CN112104577A - 用于基于人工神经网络补偿信道的设备及方法 - Google Patents

用于基于人工神经网络补偿信道的设备及方法 Download PDF

Info

Publication number
CN112104577A
CN112104577A CN201911067854.0A CN201911067854A CN112104577A CN 112104577 A CN112104577 A CN 112104577A CN 201911067854 A CN201911067854 A CN 201911067854A CN 112104577 A CN112104577 A CN 112104577A
Authority
CN
China
Prior art keywords
channel
learning
compensating
hidden
neural network
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
CN201911067854.0A
Other languages
English (en)
Inventor
金增一
高荣铁
丁在勋
宋昌翼
韩丞镐
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.)
Hyundai Motor Co
Industry Academic Cooperation Foundation of KNUT
Kia Corp
Original Assignee
Hyundai Motor Co
Kia Motors Corp
Industry Academic Cooperation Foundation of KNUT
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 Hyundai Motor Co, Kia Motors Corp, Industry Academic Cooperation Foundation of KNUT filed Critical Hyundai Motor Co
Publication of CN112104577A publication Critical patent/CN112104577A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00Baseband systems
    • H04L25/02Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202Channel estimation
    • H04L25/022Channel estimation of frequency response
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00Modulated-carrier systems
    • H04L27/26Systems using multi-frequency codes
    • H04L27/2601Multicarrier modulation systems
    • H04L27/2647Arrangements specific to the receiver only
    • H04L27/2655Synchronisation arrangements
    • H04L27/2689Link with other circuits, i.e. special connections between synchronisation arrangements and other circuits for achieving synchronisation
    • H04L27/2695Link 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/082Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/088Non-supervised learning, e.g. competitive learning
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00Baseband systems
    • H04L25/02Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202Channel estimation
    • H04L25/0224Channel estimation using sounding signals
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00Baseband systems
    • H04L25/02Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202Channel estimation
    • H04L25/024Channel estimation channel estimation algorithms
    • H04L25/0254Channel estimation channel estimation algorithms using neural network algorithms
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00Modulated-carrier systems
    • H04L27/26Systems using multi-frequency codes
    • H04L27/2601Multicarrier modulation systems
    • H04L27/2647Arrangements specific to the receiver only
    • H04L27/2655Synchronisation arrangements
    • H04L27/2668Details of algorithms
    • H04L27/2681Details of algorithms characterised by constraints
    • H04L27/2688Resistance to perturbation, e.g. noise, interference or fading
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W4/00Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30Services specially adapted for particular environments, situations or purposes
    • H04W4/40Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W4/00Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30Services specially adapted for particular environments, situations or purposes
    • H04W4/40Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W4/00Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30Services specially adapted for particular environments, situations or purposes
    • H04W4/40Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/46Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]

Landscapes

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

Abstract

一种用于基于人工神经网络补偿信道的设备及方法,用于基于人工神经网络补偿信道的设备包括:信道学习装置,学习信道的特性;以及信道补偿装置,基于信道学习装置的学习结果来补偿信道的错误。

Description

用于基于人工神经网络补偿信道的设备及方法
相关申请的交叉引用
本申请根据要求于2019年6月17日向韩国知识产权局提交的韩国专利申请第10-2019-0071791号的权益,其全部内容通过引用合并于此。
技术领域
本公开涉及基于人工神经网络来补偿信道的错误(噪声、失真)的技术。
背景技术
车辆到一切(V2X)通信技术是一种向驾驶员提供交通安全和应用服务的核心技术,因为数据丢失和传输延迟与驾驶员的安全直接相关,因此它需要高可靠性和低延迟(HR/LL)。
然而,基于IEEE 802.11p物理层标准的车载环境中的无线访问(WAVE)技术是一种通信技术,将IEEE 802.11a/g无线LAN技术改进为适合于车辆环境。由于WAVE技术指定了适合于行人移动速度的子载波和导频的数量,因此由于车辆的高速运动引起的信道变化(高多普勒效应和多径),很难准确估计信道。
尽管已经提出了一种数据导频辅助(data pilot aided,DPA)方案,该方案通过基于先前的OFDM符号构造虚拟数据导频信号来估计当前正交频分复用(OFDM)符号的信道,作为在WAVE V2X通信环境中估计快速变化的信道的方案,DPA信道估计方案会由于估计信道的失真和噪声而在解映射过程中引起错误。
发明内容
本公开的方面提供一种用于基于人工神经网络补偿信道的设备,该设备能够通过学习车辆到一切通信的信道的特性来降低由于车辆的高速运动而引起的分组错误率,并基于此补偿数据导频辅助(DPA)方案中估计的信道的失真和噪声,还提供了其方法。
本发明构思要解决的技术问题不限于上述问题,并且本公开所属领域的技术人员将从以下描述中清楚地理解本文中未提及的任何其他技术问题。
根据本公开的方面,一种用于基于人工神经网络补偿信道的设备,所述设备包括:信道学习装置,学习信道的特性;以及信道补偿装置,基于所述信道学习装置的学习结果来补偿所述信道的错误。
所述信道学习装置可学习车辆到一切(V2X)通信的信道的特性。
所述信道学习装置可学习频域中的信道相关性。
所述信道学习装置可由自动编码器实现。所述自动编码器可利用一个输入层、三个隐藏层以及一个输出层实现。所述隐藏层可包括:第一隐藏层,包括40个隐藏单元;第二隐藏层,包括20个隐藏单元;以及第三隐藏层,包括40个隐藏单元。
所述信道可包括通过数据导频辅助(DPA)方案估计的信道。
所述信道补偿装置可将通过所述DPA方案估计的信道转换为复数形式的矢量,并且通过将预优化的学习参数应用于所述矢量来补偿所述信道的错误。
所述信道补偿装置可针对多个正交频分复用(OFDM)符号来顺序地补偿所述信道的错误。
根据本公开的方面,一种基于人工神经网络补偿信道的方法,所述方法包括以下步骤:由信道学习装置学习所述信道的特性;和由信道补偿装置基于所述信道学习装置的学习结果,补偿所述信道的错误。
学习所述信道的特性可包括:学习车辆到一切(V2X)通信的信道的特性。
学习所述信道的特性可包括:学习频域中的信道相关性。
所述信道学习装置可由自动编码器实现。所述自动编码器可利用一个输入层、三个隐藏层和一个输出层实现。所述隐藏层可包括:第一隐藏层,包括40个隐藏单元;第二隐藏层,包括20个隐藏单元;以及第三隐藏层,包括40个隐藏单元。
所述信道可包括通过数据导频辅助(DPA)方案估计的信道。
补偿所述信道的错误可包括:将通过所述DPA方案估计的信道转换为复数形式的矢量;以及通过将预优化的学习参数应用于所述矢量来补偿所述信道的错误。
补偿所述信道的错误可包括:针对多个正交频分复用(OFDM)符号,顺序地补偿所述信道的错误。
根据本公开的方面,一种非暂时性计算机可读介质,其包含由处理器执行的程序指令,所述计算机可读介质包括:基于人工神经网络来学习信道的特性的程序指令;以及基于所述信道学习装置的学习结果来补偿所述信道的错误的程序指令。
附图说明
通过以下结合附图的详细描述,本公开的上述和其他目的、特征和优点将变得更加明显:
图1是示出根据本公开实施方式的基于人工神经网络补偿信道的设备的图;
图2是示出根据本公开的实施方式的在基于人工神经网络补偿信道的设备中提供的自动编码器的结构的视图;
图3是示出根据本公开的实施方式的在基于人工神经网络补偿信道的设备中提供的信道补偿装置的功能的视图;
图4是根据本发明实施方式的基于人工神经网络补偿信道的设备的性能分析图;
图5是根据本发明实施方式的基于人工神经网络补偿信道的设备的另一性能分析图;
图6是示出根据本公开的实施方式的基于人工神经网络补偿信道的方法的流程图;和
图7是示出根据本公开的实施方式的执行基于人工神经网络补偿信道的方法的计算系统的视图。
具体实施方式
应当理解,本文所使用的术语“车辆”或“车辆的”或其他类似术语通常包括机动车辆,诸如乘用车,包括运动型多用途车(SUV)、公共车辆、卡车、各种商用车辆,包括各种船只的水上交通工具、飞机等,并且包括混合动力车辆、电动车辆、插电式混合动力车辆、氢动力车辆和其他替代燃料车辆(例如,除石油以外的其他资源所产生的燃料)。如本文所指,混合动力车辆是具有两种或更多种动力源的车辆,例如汽油动力车辆和电动动力车辆。
本文中使用的术语仅是出于描述具体实施方式的目的,并且不旨在限制本公开。如本文所用,单数形式“一”、“一个”和“该”也意图包括复数形式,除非上下文另外明确指出。将进一步理解的是,当在本说明书中使用术语“包括”和/或“包含”时,其指定了所述特征、整数、步骤、操作、元件和/或组件的存在,但并不排除一个或多个其他特征、整数、步骤、操作、元件、组件和/或其组的存在或添加。如本文所使用的,术语“和/或”包括一个或多个相关联的所列项目的任何和所有组合。在整个说明书中,除非明确地相反地描述,否则词语“包括”和诸如“具有”或“包含”的变体将被理解为暗示包括所陈述的元件,而不是排除任何其他元件。另外,说明书中描述的术语“单元”,“……器”,“……者”和“模块”是指用于处理至少一个功能和操作的单元,并且可由硬件组件或软件组件及其组合来实现。
此外,本公开的控制逻辑可体现为计算机可读介质上的非暂时性计算机可读介质,该计算机可读介质包含由处理器、控制器等执行的可执行程序指令。计算机可读介质的实例包括但不限于ROM、RAM、光盘(CD)-ROM、磁带、软盘、闪存驱动器、智能卡和光学数据存储设备。所述计算机可读介质还可分布在网络耦合的计算机系统中,使得所述计算机可读介质以分布式方式被存储和执行,例如,由远程信息处理服务器或控制器局域网(CAN)执行。
在下文中,将参照示例性附图详细描述本公开的一些实施方式。在将附图标记添加到每个附图的组件中时,应当注意,即使相同或等同的组件显示在其他附图上,也由相同的附图标记表示。此外,在描述本公开的实施方式时,将排除对公知特征或功能的详细描述,以免不必要地使本公开的主旨不清楚。
在描述根据本公开的实施方式的组件时,可使用诸如第一、第二、“A”、“B”、(a)、(b)等之类的术语。这些术语仅旨在将一个组件与另一组件区分开,并且这些术语不限制组成组件的性质、序列或顺序。除非另有定义,否则本文中使用的所有术语,包括技术或科学术语,具有与本公开所属领域的技术人员通常理解的含义相同的含义。在通用词典中定义的术语应解释为具有与相关领域相关的上下文含义相同的含义,并且不应解释为具有理想或过分正式的含义除非在本申请中明确定义为具有这样的含义。
图1是示出根据本公开的实施方式的用于基于人工神经网络补偿信道的设备的视图。
如图1所示,根据本公开的实施方式的用于基于人工神经网络补偿信道的设备100可包括信道学习装置10和信道补偿装置20。根据实现根据本公开的实施方式的用于基于人工神经网络补偿信道的设备100的方案,组件可彼此组合并且被实现为控制装置(未示出),并且可省略一些组件。
在这种情况下,控制装置可执行整体控制,以使得每个组件执行正常功能。另外,控制装置可以以硬件或软件的形式来实现,并且当然可以以硬件和软件的组合的形式来实现。优选地,控制装置可被实现为微处理器,但是实施方式不限于此。
控制装置可包括存储装置(未示出)。存储装置可包括闪存类型、硬盘类型、微型类型、卡类型(例如,安全数字(SD)卡或极限数字(XD)卡)等的存储器的存储介质的至少一种类型,以及随机存取存储器(RAM)、静态RAM、只读存储器(ROM)、可编程ROM(PROM)、电可擦除PROM(EEPROM)、磁存储器(MRAM)、磁盘和光盘型存储器。
信道学习装置10可被实现为例如自动编码器,其接收车辆到一切(V2X)通信的信道作为学习数据并学习每个信道的特性。即,信道学习装置10学习频域中信道之间的相关性。
在这种情况下,V2X通信(即,车辆通信)是指车辆之间的车辆到车辆(V2V)无线通信、车辆与基础设施之间的车辆到基础设施(V2I)无线通信有线、车辆内有线和无线网络(IVN)、车辆到行人(V2P)通信等。
在下文中,将参考图2描述自动编码器的配置。
图2是示出根据本公开的实施方式的在用于基于人工神经网络补偿信道的设备中提供的自动编码器的结构的视图。
通常,深度学习(或深度神经网络)是一种机器学习,包括输入和输出之间的多层人工神经网络(ANN)。
在多层人工神经网络的情况下,学习可能无法正确完成。为了解决这个问题,已经提出了一种自动编码器作为机器学习方案。
自动编码器是一种设计为将输入复制到输出的学习方案,如图2所示,通过查找相似数据中特性之间的相关性来搜索最佳解决方案。
当配置了人工神经网络时,隐藏层(Hidden Layer)的每一层中的隐藏单元HI的数量被配置为小于输入层的维数(dimension)h0,使得可提取输入数据的特征并且可移除噪声。
为了利用这样的自动编码器的特征,根据本公开的实施方式,首先通过利用在离线模式下基于V2X信道模型生成的频域的信道数据作为学习数据来学习自动编码器。在这种情况下,由于频域中的信道是由时域中的少量信道抽头(tap)产生的,因此信道之间具有较高的相关性。
因此,自动编码器可通过具有少量隐藏层和隐藏单元的无监督学习来学习信道特征,包括频域中信道之间的相关性。
如此学习的自动编码器可用于移除由DPA方案估计的信道的错误(失真和噪声)。
具体而言,当考虑具有“L”层的自动编码器时,具有dI维数的第l隐藏层hl,
Figure BDA0002259959630000081
可由以下等式1表示。
[等式1]
Figure BDA0002259959630000082
具体而言,
Figure BDA0002259959630000083
表示权重矩阵,
Figure BDA0002259959630000084
表示偏差矢量,并且表示φl激活函数。
作为实例,自动编码器可利用一个输入层、三个隐藏层和一个输出层来实现。在这种情况下,每个隐藏层的隐藏单元的数量可被设置为第一隐藏层的40个隐藏单元,第二隐藏层的20个隐藏单元和第三隐藏层的40个隐藏单元。
在下文中,将描述自动编码器的学习过程。
首先,基于V2X信道的概况生成随机时域的CIR(信道脉冲响应),并且通过快速傅立叶变换(FFT)将所生成的CIR在频域中转换为信道频率响应(CFR)。转换后的结果表示为H。
之后,使用变换后的频域的H转换为输入矢量(输入矢量)。在这种情况下,作为实例,输入矢量x(n)可表示为下面的等式2。
[等式2]
Figure BDA0002259959630000091
具体而言,[]T代表转置运算,R{}代表复数的实数部分,而J{}代表复数的虚数部分。
另外,H(n)指的是与数据子载波(SD)和导频子载波(SP)对应的第n个学习数据。在这种情况下,保护频带和中心子载波可从数据子载波中排除。
例如,学习数据是指在总共64个OFDM子载波中,排除11个保护频带和1个DC子载波的52个子载波(4个导频子载波和48个数据子载波)。
H(n)可例如根据等式3表示。
[等式3]
Figure BDA0002259959630000101
另一方面,自动编码器的输出矢量
Figure BDA0002259959630000102
可由以下等式4表示。
[等式4]
Figure BDA0002259959630000103
自动编码器基于N条学习数据,优化学习参数
Figure BDA0002259959630000104
以最小化均方错误,如以下等式5所示。
[等式5]
Figure BDA0002259959630000105
作为参考,在学习过程中,可将学习率设置为0.0001,可使用Adam优化器来计算MSE,并且可通过Xavier技术初始化参数。
此后,可在IEEE 802.11p系统的信道估计过程中利用学习的自动编码器。
接下来,信道补偿装置20基于由信道学习装置10学习的结果来补偿由信道估计装置200估计的信道的噪声和失真。在这种情况下,信道估计装置200可估计DPA方案中的信道。
在下文中,将参考图3描述信道补偿装置20的功能。
图3是示出根据本公开的实施方式的用于基于人工神经网络补偿信道的设备中提供的信道补偿装置的功能的视图,其中,从前导码到最后一个OFDM符号执行错误补偿处理。(数据I)。
如图3所示,数据1至数据L表示OFDM符号,并且通过初始信道估计过程估计的初始信道估计值可用于估计DATA 1的信道。
在实例中,可通过使用前导码的两个长学习符号来估计初始信道。在这种情况下,初始信道估计值
Figure BDA0002259959630000111
可由以下等式6表示。
[等式6]
Figure BDA0002259959630000112
具体而言,
Figure BDA0002259959630000113
Figure BDA0002259959630000114
表示两个长时间学习符号,并且X0(k)表示在接收端已知的长时间学习符号。
然后,数据恢复设备300通过使用第i个接收信号Yi(k)和第i-1个符号的信道Hi-1(k)来恢复第i个OFDM符号的数据子载波的数据
Figure BDA0002259959630000115
这可由以下等式7表示。
[等式7]
Figure BDA0002259959630000116
此后,信道估计装置200通过使用与由数据恢复装置300恢复的数据
Figure BDA0002259959630000117
和四个导频子载波SP相对应的Xi(k)来估计当前OFDM符号的信道。在这种情况下,估计的信道
Figure BDA0002259959630000118
可是由以下等式8表示。
[等式8]
Figure BDA0002259959630000121
此后,信道补偿装置20将由信道估计装置200估计的信道
Figure BDA0002259959630000124
转换为复数形式的矢量。作为实例,可通过以下等式9来表达转换后的矢量。
[等式9]
Figure BDA0002259959630000122
然后,信道补偿装置20基于由信道学习装置10所学习的结果,通过对复数类型的矢量应用优化后的学习参数,对信道估计装置200所估计的信道
Figure BDA0002259959630000125
的噪声和失真进行补偿。补偿结果可由以下等式10表示。
[等式10]
Figure BDA0002259959630000123
此后,在将
Figure BDA0002259959630000126
积分为复数形式之后可使用信道补偿装置20估计下一个OFDM符号的信道。
由于上述信道补偿处理中信道估计装置200对初始信道进行的估计处理和信道估计处理是众所周知的技术,因此它们不是本公开的要旨,因此,简要描述。
图4是根据本公开实施方式的用于基于人工神经网络补偿信道的设备的性能分析图。图4示出了在车辆之间的相对速度为126km/h的环境中的分组错误率。
如图4所示,每个图表示当不应用本公开的实施方式时的分组错误率和当应用本公开的实施方式时的分组错误率。
通过图4可理解,应用(提出的)本公开的实施方式时的分组错误率比未应用本公开的实施方式时的分组错误率小得多,即分别应用频谱时间平均、构造的数据导频(CDP)、时域可靠测试频域内插(TRFI)和迭代信道估计和解码(ICED),作为DPA方案的一种。
图5是根据本公开实施方式的用于基于人工神经网络的补偿信道的设备的另一性能分析图,其中,示出了车辆之间的相对速度为252km/h的环境中的分组错误率。
如图5所示,每个图表示当不应用本公开的实施方式时的分组错误率和当应用本发明的实施方式时的分组错误率。
通过图5可理解,应用(提出的)本公开的实施方式时的分组错误率比未应用本公开的实施方式时的分组错误率小得多,即分别应用频谱时间平均、构造的数据导频(CDP)、时域可靠测试频域内插(TRFI)和迭代信道估计和解码(ICED),作为DPA方案的一种。
同时,可以以802.11p芯片组结构来实现本公开的实施方式。在这种情况下,可实施实施方式以基于车辆的速度在低速驾驶的情况下而不是在高速驾驶的情况下执行信道补偿处理。
图6是示出根据本公开的实施方式的基于人工神经网络补偿信道方法的流程图。
首先,在操作601中,信道学习装置10学习信道的特性。
此后,在操作602中,信道补偿装置20基于信道学习装置10的学习结果来补偿由信道估计装置200估计的信道的错误。
图7是示出根据本公开的实施方式的执行基于人工神经网络补偿信道的方法的计算系统的视图。
参照图7,可通过计算系统来实现根据本公开的实施方式的基于人工神经网络补偿信道方法。计算系统1000可包括经由总线1200彼此连接的至少一个处理器1100、存储器1300、用户界面输入装置1400、用户界面输出装置1500、存储器1600和网络接口1700。
处理器1100可以是处理存储在存储器1300和/或存储装置1600中的指令的中央处理单元(CPU)或半导体装置。存储器1300和存储装置1600可包括各种类型的易失性或非易失性存储介质。例如,存储器1300可包括ROM(只读存储器)和RAM(随机存取存储器)。
因此,结合本文公开的实施方式描述的方法或算法的操作可直接体现在由处理器1100执行的硬件或软件模块中,或者以其组合形式体现。软件模块可驻留在诸如RAM、闪存、ROM、EPROM、EEPROM、寄存器、硬盘、可移动磁盘、CD-ROM的存储介质上(即,存储器1300和/或存储制造1600)。该示例性存储介质可耦合到处理器1100,并且处理器1100可从该存储介质中读取信息并且可将信息记录在该存储介质中。可替代地,存储介质可与处理器1100集成。处理器1100和存储介质可驻留在专用集成电路(ASIC)中。ASIC可驻留在用户终端内。在另一种情况下,处理器1100和存储介质可作为单独的组件驻留在用户终端中。
根据本公开的实施方式的用于基于人工神经网络补偿信道的设备和方法可学习V2X通信信道的特性,并且可以基于信道特性对由DPA方案估计的信道的失真和噪声进行补偿,因此,可降低由于车辆的高速运动引起的分组错误率。
另外,根据本公开的实施方式的用于基于人工神经网络补偿信道的设备和方法可结合DPA信道估计方案和自动编码器,该自动编码器是神经网络的无监督学习方案之一,以便以较低的复杂度来补偿DPA方案的弱点,并显著提高信道估计的准确性。
另外,根据本公开的实施方式的用于基于人工神经网络补偿信道的设备和方法可通过自动编码器的学习方案,学习难以数学分析的无线信道的干扰和失真。
上文中,尽管已经参考示例性实施方式和附图描述了本公开,但是本公开不限于此,本公开所属领域的技术人员可在不脱离所附权利要求书要求保护的本公开的精神和范围的情况下对本公开进行各种修改和改变。
因此,提供本公开的示例性实施方式以解释本公开的精神和范围,但不限制它们,因此,本公开的精神和范围不受实施方式的限制。本公开的范围应该基于所附权利要求来解释,并且在等同于权利要求的范围内的所有技术构思都应当包括在本公开的范围内。

Claims (19)

1.一种用于基于人工神经网络补偿信道的设备,所述设备包括:
信道学习装置,被配置为学习信道的特性;以及
信道补偿装置,被配置为基于所述信道学习装置的学习结果来补偿所述信道的错误。
2.根据权利要求1所述的设备,其中,所述信道学习装置被配置为学习车辆到一切通信的信道的特性。
3.根据权利要求1所述的设备,其中,所述信道学习装置被配置为学习频域中的信道相关性。
4.根据权利要求1所述的设备,其中,所述信道学习装置由自动编码器实现。
5.根据权利要求4所述的设备,其中,所述自动编码器利用一个输入层、三个隐藏层以及一个输出层来实现。
6.根据权利要求5所述的设备,其中,所述隐藏层包括:第一隐藏层,包括40个隐藏单元;第二隐藏层,包括20个隐藏单元;以及第三隐藏层,包括40个隐藏单元。
7.根据权利要求1所述的设备,其中,所述信道包括通过数据导频辅助方案估计的信道。
8.根据权利要求7所述的设备,其中,所述信道补偿装置被配置为将通过所述数据导频辅助方案估计的信道转换为复数形式的矢量,并且通过将预优化的学习参数应用于所述矢量来补偿所述信道的错误。
9.根据权利要求8所述的设备,其中,所述信道补偿装置被配置为针对多个正交频分复用符号来顺序地补偿所述信道的错误。
10.一种基于人工神经网络补偿信道的方法,所述方法包括以下步骤:
由信道学习装置学习信道的特性;以及
由信道补偿装置基于所述信道学习装置的学习结果来补偿所述信道的错误。
11.根据权利要求10所述的方法,其中,学习所述信道的特性包括:学习车辆到一切通信的信道的特性。
12.根据权利要求10所述的方法,其中,学习所述信道的特性包括:学习频域中的信道相关性。
13.根据权利要求10所述的方法,其中,所述信道学习装置由自动编码器实现。
14.根据权利要求13所述的方法,其中,所述自动编码器利用一个输入层、三个隐藏层以及一个输出层来实现。
15.根据权利要求14所述的方法,其中,所述隐藏层包括:第一隐藏层,包括40个隐藏单元;第二隐藏层,包括20个隐藏单元;以及第三隐藏层,包括40个隐藏单元。
16.根据权利要求10所述的方法,其中,所述信道包括通过数据导频辅助方案估计的信道。
17.根据权利要求16所述的方法,其中,补偿所述信道的错误包括:
将通过所述数据导频辅助方案估计的信道转换为复数形式的矢量;以及
通过将预优化的学习参数应用于所述矢量来补偿所述信道的错误。
18.根据权利要求17所述的方法,其中,补偿所述信道的错误包括:针对多个正交频分复用符号来顺序地补偿所述信道的错误。
19.一种非暂时性计算机可读介质,包含由处理器执行的程序指令,所述计算机可读介质包括:
基于人工神经网络来学习信道的特性的程序指令;以及
基于信道学习装置的学习结果来补偿所述信道的错误的程序指令。
CN201911067854.0A 2019-06-17 2019-11-04 用于基于人工神经网络补偿信道的设备及方法 Pending CN112104577A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190071791A KR20200143999A (ko) 2019-06-17 2019-06-17 인공신경망 기반의 채널 보상 장치 및 그 방법
KR10-2019-0071791 2019-06-17

Publications (1)

Publication Number Publication Date
CN112104577A true CN112104577A (zh) 2020-12-18

Family

ID=73744846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911067854.0A Pending CN112104577A (zh) 2019-06-17 2019-11-04 用于基于人工神经网络补偿信道的设备及方法

Country Status (3)

Country Link
US (1) US11627443B2 (zh)
KR (1) KR20200143999A (zh)
CN (1) CN112104577A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112968847A (zh) * 2021-02-18 2021-06-15 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

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200143999A (ko) * 2019-06-17 2020-12-28 현대자동차주식회사 인공신경망 기반의 채널 보상 장치 및 그 방법
CN114006794B (zh) * 2021-10-09 2022-11-25 苏州大学 基于复数值神经网络的信道估计方法及系统
CN114338324B (zh) * 2021-12-15 2023-09-12 北京许继电气有限公司 一种基于rbf神经网络的多普勒频偏估计方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150249554A1 (en) * 2013-06-21 2015-09-03 Dhadesugoor Vaman Adaptive demodulation method and apparatus using an artificial neural network to improve data recovery in high speed channels
CN106027438A (zh) * 2016-07-04 2016-10-12 东南大学 一种用于模数混合调幅广播系统的抗混叠调制解调器
CN108337057A (zh) * 2018-02-08 2018-07-27 合肥工业大学 一种基于三层神经网络的列车通信信道预测方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9630318B2 (en) * 2014-10-02 2017-04-25 Brain Corporation Feature detection apparatus and methods for training of robotic navigation
US11334807B1 (en) * 2017-06-23 2022-05-17 Virginia Tech Intellectual Properties, Inc. Learning approximate estimation networks for communication channel state information
US10420051B2 (en) * 2018-03-27 2019-09-17 Intel Corporation Context aware synchronization methods for decentralized V2V networks
US10637544B1 (en) * 2018-04-24 2020-04-28 Genghiscomm Holdings, LLC Distributed radio system
KR20200143960A (ko) * 2019-06-17 2020-12-28 현대자동차주식회사 영상을 이용한 객체 인식 장치 및 그 방법
KR20200143999A (ko) * 2019-06-17 2020-12-28 현대자동차주식회사 인공신경망 기반의 채널 보상 장치 및 그 방법
US20220138523A1 (en) * 2020-11-02 2022-05-05 Ning Li Method for human immortality
US20220156581A1 (en) * 2020-11-13 2022-05-19 Honda Motor Co., Ltd. Systems and methods for reinforced hybrid attention for motion forecasting

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150249554A1 (en) * 2013-06-21 2015-09-03 Dhadesugoor Vaman Adaptive demodulation method and apparatus using an artificial neural network to improve data recovery in high speed channels
CN106027438A (zh) * 2016-07-04 2016-10-12 东南大学 一种用于模数混合调幅广播系统的抗混叠调制解调器
CN108337057A (zh) * 2018-02-08 2018-07-27 合肥工业大学 一种基于三层神经网络的列车通信信道预测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112968847A (zh) * 2021-02-18 2021-06-15 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

Also Published As

Publication number Publication date
KR20200143999A (ko) 2020-12-28
US20200396575A1 (en) 2020-12-17
US11627443B2 (en) 2023-04-11

Similar Documents

Publication Publication Date Title
CN112104577A (zh) 用于基于人工神经网络补偿信道的设备及方法
Doukopoulos et al. Blind adaptive channel estimation in OFDM systems
EP1860810B1 (en) Wireless communication apparatus and channel estimation and separation methods in multi-input system
US7813421B2 (en) Order recursive computation for a MIMO equalizer
CN113890796B (zh) 基于otfs系统调制解调的高速信道估计装置及方法
EP2353262B1 (en) OFDM channel estimation method and apparatus
JP2007089167A (ja) 直交周波数分割多重システムにおけるチャネル推定方法及びチャネル推定器
US8411805B1 (en) Joint estimation of channel and preamble sequence for orthogonal frequency division multiplexing systems
CN106911600B (zh) 提高v2v信息传输可靠性的方法和装置
CN113206809B (zh) 一种联合深度学习与基扩展模型的信道预测方法
CN112910810B (zh) 多输入多输出正交频分复用系统的同步方法、装置及介质
CN101808054A (zh) 信道估计的实现方法和装置
CN112714086B (zh) 一种频偏估计方法及基站
US8320508B1 (en) Joint estimation of channel and preamble sequence for orthogonal frequency division multiplexing systems
EP1901505A2 (en) Wireless communication apparatus
CN115664898A (zh) 一种基于复数卷积神经网络的ofdm系统信道估计方法及系统
CN106027431A (zh) 一种信道估计方法
Pan et al. An improved subspace-based algorithm for blind channel identification using few received blocks
EP2299641B1 (en) Process for estimating the channel in a OFDM communication system, and receiver for doing the same
US20090180557A1 (en) Channel estimation device and related method of an orthogonal frequency division multiplexing system
Ozdemir et al. Toward real-time adaptive low-rank LMMSE channel estimation of MIMO-OFDM systems
CN115412416B (zh) 一种面向高速移动场景的低复杂度otfs信号检测方法
CN111291511A (zh) 一种基于历史信息的软卡尔曼滤波迭代时变信道估计方法
CN111970028B (zh) 基于循环最小化的电力线通信系统脉冲噪声抑制方法
CN114244675A (zh) 一种基于深度学习的mimo-ofdm系统信道估计方法

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