CN111049768B - 一种基于深度学习的位置信息辅助的可见光信道估计方法 - Google Patents

一种基于深度学习的位置信息辅助的可见光信道估计方法 Download PDF

Info

Publication number
CN111049768B
CN111049768B CN201911360037.4A CN201911360037A CN111049768B CN 111049768 B CN111049768 B CN 111049768B CN 201911360037 A CN201911360037 A CN 201911360037A CN 111049768 B CN111049768 B CN 111049768B
Authority
CN
China
Prior art keywords
real
visible light
cfr
channel estimation
dnn
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911360037.4A
Other languages
English (en)
Other versions
CN111049768A (zh
Inventor
张琳
林心桐
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen 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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN201911360037.4A priority Critical patent/CN111049768B/zh
Publication of CN111049768A publication Critical patent/CN111049768A/zh
Application granted granted Critical
Publication of CN111049768B publication Critical patent/CN111049768B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04L25/0224—Channel estimation using sounding signals
    • H04L25/0228—Channel estimation using sounding signals with direct estimation from sounding signals
    • 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
    • H04L25/022—Channel estimation of frequency response
    • 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
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/11—Arrangements specific to free-space transmission, i.e. transmission through air or vacuum
    • H04B10/114—Indoor or close-range type systems
    • H04B10/116—Visible light communication

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Optical Communication System (AREA)

Abstract

本发明提供的基于深度学习的位置信息辅助的可见光信道估计方法，包括：采集导频信号、位置坐标和真实的可见光信道频率响应CFR，获取训练数据集；对训练数据集进行预处理，得到预处理后的训练数据集；将预处理后的导频信号、位置坐标作为深度神经网络DNN模型的输入，真实的CFR为DNN模型的目标输出，对DNN模型进行离线训练；实时采集导频信号和位置坐标，进行数据预处理后输入训练完成的DNN模型中，输出实时的CFR，完成可见光信道的估计。本发明提供的可见光信道估计方法，充分利用了位置坐标信息和导频信息，通过训练深度神经网络实现对可见光的信道估计，准确程度高；同时，通过训练后的神经网络模型进行可见光的信道估计，操作简单，复杂程度低。

Description

一种基于深度学习的位置信息辅助的可见光信道估计方法
技术领域
本发明涉及可见光通信技术领域，更具体的，涉及一种基于深度学习的位置信息辅助的可见光信道估计方法。
背景技术
可见光通信(Visible Light Communication，VLC)具有照明和提供通信的双重功能。与传统的射频(Radio Frequency，RF)通信相比，VLC可提供更高的数据速率和更高的安全性，在邻近房间可以实现频率复用，拥有不经许可即可使用的近乎无限的频谱资源，对人体健康几乎没有危害。
在室内VLC中，准确的信道估计(Channel Estimation，CE)有助于接收机进行相干解调和干扰消除。许多文献已经提出了关于信道估计的方案，例如导频辅助信道估计[1]和盲信道估计[2]。其中，导频辅助信道估计是一种简便有效的信道估计方案。最小二乘(Least Squares，LS)估计方法[1]和最小均方误差(Minimum Mean Square Error，MMSE)估计方法[1]是两种常用的导频辅助信道估计方法。LS估计方法不需要先验的信道统计量，但存在估计性能差的问题。MMSE估计方法利用信道的二阶统计量来获得更好的估计性能，但由于引入矩阵求逆操作而导致较高的复杂度。
发明内容
本发明为克服现有的可见光通信信道估计方法，存在估计准确度低、估计复杂程度高的技术问题，提供一种基于深度学习的位置信息辅助的可见光信道估计方法。
为解决上述技术问题，本发明的技术方案如下：
基于深度学习的位置信息辅助的可见光信道估计方法，包括以下步骤：
S1：采集导频信号、位置坐标和真实的可见光信道频率响应CFR，获取训练数据集；
S2：对训练数据集进行预处理，得到预处理后的训练数据集；
S3：将预处理后的导频信号、位置坐标作为深度神经网络DNN模型的输入，真实的CFR为DNN模型的目标输出，对DNN模型进行离线训练；
S4：实时采集导频信号和位置坐标，进行数据预处理后输入训练完成的DNN模型中，输出实时的CFR，完成可见光信道的估计。
上述方案中，本发明充分利用了位置坐标信息和导频信息，通过训练具有强大学习能力的深度神经网络，实现对可见光的信道估计，准确程度高；同时，通过训练后的神经网络模型进行可见光的信道估计，操作简单，复杂程度低。
其中，所述步骤S1具体为：在房间内部署一个可见光通信VLC系统，通过发光二极管LED发送可见光信号，以接收二极管PD作为接收机，通过室内定位技术获取各个采样点的位置坐标；收集各个采样点处的来自LED的经过快速傅里叶变换FFT处理后的导频信号；采用信道测量方法来测得真实的CFR[6]，或通过已有的信道建模方法计算出真实的CFR[3]。
其中，所述步骤S2具体包括以下步骤：
S21：对导频信号进行拆分实部虚部处理；
S22：对已拆分实部虚部的导频信号、位置坐标分别进行归一化处理，完成导频信号、位置坐标的预处理；
S23：对真实的CFR进行拆分实部虚部处理，完成真实的CFR的预处理。
其中，在所述步骤S22中，所述已拆分实部虚部的导频信号归一化处理的具体计算公式为：
Figure BDA0002336942790000021
其中，Y为归一化前的数值，
Figure BDA0002336942790000022
是归一化后的数值，Ymin是导频信号实部值和虚部值中的最小值，Ymax是导频信号实部值和虚部值中的最大值；同理，位置坐标(m,n)进行归一化处理后为
Figure BDA0002336942790000023
其中，在所述步骤S3中，采用有L个全连接层的DNN模型，设其输入为x，第l层的输出
Figure BDA0002336942790000024
表示为：
Figure BDA0002336942790000025
其中，
Figure BDA0002336942790000026
和
Figure BDA0002336942790000027
分别表示权重矩阵和偏置向量，f(·)是激活函数；其中，除了DNN模型最后一层不使用任何激活函数外，其他层均采用了指数线性单元ELU函数；所述DNN模型训练目标是最小化损失函数，即真实CFR和估计CFR之间的均方误差函数MSE最小化，具体计算公式为：
Figure BDA0002336942790000031
其中，E[·]表示求数学期望，
Figure BDA0002336942790000032
为DNN的输出，即估计的CFR，H为DNN的期望输出，即真实的CFR；通过损失函数计算出DNN模型的输出值与真实值的误差，再使用反向误差传播算法，从输出层到输入层逐层更新权值，对DNN模型进行训练；当DNN模型的损失函数不再下降时，训练完成。
其中，所述步骤S4具体为：在线实时通过室内定位技术获取PD的位置坐标并进行归一化处理，收集来自LED的经过FFT处理的导频信号并对其进行拆分实部虚部处理、归一化处理；将处理后的位置坐标、导频信号输入训练完成的DNN模型中，实时输出估计的CFR。
与现有技术相比，本发明技术方案的有益效果是：
本发明提供的基于深度学习的位置信息辅助的可见光信道估计方法，充分利用了位置坐标信息和导频信息，通过训练具有强大学习能力的深度神经网络，实现对可见光的信道估计，准确程度高；同时，通过训练后的神经网络模型进行可见光的信道估计，操作简单，复杂程度低。
附图说明
图1为本发明所述方法流程图；
图2为本发明采用的信道估计方法的VLC系统结构示意图；
图3为室内VLC信道下的不同信道估计方法的NMSE性能比较图；
图4为室内VLC信道下的不同信道估计方法的BER性能比较图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
在室内VLC中，当发射机位置确定时，接收机的位置是决定可见光信道频率响应(Channel Frequency Response，CFR)的关键因素[3]。因此，可以从接收机的位置信息中提取到与CFR相关的信息。接收机的位置可以通过室内定位技术获取，比如可见光定位(Visible Light Positioning，VLP)技术[4]和超宽带定位技术。
如图1所示，基于深度学习的位置信息辅助的可见光信道估计方法，包括以下步骤：
S1：采集导频信号、位置坐标和真实的可见光信道频率响应CFR，获取训练数据集；
S2：对训练数据集进行预处理，得到预处理后的训练数据集；
S3：将预处理后的导频信号、位置坐标作为深度神经网络DNN模型的输入，真实的CFR为DNN模型的目标输出，对DNN模型进行离线训练；
S4：实时采集导频信号和位置坐标，进行数据预处理后输入训练完成的DNN模型中，输出实时的CFR，完成可见光信道的估计。
在具体实施过程中，本发明充分利用了位置坐标信息和导频信息，通过训练具有强大学习能力的深度神经网络，实现对可见光的信道估计，准确程度高；同时，通过训练后的神经网络模型进行可见光的信道估计，操作简单，复杂程度低。
在具体实施过程中，如图2所示，该VLC系统使用的是强度调制直接检测(Intensity Modulation/Direct Detection，IM/DD)，信号以光强作为载体进行传播，采用的调制方式为直流偏置光-正交频分复用(Direct Current Optical-OrthogonalFrequency Division Multiplexing，DCO-OFDM)[1]。假设一个OFDM帧包括两个OFDM符号，导频信号在第一个OFDM符号中，数据符号在第二个OFDM符号中；且信道在一帧的时间内保持不变，但不同的帧经历的信道不同。
实施例2
更具体的，在实施例1的基础上，所述步骤S1具体为：在房间内部署一个VLC系统，通过LED发送可见光信号，以接收二极管(photo diode，PD)作为接收机，通过室内定位技术获取各个采样点的位置坐标；收集各个采样点处的来自LED的经过快速傅里叶变换(FastFourier Transform，FFT)处理后的导频信号；采用信道测量方法来测得真实的CFR[6]，或通过已有的信道建模方法计算出真实的CFR[3]。
更具体的，所述步骤S2具体包括以下步骤：
S21：对导频信号进行拆分实部虚部处理；
S22：对已拆分实部虚部的导频信号、位置坐标分别进行归一化处理，完成导频信号、位置坐标的预处理；
S23：对真实的CFR进行拆分实部虚部处理，完成真实的CFR的预处理。
更具体的，在所述步骤S22中，所述已拆分实部虚部的导频信号归一化处理的具体计算公式为：
Figure BDA0002336942790000051
其中，Y为归一化前的数值，
Figure BDA0002336942790000052
是归一化后的数值，Ymin是导频信号实部值和虚部值中的最小值，Ymax是导频信号实部值和虚部值中的最大值；同理，位置坐标(m,n)进行归一化处理后为
Figure BDA0002336942790000053
更具体的，在所述步骤S3中，采用有L个全连接层的DNN模型，设其输入为x，第l层的输出
Figure BDA0002336942790000054
表示为：
Figure BDA0002336942790000055
其中，
Figure BDA0002336942790000056
和
Figure BDA0002336942790000057
分别表示权重矩阵和偏置向量，f(·)是激活函数；在本发明中，取L＝5，除了DNN模型最后一层不使用任何激活函数外，其他层均采用了指数线性单元(Exponential Linear Unit，ELU)函数；所述DNN模型训练目标是最小化损失函数，即真实CFR和估计CFR之间的均方误差函数(Mean Square Error，MSE)最小化，具体计算公式为：
Figure BDA0002336942790000058
其中，E[·]表示求数学期望，
Figure BDA0002336942790000059
为DNN的输出，即估计的CFR，H为DNN的期望输出，即真实的CFR；通过损失函数计算出DNN模型的输出值与真实值的误差，再使用反向误差传播算法，从输出层到输入层逐层更新权值，对DNN模型进行训练；当DNN模型的损失函数不再下降时，训练完成。
更具体的，所述步骤S4具体为：在线实时通过室内定位技术获取PD的位置坐标并进行归一化处理，收集来自LED的经过FFT处理的导频信号并对其进行拆分实部虚部处理、归一化处理；将处理后的位置坐标、导频信号输入训练完成的DNN模型中，实时输出估计的CFR。
在具体实施过程中，本发明为解决现有技术提供的信道估计方法估计性能差、复杂度高的问题，提供了一种基于深度学习的位置信息辅助的可见光信道估计方法。首先对离线阶段采集到的采样点的位置坐标进行归一化处理，对来自发光二极管的导频信号和真实的CFR进行拆分实部虚部、归一化处理，获得高质量的训练数据集；接着，以经过处理的导频信号和位置坐标作为深度神经网络的输入，处理过的CFR作为神经网络的目标输出，训练用于信道估计的深度神经网络(Deep Neural network，DNN)模型；最后，将在线阶段采集到的导频信号、位置坐标进行处理，并将它们输入到已训练好的DNN模型中，网络的输出就是估计的CFR。
实施例3
为更充分地阐述本发明所具有的有益效果，以下结合仿真分析及结果，进一步对本发明的有效性和先进性予以说明。
仿真时，在一个5×4×3m3的空房间中，假设地板的中心点坐标为(0m,0m,0m)，在天花板上安装1个位于(1m,0.5m,3m)的LED，一个与天花板垂直距离为3米的作为接收机的PD垂直向上放置。以5cm×5cm的密度在接收平面上均匀采样训练数据点，归一化的位置坐标
Figure BDA0002336942790000061
LED的发射功率为1W，半功率角是60°，直流偏置为7dB，墙壁反射系数为0.8。接收机的视角(Field of View，FOV)为85°，接收面积为1cm2。系统所采用的子载波数为64，循环前缀长度为16，调制方式为4-正交振幅调制(4-Quadrature AmplitudeModulation，4-QAM)。深度神经网络的学习率为0.003，批量大小为64，5个全连接层的神经元数目分别为130、250、200、180、140、128。
在具体实施过程中，如图3所示，比较了本发明所提出的信道估计方法和参考文献[1]中提出的LS、MMSE信道估计方法的CFR的归一化均方误差(Normalized Mean SquareError，NMSE)随信噪比(Signal-to-noise Ratio，SNR)变化的性能曲线。其中：
Figure BDA0002336942790000071
在具体实施过程中，如图4所示，给出了本发明提出的信道估计算法的误比特率(Bit Error Rate，BER)随SNR变化的性能曲线，并与基于仅以导频信号为输入的DNN(除了将第一个全连接层的神经元数目改为128外，其他参数与本发明提出的DNN完全一致)的信道估计算法和LS、MMSE算法的BER性能进行了对比。表1对比了当使用Intel Core i7-7700CPU时，MMSE信道估计算法、本发明所提出的信道估计算法以及基于仅以导频信号为输入的DNN的信道估计算法在在线阶段估计一次CFR所需的时间。
表1不同信道估计方法在在线阶段估计一次CFR所需的时间
Figure BDA0002336942790000072
在具体实施过程中，如图3、图4所示，本发明提出的信道估计方法估计CFR的准确度明显高于LS和MMSE信道估计算法，BER性能也更优，显示了深度神经网络强大的学习能力。由表1可知，本发明所提出的信道估计方法估计一次CFR所需的时间比MMSE算法的少很多，可见在在线阶段，本发明所提出的信道估计方法复杂度低于MMSE算法。
在具体实施过程中，由图4和表1可知，在本发明提出的算法和基于仅以导频信号为输入的DNN的估计算法估计一次CFR所需的时间基本相同的同时，本发明提出的算法的BER性能还优于基于仅以导频信号为输入的DNN的估计算法，说明了位置信息有助于提高信道估计的准确性，但它给DNN带来的复杂度提升却很低。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
[1]C.Luo,Y.Gong,and F.Zheng,“On performance analysis of LS and MMSEfor channel estimation in VLC systems,”in Proc.IEEE 12th InternationalColloquium on Signal Processing&Its Applications,Mar.2016,pp.204-209.
[2]Kumar,Kailash and Kaushik,Rahul and Jain,Roop Chand,“Blind channelestimation for indoor optical wireless communication systems,”inProc.International Conference on Signal Processing and Communication,Mar.2015,pp.60-64.
[3]J.R.Barry,J.M.Kahn,W.J.Krause,E.A.Lee,and D.G.Messerschmitt,“Simulation of multipath impulse response for indoor wireless opticalchannels,”IEEE J.Select.Areas Commun.,vol.11,no.3,pp.367–379,Apr.1993.
[4]Z.Li,M.Jiang,X.Zhang,X.Chen,and W.Hou,“Space-time-multiplexedmulti-image visible light positioning system exploiting pseudo-miller-codingfor smart phones,”IEEE Trans.Wireless Commun.,vol.16,no.12,pp.8261–8274,Dec.2017.
[5]Zafari,Faheem and Gkelias,Athanasios and Leung,Kin K,“A survey ofindoor localization systems and technologies,”IEEE Commun.Surveys Tuts.,vol.21,no.3,pp.2568–2599,3rd Quart.2019.
[6]徐达武.室内可见光通信系统信道测量与建模[D].东南大学,2016.

Claims (4)

1.一种基于深度学习的位置信息辅助的可见光信道估计方法，其特征在于：包括以下步骤：
S1：采集导频信号、位置坐标和真实的可见光信道频率响应CFR，获取训练数据集；
S2：对训练数据集进行预处理，得到预处理后的训练数据集；
S3：将预处理后的导频信号、位置坐标作为深度神经网络DNN模型的输入，真实的CFR为DNN模型的目标输出，对DNN模型进行离线训练；
S4：实时采集导频信号和位置坐标，进行数据预处理后输入训练完成的DNN模型中，输出实时的CFR，完成可见光信道的估计；
其中，所述步骤S2具体包括以下步骤：
S21：对导频信号进行拆分实部虚部处理；
S22：对已拆分实部虚部的导频信号、位置坐标分别进行归一化处理，完成导频信号、位置坐标的预处理；
S23：对真实的CFR进行拆分实部虚部处理，完成真实的CFR的预处理；
其中，所述在所述步骤S22中，所述已拆分实部虚部的导频信号归一化处理的具体计算公式为：
Figure FDA0002964407280000011
其中，Y为归一化前的数值，
Figure FDA0002964407280000012
是归一化后的数值，Ymin是导频信号实部值和虚部值中的最小值，Ymax是导频信号实部值和虚部值中的最大值；同理，位置坐标(m,n)进行归一化处理后为
Figure FDA0002964407280000013
2.根据权利要求1所述的一种基于深度学习的位置信息辅助的可见光信道估计方法，其特征在于：所述步骤S1具体为：在房间内部署一个可见光通信VLC系统，通过发光二极管LED发送可见光信号，以接收二极管PD作为接收机，通过室内定位技术获取各个采样点的位置坐标；收集各个采样点处的来自LED的经过快速傅里叶变换FFT处理后的导频信号；采用用信道测量方法来测得真实的CFR，或通过已有的信道建模方法计算出真实的CFR。
3.根据权利要求1所述的一种基于深度学习的位置信息辅助的可见光信道估计方法，其特征在于：在所述步骤S3中，采用有L个全连接层的DNN模型，设其输入为x，第l层的输出
Figure FDA0002964407280000021
表示为：
Figure FDA0002964407280000022
其中，
Figure FDA0002964407280000023
和
Figure FDA0002964407280000024
分别表示权重矩阵和偏置向量，f(·)是激活函数；其中，除了DNN模型最后一层不使用任何激活函数外，其他层均采用了指数线性单元ELU函数；所述DNN模型训练目标是最小化损失函数，即真实CFR和估计CFR之间的均方误差函数MSE最小化，具体计算公式为：
Figure FDA0002964407280000025
其中，E[·]表示求数学期望，
Figure FDA0002964407280000026
为DNN的输出，即估计的CFR，H为DNN的期望输出，即真实的CFR；通过损失函数计算出DNN模型的输出值与真实值的误差，再使用反向误差传播算法，从输出层到输入层逐层更新权值，对DNN模型进行训练；当DNN模型的损失函数不再下降时，训练完成。
4.根据权利要求1所述的一种基于深度学习的位置信息辅助的可见光信道估计方法，其特征在于：所述步骤S4具体为：在线实时通过室内定位技术获取PD的位置坐标并进行归一化处理，收集来自LED的经过FFT处理的导频信号并对其进行拆分实部虚部处理、归一化处理；将处理后的位置坐标、导频信号输入训练完成的DNN模型中，实时输出估计的CFR。
CN201911360037.4A 2019-12-25 2019-12-25 一种基于深度学习的位置信息辅助的可见光信道估计方法 Active CN111049768B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911360037.4A CN111049768B (zh) 2019-12-25 2019-12-25 一种基于深度学习的位置信息辅助的可见光信道估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911360037.4A CN111049768B (zh) 2019-12-25 2019-12-25 一种基于深度学习的位置信息辅助的可见光信道估计方法

Publications (2)

Publication Number Publication Date
CN111049768A CN111049768A (zh) 2020-04-21
CN111049768B true CN111049768B (zh) 2021-04-27

Family

ID=70239741

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911360037.4A Active CN111049768B (zh) 2019-12-25 2019-12-25 一种基于深度学习的位置信息辅助的可见光信道估计方法

Country Status (1)

Country Link
CN (1) CN111049768B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112968847B (zh) * 2021-02-18 2022-05-10 浙江大学 一种基于深度学习和数据导频辅助的信道估计方法
CN113364528B (zh) * 2021-06-07 2022-05-03 中山大学 一种基于深度条件生成对抗网络的水下无线光通信接收机
CN113422745B (zh) * 2021-06-17 2022-04-22 中山大学 一种基于深度学习的空海无线信道估计方法
CN113472706B (zh) * 2021-07-12 2023-04-07 南京大学 一种基于深度神经网络的mimo-ofdm系统信道估计方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101588327A (zh) * 2008-05-19 2009-11-25 清华大学 用于ofdm系统的数据指导信道估计方法及其实现装置
CN102957637A (zh) * 2011-08-26 2013-03-06 大唐联诚信息系统技术有限公司 一种单载波频域均衡高速业务的信道估计方法和装置
CN105471777A (zh) * 2015-12-30 2016-04-06 广东顺德中山大学卡内基梅隆大学国际联合研究院 可见光信道估计方法与系统
CN105791181A (zh) * 2016-02-26 2016-07-20 北京交通大学 一种用于轨道交通高速移动场景的信道估计与均衡方法
KR20160122871A (ko) * 2015-04-14 2016-10-25 영남대학교 산학협력단 가시광 통신 시스템에서 신호를 송수신하기 위한 방법 및 이를 위한 장치
CN107231323A (zh) * 2017-07-10 2017-10-03 东南大学 可见光通信系统中基于可靠判决反馈的信道估计方法
CN110300075A (zh) * 2019-04-30 2019-10-01 北京科技大学 一种无线信道估计方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5325526B2 (ja) * 2008-10-17 2013-10-23 三星電子株式会社 可視光通信システム、及び可視光通信方法
CN109274423B (zh) * 2018-10-22 2020-03-17 南京邮电大学 一种移动性可见光通信信道均衡方法
CN109302234B (zh) * 2018-10-26 2020-03-10 西安电子科技大学 一种室内可见光通信系统复杂信道冲激响应的计算方法
CN109347770B (zh) * 2018-12-10 2021-06-25 中南大学 一种基于压缩感知理论的信道估计方法及装置
CN110247703A (zh) * 2019-04-25 2019-09-17 清华大学 一种高速可见光通信系统中的分段频域前均衡方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101588327A (zh) * 2008-05-19 2009-11-25 清华大学 用于ofdm系统的数据指导信道估计方法及其实现装置
CN102957637A (zh) * 2011-08-26 2013-03-06 大唐联诚信息系统技术有限公司 一种单载波频域均衡高速业务的信道估计方法和装置
KR20160122871A (ko) * 2015-04-14 2016-10-25 영남대학교 산학협력단 가시광 통신 시스템에서 신호를 송수신하기 위한 방법 및 이를 위한 장치
CN105471777A (zh) * 2015-12-30 2016-04-06 广东顺德中山大学卡内基梅隆大学国际联合研究院 可见光信道估计方法与系统
CN105791181A (zh) * 2016-02-26 2016-07-20 北京交通大学 一种用于轨道交通高速移动场景的信道估计与均衡方法
CN107231323A (zh) * 2017-07-10 2017-10-03 东南大学 可见光通信系统中基于可靠判决反馈的信道估计方法
CN110300075A (zh) * 2019-04-30 2019-10-01 北京科技大学 一种无线信道估计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Novel Millimeter Wave Channel Estimation Algorithm Based on IC-ELM;Jie Miao等;《2019 28th Wireless and Optical Communications Conference (WOCC)》;20190725;全文 *
可见光通信系统的自适应信道估计研究;武琰;《激光杂志》;20170625;全文 *
基于导频的室内可见光自适应OFDM通信系统信道估计;黄震宇等;《现代电子技术》;20140401;全文 *

Also Published As

Publication number Publication date
CN111049768A (zh) 2020-04-21

Similar Documents

Publication Publication Date Title
CN111049768B (zh) 一种基于深度学习的位置信息辅助的可见光信道估计方法
CN109714086B (zh) 基于深度学习的优化mimo检测方法
Mehrabi et al. Decision directed channel estimation based on deep neural network $ k $-step predictor for MIMO communications in 5G
Hassan et al. Blind digital modulation identification for spatially-correlated MIMO systems
CN109194595B (zh) 一种基于神经网络的信道环境自适应ofdm接收方法
CN105471777B (zh) 可见光信道估计方法与系统
CN111565160B (zh) 一种海洋通信系统联合信道分类、估计和检测方法
CN111786724A (zh) 基于深度学习的多波长led水下可见光通信调制方法
Panaro et al. Underwater acoustic noise model for shallow water communications
CN107272030B (zh) 一种基于多个gps卫星信息融合的目标探测方法
WO2021109672A1 (zh) 一种噪声增强射频指纹识别方法及装置
CN114124168B (zh) 一种基于深度学习的mimo-noma系统信号检测方法及系统
Muralidhar et al. Pilot design for vector state-scalar observation Kalman channel estimators in doubly-selective MIMO-OFDM systems
Gulati et al. MIMO receiver design in the presence of radio frequency interference
Jiang et al. Underwater tdoa/fdoa joint localisation method based on cross‐ambiguity function
CN111523571A (zh) 一种用于分布式大规模多天线系统的半监督学习定位方法
CN111031477A (zh) 一种基于深度学习的毫米波室内定位方法
CN114374435B (zh) 一种基于ofdm的可见光通信与定位一体化方法及系统
CN115087095B (zh) 一种基于csi的加权knn的可见光室内定位方法
Huang et al. Incorporating importance sampling in EM learning for sequence detection in SPAD underwater OWC
CN115017958A (zh) 一种基于信道特征加权模型的非视距信号识别方法
CN113489545A (zh) 基于k均值聚类的光空间脉冲位置调制分步分类检测方法
CN109117594B (zh) 一种基于雷达波的潜艇升降装置搜索概率获取方法
WO2016110119A1 (zh) 天线合并算法的选择方法及装置
Liu et al. Cooperative robotics visible light positioning: an intelligent compressed sensing and GAN-enabled framework

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