CN110113288A - 一种基于机器学习的ofdm解调器的设计和解调方法 - Google Patents
一种基于机器学习的ofdm解调器的设计和解调方法 Download PDFInfo
- Publication number
- CN110113288A CN110113288A CN201910433908.4A CN201910433908A CN110113288A CN 110113288 A CN110113288 A CN 110113288A CN 201910433908 A CN201910433908 A CN 201910433908A CN 110113288 A CN110113288 A CN 110113288A
- Authority
- CN
- China
- Prior art keywords
- demodulator
- ofdm
- knn
- svm
- data
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
- H04L27/2626—Arrangements specific to the transmitter only
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
- H04L27/2647—Arrangements specific to the receiver only
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
- H04L27/2647—Arrangements specific to the receiver only
- H04L27/2649—Demodulators
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
- H04L27/2697—Multicarrier modulation systems in combination with other modulation techniques
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/32—Carrier systems characterised by combinations of two or more of the types covered by groups H04L27/02, H04L27/10, H04L27/18 or H04L27/26
Abstract
本发明公开了一种基于机器学习的OFDM解调器的设计和解调方法,首先,建立基于机器学习的OFDM解调器的调制解调系统模型;然后,根据OFDM调制解调系统模型结合基于机器学习的OFDM解调器,OFDM解调器为基于DBN和DAG‑SVM级联的解调器以及基于KNN的AdaBoost解调器;最后,测试和优化OFDM解调器,获取测试解调结果。所提出的基于DBN和DAG‑SVM级联的解调器或者基于KNN的AdaBoost解调器基于KNN的AdaBoost解调器的解调误码率均优于现有的OFDM解调器。
Description
技术领域
本发明涉及无线通信领域,尤其涉及一种基于机器学习的OFDM解调器的设计和解调方法。
背景技术
在第五代移动通信技术(Fifth-Generation,5G)的实际应用场景中,不仅需要满足传统移动通信中高清视频等各种大数据流量的增强移动宽带场景,还需要满足大规模物联网中智慧城市等场景(参考文献[1])。为了满足上述应用场景需求,无线通信网络体系也在不断改善。信号解调的准确性极大影响着通信系统的整体性能,因此为了满足不同的通信模式,需要设计不同的调制解调方案以完成信号的高精确度调制和解调。现代无线通信系统中,用户信息经过信号调制处理变换为各种频段上连续的电磁波来实现信息的远距离传输。然后,在通信系统的接收端,电磁波信号通过天线、射频信道、混频等步骤处理后变换为基带调制信号,并通过解调处理将携带噪声的波形转化为所需信息(参考文献[2])。无线信号在空间传输时会受到码元延迟、频率偏移和相位误差等干扰的影响。虽然频偏可以消除,但是码元延迟以及相位误差无法完全避免。因此,接收的信号会受码元延迟以及相位误差的影响。当解调器对接收的信号进行解调时,解调准确性也会受到码元延迟以及相位误差的影响。
目前针对无线通信系统的研究主要以低误码率、高能量效率或高频谱利用率为出发点,而信号解调对无线传输性能有直接的影响。对于传统解调器,在解调前需要先对信道进行准确估计,即发送端必须能够及时地得到准确的信道状态信息(Channel StataInformation,CSI)(参考文献[3]),然后完成相干解调的过程。然而,实际的无线通信信道可能遭受多径衰落,脉冲噪声,散射或连续干扰以及许多其他复杂影响(参考文献[4]),通信系统中获取准确的CSI较为困难。因此,设计不需要依赖于CSI且误码率较低的解调器具有重要的研究意义。
最近,由于计算机硬件的快速发展,机器学习(Machine Learning,机器学习)也得到了相应的发展。深度学习(Deep Learning,机器学习)是机器学习的一种,其优势在于通过组合较低层的特征,来形成更抽象的高层属性类别或特征,进而模拟人类大脑的认知机制,并且能自动发现隐藏在数据中的分布模式。相比于前向神经网络,机器学习不仅训练速率快且性能好,同时具有较强的鲁棒性。尤其针对具有标签的一维调制信号数据,能够快速准确的识别并提取调制信号的特征。机器学习具有强大的学习能力,可通过设计机器学习模型解决由复杂多变的信道环境导致解调性能较差的问题(参考文献[5])。
机器学习是一种非线性多学科交叉的系统,具有并行信息处理、自适应处理以及出色的学习和模拟能力,且同时拥有较好的鲁棒性和容错性。其特点包括良好的自组织和自学习能力,可以逼近复杂环境中的任何非线性系统(参考文献[6]),快速得到满足约束条件的优化结果。借助功能强大的机器学习软件库和专用硬件,如图形处理单元,机器学习可提供智能有效的框架。因此,研究基于机器学习的无线信号的解调器成为在复杂场景提高解调误码率的有效途径。相比传统的线性均衡算法,如递归LS(参考文献[7])算法,在信道非线性干扰严重且多径丰富的情况下,不能保证低误码率。而机器学习的强大非线性拟合能力在无线信号解调领域取得了较好的效果。早在2007年,参考文献[8]就提出了一种基于三层神经网络反馈的信道均衡算法,该算法比基于高阶统计的算法具有更高的信道估计精度和更快的算法收敛速度,但是算法复杂度相对较高。参考文献[9]提出使用卷积神经网络来解调由二进制相移键控(Binary Phase-Shift Keying,BPSK)调制的信号,相比于传统的信号均衡器,该方法能以低误比特率消除频率偏移和采样频率误差。参考文献[10]提出了一种基于深度神经网络(Deep Neural Networks,DNN)的信号解调方法,该方法比较了不同复杂度的隐藏层结构,发现隐层结构越复杂,训练的次数越多,解调器的性能越好。但是当码长发生改变时,该网络需要重新训练且不适用于随机码及长码字,具有很大的局限性。参考文献[11]-[13]均利用BP算法与机器学习网络相结合的算法进行信号解调。参考文献[11]提出基于分离子块的机器学习极化码解调算法,与传统极化码迭代解调算法相比,该算法在不损耗性能的情况下有效降低了时延,与参考文献[10]的解调算法相比,该算法的训练次数和模型复杂度均有效降低。参考文献[12]与参考文献[13]分别提出了基于BP-DNN的解调算法与基于BP-CNN的解调算法,分别将BP算法与DNN神经网络或者与CNN神经网络相结合,且算法的解调性能均比传统的BP算法更优。参考文献[14]又提出将RNN神经网络与BP结合的算法,在原BP算法的基础上进一步提升算法性能。与此同时将联合算法中的BP算法替换为改进的随机冗余迭代算法,进一步优化了信号解调的性能,并证明改进算法的解调性能优于普通随机冗余迭代算法。
与端到端通信系统解释为自动编码器的概念类似,无线通信系统中的多个功能块被神经网络取代,通过大量数据训练整个端到端系统,进行优化(参考文献[15-17])。
例如,参考文献[17]提出了一个基于机器学习的无线信号解调模型,在OFDM(Orthogonal Frequency Division Multiplexing,正交频分复用技术)系统中将整个接收模块作为需要训练的部分,从射频接收机到信宿通过DNN神经网络直接连接。在参考文献[18-19]中,用神经网络取代一个端到端的无线通信系统,试图令整个无线通信系统达到损失最小化。但是,参考文献[11,14]在不改变原有模型结构以及技术的基础上,利用神经网络代替系统的一个或者多个模块,同时训练网络参数,以提高系统中模块的性能。
参考文献[20]在基于去噪近似消息传递算法信号解码模块的基础上,利用机器学习网络引入可训练的参数,进一步提升信号解调模块的性能。目前,基于机器学习的无线信号解调可分为两种,一种主要依赖海量的训练数据,另一种主要依赖通信模型或者算法模型。
尽管学者们对机器学习在无线信号解调中的应用做了许多尝试工作,但是目前这些方法(参考文献[21,22])均未基于实测数据库,即对于实际场景中无线信号解调的适用性尚未被验证。因此,研究基于机器学习的无线信号解调能否克服实际场景中的多径衰落,时延,散射,遮挡等不确定因素带来的影响具有重要意义,且对于无线通信系统的设计和评估以及提高通信速率等方面具有重要的理论和实际指导作用。
参考文献:
[1]Shafi,M.,Molisch,A.F.,Smith,P.J.,Haustein,T.,Zhu,P.,Silva,P.D.,Tufvesson,F.,Benjebbour,A.,Wunder,G.5G:A Tutorial Overview of Standards,Trials,Challenges,Deployment,and Practice[J].IEEE J.Sel.Areas Commun.,Jun.2017,35(6):1201–1221.ISSN 0733-8716.doi:10.1109/JSAC.2017.2692307.
[2]Braun,T.M.Principles of Digital Communications Theory.IEEE,2012.doi:10.1002/9781118345214.ch10.[3]Ali,M.S.,Hossain,E.,Dong,I.K.Non-orthogonal multiple access for downlink multiuser MIMO systems:Userclustering,beamforming,and power allocation[J].IEEE Access,Dec.2016.
[4]Raj,V.,Kalyani,S.Backpropagating through the air:Deep learning atphysical layer without channel models[J].IEEE Commun.Lett.,Aug.2018,PP(99):1–1.
[5]Zhang,M.,Liu,Z.,Li,L.,Wang,H.Enhanced efficiency BPSK demodulatorbased on onedimensional convolutional neural network[J].IEEE Access,2018,6:26939–26948.ISSN 2169-3536.doi:10.1109/ACCESS.2018.2834144.
[6]Hornik,K.,Stinchcombe,M.,White,H.Multilayer feedforward networksare universal approximators[J].Neural Networks,Jul.1989,2(5):359–366.
[7]Pergoloni,S.,Biagi,M.,Colonnese,S.,Cusani,R.,Scarano,G.A space-time RLS algorithm for adaptive equalization:The camera communication case[J].Journal of Lightwave Technology,2017,35(10):1811–1820.
[8]Zhang,L.,Zhang,X.MIMO channel estimation and equalization usingthree-layer neural networks with feedback[J].Tsinghua Science and Technology,Dec 2007,12(6):658–662.ISSN 1007-0214.doi:10.1109/TST.2007.6071814.
[9]Zhang,M.,Liu,Z.,Li,L.,Wang,H.Enhanced efficiency BPSK demodulatorbased on one-dimensional convolutional neural network[J].IEEE Access,Mar.2018,PP(99):1–1.
[10]Cammerer,S.,Hoydis,J.,Brink,S.T.On deep learning-based channeldecoding[J].Jan.2017.
[11]Cammerer,S.,Hoydis,J.,Brink,S.T.Scaling deep learning-baseddecoding of polar codes via partitioning[J].Feb.2017.
[12]Nachmani,E.,Beery,Y.,Burshtein,D.Learning to decode linear codesusing deep learning[J].Jun.2016.
[13]Fei,L.,Cong,S.,Feng,W.An iterative BP-CNN architecture forchannel decoding[J].IEEE J.Sel.Top.Sign.Proces.,Feb.2018,12(1):144–159.
[14]Nachmani,E.,Marciano,E.,Lugosch,L.,Gross,W.J.,Burshtein,D.,Beery,Y.Deep learning methods for improved decoding of linear codes[J].IEEEJ.Sel.Top.Sign.Proces.,Jul.2018,12(1):119–131.
[15]Wen,C.K.,Shih,W.T.,Shi,J.Deep learning for massive MIMO CSIfeedback[J].IEEE Wireless Commun.Lett.,Dec.2017,PP(99):1–1.
[16]Dorner,S.,Cammerer,S.,Hoydis,J.,Brink,S.T.Deep learning-basedcommunication over the air[J].IEEE J.Sel.Top.Sign.Proces.,Jul.2018,12(1):132–143.
[17]Ye,H.,Li,G.Y.,Juang,B.H.F.Power of deep learning for channelestimation and signal detection in OFDM systems[J].IEEE WirelessCommun.Lett.,Aug.2018,7(1):114–117.
[18]O’Shea,T.J.,Erpek,T.,Clancy,T.C.Deep learning based MIMOcommunications[J].Jul.2017.
[19]Ye,H.,Li,G.Y.,Juang,B.-H.F.,Sivanesan,K.Channel agnostic end-to-end learning based communication systems with conditional GAN[J].2018.
[20]Metzler,C.A.,Mousavi,A.,Baraniuk,R.G.Learned D-AMP:Principledneural network based compressive image recovery[J].Apr.2017.
[21]Fan,M.,Wu,L.Demodulator based on deep belief networks incommunication system[C].In International Conference on Communication,Control,Computing and Electronics Engineering,pages 1–5,Jan.2017.
[22]Fang,L.,Wu,L.Deep learning detection method for signaldemodulation in short range multipath channel[C].In IEEE InternationalConference on Opto-Electronic Information Processing,pages 16–20,Jul.2017.
[23]J.Sola and J.Sevilla,“Importance of input data normalization forthe application of neural networks to complex industrial problems,”Nucl.Sci.,vol.44,no.3,pp.1464–1468,Jun.1997.
[24]Z.Yang and X.Pang,“Research and implementation of textclassification model based on combination of DAE and DBN,”inInt.Symp.Comput.Intell.Des.,vol.2,pp.190–193,Dec.2017.
[25]R.Sarikaya,G.E.Hinton,and A.Deoras,“Application of deep beliefnetworks for natural language understanding,”IEEE Trans.Audio SpeechLang.Proces.,vol.22,no.4,pp.778–784,Aug.2014.
[26]F.Zhang and Q.Zhou,“Ensemble detection model for profileinjection attacks in collaborative recommender systems based on BP neuralnetwork,”IET Inf.Sec.,vol.9,no.1,pp.24–31,Dec.2015.
发明内容
本发明公开了一种基于机器学习的OFDM解调器的设计方法,包括:
包括如下步骤:
步骤1,建立基于OFDM调制的无线通信系统;
步骤2,根据所述基于OFDM调制的无线通信系统构建基于机器学习的OFDM解调器,所述OFDM解调器为基于DBN(深度信念网络,Deep Belief Network,DBN)和DAG-SVM(Directed Acyclic Graph Support Vector Machine,有向无环图支持向量机)级联的解调器或者基于KNN(K-Nearest Neighbor,K近邻算法)的AdaBoost解调器;
步骤3,测试和优化所述OFDM解调器,获取测试解调结果。
在本发明一实施例中,步骤1包括:
建立基于OFDM调制的无线通信系统,所述基于OFDM调制的无线通信系统包括发送机和接收机;
在所述发送机处,根据以下公式计算发送信号x(t):
其中,t是时间,单位为秒,Bk、fk和分别是OFDM调制信号的第k路子载波振幅、频率和初始相位,N表示子载波个数;
在所述接收机处,根据以下公式计算接收信号y(t):
y(t)=g(t)x(t)+nr(t),(2)
其中,g(t)是多径信道,x(t)是发送信号,nr(t)是接收噪声。
在本发明一实施例中,步骤2包括:基于步骤1建立的无线通信系统收集OFDM调制数据,所述OFDM调制数据分为训练数据和测试数据,所述训练数据为所述OFDM调制数据的4/5,记为L1,所述测试数据为所述OFDM调制数据的1/5,记为L2。
在本发明一实施例中,步骤2包括:
经过数模转换器,将所述接收信号y(t)由模拟信号转换到数字信号y,L为OFDM调制信号数据y的长度。
在本发明一实施例中,步骤2包括:
设定所述训练数据包含L个接收到的OFDM调制信号,
将数字信号y根据以下公式归一化到[0,1]区间:
其中,yi表示第i个OFDM调制数字信号,表示归一化后的第i个OFDM调制数字信号,表示采样序列的最小值,表示采样序列的最大值,分别指第i1个OFDM调制数字信号和第i2个OFDM调制数字信号;
对归一化后的第i个OFDM调制数字信号设定其对应标签zi,是标记的训练数据,l表示标记的训练数据的下标, 表示标记的训练数据下标的集合,令Φ是所有标签的集合,且zi∈Φ。
在本发明一实施例中,当采用基于DBN和DAG-SVM级联的解调器时,步骤2包括:
步骤a1,
建立三个受限玻尔兹曼机RBM(Restricted Boltzmann Machine,简称RBM)的DBN,所述RBM由可见层v=[v1,v2,...,vm]T和隐藏层h=[h1,h2,...,hn]T构成,其中,vk是可见层v的第k个单元的值,hj是隐藏层h的第j个单元的值,k取值为1~m,j取值为1~n;
步骤a2,
根据以下公式获得一个RBM的能量函数E(v,h):
E(v,h)=-aTv-bTh-hTWv,(4)
其中,W=[w1,w2,...,wn]T是v和h之间的连接权矩阵,wj=[wj1,wj2,...,wjm]T表示可见层v和hj之间的权重,wjk是vk和hj之间的连接权重,j∈{1,...n},a=[a1,a2,...,am]T是可见层v的偏置,ak是vk的偏置,b=[b1,b2,...,bn]T是隐藏层h的偏置,bj是hj的偏置;
根据RBM的能量函数及以下公式,计算可见层v的边缘分布p(v):
其中,是归一化因子,e表示自然对数的底数;
步骤a3,
根据可见层v的边缘分布p(v)及以下公式,获得可见层v的边缘分布的最优参数W,a,b:
步骤a4,
采用梯度下降法,根据以下公式更新所述最优参数W,a,b:
其中,η是学习率(一般取值为0~1),ΔW,Δa和Δb分别是目标函数对W的偏导、对a的偏导和对b的偏导;
步骤a5,
根据以下公式计算更新后的所述最优参数W,a,b的偏导数近似值:
给定可见层v,根据以下公式获得隐藏层h的条件概率的分布p(hj=1v):
依据公式(9)的分布,对于给定的隐藏层h,可见层v的第k个单元被激活的条件概率的分布p(vk=1|h)为:
步骤a6,
利用梯度下降法得到第一个RBM的最优参数W,a,b后,将所述第一个RBM的隐藏层h视为第二个RBM的可见层,令h1为所述第二个RBM的隐藏层;
训练完所述第二个RBM的权重矩阵和偏置后,将h2视为第三个RBM的可见层,令h3为所述第三个RBM的隐藏层;
训练完所述第三个RBM的权重矩阵和偏置后,通过有监督的反向传播算法对每个所述RBM的所有参数进行微调。
在本发明一实施例中,当采用基于DBN和DAG-SVM级联的解调器时,步骤3包括:
步骤a7,
在整个DBN训练完后,提取由DBN输出的特征向量集合 表示第L个特征向量,其中,采用DAG-SVM的方式对数据进行分类,DAG-SVM分类器根据树状结构进行,共有个根节点对应个二分类器,M个叶子节点对应最终输出的M个类别,其中第a层有a个节点,令设定信号的调制技术为4-QAM时,则共有六个根节点,四个叶子节点;对于第一个根节点,二分类SVM需要对当前全部输入的特征数据U1,1训练,训练时在特征数据中随机选取两类分别记为0和1,接下来将含有四个类别的特征数据分为两类,其中一类不包含0,记为U2,1,另一类不包含1,记为U2,2;第二层根节点的两个二分类器分别对特征数据集U2,1和U2,2进行分类,以此类推,在到达底部节点时做出相对应的决策;
步骤a8,
在单个非线性DAG-SVM中,根据以下公式引入高斯核
其中,σ是高斯内核的带宽,和分别表示DBN的第i个输出特征向量和第j个输出特征向量,
根据非线性DAG-SVM理论,非线性两类DAG-SVM问题表示为:
其中,为拉格朗日乘子,ca,b,i,ca,b,j表示拉格朗日乘子向量的元素,K为常数,表示惩罚因子,zi,zj∈Φ;
步骤a9,
通过求解(12),得到最优解 为拉格朗日乘子最优解向量中的第L1个元素,并根据以下公式,获得非线性两分类DAG-SVM的决策函数
其中,是最优偏置变量,表示高斯核,γ表示指示函数,具体表示为
步骤a10,
训练完全部SVM后,最终从DAG-SVM中得到分类结果 映射到所述测试解调结果为
在本发明一实施例中,当采用基于KNN的AdaBoost解调器时,步骤2包括:
步骤b1,
将所述标记的训练数据输入到D个KNN中,对于4分类来说,D一般取10-15,类别越多,D的取值越大,令wd=[wd(1),wd(2),...,wd(L)]T为第d个KNN的权重向量,wd(L)表示第d个KNN中第L个数据的权重值,在所述标记的训练数据中定义初始权重为其中,0≤wd(l)≤1,
对于第1个KNN来说,
根据权重向量wd,第d个KNN重新采样所述标记的训练数据并生成新的训练数据 分别表示第L个重采样之后的数据和类标,
步骤b2,
搜索所述新的训练数据中的向量,并根据以下公式获得离的最小距离l*:
其中,是与之间的欧氏距离,设定l*的标签是则第d个KNN中的的分类结果是
步骤b3,
表示第d个KNN分类器,根据以下公式获得第d个KNN的错误分类样本的权重总和χd:
其中,I是指示函数,I的定义如下:
对于第d+1个KNN,其权重w(d+1)=[w(d+1)(1),...,w(d+1)(L)]T,w(d+1)(L)表示权重向量w(d+1)中的第L个元素,根据以下公式获得:
其中,是χd的函数,是归一化常数,如果分类正确否则
步骤b4,
在生成D个KNN分类器后,根据以下公式定义强分类器对测试样本的分类结果并用表示:
其中,αd是的系数,是投票的指示函数,如果 将测试样本归类为zl;否则不将测试样本归类为zl。
在本发明一实施例中,当采用基于KNN的AdaBoost解调器时,所述步骤3,包括:
步骤b5,对于训练完之后的所有KNN分类器,获取具有最大加权投票值的类别,即所述强分类器的输出结果在将所述输出结果转化为二进制比特数后,得到所述测试解调结果
本发明还提供了一种基于机器学习的OFDM解调器的解调方法,包括:
采用基于DBN和DAG-SVM级联的解调器对基于OFDM调制的无线通信系统进行解调,或者采用基于KNN的AdaBoost解调器基于KNN的AdaBoost解调器对所述基于OFDM调制的无线通信系统进行解调,获取实际解调结果。
现有技术中的OFDM解调器解调正确率较低,而采用前述基于DBN和DAG-SVM级联的解调器或者基于KNN的AdaBoost解调器基于KNN的AdaBoost解调器进行解调,解调误码率均优于现有的OFDM解调器,因此,提升了OFDM解调器的解调性能。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述或其他方面的优点将会变得更加清楚。
图1是本申请实施例部分提供的一种基于机器学习解调器的OFDM调制解调原理示意图。
图2是本申请实施例部分提供的一种基于机器学习的无线通信的信号解调器的设计方法工作流程示意图。
图3是本申请实施例部分提供的一种DBN和DAG-SVM级联的结构示意图。
图4是本申请实施例部分提供的一种玻尔兹曼机RBM示意图。
图5是本申请实施例部分提供的一种基于KNN的AdaBoost解调器结构示意图。
图6是本申请实施例部分提供的一种发送机设备实物图。
图7是本申请实施例部分提供的一种接收机设备实物图。
图8是本申请实施例部分提供的一种在OFDM调制下信噪比对解调误码率的影响示意图。
图9是本申请实施例部分提供的一种OFDM调制下实测与仿真数据的误码率比较示意图。
图10是本申请实施例部分提供的一种不同调制技术下信噪比对基于KNN的AdaBoost解调器的解调误码率比较示意图。
图11是本申请实施例部分提供的一种不同能量训练数据时信噪比变化对基于KNN的AdaBoost解调器误码率的影响示意图。
图12是本申请实施例部分提供的一种不同能量训练数据时信噪比变化对基于DBN-SVM的解调器误码率的影响示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
参照图1,是本申请实施例部分提供的一种端到端基于OFDM调制的无线通信系统示意图,本实施例在真实物理环境中建立了一个灵活的基于OFDM调制的端到端无线通信原型平台,能够对各种多载波调制信号进行解调。基于所建立的原型平台,本实施例建立了来自实际通信系统的测量OFDM调制数据,包括训练数据和测试数据,所有研究人员都可获得。
参照图2,是本实施例提供的一种基于机器学习的OFDM解调器的设计及解调方法工作流程示意图,包括以下步骤:
步骤1,建立基于OFDM调制的无线通信系统;
步骤2,根据所述基于OFDM调制的无线通信系统构建基于机器学习的OFDM解调器,所述OFDM解调器为基于DBN和DAG-SVM级联的解调器或者基于KNN的AdaBoost解调器;
步骤3,测试和优化所述OFDM解调器,获取测试解调结果。
本发明中,利用数字调制方案,例如M元正交幅度调制(M-QAM)以及BPSK调制,
在发送机处,发射信号x(t)如下:
其中,t是时间,单位为秒、Bk、fk和分别是OFDM调制信号的第k路子载波振幅、频率和始相位,N表示子载波个数;
令g(t)表示发送天线和接收天线之间的多径信道,包括直射路径和多反射路径,在接收机处,接收信号y(t)如下:
y(t)=g(t)x(t)+nr(t)(2)
其中,t是时间,单位为秒,g(t)是多径信道,x(t)是发送信号,nr(t)是接收噪声。
所述步骤2,包括:基于步骤1建立的无线通信系统收集OFDM调制数据,所述OFDM调制数据分为训练数据训练数据和测试数据,调制数据所述训练数据为所述OFDM调制数据的4/5,测试数据为所述OFDM调制数据的1/5。
所述步骤2,包括:经过数模转换器,将接收信号y(t)由模拟信号转换到数字信号y。设L为OFDM调制信号数据y的长度。
所述步骤2,包括:设定训练数据包含L个接收到的采样数据周期。在解调之前,将接收到的总采样数字信号序列y根据以下公式标准化到[0,1]区间,归一化可以明显加速机器学习的处理速度(参考文献[23]):
其中,表示归一化后的第i个OFDM调制数字信号,表示采样序列的最小值,表示采样序列的最大值,分别指第i1个OFDM调制数字信号和第i2个OFDM调制数字信号。
因为特征信息除了依靠每个子载波的幅度和相位信息外,还利用子载波的载频信息。在多载波中发送的一个OFDM帧符号为若干复数对。对于4-QAM来说,每2bit信息由一个采样点为N的波形表示,而在多载波调制中,4-QAM调制的2bit信息仅用一个复数对表示,这也导致了解调的困难。但是OFDM调制的优势在于子载波的正交性,可以避免信号发生混叠,以及利用并行传输带来的高频谱利用率。针对基于机器学习所提出的多载波调制解调模型,故机器学习用于从接收信号中提取信息特征。具体地,利用采样信号矢量y,提出了两个基于机器学习的解调器:基于DBN和DAG-SVM级联的解调器和基于KNN的AdaBoost解调器。基于机器学习的解调器包括两个阶段:训练阶段和测试阶段。在训练阶段期间,使用训练数据优化基于机器学习的解调器的参数。然后,在测试阶段,解调器解调接收信号并恢复发送的信息。
对所述归一化后的第i个OFDM调制数字信号设定其对应标签zi,是标记的训练数据,l表示标记的训练数据的下标,L为OFDM调制信号数据长度,令Φ是所有标签的集合,且zi∈Φ。
参照图3,是本申请实施例部分提供的一种DBN和DAG-SVM级联的结构示意图,
采用基于DBN和DAG-SVM级联的解调器时,所述步骤2,包括:
步骤a1,建立有三个受限玻尔兹曼机RBM的深度置信网络,
由可见层v=[v1,v2,...,vm]T和隐藏层h=[h1,h2,...,hn]T构成,其中,vk是可见层v的第k个单元的值,hj是隐藏层h的第j个单元的值,k取值为1~m,j取值为1~n;
参照图4,是本申请实施例部分提供的一种玻尔兹曼机RBM示意图,
步骤a2,引入能量函数来表示RBM的状态,一个RBM的能量函数E(v,h)如下:
E(v,h)=-aTv-bTh-hTWv,(4)
其中,W=[w1,w2,...,wn]T是v和h之间的连接权矩阵,wj=[wj1,wj2,...,wjm]T表示可见层v和hj之间的权重,wjk是vk和hj之间的连接权重,j∈{1,...n},a=[a1,a2,...,am]T是可见层v的偏置,ak是vk的偏置,b=[b1,b2,...,bn]T是隐藏层h的偏置,bj是hj的偏置;
可见层v的边缘分布p(v)表示如下:
其中,p(v)是可见层v的边缘分布,是归一化因子;
步骤a3,通过最大化如下无约束的对数似然函数来获得最优参数W,a,b:
其中,为可见层v的边缘分布的最优参数;
步骤a4,采用梯度下降法来解决步骤a3的优化问题(6),变量W,a,b分别做如下更新(参考文献[25]):
其中,η是学习率,ΔW,Δa和Δb分别是目标函数对W的偏导、对a的偏导和对b的偏导;步骤a5,变量W,a,b的偏导数分别近似为:
给定所述可见层v,所述隐藏层h的条件概率的分布如下(参考文献[24]):
依据公式(9)的分布,对于给定的所述隐藏层h,所述可见层v的第k个单元被激活的条件概率的分布p(vk=1|h)由下式给出:
步骤a6,利用梯度下降法得到第一个RBM的最优参数W,a,b后,将所述第一个RBM的隐藏层h视为第二个RBM的可见层,令h1为所述第二个RBM的隐藏层。训练完第二个RBM的权重矩阵和偏置后,将h2看作第三个RBM的可见层,令h3为所述第三个RBM的隐藏层。在训练完所述第三个RBM之后,每个所述RBM的所有参数都通过一个有监督的反向传播算法(参考文献[26])来进行微调。
当采用基于DBN和DAG-SVM级联的解调器时,所述步骤3,包括:步骤a7,在整个DBN训练完后,提取由DBN输出的特征向量集合 表示第L个特征向量,其中,L为OFDM调制信号数据长度,采用DAG-SVM进行进一步分类,通过求解两个分类子问题实现多分类,如图3所示。
步骤a8,在单个非线性DAG-SVM中为了将特征映射到高维空间,引入了高斯核:
式中σ是高斯内核的带宽,和是DBN的输出特征向量,L为OFDM调制信号数据长度。
根据非线性DAG-SVM理论,非线性两类DAG-SVM问题可以表示为:
其中,为拉格朗日乘子,ca,b,i,ca,b,j表示拉格朗日乘子向量的元素,K为常数,表示惩罚因子,L为OFDM调制信号数据长度,zi,zj∈Φ;
步骤a9,通过求解(12),得到最优解 为拉格朗日乘子最优解向量中的第L1个元素,并根据以下公式,获得非线性两分类DAG-SVM的决策函数:
其中,是最优偏置变量, L为OFDM调制信号数据长度,表示高斯核,γ表示指示函数,具体表示为:
步骤a10,训练完全部SVM后,最终从DAG-SVM中得到分类结果 映射到所述测试解调结果为
在测试阶段,DBN和DAG-SVM级联的解调器被应用于信号解调,输出测试解调结果
AdaBoost(参考文献[33])是一种用于机器学习算法的通用方法,它将多个独立的弱分类器集成到一个更强的分类器中。在本发明中,利用(k-Nearest Neighbor,KNN)分类器作为构造AdaBoost的弱分类器。
参照图5,是本申请实施例部分提供的一种AdaBoost结构示意图,其中,AdaBoost算法由D个弱分类器KNN组成。采用基于自适应增强AdaBoost的解调器时,所述步骤2,包括:
步骤b1,首先给出采集的标记的训练信号集输入到D个KNN中,令wd=[wd(1),wd(2),…,wd(L)]T为第d个KNN的权重向量,wd(L)表示第d个KNN中第L个数据的权重值,在训练集中定义初始权重为其中0≤wd(l)≤1,L为OFDM调制信号数据长度,
对于第1个KNN来说,根据权重向量wd,第d个KNN重新采样训练集并生成一个新的训练集 分别表示第L个重采样之后的数据和类标,L为OFDM调制信号数据长度。
步骤b2,搜索中的向量,找到离的最小距离,即
其中,L为OFDM调制信号数据长度,是与之间的欧氏距离,假设的标签是那么这说明第d个KNN中的的分类结果是
步骤b3,表示第d个KNN分类器,χd表示第d个KNN的错误分类样本的权重总和χd,如下所示
其中,L为OFDM调制信号数据长度,I是指示函数,定义如下:
然后对于第d+1个KNN,权重w(d+1)=[w(d+1)(1),...,w(d+1)(L)]T更新为:
其中,w(d+1)(L)表示权重向量w(d+1)中的第L个元素,L为OFDM调制信号数据长度,是χd的函数,是归一化常数,如果分类正确,也就是说否则
步骤b4,在生成D个KNN分类器后,强分类器由下式定义:
其中,L为OFDM调制信号数据长度,αd表示的系数,可以视为投票的指示函数,表示强分类器对测试样本的分类结果,用表示。Φ是所有标签的集合,z是标签。也就是说如果 将信号归类为zl,否则信号就不归类为zl。
当采用基于KNN的AdaBoost解调器时,所述步骤3,包括:步骤b5,对于训练完之后的所有KNN分类器,找到具有最大加权投票值的类别,即为这个强分类器AdaBoost的输出结果然后进一步转化为二进制比特数,进一步得到测试解调结果
当采用本发明提供的基于机器学习的OFDM解调器的解调方法,得到实验结果如下:
提出一个端到端的基于OFDM调制的无线通信系统原型来产生实际的OFDM调制数据,并验证所提出的基于机器学习的解调方法,包括源计算机、矢量信号发生器、2.4G收发天线、矢量信号分析仪等,如图6和图7所示。表1列出了端到端无线通信系系统原型的器件参数。
OFDM调制数据可以采用OFDM调制数据的4/5作为训练数据,OFDM调制数据的1/5作为测试集。
将基于DBN和DAG-SVM级联的解调器以及基于KNN的AdaBoost解调器基于KNN的AdaBoost解调器在这些训练数据上进行训练。基于DBN和DAG-SVM级联的解调器训练在迭代之后结束,之后训练损失几乎不会下降,并且当迭代误差小于10-3时,基于KNN的AdaBoost解调器基于KNN的AdaBoost解调器训练结束。
表1
设备 | 型号/参数 |
矢量信号发生器 | Keysight N5172B |
矢量信号分析仪 | Keysight N9020B |
2.4G收发天线 | HC-ant-P |
采用基于DBN和DAG-SVM级联的解调器对基于OFDM调制的无线通信系统进行解调,或者采用基于KNN的AdaBoost解调器基于KNN的AdaBoost解调器对所述基于OFDM调制的无线通信系统进行解调;获取实际解调结果,即实验结果:
首先研究了所提出的基于DBN和DAG-SVM级联的解调器以及AdaBoost的解调器相对于信噪比的性能。此外,基于深度置信网络(DBN),基于支持向量机(DAG-SVM)和基于最大似然(Maximum Likelihood,机器学习的解调方法用来作为比较方法。
参照图8,是本申请实施例部分提供的一种在OFDM调制下信噪比对解调误码率的影响示意图,表明随着信噪比的增加不同解调器的误码率变化趋势大体是一致的,即随着信噪比的增加,解调误码率都逐渐下降。
此外,测试结果表明本申请实施例部分所提出的基于DBN-SVM的解调器优于DBN和SVM单独作为分类解调器时的误码率,进一步验证了DBN-SVM解调器的优势。其次,所设计的基于KNN的AdaBoost解调器的误码率明显低于DBN、SVM解调器和相干解调,其中相干解调完全依照传统的OFDM解调原理。仿真结果表明基于机器学习的解调器的解调误码率高于相干解调。仿真结果进一步验证所提出基于DBN-SVM的解调器和基于KNN的AdaBoost解调器在多载波调制技术下同样拥有较好的解调误码率。
为了进一步分析信道环境对所提解调器的误码率,在实验过程中设置一组对比数据,两组数据的唯一区别是经过的信道环境。其中一组数据经过的信道为加性高斯白噪声和多径衰落,另外一组数据经过实际环境中的信道。
参照图9,从OFDM调制下实测与仿真数据的误码率比较的示意图可以观察到,在OFDM调制下经过实测环境的数据与计算机模拟产生的数据对基于KNN的AdaBoost解调器的性能影响。将同一组发送信号经过两个不同的信道场景,到达接收端采用同样的步骤处理,首先完成数据同步,以及归一化等步骤,然后输入到参数设置相同的AdaBoost解调器中,训练完成后,分别进行数据测试。可以看出随着信噪比的增加,两组数据的解调误码率均增加,但是对于相同信噪比条件下的两组数据,经过计算机模拟信道的解调误码率明显优于经过实际环境的噪声数据,其主要原因是计算机模拟的信道给信号带来的干扰远小于实际环境对的干扰。
参照图10,是本申请实施例部分提供的多载波和单载波调制在基于KNN的AdaBoost解调器下随着信噪比增加的解调误码率的变化关系,测试时单载波的调制技术为4-QAM,多载波的子载波的调制技术也为4-QAM,同时也采用单载波的16-QAM调制作为对比。可以看出不论是单载波还是多载波调制的解调误码率均随着信噪比的增加而增加,并且多载波调制的解调误码率明显优于优于单载波调制,这是因为OFDM信号子载波的正交性,避免了信号发生混叠,提高频谱利用率,进而改善误码率性能。并且在多载波调制中,数据传输速率相对较低,不易引起码元间的干扰。
所有上述本申请实施例提供部分,提出的两种解调器训练和测试阶段均在相同信噪比下进行,也就是说,相同信噪比的信号一部分作为训练,另外一部分作为测试,这给解调器在实际问题中的应用带来很大的局限性。主要是因为实际情况下,当信道条件发生变化时,在某一信噪比条件下已经完成训练的解调器难以拥有良好的解调性能,为了减少训练神经网络的压力,需要适应性更好的模型以应对此种情况。
因此参照图11,是本申请实施例部分提供的当信道条件发生变化时,已经完成训练的基于KNN的AdaBoost解调器的适应性。图11给出了当训练解调器的数据信噪比分别为-1dB、3dB、6dB以及8dB时随着测试数据信噪比的变化情况。可以看出当测试数据的信噪比较低时,训练解调器的数据信噪比为-1dB时误码率最低,测试数据的信噪比为2-3dB时,不同信噪比的训练解调器误码率几乎一致,但是当测试数据的信噪比增加时,训练解调器的数据信噪比为6dB时取得较低误码率。因此在信道条件较差的情况下,可以选取较低信噪比的数据进行训练,反之在信道条件较好的场景下,可以选取高信噪比的数据进行训练。
基于KNN的AdaBoost解调器参照图12,是本申请实施例部分提供的给出基于DBN-SVM的解调器在不同信噪比训练模型下的误码率性能。可看出对于基于DBN-SVM解调器也拥有与基于KNN的AdaBoost解调器相类似的误码性能。在低信噪比的数据训练时,训练的模型对解调性能较差的数据有利,反之高信噪比的数据作为解调器的训练数据时,解调器对信噪比较高的数据有利。
为了克服现有技术的不足,本发明提出了基于机机器学习的系统设计方法。由于其拟合能力、学习能力和自适应能力,被认为是在复杂通信场景中从新的角度思考通信系统设计的一种富有前景的方法。
本发明,针对真实物理环境提出了一种基于OFDM的端到端无线通信原型平台。然后,测量了第一个实际测量OFDM调制数据。此外,提出了两种基于机器学习的解调器,即基于DBN和DAG-SVM级联的解调器和基于KNN的AdaBoost解调器。基于真实数据集,测试了所提出的解调器的解调性能。最后,实验结果表明,所提出的解调器的解调性能在各种情况下都优于基于DBN、基于DAG-SVM或基于机器学习D的解调器。
具体实现中,本申请还提供一种计算机存储介质,其中,该计算机存储介质可存储有程序,该程序执行时可包括本申请提供的一种基于机器学习的信号解调器的设计方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory,ROM)或随机存储记忆体(random access memory,RAM)等。
本领域的技术人员可以清楚地了解到本申请实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例中的说明即可。
本发明提供了一种基于机器学习的OFDM解调器的设计和解调方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (10)
1.一种基于机器学习的OFDM解调器的设计方法,其特征在于,包括如下步骤:
步骤1,建立基于OFDM调制的无线通信系统;
步骤2,根据所述基于OFDM调制的无线通信系统构建基于机器学习的OFDM解调器,所述OFDM解调器为基于DBN和DAG-SVM级联的解调器或者基于KNN的AdaBoost解调器;
步骤3,测试和优化所述OFDM解调器,获取测试解调结果。
2.根据权利要求1所述的方法,其特征在于,步骤1包括:
建立基于OFDM调制的无线通信系统,所述基于OFDM调制的无线通信系统包括发送机和接收机;
在所述发送机处,根据以下公式计算发送信号x(t):
其中,t是时间,单位为秒,Bk、fk和分别是OFDM调制信号的第k路子载波振幅、频率和初始相位,N表示子载波个数;
在所述接收机处,根据以下公式计算接收信号y(t):
y(t)=g(t)x(t)+nr(t), (2)
其中,g(t)是多径信道,x(t)是发送信号,nr(t)是接收噪声。
3.根据权利要求2所述的方法,其特征在于,步骤2包括:基于步骤1建立的无线通信系统收集OFDM调制数据,所述OFDM调制数据分为训练数据和测试数据,所述训练数据为所述OFDM调制数据的4/5,记为L1,所述测试数据为所述OFDM调制数据的1/5,记为L2。
4.根据权利要求3所述的方法,其特征在于,步骤2包括:
经过数模转换器,将所述接收信号y(t)由模拟信号转换到数字信号y,L为OFDM调制信号数据y的长度。
5.根据权利要求4所述的方法,其特征在于,步骤2包括:
设定所述训练数据包含L个接收到的OFDM调制信号,
将数字信号y根据以下公式归一化到[0,1]区间:
其中,yi表示第i个OFDM调制数字信号,表示归一化后的第i个OFDM调制数字信号,表示采样序列的最小值,表示采样序列的最大值,分别指第i1个OFDM调制数字信号和第i2个OFDM调制数字信号;
对归一化后的第i个OFDM调制数字信号设定其对应标签zi,
是标记的训练数据,l表示标记的训练数据的下标, 表示标记的训练数据下标的集合,令Φ是所有标签的集合,且zi∈Φ。
6.根据权利要求5所述的方法,其特征在于,当采用基于DBN和DAG-SVM级联的解调器时,步骤2包括:
步骤a1,
建立三个受限玻尔兹曼机RBM的DBN,所述RBM由可见层v=[v1,v2,...,vm]T和隐藏层h=[h1,h2,...,hn]T构成,其中,vk是可见层v的第k个单元的值,hj是隐藏层h的第j个单元的值,k取值为1~m,j取值为1~n;
步骤a2,
根据以下公式获得一个RBM的能量函数E(v,h):
E(v,h)=-aTv-bTh-hTWv, (4)
其中,W=[w1,w2,...,wn]T是v和h之间的连接权矩阵,wj=[wj1,wj2,...,wjm]T表示可见层v和hj之间的权重,wjk是vk和hj之间的连接权重,j∈{1,...n},a=[a1,a2,...,am]T是可见层v的偏置,ak是vk的偏置,b=[b1,b2,...,bn]T是隐藏层h的偏置,bj是hj的偏置;
根据RBM的能量函数及以下公式,计算可见层v的边缘分布p(v):
其中,是归一化因子,e表示自然对数的底数;
步骤a3,
根据可见层v的边缘分布p(v)及以下公式,获得可见层v的边缘分布的最优参数W,a,b:
步骤a4,
采用梯度下降法,根据以下公式更新所述最优参数W,a,b:
其中,η是学习率,ΔW,Δa和Δb分别是目标函数对W的偏导、对a的偏导和对b的偏导;
步骤a5,
根据以下公式计算更新后的所述最优参数W,a,b的偏导数近似值:
给定可见层v,根据以下公式获得隐藏层h的条件概率的分布p(hj=1|v):
依据公式(9)的分布,对于给定的隐藏层h,可见层v的第k个单元被激活的条件概率的分布p(vk=1|h)为:
步骤a6,
利用梯度下降法得到第一个RBM的最优参数W,a,b后,将所述第一个RBM的隐藏层h视为第二个RBM的可见层,令h1为所述第二个RBM的隐藏层;
训练完所述第二个RBM的权重矩阵和偏置后,将h2视为第三个RBM的可见层,令h3为所述第三个RBM的隐藏层;
训练完所述第三个RBM的权重矩阵和偏置后,通过有监督的反向传播算法对每个所述RBM的所有参数进行微调。
7.根据权利要求6所述的方法,其特征在于,步骤3包括:
步骤a7,
在整个DBN训练完后,提取由DBN输出的特征向量集合 表示第L个特征向量,其中,采用DAG-SVM的方式对数据进行分类,DAG-SVM分类器根据树状结构进行,共有个根节点对应个二分类器,M个叶子节点对应最终输出的M个类别,其中第a层有a个节点,令设定信号的调制技术为4-QAM时,则共有六个根节点,四个叶子节点;对于第一个根节点,二分类SVM需要对当前全部输入的特征数据U1,1训练,训练时在特征数据中随机选取两类分别记为0和1,接下来将含有四个类别的特征数据分为两类,其中一类不包含0,记为U2,1,另一类不包含1,记为U2,2;第二层根节点的两个二分类器分别对特征数据集U2,1和U2,2进行分类,以此类推,在到达底部节点时做出相对应的决策;
步骤a8,
在单个非线性DAG-SVM中,根据以下公式引入高斯核
其中,σ是高斯内核的带宽,和分别表示DBN的第i个输出特征向量和第j个输出特征向量,
根据非线性DAG-SVM理论,非线性两类DAG-SVM问题表示为:
其中,为拉格朗日乘子,ca,b,i,ca,b,j为拉格朗日乘子向量中的元素,K为常数,表示惩罚因子,zi,zj∈Φ;
步骤a9,
通过求解(12),得到最优解 为拉格朗日乘子最优解向量中的第L1个元素,并根据以下公式,获得非线性两分类DAG-SVM的决策函数
其中,是最优偏置变量,表示高斯核,γ表示指示函数,具体表示为
步骤a10,
训练完全部SVM后,最终从DAG-SVM中得到分类结果 映射到所述测试解调结果为
8.根据权利要求5所述的方法,其特征在于,当采用基于KNN的AdaBoost解调器时,步骤2包括:
步骤b1,
将所述标记的训练数据输入到D个KNN中,令wd=[wd(1),wd(2),...,wd(L)]T为第d个KNN的权重向量,wd(L)表示第d个KNN中第L个数据的权重值,在所述标记的训练数据中定义初始权重为其中,0≤wd(l)≤1,
对于第1个KNN来说,
根据权重向量wd,第d个KNN重新采样所述标记的训练数据并生成新的训练数据 分别表示第L个重采样之后的数据和类标,
步骤b2,
搜索所述新的训练数据中的向量,并根据以下公式获得离的最小距离l*:
其中,是与之间的欧氏距离,设定l*的标签是则第d个KNN中的的分类结果是
步骤b3,
表示第d个KNN分类器,根据以下公式获得第d个KNN的错误分类样本的权重总和χd:
其中,I是指示函数,I的定义如下:
对于第d+1个KNN,其权重w(d+1)=[w(d+1)(1),...,w(d+1)(L)]T,w(d+1)(L)表示权重向量w(d+1)中的第L个元素,根据以下公式获得:
其中,是χd的函数,是归一化常数,如果分类正确否则
步骤b4,
在生成D个KNN分类器后,根据以下公式定义强分类器对测试样本的分类结果并用表示:
其中,αd是的系数,是投票的指示函数,如果 将测试样本归类为zl;否则不将测试样本归类为zl。
9.根据权利要求8所述的方法,其特征在于,所述步骤3,包括:
步骤b5,对于训练完之后的所有KNN分类器,获取具有最大加权投票值的类别,即所述强分类器的输出结果在将所述输出结果转化为二进制比特数后,得到所述测试解调结果
10.一种基于机器学习的OFDM解调器的解调方法,其特征在于,包括:
采用基于DBN和DAG-SVM级联的解调器对基于OFDM调制的无线通信系统进行解调,或者采用基于KNN的AdaBoost解调器基于KNN的AdaBoost解调器对所述基于OFDM调制的无线通信系统进行解调,获取实际解调结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910433908.4A CN110113288B (zh) | 2019-05-23 | 2019-05-23 | 一种基于机器学习的ofdm解调器的设计和解调方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910433908.4A CN110113288B (zh) | 2019-05-23 | 2019-05-23 | 一种基于机器学习的ofdm解调器的设计和解调方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110113288A true CN110113288A (zh) | 2019-08-09 |
CN110113288B CN110113288B (zh) | 2021-06-22 |
Family
ID=67491881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910433908.4A Expired - Fee Related CN110113288B (zh) | 2019-05-23 | 2019-05-23 | 一种基于机器学习的ofdm解调器的设计和解调方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110113288B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111865863A (zh) * | 2020-07-20 | 2020-10-30 | 山东大学 | 一种基于rnn神经网络的ofdm信号检测方法 |
CN112187318A (zh) * | 2020-08-31 | 2021-01-05 | 南京理工大学 | 基于深度学习的脉冲噪声削减方法 |
CN112434743A (zh) * | 2020-11-27 | 2021-03-02 | 国网江苏省电力有限公司检修分公司 | 基于gil金属微粒局部放电时域波形图像的故障识别方法 |
CN112600772A (zh) * | 2020-12-09 | 2021-04-02 | 齐鲁工业大学 | 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 |
CN112787966A (zh) * | 2020-12-28 | 2021-05-11 | 杭州电子科技大学 | 基于端到端的级联生成对抗网络信号解调方法 |
CN112838908A (zh) * | 2019-11-22 | 2021-05-25 | 华为技术有限公司 | 基于深度学习的通信方法、装置及系统 |
CN115118566A (zh) * | 2021-03-22 | 2022-09-27 | 诺基亚技术有限公司 | 改进无线通信中信息的发送 |
US11817988B2 (en) | 2021-12-14 | 2023-11-14 | Raytheon Company | Demodulation of frequency-hopping spread spectrum (FHSS) signals using sequential artificial intelligence/machine learning (AI/ML) models |
US11916515B2 (en) | 2022-02-14 | 2024-02-27 | Raytheon Company | Demodulation of non-return to zero (NRZ) or other signals using multiple-input artificial intelligence/machine learning (AI/ML) model |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103092332A (zh) * | 2011-11-08 | 2013-05-08 | 苏州中茵泰格科技有限公司 | 电视数字图像交互方法及系统 |
CN103460250A (zh) * | 2011-04-11 | 2013-12-18 | 英特尔公司 | 基于感兴趣对象的图像处理 |
US20140207528A1 (en) * | 2012-01-24 | 2014-07-24 | International Business Machines Corporation | System, method and computer program for identifying value aggregation points from a set of service value maps |
CN109617845A (zh) * | 2019-02-15 | 2019-04-12 | 中国矿业大学 | 一种基于深度学习的无线通信解调器的设计及解调方法 |
CN109660297A (zh) * | 2018-12-19 | 2019-04-19 | 中国矿业大学 | 一种基于机器学习的物理层可见光通信方法 |
-
2019
- 2019-05-23 CN CN201910433908.4A patent/CN110113288B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103460250A (zh) * | 2011-04-11 | 2013-12-18 | 英特尔公司 | 基于感兴趣对象的图像处理 |
CN103092332A (zh) * | 2011-11-08 | 2013-05-08 | 苏州中茵泰格科技有限公司 | 电视数字图像交互方法及系统 |
US20140207528A1 (en) * | 2012-01-24 | 2014-07-24 | International Business Machines Corporation | System, method and computer program for identifying value aggregation points from a set of service value maps |
CN109660297A (zh) * | 2018-12-19 | 2019-04-19 | 中国矿业大学 | 一种基于机器学习的物理层可见光通信方法 |
CN109617845A (zh) * | 2019-02-15 | 2019-04-12 | 中国矿业大学 | 一种基于深度学习的无线通信解调器的设计及解调方法 |
Non-Patent Citations (2)
Title |
---|
HONGMEI WANG等: "Deep Learning for Signal Demodulation in Physical Layer Wireless Communications:Prototype Platform,Open Dataset,and Analytics", 《IEEE ACCESS(VOLUME: 7)》 * |
肖贺: "基于OFDM的嵌入式无线终端", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112838908B (zh) * | 2019-11-22 | 2022-10-25 | 华为技术有限公司 | 基于深度学习的通信方法、装置及系统 |
CN112838908A (zh) * | 2019-11-22 | 2021-05-25 | 华为技术有限公司 | 基于深度学习的通信方法、装置及系统 |
CN111865863A (zh) * | 2020-07-20 | 2020-10-30 | 山东大学 | 一种基于rnn神经网络的ofdm信号检测方法 |
CN112187318B (zh) * | 2020-08-31 | 2022-02-18 | 南京理工大学 | 基于深度学习的脉冲噪声削减方法 |
CN112187318A (zh) * | 2020-08-31 | 2021-01-05 | 南京理工大学 | 基于深度学习的脉冲噪声削减方法 |
CN112434743A (zh) * | 2020-11-27 | 2021-03-02 | 国网江苏省电力有限公司检修分公司 | 基于gil金属微粒局部放电时域波形图像的故障识别方法 |
CN112600772A (zh) * | 2020-12-09 | 2021-04-02 | 齐鲁工业大学 | 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 |
CN112600772B (zh) * | 2020-12-09 | 2022-05-17 | 齐鲁工业大学 | 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 |
CN112787966B (zh) * | 2020-12-28 | 2022-06-28 | 杭州电子科技大学 | 基于端到端的级联生成对抗网络信号解调方法 |
CN112787966A (zh) * | 2020-12-28 | 2021-05-11 | 杭州电子科技大学 | 基于端到端的级联生成对抗网络信号解调方法 |
CN115118566A (zh) * | 2021-03-22 | 2022-09-27 | 诺基亚技术有限公司 | 改进无线通信中信息的发送 |
US11894960B2 (en) | 2021-03-22 | 2024-02-06 | Nokia Technologies Oy | Transmitting of information in wireless communication |
US11817988B2 (en) | 2021-12-14 | 2023-11-14 | Raytheon Company | Demodulation of frequency-hopping spread spectrum (FHSS) signals using sequential artificial intelligence/machine learning (AI/ML) models |
US11916515B2 (en) | 2022-02-14 | 2024-02-27 | Raytheon Company | Demodulation of non-return to zero (NRZ) or other signals using multiple-input artificial intelligence/machine learning (AI/ML) model |
Also Published As
Publication number | Publication date |
---|---|
CN110113288B (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110113288A (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
Zhang et al. | Automatic modulation classification using convolutional neural network with features fusion of SPWVD and BJD | |
Huang et al. | Automatic modulation classification using gated recurrent residual network | |
Xie et al. | Deep learning in digital modulation recognition using high order cumulants | |
Wang et al. | Deep learning for signal demodulation in physical layer wireless communications: Prototype platform, open dataset, and analytics | |
CN108234370B (zh) | 基于卷积神经网络的通信信号调制方式识别方法 | |
Abdelmutalab et al. | Automatic modulation classification based on high order cumulants and hierarchical polynomial classifiers | |
CN109660297B (zh) | 一种基于机器学习的物理层可见光通信方法 | |
Shi et al. | Particle swarm optimization-based deep neural network for digital modulation recognition | |
Tian et al. | Modulation-constrained clustering approach to blind modulation classification for MIMO systems | |
Zhang et al. | A data preprocessing method for automatic modulation classification based on CNN | |
CN109617845B (zh) | 一种基于深度学习的无线通信解调器的设计及解调方法 | |
Zhang et al. | Deep learning based on orthogonal approximate message passing for CP-free OFDM | |
Zheng et al. | Towards next-generation signal intelligence: A hybrid knowledge and data-driven deep learning framework for radio signal classification | |
Huang et al. | Hierarchical digital modulation classification using cascaded convolutional neural network | |
Ke et al. | Application of adversarial examples in communication modulation classification | |
Sun et al. | Digital signal modulation recognition algorithm based on vggnet model | |
Ali et al. | Algorithm for automatic recognition of PSK and QAM with unique classifier based on features and threshold levels | |
Almohamad et al. | Dual-determination of modulation types and signal-to-noise ratios using 2D-ASIQH features for next generation of wireless communication systems | |
Kumar et al. | A survey of blind modulation classification techniques for ofdm signals | |
Zhao et al. | Multi-task learning based underwater acoustic OFDM communications | |
Li et al. | IQ symbols processing schemes with LSTMs in OFDM system | |
Chen et al. | Automatic modulation classification using multi-scale convolutional neural network | |
Bouchenak et al. | A semi-supervised modulation identification in MIMO systems: A deep learning strategy | |
Abdelmutalab et al. | Automatic modulation classification using polynomial classifiers |
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 |
Granted publication date: 20210622 |
|
CF01 | Termination of patent right due to non-payment of annual fee |