签与估计的发射天线和解调符号的同相分量的组合映射表,为估计的发射天线和解调符号的同相分量的组合贴上标签l1∈L1,基于标签与估计的发射天线和解调符号的正交分量的组合映射表,为估计的发射天线和解调符号的正交分量的组合贴上标签l2∈L2。
7.1.5)重复步骤7.1.1至7.1.4,直到得到M个同相训练样本及其对应的M个标签以及M个正交训练样本及其对应的M个标签,从而形成同相训练数据集和正交训练数据集。
7.2)建立测试数据集,主要包括以下两种方法:
II)从解扩训练数据集中随机抽取。
7.3)基于同相训练数据集和测试数据集建立同相CNN学习模型,并设定测试精度阈值σ1。利用训练数据集训练同相CNN学习模型,确立同相CNN学习模型的学习参数。利用测试数据集测试同相CNN学习模型,若测试精度η1<σ1,则调整同相CNN学习模型的学习参数,继续利用训练数据集训练同相CNN学习模型,直到测试精度η1≥σ1。所述学习参数主要包括卷积层数和步长。
基于正交训练数据集和测试数据集建立正交CNN学习模型,并设定测试精度阈值σ2。利用训练数据集训练正交CNN学习模型,确立正交CNN学习模型的学习参数。利用测试数据集测试正交CNN学习模型,若测试精度η2<σ2,则调整正交CNN学习模型的学习参数,继续利用训练数据集训练正交CNN学习模型,直到测试精度η2≥σ2。所述学习参数主要包括卷积层数和步长。
7.4)基于CNN的估计检测:
实时将同相解扩信号yI_DS的模值向量mI和正交解扩信号yQ_DS的模值向量mQ对应的二维图像f′I和f′Q分别输入到同相CNN学习模型分类器和正交CNN学习模型分类器中,分别得到同相解扩信号yI_DS对应的标签l1和正交解扩信号yQ_DS对应的标签l2。
对估计出的解调符号和天线与PN码索引值进行解调和解映射的主要步骤如下:
实施例2:
一种基于机器学习的二维空码索引调制方法,主要包括以下步骤:
1)搭建通信系统。
所述通信系统主要包括发射端和接收端。发射端发送的信息记为发送信息比特u。
发射端的发射天线数记为Nt,接收端的接收天线数记为Nr。
选择出的最优天线子集中含有的天线数记为nt。
通信系统的信道矩阵记为H。
通信系统中PN码组维度记为Nc。
通信系统基带调制的调制阶数记为M。
系统配置记为(Nt,nt,Nr,Nc,M)。
本实施例中设定Nt=6,nt=4,Nr=4,Nc=4,M=4。
对发送信息比特u进行串并转换的主要步骤如下:
对发送信息比特u进行串并转换,得到天线索引部分GAnt、PN码索引部分GCode和基带调制部分GMod。其中天线索引部分GAnt对应的长度为2log2nt。PN码索引部分GCode对应的长度为2log2Nc。基带调制部分GMod对应的长度为m。2m=M。M为基带调制的调制阶数。基于同相和正交PN码索引部分和建立PN码索引表。基于同相和正交天线索引部分和建立天线索引表。各个映射块所包含的信息比特依次为: GMod=[01]。通过查找表1和表2可知,映射为天线T4,映射为天线T2,映射为PN码w3,映射为PN码w4,GMod经过QAM调制后成为调制符号s=1-j,其中,调制符号的实部sR=1,虚部sI=-1。
表1 PN码索引
表2天线索引
索引映射过程完成后,发射端调制符号s的同相分量sR=1首先通过由同相PN码索引子块选择的PN码w3扩频,然后再通过由同相天线映射子块选择的天线T4将扩频后的同相信号经射频调制后发射出去。正交分量的处理过程与同相分量完全一致。
由和激活的天线可能是同一根天线。例如假设和映射子块中的信息比特均为10时,则通过查找天线索引表可知,发射端激活的天线均为T3,因此调制符号的同相分量和正交分量将同时通过T3这根天线发送出去。此外,由和选择的PN码也可能是同一个PN码。
3)建立基于SVM的最优天线子集,并构建标签和天线组合映射表。标签和天线组合映射表中存储标签集合L和天线组合集合X的映射关系。
表3标签和天线组合映射
l=1,x<sub>1</sub>=[1,2,3,4] | l=6,x<sub>6</sub>=[1,2,5,6] | l=11,x<sub>11</sub>=[2,3,4,5] |
l=2,x<sub>2</sub>=[1,2,3,5] | l=7,x<sub>7</sub>=[1,3,4,5] | l=12,x<sub>12</sub>=[2,3,4,6] |
l=3,x<sub>3</sub>=[1,2,3,6] | l=8,x<sub>8</sub>=[1,3,4,6] | l=13,x<sub>13</sub>=[2,3,5,6] |
l=4,x<sub>4</sub>=[1,2,4,5] | l=9,x<sub>9</sub>=[1,3,5,6] | l=14,x<sub>14</sub>=[2,4,5,6] |
l=5,x<sub>5</sub>=[1,2,4,6] | l=10,x<sub>10</sub>=[1,4,5,6] | l=15,x<sub>15</sub>=[3,4,5,6] |
建立基于SVM的最优天线子集的主要步骤如下:
3.1)利用基于欧式距离的最优天线选择算法EDAS产生训练数据集,主要步骤为:
3.1.1)以信道矩阵H的复值元素hij的弧度为特征,从M个信道矩阵H中提取M个实值特征向量d∈R1×N,其中dm表示第m个实值特征向量。m=1,2,…,M。N为向量维度。
3.1.3)对数据矩阵D进行归一化处理,得到归一化特征矩阵T。其中,归一化特征矩阵T中的元素ti,j如下所示:
ti,j=(di,j-Ei{di,j})/(maxi{di,j}-mini{di,j}) (10)
式中,Ei{di,j}为期望。di,j为实值特征向量d中的元素。maxi{di,j}为实值特征向量d中元素最大值。mini{di,j}为实值特征向量d中元素最小值。
3.1.4)利用传统的EDAS算法分别从M个信道矩阵H中得到M个天线组合,其中表示第m个信道矩阵Hm所对应的天线组合,也即第m个实值特征向量dm所对应的天线组合,天线组合集合记为X。nt为选定的发射天线数量。
3.1.5)设置标签集合L。标签集合L和天线组合集合X一一对应。根据标签集合L和天线组合集合X的映射关系建立标签和天线组合映射表。
3.1.6)基于标签和天线组合映射表,对M个天线组合贴上对应的标签l,得到标签向量c∈RM×1,其中cm为标签向量c中的第m个元素,也即第m个实值特征向量dm所对应的标签l。l∈L。
3.2)利用基于欧式距离的最优天线选择算法EDAS产生测试数据集,主要包括以下两种方法:
I)以信道矩阵H的复值元素hij的弧度为特征,从M个信道矩阵H中提取M个实值特征向量d′∈R1×N,其中d′m′表示第m个实值特征向量。m′=1,2,…,M。N为向量维度。
对数据矩阵D′进行归一化处理,得到归一化特征矩阵T′。
利用传统的EDAS算法得到M个天线组合并贴上M个对应的标签。
II)从训练数据集中随机抽取测试数据集。
3.3)基于特征矩阵T和标签向量c,建立SVM学习模型,并设定测试精度阈值ε。利用训练数据集训练SVM学习模型,确立SVM学习模型的学习参数。利用测试数据集测试SVM学习模型,若测试精度则调整SVM学习模型的学习参数,继续利用训练数据集训练学习模型,直到测试精度
3.4)实时从信道矩阵H中提取出实值特征向量d,并输入到SVM学习模型中,从而得到实值特征向量d对应的标签l。基于标签和天线组合映射表,选定标签l对应的天线组合。
算法原理:
假设是一个具有Nt根发射天线,Nr根接收天线的MIMO系统,并从Nt根发射天线中选择nt根天线来进行发送。假设X={x1,…,xN}为所有可能的天线组合的集合,其中是第n种天线组合,其中n=1,2,…,N,也就是被选中的天线索引序号所构成的向量,N为所有可能的天线组合数,即S为所有可能的发送调制符号集合。因此,最小欧式距离最大化的数学表达式可写为:
4)对串并转换后的发送信息比特u进行符号调制和索引调制,从而确定发射天线、调制符号和扩频PN码。
对串并转换后的发送信息比特u进行符号调制和索引调制的主要步骤如下:
4.1)对调制部分GMod进行基带调制,得到调制符号s=sR+jsI。sR为调制符号s的同相分量。sI为调制符号s的正交分量。
5)对调制符号进行扩频,并传输至接收端。
对调制符号进行扩频传输的主要步骤如下:
5.1)利用扩频PN码wi扩频调制符号s的同相分量sR。
利用扩频PN码wj扩频调制符号s的正交分量sI。
5.2)对扩频后的同相信号sRwi进行射频调制,并通过发射天线TsR向接收端发送。
对扩频后的正交信号jsIwj进行射频调制,并通过发射天线TsI向接收端发送。
6)接收端接收扩频信号,并对扩频信号进行相关特性检测,得到同相解扩信号yI_DS和正交解扩信号yQ_DS。
对扩频信号进行相关特性检测的主要步骤如下:
6.1)接收端接收到扩频信号后,对扩频信号进行射频下变频处理,将宽带射频信号变频至中频。
7)利用CNN对解扩信号进行估计检测。
利用CNN对解扩信号进行估计检测的主要步骤如下:
7.1)利用最大似然估计算法产生解扩训练数据集,主要步骤如下:
7.1.1)在同相解扩信号yI_DS中选定同相学习模型的训练样本,即同相解扩信号yI_DS的模值向量mI对应的二维图像fI。
在正交解扩信号yQ_DS中选定正交学习模型的训练样本,即正交解扩信号yQ_DS的模值向量mQ对应的二维图像fQ。
7.1.2)设置同相标签集合L1和正交标签集合L2。解调符号的同相元素和nt根发射天线的序号之间的排列组合所构成的集合记为A。解调符号的正交元素和nt根发射天线的序号之间的排列组合所构成的集合记为B。
同相标签集合L1与集合A一一对应,并根据对应关系建立标签与估计的发射天线和解调符号的同相分量的组合映射表。正交标签集合L2与集合B一一对应,并根据对应关系建立标签与估计的发射天线和解调符号的正交分量的组合映射表。
式中,real(sk)为第k根天线发送的调制符号的实部信号。Ω为经过M阶基带调制后所形成的调制符号的集合。I为nt根发射天线所形成的集合。k为任意发射天线序号。nt为选定的发射天线数量。hk为发射天线。
式中,imag(sg)为第g根天线发送的调制符号的虚部信号。hg为发射天线。
7.1.4)基于标签与估计的发射天线和解调符号的同相分量的组合映射表,为估计的发射天线和解调符号的同相分量的组合贴上标签l1∈L1,基于标签与估计的发射天线和解调符号的正交分量的组合映射表,为估计的发射天线和解调符号的正交分量的组合贴上标签l2∈L2。
7.1.5)重复步骤7.1.1至7.1.4,直到得到M个同相训练样本及其对应的M个标签以及M个正交训练样本及其对应的M个标签,从而形成同相训练数据集和正交训练数据集。
7.2)建立测试数据集,主要包括以下两种方法:
II)从解扩训练数据集中随机抽取。
7.3)基于同相训练数据集和测试数据集建立同相CNN学习模型,并设定测试精度阈值σ1。利用训练数据集训练同相CNN学习模型,确立同相CNN学习模型的学习参数。利用测试数据集测试同相CNN学习模型,若测试精度η1<σ1,则调整同相CNN学习模型的学习参数,继续利用训练数据集训练同相CNN学习模型,直到测试精度η1≥σ1。
基于正交训练数据集和测试数据集建立正交CNN学习模型,并设定测试精度阈值σ2。利用训练数据集训练正交CNN学习模型,确立正交CNN学习模型的学习参数。利用测试数据集测试正交CNN学习模型,若测试精度η2<σ2,则调整正交CNN学习模型的学习参数,继续利用训练数据集训练正交CNN学习模型,直到测试精度η2≥σ2。
7.4)基于CNN的估计检测:
实时将同相解扩信号yI_DS的模值向量mI和正交解扩信号yQ_DS的模值向量mQ对应的二维图像f′I和f′Q分别输入到同相CNN学习模型分类器和正交CNN学习模型分类器中,分别得到同相解扩信号yI_DS对应的标签l1和正交解扩信号yQ_DS对应的标签l2。
对估计出的解调符号和天线与PN码索引值进行解调和解映射的主要步骤如下:
Claims (8)
1.一种基于机器学习的二维空码索引调制方法,其特征在于,主要包括以下步骤:
1)搭建通信系统;
3)建立基于SVM的最优天线子集,并构建标签和天线组合映射表;标签和天线组合映射表中存储标签集合L和天线组合集合X的映射关系;
建立基于SVM的最优天线子集的主要步骤如下:
3.1)利用基于欧式距离的最优天线选择算法EDAS产生训练数据集,主要步骤为:
3.1.1)以信道矩阵H的复值元素hij的弧度为特征,从M个信道矩阵H中提取M个实值特征向量d∈R1×N,其中dm表示第m个实值特征向量;m=1,2,…,M;N为向量维度;
3.1.3)对数据矩阵D进行归一化处理,得到归一化特征矩阵T;其中,归一化特征矩阵T中的元素ti,j如下所示:
ti,j=(di,j-Ei{di,j})/(maxi{di,j}-mini{di,j}) (1)
式中,Ei{di,j}为期望;di,j为实值特征向量d中的元素;maxi{di,j}为实值特征向量d中元素最大值;mini{di,j}为实值特征向量d中元素最小值;
3.1.4)利用EDAS算法分别从M个信道矩阵H中得到M个天线组合,其中表示第m个信道矩阵Hm所对应的天线组合,也即第m个实值特征向量dm所对应的天线组合,天线组合集合记为X;nt为选定的发射天线数量;
3.1.5)设置标签集合L;标签集合L和天线组合集合X一一对应;根据标签集合L和天线组合集合X的映射关系建立标签和天线组合映射表;
3.1.6)基于标签和天线组合映射表,对M个天线组合贴上对应的标签l,得到标签向量c∈RM×1,其中cm为标签向量c中的第m个元素,也即第m个实值特征向量dm所对应的标签l;l∈L;
3.2)利用基于欧式距离的最优天线选择算法EDAS产生测试数据集,主要包括以下两种方法:
I)以信道矩阵H的复值元素hij的弧度为特征,从M个信道矩阵H中提取M个实值特征向量d’∈R1×N,其中d’m’表示第m’个实值特征向量;m’=1,2,…,M;N为向量维度;
对数据矩阵D’进行归一化处理,得到归一化特征矩阵T’;
利用EDAS算法得到M个天线组合并贴上M个对应的标签;
II)从训练数据集中随机抽取测试数据集;
3.3)基于特征矩阵T和标签向量c,建立SVM学习模型,并设定测试精度阈值ε;利用训练数据集训练SVM学习模型,确立SVM学习模型的学习参数;利用测试数据集测试SVM学习模型,若测试精度则调整SVM学习模型的学习参数,继续利用训练数据集训练学习模型,直到测试精度所述学习参数主要包括惩罚因子和核函数;
3.4)实时从信道矩阵H中提取出实值特征向量d,并输入到SVM学习模型中,从而得到实值特征向量d对应的标签l;基于标签和天线组合映射表,选定标签l对应的天线组合;
4)对串并转换后的发送信息比特u进行符号调制和索引调制,从而确定发射天线、调制符号和扩频PN码;
5)对调制符号进行扩频,并传输至接收端;
6)接收端接收扩频信号,并对扩频信号进行相关特性检测,得到同相解扩信号yI_DS和正交解扩信号yQ_DS;
7)利用CNN对解扩信号进行估计检测;
2.根据权利要求1所述的一种基于机器学习的二维空码索引调制方法,其特征在于:所述通信系统主要包括发射端和接收端;发射端发送的信息记为发送信息比特u;
发射端的发射天线数记为Nt,接收端的接收天线数记为Nr;
选择出的最优天线子集中含有的天线数记为nt;
通信系统的信道矩阵记为H;
通信系统中PN码组维度记为Nc;
通信系统基带调制的调制阶数记为M1。
3.根据权利要求2所述的一种基于机器学习的二维空码索引调制方法,其特征在于,对发送信息比特u进行串并转换的主要步骤如下:
对发送信息比特u进行串并转换,得到天线索引部分GAnt、PN码索引部分GCode和基带调制部分GMod;其中天线索引部分GAnt对应的长度为2log2nt;PN码索引部分GCode对应的长度为2log2 Nc;基带调制部分GMod对应的长度为m1;M1为基带调制的调制阶数;
5.根据权利要求1所述的一种基于机器学习的二维空码索引调制方法,其特征在于,对调制符号进行扩频传输的主要步骤如下:
1)利用扩频PN码wi扩频调制符号s的同相分量sR;
利用扩频PN码wj扩频调制符号s的正交分量sI;
2)对扩频后的同相信号sRwi进行射频调制,并通过发射天线TsR向接收端发送;
对扩频后的正交信号jsIwj进行射频调制,并通过发射天线TsI向接收端发送。
7.根据权利要求1所述的一种基于机器学习的二维空码索引调制方法,其特征在于,利用CNN对解扩信号进行估计检测的主要步骤如下:
1)利用最大似然估计算法产生解扩训练数据集,主要步骤如下:
1.1)在同相解扩信号yI_DS中选定同相学习模型的训练样本,即同相解扩信号yI_DS的模值向量mI对应的二维图像fI;
在正交解扩信号yQ_DS中选定正交学习模型的训练样本,即正交解扩信号yQ_DS的模值向量mQ对应的二维图像fQ;
1.2)设置同相标签集合L1和正交标签集合L2;解调符号的同相元素和nt根发射天线的序号之间的排列组合所构成的集合记为A;解调符号的正交元素和nt根发射天线的序号之间的排列组合所构成的集合记为B;
同相标签集合L1与集合A一一对应,并根据对应关系建立标签与估计的发射天线和解调符号的同相分量的组合映射表;正交标签集合L2与集合B一一对应,并根据对应关系建立标签与估计的发射天线和解调符号的正交分量的组合映射表;
式中,real(sk)为第k根天线发送的调制符号的实部信号;Ω为经过M阶基带调制后所形成的调制符号的集合;I为nt根发射天线所形成的集合;k为任意发射天线序号;nt为选定的发射天线数量;hk为发射天线;
式中,imag(sg)为第g根天线发送的调制符号的虚部信号;hg为发射天线;
1.4)基于标签与估计的发射天线和解调符号的同相分量的组合映射表,为估计的发射天线和解调符号的同相分量的组合贴上标签l1∈L1;基于标签与估计的发射天线和解调符号的正交分量的组合映射表,为估计的发射天线和解调符号的正交分量的组合贴上标签l2∈L2;
1.5)重复步骤1.1至1.4,直到得到M个同相训练样本及其对应的M个标签以及M个正交训练样本及其对应的M个标签,从而形成同相训练数据集和正交训练数据集;
2)建立测试数据集,主要包括以下两种方法:
II)从解扩训练数据集中随机抽取;
3)基于同相训练数据集和测试数据集建立同相CNN学习模型,并设定测试精度阈值σ1;利用训练数据集训练同相CNN学习模型,确立同相CNN学习模型的学习参数;利用测试数据集测试同相CNN学习模型,若测试精度η1<σ1,则调整同相CNN学习模型的学习参数,继续利用训练数据集训练同相CNN学习模型,直到测试精度η1≥σ1;所述学习参数主要包括卷积层数和步长;
基于正交训练数据集和测试数据集建立正交CNN学习模型,并设定测试精度阈值σ2;利用训练数据集训练正交CNN学习模型,确立正交CNN学习模型的学习参数;利用测试数据集测试正交CNN学习模型,若测试精度η2<σ2,则调整正交CNN学习模型的学习参数,继续利用训练数据集训练正交CNN学习模型,直到测试精度η2≥σ2;所述学习参数主要包括卷积层数和步长;
4)基于CNN的估计检测:
实时将同相解扩信号yI_DS的模值向量mI和正交解扩信号yQ_DS的模值向量mQ对应的二维图像f’I和f’Q分别输入到同相CNN学习模型分类器和正交CNN学习模型分类器中,分别得到同相解扩信号yI_DS对应的标签l1和正交解扩信号yQ_DS对应的标签l2;
8.根据权利要求1所述的一种基于机器学习的二维空码索引调制方法,其特征在于,对估计出的解调符号和天线与PN码索引值进行解调和解映射的主要步骤如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910184134.6A CN110071750B (zh) | 2019-03-12 | 2019-03-12 | 一种基于机器学习的二维空码索引调制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910184134.6A CN110071750B (zh) | 2019-03-12 | 2019-03-12 | 一种基于机器学习的二维空码索引调制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110071750A CN110071750A (zh) | 2019-07-30 |
CN110071750B true CN110071750B (zh) | 2022-06-07 |
Family
ID=67366133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910184134.6A Expired - Fee Related CN110071750B (zh) | 2019-03-12 | 2019-03-12 | 一种基于机器学习的二维空码索引调制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110071750B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111711585B (zh) * | 2020-06-11 | 2021-06-22 | 西安交通大学 | 一种基于深度学习的实时信号序列检测方法 |
CN112422149B (zh) * | 2020-11-19 | 2021-08-24 | 厦门大学 | I/q双支路索引调制多序列扩频系统与方法 |
CN112564830B (zh) * | 2020-12-04 | 2021-09-21 | 山东大学 | 一种基于深度学习的双模正交频分复用索引调制检测方法及装置 |
CN113408420B (zh) * | 2021-06-18 | 2022-12-06 | 西安电子科技大学 | 基于多维度参数提取和支持向量机的扩频信号识别方法 |
CN113507548A (zh) * | 2021-07-09 | 2021-10-15 | 郑州琼佩电子技术有限公司 | 一种用于图像处理的信号防干扰系统 |
CN113541726B (zh) * | 2021-07-16 | 2022-05-06 | 哈尔滨工程大学 | 一种基于循环神经网络的码索引扩频水声通信方法 |
CN114629524A (zh) * | 2022-03-11 | 2022-06-14 | 中国计量大学上虞高等研究院有限公司 | 基于广义码索引调制的方法 |
CN114745248B (zh) * | 2022-04-06 | 2023-11-14 | 山东大学 | 基于卷积神经网络的dm-gsm信号检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106453190A (zh) * | 2016-10-10 | 2017-02-22 | 东南大学 | 一种多用户子载波索引调制正交频分复用传输方法 |
CN106788636A (zh) * | 2017-03-09 | 2017-05-31 | 重庆临菲电子科技有限公司 | 一种空—码二维索引调制无线通信系统及通信方法 |
CN107707500A (zh) * | 2017-08-30 | 2018-02-16 | 华南理工大学 | 一种基于多种模式的ofdm序号调制方法 |
US10038584B1 (en) * | 2002-05-14 | 2018-07-31 | Genghiscomm Holdings, LLC | Spreading and precoding in OFDM |
CN108736948A (zh) * | 2018-04-03 | 2018-11-02 | 重庆临菲电子科技有限公司 | 一种空-频-码三维索引调制无线通信方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7133459B2 (en) * | 2001-05-01 | 2006-11-07 | Texas Instruments Incorporated | Space-time transmit diversity |
-
2019
- 2019-03-12 CN CN201910184134.6A patent/CN110071750B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10038584B1 (en) * | 2002-05-14 | 2018-07-31 | Genghiscomm Holdings, LLC | Spreading and precoding in OFDM |
CN106453190A (zh) * | 2016-10-10 | 2017-02-22 | 东南大学 | 一种多用户子载波索引调制正交频分复用传输方法 |
CN106788636A (zh) * | 2017-03-09 | 2017-05-31 | 重庆临菲电子科技有限公司 | 一种空—码二维索引调制无线通信系统及通信方法 |
CN107707500A (zh) * | 2017-08-30 | 2018-02-16 | 华南理工大学 | 一种基于多种模式的ofdm序号调制方法 |
CN108736948A (zh) * | 2018-04-03 | 2018-11-02 | 重庆临菲电子科技有限公司 | 一种空-频-码三维索引调制无线通信方法 |
Non-Patent Citations (2)
Title |
---|
Sheng Feng ; Tao Zhong ; Lu Ge ; Lijia Ge.Space-Code Index Modulation for Wireless Communications.《2018 24th Asia-Pacific Conference on Communications (APCC)》.2019,第1-5页. * |
江治林 ; 葛利嘉 ; 邢峰英 ; 杨勤.二维空码索引调制算法.《计算机应用》.2017,第1458-1461页. * |
Also Published As
Publication number | Publication date |
---|---|
CN110071750A (zh) | 2019-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110071750B (zh) | 一种基于机器学习的二维空码索引调制方法 | |
CN106357311B (zh) | 一种基于载波索引调制的mimo-ofdm系统的检测方法 | |
CN106712903B (zh) | 一种低复杂度mimo fbmc-oqam系统信号检测方法 | |
CN106161328B (zh) | 基于载波索引调制的mimo-ofdm系统的检测方法 | |
CN103491044A (zh) | 频分多址系统中的捕获 | |
CN103973629B (zh) | 一种降低mimo‑ofdm系统papr的slm方法 | |
RU2006101981A (ru) | Комбинации сигналов для систем с несколькими несущими | |
CN108989262B (zh) | 一种基于apsk调制的低复杂度非相干空间调制检测方法 | |
CN110113288A (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
Kim et al. | Adversarial attacks with multiple antennas against deep learning-based modulation classifiers | |
CN107835068B (zh) | 一种具有发射分集的低复杂度正交空间调制球形译码检测算法 | |
CN110086743A (zh) | 一种基于差分编码的短突发mimo-ofdm通信系统及方法 | |
CN114745230B (zh) | 基于深度神经网络结构的otfs信号接收恢复方法 | |
Aref et al. | Deep learning-aided successive interference cancellation for MIMO-NOMA | |
CN107302419A (zh) | 一种用于mimo‑ofdm系统的低复杂度检测方法 | |
CN102651727B (zh) | 用于多根天线的sm-ofdm系统中的非相干检测方法 | |
CN106788626A (zh) | 一种能够获得二阶发射分集的改进正交空间调制传输方法 | |
CN109167649A (zh) | 一种gsm-mbm系统低复杂度检测方法 | |
CN110460556B (zh) | 正交多载波系统无线数据与能量一体化传输信号设计方法 | |
CN113971430A (zh) | 信号检测及模型训练方法、装置、设备及存储介质 | |
CN105827288B (zh) | 一种基于时间反演电磁波点阵聚焦的2d-spm数字无线通信方法 | |
Khosravy et al. | An efficient ICA based approach to multiuser detection in MIMO OFDM systems | |
CN104618297B (zh) | 基于ofdm-dcsk通信系统的信号发射和接收方法 | |
CN109818663A (zh) | 一种低复杂度差分正交空间调制检测方法 | |
CN102694587B (zh) | 一种用于sm-ofdm系统中的非相干检测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220607 |