CN111786915B - 非线性失真条件下基于深度学习的无线通信方法及其系统 - Google Patents
非线性失真条件下基于深度学习的无线通信方法及其系统 Download PDFInfo
- Publication number
- CN111786915B CN111786915B CN202010391318.2A CN202010391318A CN111786915B CN 111786915 B CN111786915 B CN 111786915B CN 202010391318 A CN202010391318 A CN 202010391318A CN 111786915 B CN111786915 B CN 111786915B
- Authority
- CN
- China
- Prior art keywords
- signal
- deep learning
- representing
- estimation
- algorithm
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013135 deep learning Methods 0.000 title claims abstract description 41
- 238000004891 communication Methods 0.000 title claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 238000013136 deep learning model Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 44
- 230000008569 process Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000005562 fading Methods 0.000 claims description 5
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- H04L25/024—Channel estimation channel estimation algorithms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
- H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
- H04B7/0842—Weighted combining
- H04B7/0848—Joint weighting
- H04B7/0854—Joint weighting using error minimizing algorithms, e.g. minimum mean squared error [MMSE], "cross-correlation" or matrix inversion
-
- 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
- H04L25/025—Channel estimation channel estimation algorithms using least-mean-square [LMS] method
-
- 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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/38—Synchronous or start-stop systems, e.g. for Baudot code
- H04L25/40—Transmitting circuits; Receiving circuits
- H04L25/49—Transmitting circuits; Receiving circuits using code conversion at the transmitter; using predistortion; using insertion of idle bits for obtaining a desired frequency spectrum; using three or more amplitude levels ; Baseband coding techniques specific to data transmission systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明公开了一种非线性失真条件下基于深度学习的无线通信方法及其系统，所述方法包括：通过LS算法或MMSE算法对接收信号等效信道进行信道估计，得到估计信号；通过深度卷积神经网络对所述估计信号进行信号解调，得到解调信号；通过深度学习模型对所述解调信号进行训练，输出所述接收信号的估计值其系统。本发明采用基于深度学习的接收机架构，通过大量的训练数据集，将初始信道估计矩阵进行校正；同时使用深度学习网络模型对非线性失真因素进行匹配，从而提升系统的安全容量。
Description
技术领域
本发明涉及无线通信技术领域，特别是涉及一种非线性失真条件下基于深度学习的无线通信方法及其系统。
背景技术
无线通信系统中由于大量使用天线、功率放大器及混频器等元器件，会在发射无线信号中引入高阶分量，从而形成信号的非线性失真问题，进而导致无线通信系统的链路质量下降，造成系统容量降低。目前，针对非线性失真问题，一般采用在发射机进行数字预失真(DPD)处理，以补偿射频器件的信号畸变，但数字预失真技术往往存在着建模困难、计算复杂且实时性差等缺点，导致其应用场景受到极大限制。
发明内容
本发明的目的在于提供一种非线性失真条件下基于深度学习的无线通信方法及其系统。本发明通过利用大量的训练数据集，构建基于深度学习的网络模型，只需要在接收端对解调模块进行训练，从而获得与非线性失真相匹配的深度学习网络模型，提升了无线通信的系统容量，克服了现有技术中建模困难、计算复杂且实时性差的缺点。
为了克服现有技术中存在的缺点，本发明某一实施例提供了非线性失真条件下基于深度学习的无线通信方法，包括：
通过LS算法或MMSE算法对接收信号等效信道进行信道估计，得到估计信号；
通过深度卷积神经网络对所述估计信号进行信号解调，得到解调信号；
通过深度学习模型对所述解调信号进行训练，输出所述接收信号的估计值。
进一步地，所述LS信道估计算法的实现过程为：
其中，Rp表示导频位置上的接收信号向量，
表示导频位置上发送的原始信号矩阵；
所述MMSE信道估计算法的实现过程为：
其中，Rhh表示接收信号的协方差矩阵，σ2表示噪声功率。
进一步地，通过深度卷积神经网络对所述估计信号进行信号解调，得到解调信号，包括：
根据深度卷积神经网络对所述估计信号进行离线训练；
根据定义的损失函数不断调整所述离线训练过程中深度卷积神经网络的参数，得到解调信号；
所述损失函数为估计值与原始值之间的误差均方差：
其中，所述估计信号包括信道估计
以及信号向量r，解调信号为原始发射信号向量的估计值
或，
所述损失函数为估计值与原始值之间的交叉熵函数：
其中，xc表示对每个可能的候选元素估计的示性函数，当估计正确时为1，否则为0；pc表示对每个可能的候选元素估计的概率值。
进一步地，所述深度学习模型采用卷积神经网络或全连接神经网络，所述模型训练方法采用梯度优化算法；所述模型训练的损失函数采用估计值与准确值之间的误差均方差；所述模型的深度配置为8－10层中的任意一种。
进一步地，在所述通过LS算法或MMSE算法对接收信号等效信道进行信道估计，得到估计信号前，还包括：
根据非线性失真特性定义的畸变函数对所述发射原始信号进行信号预处理，以得到接收信号；所述定义的畸变函数为：
其中，
表示经非线性失真畸变后的数据，αi表示i阶分量的增益，P表示最高分量对应的阶数；
此时，接收端的接收信号为：
其中，发射端天线数目为NT；接收端天线数目为NR；发射端到接收端的无线信道衰落矩阵为H，
发射端向接收端的发射向量为x，
接收机的加性高斯白噪声为n，
本发明某一实施例还提供一种非线性失真条件下基于深度学习的无线通信系统，包括：
初始信道估计模块，用于通过LS算法或MMSE算法对接收信号等效信道进行信道估计，得到估计信号；
信号解调模块，用于通过深度卷积神经网络对所述估计信号进行信号解调，得到解调信号
深度学习训练模块，用于通过深度学习模型对所述解调信号进行训练，输出所述接收信号的估计值。
进一步地，所述初始信道估计模块，还用于：
所述LS信道估计算法的实现过程为：
其中，Rp表示导频位置上的接收信号向量，
表示导频位置上发送的原始信号矩阵；
所述MMSE信道估计算法的实现过程为：
其中，Rhh表示接收信号的协方差矩阵，σ2表示噪声功率。
进一步地，所述信号解调模块，还用于：
根据深度卷积神经网络对所述估计信号进行离线训练；
根据定义的损失函数不断调整所述离线训练过程中深度卷积神经网络的参数，得到解调信号；
所述损失函数为估计值与原始值之间的误差均方差：
其中，所述估计信号包括信道估计
以及信号向量r，解调信号为原始发射信号向量的估计值
或，
所述损失函数为估计值与原始值之间的交叉熵函数：
其中，xc表示对每个可能的候选元素估计的示性函数，当估计正确时为1，否则为0；pc表示对每个可能的候选元素估计的概率值。
本发明某一实施例还提供一种计算机终端设备，包括存储器和处理器；
所述存储器与所述处理器耦接，用于存储一个或多个程序；
所述处理器用于根据所述程序中的指令执行本发明某一实施例所述的非线性失真条件下基于深度学习的无线通信方法。
本发明某一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现本发明某一实施例所述的非线性失真条件下基于深度学习的无线通信方法。
与现有技术相比，本技术方案采用基于深度学习的接收机架构，通过大量的训练数据集，将初始信道估计矩阵进行校正；同时使用深度学习网络模型对非线性失真因素进行匹配，从而提升系统的安全容量。
附图说明
图1是本发明某一个实施例提供的非线性失真条件下基于深度学习的无线通信方法的流程示意图；
图2是本发明某一个实施例提供的非线性失真条件下基于深度学习的无线通信方法的步骤示意图；
图3是本发明某一个实施例提供的非线性失真条件下基于深度学习的无线通信系统的模块示意图。
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，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
请参阅图1，本发明某一实施例提供了非线性失真条件下基于深度学习的无线通信方法，包括：
S10、通过LS算法或MMSE算法对接收信号等效信道进行信道估计，得到估计信号；
在本实施例中，所述LS算法指的是最小二乘算法，适用于LS用于接收到的数据块长度一定，并且数据、噪声(干扰)的统计特性未知或者非平稳的情况，其优化目标是使得基于该数据块的估计与目标数据块间加权的欧几里德距离最小，当有多个数据块可用时，可用其递归算法RLS减小计算量；MMSE算法指的是最小均方误差，MMSE的优化目标是为了使基于接收数据的估计值和目标数据的均方误差最小化，LMMSE算是MMSE的特例，在这种情况下，基于接收数据的估计值是接收数据的线性变换。
LS信道估计算法的最大优点是结构简单，计算量小，仅通过在各载波上进行一次除法运算即可得到导频位置子载波的信道特征，但是，LS估计算法由于在孤寂时忽略了噪声的影响，所以信道估计值对噪声干扰以及ICI的影响比较敏感。在信道噪声较大时，估计的准确性大大降低，从而影响数据子信道的参数估计；而MMSE的使用必须是在信道correlated的情况下，它利用信道的相关性得到更多信息，从而使预测更精确。进行信道估计时可根据实际需要进行选择。
S20、通过深度卷积神经网络对所述估计信号进行信号解调，得到解调信号；
在本实施例中，深度卷积神经网络主要是由输入层、卷积层、激活函数、池化层、全连接层和输出层组成；卷积层由一组卷积核(每个神经元充当核)组成。这些核与图像的一小部分区域相关，称为感受野。它通过将图像划分成小块(感受野)并将其与一组特定的权重(滤波器的元素与相应的感受野元素相乘)进行卷积来工作。池化层作为卷积运算输出而产生的特征图可能出现在图像的不同位置。一旦提取特征后，只要保留相对于其他特征的近似位置，其精确位置就不再重要。像卷积一样进行池化或下采样是一个有趣的局部操作。它汇总了感受野附近的相似信息，并在该局部区域内输出主要响应。激活功能起决策功能，有助于学习复杂的模式。选择适当的激活功能可以加快学习过程。
S30、通过深度学习模型对所述解调信号进行训练，输出所述接收信号的估计值。
在本实施例中，需要说明的是，目前开发者最常用的深度学习模型与架构包括CNN、DBN、RNN、RNTN、自动编码器、GAN等。深度学习是机器学习(ML，Machine Learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标—人工智能。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。同时，深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。
请参阅图2，本发明某一实施例提供了非线性失真条件下基于深度学习的无线通信方法的步骤示意图：首先由发射机发射信号，然后接收端接收到信号后，先进行信道估计，信道估计算法可采用LS信道估计算法或者MMSE信道估计算法，然后获得估计信号，然后利用深度卷积神经网络(DCNN)进行信号解调。DCNN模块需要进行离线训练过程。其输入数据包括信道估计
以及信号向量r，输出为原始发射向量的估计值
训练过程中使用损失函数Loss来不断调整DCNN网络的参数。
本发明某一实施例提供了非线性失真条件下基于深度学习的无线通信方法中，所述LS信道估计算法的实现过程为：
其中，Rp表示导频位置上的接收信号向量，
表示导频位置上发送的原始信号矩阵；
所述MMSE信道估计算法的实现过程为：
其中，Rhh表示接收信号的协方差矩阵，σ2表示噪声功率。
在本实施例中，需要说明的是，在无线通信系统中，系统的性能主要受到无线信道的制约。基站和接收机之间的传播路径复杂多变，从简单的视距传输到受障碍物反射、折射、散射影响的传播。在无线传输环境中，接收信号会存在多径时延，时间选择性衰落和频域偏移，多径时延会带来符号串扰(ISI)，可以通过插入保护间隔来减少；而由于时间选择性衰落和频率偏移带来的子载波干扰(ICI)，除了依靠时频偏补偿来纠正外，还需要对信道进行估计，进一步进行补偿，即需要进行频域均衡和时域均衡。因此，信号估计性能的好坏直接影响接收信号的解调结果。从大的方面讲，信道估计主要分为非盲信道估计和盲信道估计。非盲信道估计需要使用基站和接收机均已知的导频序列进行信道估计，并使用不同的时频域插值技术来估计导频之间或者符号之间的子载波上的信道响应。目前主要使用的非盲信道估计包括最小二乘(LS)信道估计、最小均方误差(MMSE)信道估计。
本发明某一实施例提供了非线性失真条件下基于深度学习的无线通信方法中，步骤S20具体包括：
根据深度卷积神经网络对所述估计信号进行离线训练；
根据定义的损失函数不断调整所述离线训练过程中深度卷积神经网络的参数，得到解调信号；
所述损失函数为估计值与原始值之间的误差均方差：
其中，所述估计信号包括信道估计
以及信号向量r，解调信号为原始发射信号向量的估计值
或，
所述损失函数为估计值与原始值之间的交叉熵函数：
其中，xc表示对每个可能的候选元素估计的示性函数，当估计正确时为1，否则为0；pc表示对每个可能的候选元素估计的概率值。
在本实施例中，需要说明的是，神经网络通常包括离线训练和在线训练，在线训练的话数据是实时过来的，所采用的算法必须得考虑这种实时性。而离线的话数据都已得到，即不会随着时间的变化有新的数据到来。在离线学习算法中，我们会有一个训练集，这个训练集包含多个训练实例。每个训练实例都认为是以某个概率分布从实例空间中独立同分布地抽取。我们的目标是根据这个训练样本构造一个分类器，使得其真正训练错误最小。在在线学习算法中，我们不假设训练数据来自于某个概率分布或者随机过程。当有个训练实例x过来时，我们利用分类器对其进行分类。假设分类器输出的类别标签为l。那么当l不是实例x真正的类别标签，也即分类出错时，会产生一个罚值。分类器根据实例x的真正的类别标签以及罚值对分类器参数进行相应地调整，以更好地预测新的实例。我们的目标是，在整个预测过程中，实例的罚值和尽可能小。
本发明某一实施例提供了非线性失真条件下基于深度学习的无线通信方法中，所述深度学习模型采用卷积神经网络或全连接神经网络，所述模型训练方法采用梯度优化算法；所述模型训练的损失函数采用估计值与准确值之间的误差均方差；所述模型的深度配置为8－10层中的任意一种。
在本实施例中，所述全连接神经网络规则如下：神经元按照层来布局。最左边的层叫做输入层，负责接收输入数据；最右边的层叫输出层，我们可以从这层获取神经网络输出数据。输入层和输出层之间的层叫做隐藏层，因为它们对于外部来说是不可见的。同一层的神经元之间没有连接。第N层的每个神经元和第N－1层的所有神经元相连(这就是fullconnected的含义)，第N－1层神经元的输出就是第N层神经元的输入。每个连接都有一个权值。所述梯度优化算法最常用为梯度下降优化算法，梯度下降的三个框架，全量梯度下降(Batch gradient descent)，随机梯度下降(Stochastic gradient descent)以及批量梯度下降(Mini－batch gradient descent)。我们最常用的框架当属批量梯度下降了，相对于随机梯度下降，它降低了收敛波动性，即降低了参数更新的方差，使得更新更加稳定；相对于全量梯度下降，其提高了每次学习的速度，并且其不用担心内存瓶颈从而可以利用矩阵运算进行高效计算。
本发明某一实施例提供了非线性失真条件下基于深度学习的无线通信方法中，在步骤S10之前，还包括：
根据非线性失真特性定义的畸变函数对所述发射原始信号进行信号预处理，以得到接收信号；所述定义的畸变函数为：
其中，
表示经非线性失真畸变后的数据，αi表示i阶分量的增益，P表示最高分量对应的阶数；
此时，接收端的接收信号为：
其中，发射端天线数目为NT；接收端天线数目为NR；发射端到接收端的无线信道衰落矩阵为H，
发射端向接收端的发射向量为x，
接收机的加性高斯白噪声为n，
请参阅图3，本发明某一实施例还提供一种非线性失真条件下基于深度学习的无线通信系统，包括：
初始信道估计模块，用于通过LS算法或MMSE算法对接收信号等效信道进行信道估计，得到估计信号；
信号解调模块，用于通过深度卷积神经网络对所述估计信号进行信号解调，得到解调信号
深度学习训练模块，用于通过深度学习模型对所述解调信号进行训练，输出所述接收信号的估计值。
进一步地，所述初始信道估计模块，还用于：
所述LS信道估计算法的实现过程为：
其中，Rp表示导频位置上的接收信号向量，
表示导频位置上发送的原始信号矩阵；
所述MMSE信道估计算法的实现过程为：
其中，Rhh表示接收信号的协方差矩阵，σ2表示噪声功率。
进一步地，所述信号解调模块，还用于：
根据深度卷积神经网络对所述估计信号进行离线训练；
根据定义的损失函数不断调整所述离线训练过程中深度卷积神经网络的参数，得到解调信号；
所述损失函数为估计值与原始值之间的误差均方差：
其中，所述估计信号包括信道估计
以及信号向量r，解调信号为原始发射信号向量的估计值
或，
所述损失函数为估计值与原始值之间的交叉熵函数：
其中，xc表示对每个可能的候选元素估计的示性函数，当估计正确时为1，否则为0；pc表示对每个可能的候选元素估计的概率值。
本发明某一实施例还提供一种计算机终端设备，包括存储器和处理器；
所述存储器与所述处理器耦接，用于存储一个或多个程序；
所述处理器用于根据所述程序中的指令执行本发明某一实施例所述的非线性失真条件下基于深度学习的无线通信方法。
本发明某一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现本发明某一实施例所述的非线性失真条件下基于深度学习的无线通信方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，构建完整疾病深度分析决策系统，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。
以上所述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，这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种非线性失真条件下基于深度学习的无线通信方法，其特征在于，包括：
通过LS算法或MMSE算法对接收信号等效信道进行信道估计，得到估计信号；
通过深度卷积神经网络对所述估计信号进行信号解调，得到解调信号；
通过深度学习模型对所述解调信号进行训练，输出所述接收信号的估计值；
通过LS算法进行信道估计的实现过程为：
其中，Rp表示导频位置上的接收信号向量，
表示导频位置上发送的原始信号矩阵；
通过MMSE算法进行信道估计的实现过程为：
其中，Rhh表示接收信号的协方差矩阵，σ2表示噪声功率。
2.根据权利要求1所述的非线性失真条件下基于深度学习的无线通信方法，其特征在于，通过深度卷积神经网络对所述估计信号进行信号解调，得到解调信号，包括：
根据深度卷积神经网络对所述估计信号进行离线训练；
根据定义的损失函数不断调整所述离线训练过程中深度卷积神经网络的参数，得到解调信号；
所述损失函数为估计值与原始值之间的误差均方差：
其中，所述估计信号包括信道估计
以及信号向量r，，解调信号为原始发射信号向量的估计值
或，
所述损失函数为估计值与原始值之间的交叉熵函数：：
其中，xc表示对每个可能的候选元素估计的示性函数，当估计正确时为1，否则为0；pc表示对每个可能的候选元素估计的概率值。
3.根据权利要求1所述的非线性失真条件下基于深度学习的无线通信方法，其特征在于，
所述深度学习模型采用卷积神经网络或全连接神经网络，所述模型训练方法采用梯度优化算法；所述模型训练的损失函数采用估计值与准确值之间的误差均方差；所述模型的深度配置为8－10层中的任意一种。
4.根据权利要求1所述的非线性失真条件下基于深度学习的无线通信方法，其特征在于，
在所述通过LS算法或MMSE算法对接收信号等效信道进行信道估计，得到估计信号前，还包括：
根据非线性失真特性定义的畸变函数对发射原始信号进行信号预处理，以得到接收信号；所述定义的畸变函数为：
其中，
表示经非线性失真畸变后的数据，αi表示i阶分量的增益，P表示最高分量对应的阶数；
此时，接收端的接收信号为：
其中，发射端天线数目为NT；接收端天线数目为NR；；发射端到接收端的无线信道衰落矩阵为H，
发射端向接收端的发射向量为x，
接收机的加性高斯白噪声为n，
5.一种非线性失真条件下基于深度学习的无线通信系统，其特征在于，包括：
初始信道估计模块，用于通过LS算法或MMSE算法对接收信号等效信道进行信道估计，得到估计信号；
信号解调模块，用于通过深度卷积神经网络对所述估计信号进行信号解调，得到解调信号
深度学习训练模块，用于通过深度学习模型对所述解调信号进行训练，输出所述接收信号的估计值；
通过LS算法进行信道估计的实现过程为：
其中，Rp表示导频位置上的接收信号向量，
表示导频位置上发送的原始信号矩阵；
通过MMSE算法进行信道估计的实现过程为：
其中，Rhh表示接收信号的协方差矩阵，σ2表示噪声功率。
6.根据权利要求5所述的非线性失真条件下基于深度学习的无线通信系统，其特征在于，所述信号解调模块，还用于：
根据深度卷积神经网络对所述估计信号进行离线训练；
根据定义的损失函数不断调整所述离线训练过程中深度卷积神经网络的参数，得到解调信号；
所述损失函数为估计值与原始值之间的误差均方差：
其中，所述估计信号包括信道估计
以及信号向量r，，解调信号为原始发射信号向量的估计值
或，
所述损失函数为估计值与原始值之间的交叉熵函数：：
其中，xc表示对每个可能的候选元素估计的示性函数，当估计正确时为1，否则为0；pc表示对每个可能的候选元素估计的概率值。
7.一种计算机终端设备，其特征在于，包括存储器和处理器；
所述存储器与所述处理器耦接，用于存储一个或多个程序；
所述处理器用于根据所述程序中的指令执行权利要求1－4任一项所述的非线性失真条件下基于深度学习的无线通信方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1－4任一项所述的非线性失真条件下基于深度学习的无线通信方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010391318.2A CN111786915B (zh) | 2020-05-09 | 2020-05-09 | 非线性失真条件下基于深度学习的无线通信方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010391318.2A CN111786915B (zh) | 2020-05-09 | 2020-05-09 | 非线性失真条件下基于深度学习的无线通信方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111786915A CN111786915A (zh) | 2020-10-16 |
| CN111786915B true CN111786915B (zh) | 2023-03-14 |
Family
ID=72753227
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010391318.2A Active CN111786915B (zh) | 2020-05-09 | 2020-05-09 | 非线性失真条件下基于深度学习的无线通信方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111786915B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112491754B (zh) * | 2020-11-20 | 2023-01-31 | 西华大学 | 基于ddst及深度学习的信道估计与信号检测方法 |
| US20220239510A1 (en) * | 2021-01-25 | 2022-07-28 | Marvell Asia Pte Ltd | Ethernet physical layer transceiver with non-linear neural network equalizers |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014133650A1 (en) * | 2013-03-01 | 2014-09-04 | Intel IP Corporation | Quasi co-location and pdsch resource element mapping signaling for network assisted interference mitigation |
| CN107743103A (zh) * | 2017-10-26 | 2018-02-27 | 北京交通大学 | 基于深度学习的mmtc系统的多节点接入检测和信道估计方法 |
| CN108234370A (zh) * | 2017-12-22 | 2018-06-29 | 西安电子科技大学 | 基于卷积神经网络的通信信号调制方式识别方法 |
| CN109218233A (zh) * | 2018-11-14 | 2019-01-15 | 国家电网有限公司 | 基于深度特征融合网络的ofdm信道估计方法 |
| 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 |
| CN110099017A (zh) * | 2019-05-22 | 2019-08-06 | 东南大学 | 基于深度神经网络的混合量化系统的信道估计方法 |
| CN110300075A (zh) * | 2019-04-30 | 2019-10-01 | 北京科技大学 | 一种无线信道估计方法 |
| CN110719239A (zh) * | 2019-09-29 | 2020-01-21 | 东南大学 | 一种数据模型双驱动的联合mimo信道估计和信号检测方法 |
| CN110943944A (zh) * | 2019-11-07 | 2020-03-31 | 浙江大学 | 一种基于深度学习的ofdm系统的信道估计方法 |
-
2020
- 2020-05-09 CN CN202010391318.2A patent/CN111786915B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014133650A1 (en) * | 2013-03-01 | 2014-09-04 | Intel IP Corporation | Quasi co-location and pdsch resource element mapping signaling for network assisted interference mitigation |
| CN107743103A (zh) * | 2017-10-26 | 2018-02-27 | 北京交通大学 | 基于深度学习的mmtc系统的多节点接入检测和信道估计方法 |
| CN108234370A (zh) * | 2017-12-22 | 2018-06-29 | 西安电子科技大学 | 基于卷积神经网络的通信信号调制方式识别方法 |
| CN109218233A (zh) * | 2018-11-14 | 2019-01-15 | 国家电网有限公司 | 基于深度特征融合网络的ofdm信道估计方法 |
| 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 |
| CN110300075A (zh) * | 2019-04-30 | 2019-10-01 | 北京科技大学 | 一种无线信道估计方法 |
| CN110099017A (zh) * | 2019-05-22 | 2019-08-06 | 东南大学 | 基于深度神经网络的混合量化系统的信道估计方法 |
| CN110719239A (zh) * | 2019-09-29 | 2020-01-21 | 东南大学 | 一种数据模型双驱动的联合mimo信道估计和信号检测方法 |
| CN110943944A (zh) * | 2019-11-07 | 2020-03-31 | 浙江大学 | 一种基于深度学习的ofdm系统的信道估计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111786915A (zh) | 2020-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Automatic modulation classification using CNN-LSTM based dual-stream structure | |
| CN111464465B (zh) | 一种基于集成神经网络模型的信道估计方法 | |
| Liu et al. | Channel state information prediction for adaptive underwater acoustic downlink OFDMA system: Deep neural networks based approach | |
| Hu et al. | Robust modulation classification under uncertain noise condition using recurrent neural network | |
| CN113472706B (zh) | 一种基于深度神经网络的mimo-ofdm系统信道估计方法 | |
| CN110113288B (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
| CN112887239B (zh) | 基于深度混合神经网络的快速准确水声信号调制方式识别方法 | |
| US20240243952A1 (en) | Data processing for automatic modulation classification of wireless signals | |
| CN111510402B (zh) | 基于深度学习的ofdm信道估计方法 | |
| Kim et al. | Towards deep learning-aided wireless channel estimation and channel state information feedback for 6G | |
| CN111786915B (zh) | 非线性失真条件下基于深度学习的无线通信方法及其系统 | |
| CN112637093A (zh) | 一种基于模型驱动深度学习的信号检测方法 | |
| Qiao et al. | A novel signal detection scheme based on adaptive ensemble deep learning algorithm in SC-FDE systems | |
| Lin et al. | Modulation recognition using signal enhancement and multistage attention mechanism | |
| Zhang et al. | Toward the Automatic Modulation Classification With Adaptive Wavelet Network | |
| Ma et al. | CNN-based automatic modulation recognition of wireless signal | |
| Wang et al. | Learn to adapt to new environments from past experience and few pilot blocks | |
| CN114650199A (zh) | 一种基于数据驱动的深度神经网络信道估计方法及系统 | |
| Zhao et al. | Multi-task learning based underwater acoustic OFDM communications | |
| Alapuranen et al. | Complex artificial neural network with applications to wireless communications | |
| Parmar et al. | Dual-stream CNN-BiLSTM model with attention layer for automatic modulation classification | |
| Ye et al. | Bilinear convolutional auto-encoder based pilot-free end-to-end communication systems | |
| Ali et al. | Modulation format identification using supervised learning and high-dimensional features | |
| Liu et al. | RecNet: Deep learning-based OFDM receiver with semi-blind channel estimation | |
| Yıldırım et al. | Deep receiver design for multi-carrier waveforms using cnns |
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 |