CN111614587B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111614587B
CN111614587B CN202010448707.4A CN202010448707A CN111614587B CN 111614587 B CN111614587 B CN 111614587B CN 202010448707 A CN202010448707 A CN 202010448707A CN 111614587 B CN111614587 B CN 111614587B
Authority
CN
China
Prior art keywords
adaptive
deep learning
signal detection
self
fde
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
CN202010448707.4A
Other languages
English (en)
Other versions
CN111614587A (zh
Inventor
李军
高通
李敬芳
王宝栓
朱平
乔元健
高鹏刚
辛同亮
李文鑫
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.)
Assa Abloy Guoqiang Shandong Hardware Technology Co Ltd
Qilu University of Technology
Original Assignee
Assa Abloy Guoqiang Shandong Hardware Technology Co Ltd
Qilu University of Technology
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 Assa Abloy Guoqiang Shandong Hardware Technology Co Ltd, Qilu University of Technology filed Critical Assa Abloy Guoqiang Shandong Hardware Technology Co Ltd
Priority to CN202010448707.4A priority Critical patent/CN111614587B/zh
Publication of CN111614587A publication Critical patent/CN111614587A/zh
Application granted granted Critical
Publication of CN111614587B publication Critical patent/CN111614587B/zh
Priority to KR1020210066528A priority patent/KR102294156B1/ko
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
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03006—Arrangements for removing intersymbol interference
    • H04L25/03159—Arrangements for removing intersymbol interference operating in the frequency domain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/04—TPC
    • H04W52/30—TPC using constraints in the total amount of available transmission power
    • H04W52/34—TPC management, i.e. sharing limited amount of power among users or channels or data types, e.g. cell loading
    • H04W52/346—TPC management, i.e. sharing limited amount of power among users or channels or data types, e.g. cell loading distributing total power among users or channels

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Power Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种基于自适应集成深度学习模型的信号检测方法。采用集成的长短期记忆(LSTM)神经网络以端到端的方式替代SC‑FDE系统接收端的信道估计和频域均衡部分，训练LSTM神经网络所需的数据集由接收端提取的接收信号的特征和根据发送端使用的调制方式对应星座图所分配的标签组成。为保证系统的可靠性，采用线性判别分析(LDA)算法对特征信息进行降维，将多维度的特征信息作为集成模型的输入。为提高系统的自适应性，采用不同子信道的信号功率作为自适应因子，在网络输出端对每个子载波的输出进行自适应集成。此方法对于不同的通信系统，只需要根据所用系统框架生成数据集，利用训练得到的模型替代通信系统的某一部分即可，具有较强的泛化性。

Description

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
技术领域
本发明涉及智能通信技术领域，特别涉及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。
背景技术
随着无线通信技术的发展，5G技术已成为当今社会的关注焦点。由于5G技术呈现高维度、高容量、高密集的特点，对如何利用海量的数据来降低系统的复杂度，提升系统可靠性成为技术的关键突破点。智能通信被认为是未来无线通信发展的必然趋势，尤其是在5G之后人们对通信质量的要求会越来越高。近几年人工智能技术再次兴起，深度学习作为机器学习和人工智能领域的最新趋势之一，为计算机视觉和机器学习带来了深刻的变革。深度学习目前已经成为一种数据分析工具，可应用于各个领域，无线通信领域便是其中之一。
单载波频域均衡（SC-FDE）是在传统单载波传输和正交频分复用（OFDM）技术的基础上发展起来的一种新型宽带无线通信技术，它利用循环前缀（CP）和频域均衡来消除多径效应信号上的通道。然而，在信道估计和频域均衡过程中，由于码间干扰（ISI）和信道噪声的影响，系统的可靠性随着信道脉冲响应（CIR）的变化而变化。SC-FDE系统虽然在许多方面得到了改进，但一种优化的信号检测方案可以有效地提高5G通信的质量。
发明内容
本发明为了弥补现有技术中SC-FDE系统的信号检测方案中由于多种因素干扰造成的在特定的信噪比（SNR）下存在较高误比特率（BER）的不足，提供了一种以LSTM作为子网络，以不同子信道的信号功率作为自适应因子的自适应集成深度学习模型信号检测方法。
本发明是通过如下技术方案实现的：
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，步骤如下：
步骤1：基于SC-FDE无线通信系统框架生成深度模型所需的数据集，数据集的特征信息来自于在接收端提取的接收信号的特征，标签根据发送端使用的调制方式所对应的星座图进行分配；
步骤2：将步骤1的数据集随机打乱并重新划分为10000组训练集和2000组验证集；
步骤3：基于步骤2的数据集，利用线性判别分析(LDA)算法对特征信息进行降维，将多维度的特征信息作为集成模型的输入；
步骤4：将一个SC-FDE符号中的256个子载波分别输入到多个LSTM子网络中进行自学习，子网络的数目等于多径信道的个数；
步骤5：采用信号功率作为自适应因子将步骤4的每个子载波经过多个子网络的输出结果进行自适应集成；
步骤6：根据由步骤1、步骤2、步骤3、步骤4和步骤5所建立的模型替代SC-FDE系统的信道估计和频域均衡部分进行在线测试。
优选地，所述步骤1中，SC-FDE 信号是利用随机序列在不同统计特性的信道条件下生成的，数据集特征信息的生成基于接收端的接收信号特征，选用QPSK作为发送端的调制方式，数据集的标签设定为1，2，3和4。
优选地，所述步骤2中，对数据集进行归一化处理。
优选地，所述步骤3中，将原始特征信息和LDA降维后的特征信息作为两种特征信息，集成模型根据两种特征信息优化参数，以增加模型的可拓展性。
优选地，所述步骤4中，LSTM网络采用3层隐含层，每一层神经元个数分别为100，50，50，时间步长设置为1，并通过改进的蚁群优化算法进行优化。
优选地，蚁群优化算法通过自适应因子P自适应的调节信息启发因子α，根据待预测数据与模型训练数据的对比情况确定信息素的强度来改变搜索随机性的大小。
优选地，所述步骤5中，任意子载波经过每一个子网络后都会生成某一个星座图的点CX，根据信号功率在该信号总功率中所占的比例确定该子网络输出所乘系数完成自适应集成。
所述步骤5中，自适应集成神经网络训练包括以下步骤：
步骤5.1：将10000组多维度的特征信息输入到网络中训练，采用改进的蚁群优化算法优化神经网络，神经网络的学习率随着迭代次数的增加而减少；
步骤5.2：将2000组验证集中不同维度的特征信息打乱顺序后对所建立网络性能进行验证。
步骤5.3：损失函数选用交叉熵函数：
Figure DEST_PATH_IMAGE001
。
本发明的有益效果是：
本发明涉及一种基于自适应集成深度学习模型的信号检测方法，采用创新性的结构设计，基于单载波频域均衡系统（SC-FDE）建立信号检测模型。采用集成的LSTM神经网络以端到端的方式替代SC-FDE系统接收端的信道估计和频域均衡部分，训练LSTM神经网络所需的数据集由接收端提取的接收信号的特征和根据发送端使用的调制方式对应星座图所分配的标签组成。为保证系统的可靠性，采用线性判别分析(LDA)算法对特征信息进行降维，将多维度的特征信息作为集成模型的输入。为提高系统的自适应性，采用不同子信道的信号功率作为自适应因子，在网络输出端对每个子载波的输出进行自适应集成。此方法对于不同的通信系统，只需要根据所用系统框架生成数据集，利用训练得到的模型替代通信系统的某一部分即可，具有较强的泛化性，更适合当下5G通信的要求。
附图说明
图1为本发明基于自适应集成深度学习模型的SC-FDE系统信号检测方法的SC-FDE系统模型结构图；
图2为本发明基于自适应集成深度学习模型的SC-FDE系统信号检测方法的LSTM神经网络结构图；
图3为本发明基于自适应集成深度学习模型的SC-FDE系统信号检测方法的基于自适应集成模型信号检测方案结构图；
图4为本发明基于自适应集成深度学习模型的SC-FDE系统信号检测方法的信号功率特征图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1-图4为本发明的一种具体实施例，该实施例为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，SC-FDE系统模型如图1所示，以下步骤
步骤1：基于SC-FDE无线通信系统框架生成深度模型所需的数据集。数据集的特征信息来自于在接收端提取的接收信号的特征，标签根据发送端使用的调制方式所对应的星座图进行分配。
所述步骤1中，SC-FDE无线通信系统的具体实现过程包括以下步骤：
步骤1.1：在发送器中，数据位首先通过符号映射模块映射为符号，然后在SC-FDE符号之间插入CP作为保护间隔。 保护间隔的长度需要大于无线信道的最大延迟扩展，以避免符号间干扰（ISI）。
步骤1.2：通过多径衰落信道接收发送的SC-FDE符号，接收信号可以表示为：
Figure 862860DEST_PATH_IMAGE002
。
步骤1.3：接收信号在移去CP后通过傅里叶变换将传输信号变换到频域，频域信号可表示为：
Figure DEST_PATH_IMAGE003
。
步骤1.4：频域均衡和信道估计是整个系统的关键部分，均衡后的信号经反傅里叶变换得到时域信号，通过符号判决恢复出原始信号。
步骤2：将步骤1所述的样本数据随机打乱并重新划分为10000组训练集和2000组验证集，并对数据进行归一化处理，使得数据范围为（0，1），归一化公式为：
Figure 184120DEST_PATH_IMAGE004
。
步骤3：基于步骤2所述的训练数据，利用线性判别分析(LDA)算法对特征信息进行降维处理。LDA算法的实现包括以下步骤：
步骤3.1：输入数据集
Figure DEST_PATH_IMAGE005
；
步骤3.2：计算类内散度矩阵
Figure 938450DEST_PATH_IMAGE006
，类间散度矩阵
Figure DEST_PATH_IMAGE007
以及
Figure 488511DEST_PATH_IMAGE008
；
步骤3.3：计算
Figure DEST_PATH_IMAGE009
最大的d个特征值和对应的d个特征向量
Figure 808634DEST_PATH_IMAGE010
，得到投影矩阵；
步骤3.4：对数据集中的每一个数据特征
Figure DEST_PATH_IMAGE011
转化为新的数据特征
Figure 311247DEST_PATH_IMAGE012
；
步骤3.5：得到降维后的数据集
Figure DEST_PATH_IMAGE013
。
步骤4：基于步骤2和步骤3所述的数据集，利用LSTM神经网络具有对时序信息良好的预测性能对数据进行自学习， LSTM神经网络结构如图2所示，LSTM神经网络算法通过网络中的“门”来实现。
遗忘门主要通过一个
Figure 615190DEST_PATH_IMAGE014
函数来完成，它以上一个单元的输出数据信号
Figure DEST_PATH_IMAGE015
和该时刻的输入的火灾信号
Figure 890313DEST_PATH_IMAGE016
作为输入，通过产生(0,1)值来确定
Figure DEST_PATH_IMAGE017
单元状态信息被遗忘的程度，其计算公式如下：
Figure 81254DEST_PATH_IMAGE018
其中，
Figure DEST_PATH_IMAGE019
为遗忘门的权重矩阵，
Figure 744317DEST_PATH_IMAGE020
为遗忘门的偏置项，
Figure DEST_PATH_IMAGE021
为
Figure 473238DEST_PATH_IMAGE014
函数。
输入门是通过与一个
Figure 99523DEST_PATH_IMAGE022
函数的配合来确定哪些新的信号输入信息可以被输入到网络。
Figure 597500DEST_PATH_IMAGE022
函数经运算得到新的变量
Figure DEST_PATH_IMAGE023
，输入门会产生一个(0,1)的值并将其赋给
Figure 369147DEST_PATH_IMAGE023
，从而控制新输入信息的输入网络的多少，结合遗忘门所得到的输出
Figure 647682DEST_PATH_IMAGE024
以及输入门所得到的输出
Figure 530187DEST_PATH_IMAGE026
，就得到了新的记忆单元的单元状态信息
Figure DEST_PATH_IMAGE027
，其公式如下所示：
Figure 695720DEST_PATH_IMAGE028
其中，
Figure DEST_PATH_IMAGE029
为输入门的权重矩阵，
Figure 638269DEST_PATH_IMAGE030
为输入门的偏置项，
Figure DEST_PATH_IMAGE031
为单元状态的权重矩阵，
Figure 872941DEST_PATH_IMAGE032
为单元状态的偏置项，
Figure 293558DEST_PATH_IMAGE021
为
Figure 766128DEST_PATH_IMAGE014
函数。
输出门控制当前单元的状态信息丢失量的多少，输出门通过产生一个(0,1)的值并将其赋予单元状态的每一项，从而控制单元状态的过滤程度，其公式如下：
Figure DEST_PATH_IMAGE033
其中，
Figure 958206DEST_PATH_IMAGE034
为单元状态的权重矩阵，
Figure DEST_PATH_IMAGE035
为单元状态的偏置项，
Figure 883436DEST_PATH_IMAGE021
为
Figure 170061DEST_PATH_IMAGE014
函数。
本实施例中，LSTM网络采用3层隐含层，每一层神经元个数分别为100，50，50，时间步长设置为1，LSTM神经网络通过改进的蚁群优化算法进行优化，蚁群优化算法通过自适应因子P自适应的调节信息启发因子α，根据待预测数据与模型训练数据的对比情况确定信息素的强度来改变搜索随机性的大小。
步骤5：将步骤4所述LSTM网络作为集成网络的子网络，并采用信号功率作为自适应因子对每个子网络的输出进行自适应集成。基于自适应集成模型的信号检测方案结构如图3所示，信号功率特征如图4所示。
所述步骤5中，自适应集成算法的实现步骤如下：
步骤5.1：设自适应集成模型中多径信道和子载波的数目分别设置为
Figure 231558DEST_PATH_IMAGE036
和
Figure DEST_PATH_IMAGE037
，因此信道子载波的信号功率可以表示为：
Figure 63379DEST_PATH_IMAGE038
；
步骤5.2：计算的
Figure 475906DEST_PATH_IMAGE040
个信道和第
Figure DEST_PATH_IMAGE041
个子载波的自适应因子为：
Figure 503905DEST_PATH_IMAGE042
，其中，
Figure DEST_PATH_IMAGE043
；
步骤5.3：通过矩阵D对每个子网络所对应子载波的估计结果CX进行组合，加入自适应因子后，第
Figure 13383DEST_PATH_IMAGE041
个子载波的所对应星座图的点可以表示为：
Figure 203056DEST_PATH_IMAGE044
；
步骤5.4：基于自适应集成模型的信号检测方案估计得到的符号为：
Figure DEST_PATH_IMAGE045
。
步骤6：根据由步骤1、步骤2、步骤3、步骤4和步骤5所建立的模型以端到端的方式替代SC-FDE系统的信道估计和频域均衡部分进行在线测试，恢复出原始数据。
以上技术方案的设计基于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，采用创新性的结构设计，基于单载波频域均衡系统（SC-FDE）建立信号检测模型。采用集成的长短期记忆(LSTM)神经网络以端到端的方式替代SC-FDE系统接收端的信道估计和频域均衡部分，训练LSTM神经网络所需的数据集由接收端提取的接收信号的特征和根据发送端使用的调制方式对应星座图所分配的标签组成。为保证系统的可靠性，采用线性判别分析(LDA)算法对特征信息进行降维，将多维度的特征信息作为集成模型的输入。为提高系统的自适应性，采用不同子信道的信号功率作为自适应因子，在网络输出端对每个子载波的输出进行自适应集成。此方案可有效解决在特定某一特定SNR下BER较大的问题，符合当下5G通信的要求。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一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，其特征在于，包括以下步骤：
步骤1：基于SC-FDE无线通信系统框架生成深度模型所需的数据集，数据集的特征信息来自于在接收端提取的接收信号的特征，标签根据发送端使用的调制方式所对应的星座图进行分配；
步骤2：将步骤1的数据集随机打乱并重新划分为10000组训练集和2000组验证集，并对数据进行归一化处理；
步骤3：基于步骤2的数据集，利用线性判别分析(LDA)算法对特征信息进行降维，将多维度的特征信息作为集成模型的输入；
步骤4：将一个SC-FDE符号中的256个子载波分别输入到多个LSTM子网络中进行自学习，子网络的数目等于多径信道的个数；
步骤5：采用信号功率作为自适应因子将步骤4的每个子载波经过多个子网络的输出结果进行自适应集成，集成步骤为：
步骤5.1：设自适应集成模型中多径信道和子载波的数目分别设置为
Figure 986103DEST_PATH_IMAGE001
和
Figure 536164DEST_PATH_IMAGE002
，因此信道子载波的信号功率可以表示为：
Figure 121866DEST_PATH_IMAGE003
；
步骤5.2：计算的
Figure 958235DEST_PATH_IMAGE004
个信道和第
Figure 481752DEST_PATH_IMAGE005
个子载波的自适应因子为：
Figure 154611DEST_PATH_IMAGE006
，其中，
Figure 125978DEST_PATH_IMAGE007
；
步骤5.3：通过矩阵D对每个子网络所对应子载波的估计结果CX进行组合，加入自适应因子后，第
Figure 477456DEST_PATH_IMAGE005
个子载波的所对应星座图的点可以表示为：
Figure 534273DEST_PATH_IMAGE008
；
步骤5.4：基于自适应集成模型的信号检测方案估计得到的符号为：
Figure 222875DEST_PATH_IMAGE009
；
步骤6：根据由步骤1、步骤2、步骤3、步骤4和步骤5所建立的模型以端到端的方式替代SC-FDE系统的信道估计和频域均衡部分进行在线测试，恢复出原始数据。
2.根据权利要求1所述的基于自适应集成深度学习模型的SC-FDE系统信号检测方法，其特征在于：
所述步骤2中，数据归一化的范围为（0，1）。
3.根据权利要求1所述的基于自适应集成深度学习模型的SC-FDE系统信号检测方法，其特征在于：
所述步骤3中，线性判别分析(LDA)算法的实现包括以下步骤：
步骤3.1：输入数据集
Figure 127377DEST_PATH_IMAGE010
；
步骤3.2：计算类内散度矩阵
Figure 443564DEST_PATH_IMAGE011
，类间散度矩阵
Figure 535148DEST_PATH_IMAGE012
以及
Figure 745550DEST_PATH_IMAGE013
；
步骤3.3：计算
Figure 114345DEST_PATH_IMAGE014
最大的d个特征值和对应的d个特征向量
Figure 384790DEST_PATH_IMAGE015
，得到投影矩阵；
步骤3.4：对数据集中的每一个数据特征
Figure 229249DEST_PATH_IMAGE016
转化为新的数据特征
Figure 669107DEST_PATH_IMAGE017
；
步骤3.5：得到降维后的数据集
Figure 469573DEST_PATH_IMAGE018
。
4.根据权利要求1所述的基于自适应集成深度学习模型的SC-FDE系统信号检测方法，其特征在于：
所述步骤4中，LSTM网络采用3层隐含层，每一层神经元个数分别为100，50，50，时间步长设置为1，并通过改进的蚁群优化算法进行优化。
5.根据权利要求4所述的基于自适应集成深度学习模型的SC-FDE系统信号检测方法，其特征在于：
所述蚁群优化算法通过自适应因子P自适应的调节信息启发因子α，根据待预测数据与模型训练数据的对比情况确定信息素的强度来改变搜索随机性的大小。
6.根据权利要求1所述的基于自适应集成深度学习模型的SC-FDE系统信号检测方法，其特征在于：
所述步骤6具体为，在SC-FDE通信系统中采用训练后的自适应集成深度学习模型以端到端的方式替代信道估计和频域均衡部分，完成对原始信号的回复。
7.根据权利要求6所述的基于自适应集成深度学习模型的SC-FDE系统信号检测方法，其特征在于：
所述自适应集成深度学习模型的信号检测方案选用误比特率（BER）作为性能评估指标。
CN202010448707.4A 2020-05-25 2020-05-25 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 Active CN111614587B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010448707.4A CN111614587B (zh) 2020-05-25 2020-05-25 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
KR1020210066528A KR102294156B1 (ko) 2020-05-25 2021-05-24 자기 적응형 집적 딥러닝 모델 기반의 sc-fde 시스템 신호검측방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010448707.4A CN111614587B (zh) 2020-05-25 2020-05-25 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

Publications (2)

Publication Number Publication Date
CN111614587A CN111614587A (zh) 2020-09-01
CN111614587B true CN111614587B (zh) 2021-04-06

Family

ID=72201842

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010448707.4A Active CN111614587B (zh) 2020-05-25 2020-05-25 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

Country Status (2)

Country Link
KR (1) KR102294156B1 (zh)
CN (1) CN111614587B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112235023B (zh) * 2020-10-09 2021-11-30 齐鲁工业大学 一种基于模型驱动深度学习的mimo-scfde自适应传输方法
CN112637093B (zh) * 2020-12-09 2022-05-17 齐鲁工业大学 一种基于模型驱动深度学习的信号检测方法
WO2022151069A1 (zh) * 2021-01-13 2022-07-21 Oppo广东移动通信有限公司 接收信息处理方法、装置、计算机设备及存储介质
CN113285902B (zh) * 2021-05-19 2023-03-14 南京航空航天大学 一种ofdm系统检测器设计方法
CN114629763B (zh) * 2021-09-27 2023-10-13 亚萨合莱国强（山东）五金科技有限公司 一种基于神经网络的ofdm系统iq信号解调方法及装置
CN114666236B (zh) * 2022-03-29 2024-05-14 北京扬铭科技发展有限责任公司 一种全自动信号检测识别报警方法
CN114697183B (zh) * 2022-03-31 2023-11-17 中国人民解放军国防科技大学 一种基于深度学习的信道同步方法
CN116526568B (zh) * 2023-07-03 2023-09-15 国网北京市电力公司 交直流配电网分布式电源优化方法、系统、设备及介质

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8467464B2 (en) * 2008-03-28 2013-06-18 Qualcomm Incorporated Apparatus, methods, and articles of manufacture for adaptive power control
CN101409694B (zh) * 2008-11-06 2012-11-28 北京韦加航通科技有限责任公司 一种单载波频域均衡实现方法及系统
US8682181B2 (en) * 2011-03-05 2014-03-25 Alcatel Lucent System, method, and apparatus for high-sensitivity optical detection
CN105162737A (zh) * 2015-09-11 2015-12-16 中国人民解放军国防科学技术大学 用于软件无线电系统的低复杂度自适应单载波频域均衡方法及装置
CN105634633A (zh) * 2016-01-05 2016-06-01 哈尔滨工业大学（威海） 用于水声协作通信中的自适应多分支合并频域检测器
CN106411799B (zh) * 2016-10-12 2019-06-11 哈尔滨工业大学 低轨卫星移动通信单载波频域均衡方法
JP7133936B2 (ja) * 2018-02-14 2022-09-09 日本放送協会 シングルキャリアｍｉｍｏ受信装置
CN110247864A (zh) * 2018-03-11 2019-09-17 中山大学 一种sc-fde系统的无线时变信道估计方法
JP7348440B2 (ja) * 2018-03-20 2023-09-21 東京エレクトロン株式会社 統合的な半導体処理モジュールを組み込んだ自己認識及び補正異種プラットフォーム及びその使用方法
CN109617847B (zh) * 2018-11-26 2021-04-06 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
CN109474304B (zh) * 2018-11-29 2020-08-18 中国海洋大学 自适应多制式水声通信系统及方法

Also Published As

Publication number Publication date
KR102294156B1 (ko) 2021-08-27
CN111614587A (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
CN111614587B (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
Ye et al. Power of deep learning for channel estimation and signal detection in OFDM systems
Van Luong et al. Deep learning-based detector for OFDM-IM
Balevi et al. One-bit OFDM receivers via deep learning
CN112637093B (zh) 一种基于模型驱动深度学习的信号检测方法
Elwekeil et al. Deep convolutional neural networks for link adaptations in MIMO-OFDM wireless systems
Wang et al. Deep convolutional neural network-based detector for index modulation
Jiang et al. AI-aided online adaptive OFDM receiver: Design and experimental results
CN112215335B (zh) 一种基于深度学习的系统检测方法
Alawad et al. A deep learning-based detector for im-mimo-ofdm
Ye et al. Bilinear convolutional auto-encoder based pilot-free end-to-end communication systems
Dehri et al. Blind digital modulation classification for STBC‐OFDM system in presence of CFO and channels estimation errors
Liu et al. CNN-based underwater acoustic OFDM communications over doubly-selective channels
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
CN112564830B (zh) 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
Nooraiepour et al. Learning-aided physical layer attacks against multicarrier communications in IoT
Abbas et al. MULTI USER DETECTION USING FUZZY LOGIC EMPOWERED ADAPTIVE BACK PROPAGATION NEURAL NETWORK.
CN112636855A (zh) 一种ofdm信号检测方法
Li et al. Model-driven deep learning scheme for adaptive transmission in MIMO-SCFDE system
Zheng et al. Designing Learning-Based Adversarial Attacks to (MIMO-) OFDM Systems With Adaptive Modulation
KR102596571B1 (ko) 가시광 통신에서 일반적인 led 인덱스 기반 변조 방식용 딥 러닝 기반의 인덱스 추정기
Salehi et al. Channel estimation based on learning automata for OFDM systems
Bhatt et al. Analysis of the fifth generation NOMA system using LSTM algorithm
Qian et al. OFDM Receiver Design With Learning-Driven Automatic Modulation Recognition
Altın Deep neural network-based detection of index modulated MIMO-OFDM

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