CN110958204A - 非对称复数深度神经网络的非正交多载波水下通信系统 - Google Patents

非对称复数深度神经网络的非正交多载波水下通信系统 Download PDF

Info

Publication number
CN110958204A
CN110958204A CN201911091293.8A CN201911091293A CN110958204A CN 110958204 A CN110958204 A CN 110958204A CN 201911091293 A CN201911091293 A CN 201911091293A CN 110958204 A CN110958204 A CN 110958204A
Authority
CN
China
Prior art keywords
neural network
deep neural
signal
dnn
training
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
Application number
CN201911091293.8A
Other languages
English (en)
Inventor
付晓梅
贾碧群
韩光耀
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN201911091293.8A priority Critical patent/CN110958204A/zh
Publication of CN110958204A publication Critical patent/CN110958204A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B11/00—Transmission systems employing sonic, ultrasonic or infrasonic waves
    • 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
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/0204—Channel estimation of multiple channels
    • 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
    • H04L27/2614—Peak power aspects
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种非对称复数深度神经网络的非正交多载波水下通信系统，发送端：发送信号x(k)随机生成，经星座图映射为符号，经串并变换之后进入DNN网络进行训练后，进行S‑NOFDM调制；在信号x(n)的前端插入循环前缀；接收端：接收到的信号r(n)移除循环前缀，经串并变换转换成并行数据y(n)被输入到深度神经网络模型中训练，进而获得输出比特。本发明解决了现有的DNN模型不适用于非典型正交多载波调制的问题，且能比较准确地估计出信道。

Description

非对称复数深度神经网络的非正交多载波水下通信系统
技术领域
本发明涉及非正交多载波水下通信系统领域，尤其涉及一种基于非对称复数深度神经网络的非正交多载波水下通信系统，在正交频分复用多载波技术的基础上，为了进一步提高在水中传输的效率，将一种新型的非对称复数DNN(深度神经网络)网络应用在非正交多载波调制系统中。
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。
但考虑到OFDM(正交频分复用技术)调制方式有较大的旁瓣，使用非正交多载波S-NOFDM(稀疏非典型正交频分复用技术)调制方式来提高水下传输的频谱效率。在无线通信中，它对OFDM的子载波进行选择，将不同时移的多个子载波分成一组。而由于S-NOFDM系统是非典型正交多载波，因此需要更合适的水下通道的信道估算。
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。
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。研究者使用不对称的复数神经网络解决了现有的DNN模型不适用于非典型正交多载波调制。整个系统从发送端到接收端可以协同工作，以适应信道特性。该模型不仅适用于S-NOFDM系统，也适用于其它非典型正交多载波调制系统，如基于滤波组的多载波调制技术(FBMC)、广义频分复用多载波调制技术(GFDM)等不能使用对称FFT的多载波调制系统。
因为目前的深度学习网络仅仅适用于基于FFT的实数网络，这就导致虽然非正交多载波水下通信系统可以提高系统的频谱效率但是无法保证较低的误码率，本发明利用非对称复数网络对整个系统进行训练，进行了较为准确的信道估计降低了误码率。
发明内容
本发明提供了一种基于非对称复数深度神经网络的非正交多载波水下通信系统，本发明解决了现有的DNN模型不适用于非典型正交多载波调制的问题，且能比较准确地估计出信道，详见下文描述：
一种非对称复数深度神经网络的非正交多载波水下通信系统，
发送端：发送信号x(k)随机生成，经星座图映射为符号，经串并变换之后进入DNN网络进行训练后，进行S-NOFDM调制；在信号x(n)的前端插入循环前缀；
接收端：接收到的信号r(n)移除循环前缀，经串并变换转换成并行数据y(n)被输入到深度神经网络模型中训练，进而获得输出比特。
其中，信号r(n)表示为：
Figure BDA0002266927020000021
其中，
Figure BDA0002266927020000022
表示卷积运算，h(n)∈RN和w(n)∈RN分别表示时域信道响应和噪声，M表示信号x(n)的长度，N表示信号t(n)的长度，R为实数集。
所述DNN网络具体为：位于发送端和接收端的DNN网络是非对称；
发送端的DNN网络输入层层数为128，输出层也为128，激励函数选用的是leaky_relu函数；
接收端DNN网络的输入层、输出层的层数分别为：128和16，所发送数据的每16个比特被独立地分组和预测进行训练，隐含层一共有三层，分别是：250、250、120，激励函数选择sigmoid。
所述深度神经网络模型采用线下训练和线上测试的方式；
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，损失函数为x(k)和Y(k)的误差；训练之后，得到网络参数的最优化表示；
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。
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和只位于接收端的OFDM-DNN网络模型，本发明利用DNN深度学习网络的训练明显降低了峰均比和误码率，提高了系统的可靠性；
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)，只有接收端添加DNN网络的水声正交频分复用系统，基于深度神经网络的水声正交频分，广义频分复用系统的误码率。
2、本发明设计的DNN网络模型可以提高系统的峰均比，有效的提高了频谱效率。
附图说明
图1为本发明设计的S-NOFDM系统的结构示意图；
图2为现有技术中的S-NOFDM系统的结构示意图；
其中，与现有技术的系统相比，本发明利用DNN模型进行了信道的估计并前后都有DNN模型，使系统整体适应信道特征与信号，降低了误码率和峰均比，这种DNN模型可以适用于非典型的OFDM系统。
图3为DNN1和DNN2网络结构示意图；
图4为S-NOFDM基于传统估计方法与DNN的误码率曲线对比示意图；
图5为基于深度神经网络水声S-NOFDM系统的峰均比曲线示意图。
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。
本发明提供了一种适应于SNOFDM的等非典型正交多载波调制系统的DNN模型，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之中，将接收端到发送端通过DNN网络可以作为一个整体的系统去适应信道特征，解决了现有的DNN模型无法适用于非典型正交多载波调制系统中的问题。
一、系统结构
在发送端，由信息比特发送信号x(k)，发送信号是随机生成的，经过星座图映射为符号。经过串并变换之后进入DNN网络进行训练后，进行S-NOFDM调制。
为了降低符号间干扰和子载波间干扰，在信号x(n)的前端插入循环前缀。M表示信号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：
Figure BDA0002266927020000041
其中，
Figure BDA0002266927020000042
表示卷积运算，h(n)∈RN和w(n)∈RN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，首先接收到的信号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y(n)∈RN。最后，并行信号y(n)被输入到深度神经网络模型中获得输出比特Y(k)。
参见图3：位于发送端和接收端的DNN网络是非对称的，它们的网络结构都分为输入层、隐含层、输出层，在发送端的网络输入层层数为128，输出层也为128，激励函数选用的是leaky_relu函数，之所以用leaky_relu函数而没有用更为普遍的relu函数，目的是减小范围限制并总结更多可能性。
关于relu函数，当数值小于0时，所有输入均被视为0，部分输入将进入饱和区，从而导致相应的权重参数不会迭代，导致大量神经元死亡。
而在接收端，网络的输入层、输出层的层数分别为：128和16，这意味着所发送的数据的每16个比特被独立地分组和预测进行训练，隐含层一共有三层，分别是：250、250、120，激励函数选择sigmoid，因为sigmoid函数将实数输出压缩为[0，1]，而输出网络的是比特应为0到1之间的函数，符合其实际的物理意义。这个DNN模型的输入将实数部分与虚数部分分开训练，并利用公式：
(a+bi)×(c+di)＝(ac-bd)+(ad+bc)i (2)
实现了在tensorflow中信号与信道的卷积，因为到目前为止复数计算不受深度学习平台的支持。tensorFlow和keras只支持不进行训练的复数运算，如FFT、IFFT，而非典型OFDM调制方式如S-NOFDM,GFDM都不可以用FFT,IFFT，因此不能用实数深度学习网络进行。
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，每一层的输出会作为下一层的输入。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, (3)
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(
Figure BDA0002266927020000051
D是神经元的个数)。
为了减少训练时间，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：
L(Y,X)＝||Y-X)||2 (4)
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。
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
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 (4)

1.一种非对称复数深度神经网络的非正交多载波水下通信系统，其特征在于，
发送端：发送信号x(k)随机生成，经星座图映射为符号，经串并变换之后进入DNN网络进行训练后，进行S-NOFDM调制；在信号x(n)的前端插入循环前缀；
接收端：接收到的信号r(n)移除循环前缀，经串并变换转换成并行数据y(n)被输入到深度神经网络模型中训练，进而获得输出比特。
2.根据权利要求1所述的一种非对称复数深度神经网络的非正交多载波水下通信系统，其特征在于，信号r(n)表示为：
Figure FDA0002266927010000011
其中，
Figure FDA0002266927010000012
表示卷积运算，h(n)∈RN和w(n)∈RN分别表示时域信道响应和噪声，M表示信号x(n)的长度，N表示信号t(n)的长度，R为实数集。
3.根据权利要求1所述的一种非对称复数深度神经网络的非正交多载波水下通信系统，其特征在于，所述DNN网络具体为：位于发送端和接收端的DNN网络是非对称；
发送端的DNN网络输入层层数为128，输出层也为128，激励函数选用的是leaky_relu函数；
接收端DNN网络的输入层、输出层的层数分别为：128和16，所发送数据的每16个比特被独立地分组和预测进行训练，隐含层一共有三层，分别是：250、250、120，激励函数选择sigmoid。
4.根据权利要求1所述的一种非对称复数深度神经网络的非正交多载波水下通信系统，其特征在于，所述深度神经网络模型采用线下训练和线上测试的方式；
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，损失函数为x(k)和Y(k)的误差；训练之后，得到网络参数的最优化表示；
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。
CN201911091293.8A 2019-11-09 2019-11-09 非对称复数深度神经网络的非正交多载波水下通信系统 Pending CN110958204A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911091293.8A CN110958204A (zh) 2019-11-09 2019-11-09 非对称复数深度神经网络的非正交多载波水下通信系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911091293.8A CN110958204A (zh) 2019-11-09 2019-11-09 非对称复数深度神经网络的非正交多载波水下通信系统

Publications (1)

Publication Number Publication Date
CN110958204A true CN110958204A (zh) 2020-04-03

Family

ID=69976955

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911091293.8A Pending CN110958204A (zh) 2019-11-09 2019-11-09 非对称复数深度神经网络的非正交多载波水下通信系统

Country Status (1)

Country Link
CN (1) CN110958204A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111565160A (zh) * 2020-05-18 2020-08-21 中山大学 一种海洋通信系统联合信道分类、估计和检测方法
CN112636855A (zh) * 2020-12-18 2021-04-09 北京大学 一种ofdm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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109600335A (zh) * 2019-01-17 2019-04-09 山东建筑大学 基于神经网络的aco-ofdm系统综合papr抑制方法及系统
CN109617847A (zh) * 2018-11-26 2019-04-12 东南大学 一种基于模型驱动深度学习的无循环前缀ofdm接收方法
CN109921822A (zh) * 2019-02-19 2019-06-21 哈尔滨工程大学 基于深度学习的非线性数字自干扰消除的方法
CN109951412A (zh) * 2019-01-31 2019-06-28 西南电子技术研究所（中国电子科技集团公司第十研究所） 深度神经网络抑制信号立方度量的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109617847A (zh) * 2018-11-26 2019-04-12 东南大学 一种基于模型驱动深度学习的无循环前缀ofdm接收方法
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
CN109600335A (zh) * 2019-01-17 2019-04-09 山东建筑大学 基于神经网络的aco-ofdm系统综合papr抑制方法及系统
CN109951412A (zh) * 2019-01-31 2019-06-28 西南电子技术研究所（中国电子科技集团公司第十研究所） 深度神经网络抑制信号立方度量的方法
CN109921822A (zh) * 2019-02-19 2019-06-21 哈尔滨工程大学 基于深度学习的非线性数字自干扰消除的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JINGZHANG: "Deep neural network-based underwater ofdm receiver", 《IET COMMUNICATIONS》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111565160A (zh) * 2020-05-18 2020-08-21 中山大学 一种海洋通信系统联合信道分类、估计和检测方法
CN111565160B (zh) * 2020-05-18 2021-03-26 中山大学 一种海洋通信系统联合信道分类、估计和检测方法
CN112636855A (zh) * 2020-12-18 2021-04-09 北京大学 一种ofdm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

Similar Documents

Publication Publication Date Title
CN109474352B (zh) 一种基于深度学习的水声正交频分复用通信方法
Ye et al. Power of deep learning for channel estimation and signal detection in OFDM systems
CN109246038B (zh) 一种数据模型双驱动的gfdm接收机及方法
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
Bocus et al. Performance of OFDM‐based massive MIMO OTFS systems for underwater acoustic communication
Zhang et al. Deep neural network‐based underwater OFDM receiver
CN109921822A (zh) 基于深度学习的非线性数字自干扰消除的方法
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
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
CN111614587A (zh) 一种基于自适应集成深度学习模型的sc-fde系统信号检测方法
CN111355677A (zh) 一种基于滤波器组的多载波水下高速通信系统
CN111884761A (zh) 一种用于单载波频域均衡系统发送端的数据发送方法
CN113285902B (zh) 一种ofdm系统检测器设计方法
Yao et al. Deep learning aided signal detection in OFDM systems with time-varying channels
Zhang et al. Deep learning based underwater acoustic OFDM receiver with joint channel estimation and signal detection
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
Wong et al. Deep Learning for Channel Estimation and Signal Detection in OFDM-Based Communication Systems
An et al. Blind high-order modulation recognition for beyond 5G OSTBC-OFDM systems via projected constellation vector learning network
Zhao et al. Model-Driven Based Deep Unfolding Equalizer for Underwater Acoustic OFDM Communications
Du et al. Broad learning system-based detector for OFDM with index modulation
CN113612707B (zh) 基于ann_ls的im/dd-ofdm/oqam-pon系统信道估计方法
Liu et al. RecNet: Deep learning-based OFDM receiver with semi-blind channel estimation
Pachpande et al. Autoencoder model for OFDM-based optical wireless communication
Ali et al. GFDM transceiver based on ann channel estimation

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

Application publication date: 20200403

RJ01 Rejection of invention patent application after publication