CN110311876A - 基于深度神经网络的水声正交频分复用接收机的实现方法 - Google Patents
基于深度神经网络的水声正交频分复用接收机的实现方法 Download PDFInfo
- Publication number
- CN110311876A CN110311876A CN201910493504.4A CN201910493504A CN110311876A CN 110311876 A CN110311876 A CN 110311876A CN 201910493504 A CN201910493504 A CN 201910493504A CN 110311876 A CN110311876 A CN 110311876A
- Authority
- CN
- China
- Prior art keywords
- neural network
- deep neural
- serial
- underwater sound
- ofdm receiver
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B13/00—Transmission systems characterised by the medium used for transmission, not provided for in groups H04B3/00 - H04B11/00
- H04B13/02—Transmission systems in which the medium consists of the earth or a large mass of water thereon, e.g. earth telegraphy
-
- 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
-
- 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
- H04L27/2655—Synchronisation arrangements
- H04L27/2689—Link with other circuits, i.e. special connections between synchronisation arrangements and other circuits for achieving synchronisation
- H04L27/2695—Link with other circuits, i.e. special connections between synchronisation arrangements and other circuits for achieving synchronisation with channel estimation, e.g. determination of delay spread, derivative or peak tracking
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明公开了一种基于深度神经网络的水声正交频分复用接收机的实现方法,所述方法包括以下步骤:发送端;由信息比特和导频比特共同组成的串行比特流经过星座图映射为符号,符号经串并变换后经傅里叶逆变换从频域变换到时域;时域信号经并串变换后转换成串行数据;接收端;接收到的信号移除循环前缀,经过串并变换转换成并行数据,并行数据被输入到深度神经网络模型中获得输出比特。本发明简化了现有的基于神经网络的接收机的结构,比较准确地估计信道。
Description
技术领域
本发明涉及数字多载波传输技术领域,尤其涉及一种基于深度神经网络的水声正交频分复用接收机的实现方法,在正交频分复用多载波技术的基础上,将深度神经网络模型应用于通信系统的接收端。
背景技术
目前,由于有效的抗多径能力和较高的频谱效率,正交频分复用技术已经被广泛应用于无线通信系统,尤其是水声通信系统。水声信道是迄今为止最复杂的无线信道之一。它固有的时变效应,有限带宽,多径效应和长传输时延使水声通信很难满足现有的水下应用的要求。
在通信系统的接收端,信道估计是减小信道失真和干扰的必要技术。在传统的正交频分复用接收机中,信道估计主要基于两种算法:最小二乘法和最小均方差法。其中,基于最小二乘法的信道估计容易实施,不需要提前知道信道和噪声的先验信息。然而,也因此对信道和噪声的统计特性更敏感。基于最小均方差法的信道估计算法需要提前知道信道和噪声的先验信息,估计效果优于基于最小二乘法的信道估计算法。然而,基于传统信道估计算法的接收机仍然不能比较准确地估计信道状态。
尽管深度神经网络模型是在近几年才被应用于无线通信,尤其是物理层相关研究中,已经实现了比传统通信机制更好的性能并展现出了巨大的潜力,比如:调制识别、信道编码、信号检测和信道估计功能等。研究者使用神经网络代替上述某一个或两个模块的功能以提高传统正交频分复用接收端的性能。
但是,现存的这些接收机除了需要神经网络之外,还需要其他很多接收端的信号处理模块,比如:某系统用深度神经网络代替信号检测模块,则接收机除神经网络模型之外还需要信道估计,信道补偿,信号解调制和星座图解映射等模块。接收机的结构比较复杂。尤其在水声通信中还主要应用于调试方式的识别中。
发明内容
本发明提供了一种基于深度神经网络的水声正交频分复用接收机的实现方法,本发明简化了现有的基于神经网络的接收机的结构,比较准确地估计信道,详见下文描述:
一种基于深度神经网络的水声正交频分复用接收机的实现方法,所述方法包括以下步骤:
1)发送端;
由信息比特和导频比特共同组成的串行比特流经过星座图映射为符号,符号经串并变换后经傅里叶逆变换从频域变换到时域;时域信号经并串变换后转换成串行数据;
2)接收端;
接收到的信号移除循环前缀,经过串并变换转换成并行数据,并行数据被输入到深度神经网络模型中获得输出比特。
其中,所述深度神经网络模型基于TensorFlow框架实现。
进一步地,所述深度神经网络模型有三个隐藏层,一个输入层,一个输出层;
所述输入层包含输入数据的实部和虚部,输出层一次预测16个比特。
进一步地,所述隐藏层的激活函数采用ReLU函数,输出层的激活函数采用Sigmoid函数,函数优化器选择RMSProp算法更新网络参数。
其中,所述深度神经网络模型中的损失函数具体为:
其中,Y(k)为输出比特;X(k)为串行比特流。
本发明提供的技术方案的有益效果是:
1、相比于传统通信系统,本发明明显降低了接收端的复杂度和误码率,提高了系统的可靠性;
2、由于本发明设计的接收机只需要使用一个神经网络就可以实现整个接收端信号处理功能,因此简化了现有的基于神经网络的正交频分复用接收机。
附图说明
图1为传统正交频分复用系统的结构框图;
图2为基于深度神经网络的正交频分复用系统的结构框图;
图3为基于深度神经网络和基于传统信道估计算法的正交频分复用系统的误码率曲线。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
实施例1
本发明实施例提供了一种基于深度神经网络的水下正交频分复用接收机的实现方法,以正交频分复用技术为基础,将深度神经网络模型应用于通信系统的接收端,用一个神经网络同时代替实施传统通信系统接收机中的所有信号处理模块(傅里叶变换,信道估计和星座图解映射)的功能。系统的发送端和传统正交频分复用技术的发送端相同。
一、系统结构
传统正交频分复用系统和本发明实施例设计的正交频分复用系统的结构框图如图1和图2所示。两者在发送端的设计是一样的,实现原理如下。
在发送端,由信息比特和导频比特共同组成的串行比特流X(k)(向量形式)经过星座图映射为符号,其中导频比特用于信道估计。符号经过串并变换之后,经过傅里叶逆变换从频域变换到时域。然后,时域信号经过并串变换后转换成串行数据。
其中,串行比特流X(k)经过星座图映射为符号为本领域技术人员所公知,星座图映射是传统正交频分复用系统的关键技术之一,其作用是根据预设的规则将比特映射为符号,例如:将两个比特“00”映射为符号“1+1i”。
为了降低符号间干扰和子载波间干扰,在时域信号x(n)的前端插入循环前缀,记为M表示时域信号x(n)的长度,N表示信号t(n)的长度。将信号t(n)发送到信道的过程可以表示如式(1)所示:
其中,表示卷积运算,和分别表示时域信道响应和噪声,r(n)表示接收到的信号。
在接收端,首先信号r(n)要移除循环前缀,然后经过串并变换转换成并行数据,记为最后,y(n)被输入到设计的深度神经网络模型中获得输出比特Y(k)。
二、深度神经网络的训练
深度神经网络是一种人工神经网络,在输入层和输出层之间存在一些隐藏层。每层(包括输入层、输出层和隐藏层)上有很多神经元,用来学习输入变量和输出变量之间的映射关系,每一层的输出作为下一层的输入。具体来说,每一层的输出是前一层神经元加权和的非线性映射。
常用的非线性函数有Sigmoid,tanh,softmax,ReLU等,常用的优化算法有梯度下降,动量法,AdaGrad算法,RMSProp算法,Adam算法等,常用的损失函数包括:均方差和交叉熵。
假设一个深度神经网络模型一共有L层,则第i层的输出可以表示如式(2)所示:
si=fi(si-1;θi)=σ(Wisi-1+bi),i=1,2,...,L, (2)
其中,fi(si-1;θi)表示第i层的映射函数,σ(·)表示非线性函数,θi={Wi,bi}∈{θ1,...,θL}是第i层的参数集合(D是神经元个数)。
为了减少训练时间,深度神经网络模型采用线下训练和线上测试的方式。在训练阶段,接收到的信号y(n)和X(k)是深度神经网络模型的输入,其中X(k)作为监督信息,Y(k)是深度神经网络模型的输出。因此,损失函数可视为X(k)和Y(k)的误差,表示如式(3)所示:
信道响应的数据集是基于统计特性的水声信道模型通过MATLAB仿真或实测得到。训练之后,可以得到网络参数(θi,i=1,2,...,L)的最优化表示。在测试阶段,接收到的信号y(n)被输入到已经训练好的网络模型中,输出比特Y(k)则会最大概率地被恢复出来。
实施例2
下面结合图3对实施例1中的方案进行进一步地介绍,详见下文描述:
本发明实施例设计的深度神经网络有三个隐藏层,分别设有500个,240个和120个神经元,输入层有1024个神经元,输出层有16个神经元。神经网络基于TensorFlow框架(其中,该框架为本领域技术人员所公知,本发明实施例对此不做赘述)实现,由于网络内部不支持复数运算,所以将复数的实部和虚部分开并组成新的向量进行运算。输入层包含输入数据的实部和虚部(其中导频信息的大小与有效信息的大小相同),输出层可以一次预测16个比特。对于相同数量的总传输数据,可以通过设置输出层具有更多神经元来减少预测的次数,比如:输入有效信息比特256个,如果输出层每次预测16个,那么需要预测16次,如果输出层每次预测32个,那么需要预测8次。但是,增加输出层的神经元个数会带来高运算复杂度的问题。因此,必须基于计算设备在训练时间和计算复杂度之间进行权衡。
为了提高优化速度,隐藏层的激活函数采用ReLU函数。由于输出需要产生0/1比特,输出层的激活函数采用Sigmoid函数。学习率初始值设为0.001,优化器选择RMSProp算法来更新网络参数。
图3比较了基于传统信道估计算法(最小均方差,最小二乘法)的水声正交频分复用系统和基于深度神经网络的水声正交频分复用系统的误码率。
从图3中可以看出,基于深度神经网络的水声正交频分复用系统的误码率明显低于基于传统信道估计算法(最小均方差,最小二乘法)的水声正交频分复用系统的误码率,特别是在高信噪比的情况下。在信噪比为25dB的时候,基于深度神经网络的通信系统比基于传统信道估计算法的通信系统的误码率低了半个数量级可达到10-2-10-3。因此,深度神经网络模型具有实现通信系统接收机功能的能力,并且可以获得比传统正交频分复用系统更好的误码率性能。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于深度神经网络的水声正交频分复用接收机的实现方法,其特征在于,所述方法包括以下步骤:
1)发送端;
由信息比特和导频比特共同组成的串行比特流经过星座图映射为符号,符号经串并变换后经傅里叶逆变换从频域变换到时域;时域信号经并串变换后转换成串行数据;
2)接收端;
接收到的信号移除循环前缀,经过串并变换转换成并行数据,并行数据被输入到深度神经网络模型中获得输出比特。
2.根据权利要求1所述的一种基于深度神经网络的水声正交频分复用接收机的实现方法,其特征在于,所述深度神经网络模型基于TensorFlow框架实现。
3.根据权利要求1或2所述的一种基于深度神经网络的水声正交频分复用接收机的实现方法,其特征在于,所述深度神经网络模型有三个隐藏层,一个输入层,一个输出层;
所述输入层包含输入数据的实部和虚部,输出层一次预测16个比特。
4.根据权利要求1或2所述的一种基于深度神经网络的水声正交频分复用接收机的实现方法,其特征在于,所述隐藏层的激活函数采用ReLU函数,输出层的激活函数采用Sigmoid函数,函数优化器选择RMSProp算法更新网络参数。
5.根据权利要求1所述的一种基于深度神经网络的水声正交频分复用接收机的实现方法,其特征在于,所述深度神经网络模型中的损失函数具体为:
其中,Y(k)为输出比特;X(k)为串行比特流。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910493504.4A CN110311876A (zh) | 2019-06-06 | 2019-06-06 | 基于深度神经网络的水声正交频分复用接收机的实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910493504.4A CN110311876A (zh) | 2019-06-06 | 2019-06-06 | 基于深度神经网络的水声正交频分复用接收机的实现方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110311876A true CN110311876A (zh) | 2019-10-08 |
Family
ID=68075796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910493504.4A Pending CN110311876A (zh) | 2019-06-06 | 2019-06-06 | 基于深度神经网络的水声正交频分复用接收机的实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110311876A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111131097A (zh) * | 2019-12-27 | 2020-05-08 | 浙江大学 | Sc-mimo水声通信环境下的块对角稀疏贝叶斯信道估计方法 |
CN111404849A (zh) * | 2020-03-20 | 2020-07-10 | 北京航空航天大学 | 一种基于深度学习的ofdm信道估计与信号检测方法 |
CN112968736A (zh) * | 2021-02-02 | 2021-06-15 | 浙江大学 | 基于自监督深度学习的端到端ofdm水下高速无线光通信系统及方法 |
CN113242201A (zh) * | 2021-04-16 | 2021-08-10 | 西北大学 | 基于生成分类网络的无线信号增强解调方法及系统 |
CN113626756A (zh) * | 2020-05-08 | 2021-11-09 | 上海大学 | 神经网络实现端到端的定点快速傅里叶变换量化方法及系统 |
CN113709075A (zh) * | 2021-07-27 | 2021-11-26 | 天津大学 | 一种利用水声信道多径效应的水声通信接收机的实现方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299697A (zh) * | 2018-09-30 | 2019-02-01 | 泰山学院 | 基于水声通信调制方式识别的深度神经网络系统及方法 |
CN109412993A (zh) * | 2018-11-27 | 2019-03-01 | 天津理工大学 | 一种基于深度学习的具有抑制自干扰的全双工认知水声通信信号检测方法 |
CN109474352A (zh) * | 2018-12-24 | 2019-03-15 | 哈尔滨工程大学 | 一种基于深度学习的水声正交频分复用通信方法 |
CN109831399A (zh) * | 2019-01-22 | 2019-05-31 | 东南大学 | 一种人工智能辅助的ofdm接收机 |
-
2019
- 2019-06-06 CN CN201910493504.4A patent/CN110311876A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299697A (zh) * | 2018-09-30 | 2019-02-01 | 泰山学院 | 基于水声通信调制方式识别的深度神经网络系统及方法 |
CN109412993A (zh) * | 2018-11-27 | 2019-03-01 | 天津理工大学 | 一种基于深度学习的具有抑制自干扰的全双工认知水声通信信号检测方法 |
CN109474352A (zh) * | 2018-12-24 | 2019-03-15 | 哈尔滨工程大学 | 一种基于深度学习的水声正交频分复用通信方法 |
CN109831399A (zh) * | 2019-01-22 | 2019-05-31 | 东南大学 | 一种人工智能辅助的ofdm接收机 |
Non-Patent Citations (2)
Title |
---|
HAO YE: ""Power of Deep Learning for Channel Estimation and Signal Detection in OFDM Systems"", 《 IEEE WIRELESS COMMUNICATIONS LETTERS》 * |
PEIWEN JIANG: ""Artificial Intelligence-aided OFDM Receiver:"", 《ARXIV》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111131097A (zh) * | 2019-12-27 | 2020-05-08 | 浙江大学 | Sc-mimo水声通信环境下的块对角稀疏贝叶斯信道估计方法 |
CN111404849A (zh) * | 2020-03-20 | 2020-07-10 | 北京航空航天大学 | 一种基于深度学习的ofdm信道估计与信号检测方法 |
CN111404849B (zh) * | 2020-03-20 | 2021-01-12 | 北京航空航天大学 | 一种基于深度学习的ofdm信道估计与信号检测方法 |
CN113626756A (zh) * | 2020-05-08 | 2021-11-09 | 上海大学 | 神经网络实现端到端的定点快速傅里叶变换量化方法及系统 |
CN112968736A (zh) * | 2021-02-02 | 2021-06-15 | 浙江大学 | 基于自监督深度学习的端到端ofdm水下高速无线光通信系统及方法 |
CN113242201A (zh) * | 2021-04-16 | 2021-08-10 | 西北大学 | 基于生成分类网络的无线信号增强解调方法及系统 |
CN113709075A (zh) * | 2021-07-27 | 2021-11-26 | 天津大学 | 一种利用水声信道多径效应的水声通信接收机的实现方法 |
CN113709075B (zh) * | 2021-07-27 | 2022-08-05 | 天津大学 | 一种利用水声信道多径效应的水声通信接收机的实现方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110311876A (zh) | 基于深度神经网络的水声正交频分复用接收机的实现方法 | |
CN108900443B (zh) | 一种水声通信中的水声信道干扰消除方法 | |
Ma et al. | A low complexity MMSE for OFDM systems over frequency-selective fading channels | |
CN107332797B (zh) | 一种电力线ofdm通信系统中的信道估计方法 | |
CN102123115B (zh) | 基于粒子群优化的正交小波盲均衡方法 | |
CN111147407B (zh) | 基于信道预测的tmsbl水声ofdm时变信道估计方法 | |
Zhang et al. | Deep learning based on orthogonal approximate message passing for CP-free OFDM | |
CN111614584B (zh) | 基于神经网络的变换域自适应滤波信道估计方法 | |
CN111865863B (zh) | 一种基于rnn神经网络的ofdm信号检测方法 | |
CN111683024A (zh) | 一种基于深度学习的时变ofdm系统信道估计方法 | |
CN111510402A (zh) | 基于深度学习的ofdm信道估计方法 | |
CN108881080B (zh) | 一种基于滑动窗与深度学习的ofdm抗ici检测方法 | |
CN107359906A (zh) | 低压电力线通信系统中脉冲噪声的抑制方法 | |
Liu et al. | Impulsive noise recovery and elimination: A sparse machine learning based approach | |
CN103873406A (zh) | 水声正交频分复用通信系统帧间干扰消除方法 | |
Cheng et al. | Channel estimation in OFDM systems using neural network technology combined with a genetic algorithm | |
Qiao et al. | A novel signal detection scheme based on adaptive ensemble deep learning algorithm in SC-FDE systems | |
CN110958204A (zh) | 非对称复数深度神经网络的非正交多载波水下通信系统 | |
Zhang et al. | Deep learning based underwater acoustic OFDM receiver with joint channel estimation and signal detection | |
Ouyang et al. | Channel estimation for underwater acoustic OFDM communications: An image super-resolution approach | |
CN109302240A (zh) | 基于双选择衰落信道的低复杂度osdm串行均衡方法 | |
Zhao et al. | Model-Driven Based Deep Unfolding Equalizer for Underwater Acoustic OFDM Communications | |
CN113709075B (zh) | 一种利用水声信道多径效应的水声通信接收机的实现方法 | |
Liu et al. | RecNet: Deep learning-based OFDM receiver with semi-blind channel estimation | |
Wong et al. | Deep Learning for Channel Estimation and Signal Detection in OFDM-Based Communication Systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191008 |