CN112118066A - 一种基于改进卷积神经网络的fbmc-pon解调方法 - Google Patents

一种基于改进卷积神经网络的fbmc-pon解调方法 Download PDF

Info

Publication number
CN112118066A
CN112118066A CN202011323225.2A CN202011323225A CN112118066A CN 112118066 A CN112118066 A CN 112118066A CN 202011323225 A CN202011323225 A CN 202011323225A CN 112118066 A CN112118066 A CN 112118066A
Authority
CN
China
Prior art keywords
fbmc
neural network
convolutional neural
data
signal
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
CN202011323225.2A
Other languages
English (en)
Inventor
杨慧
邓鹏程
张先卓
王睿
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong 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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202011323225.2A priority Critical patent/CN112118066A/zh
Publication of CN112118066A publication Critical patent/CN112118066A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04J—MULTIPLEX COMMUNICATION
    • H04J9/00—Multiplex systems in which each channel is represented by a different type of modulation of the carrier
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04J—MULTIPLEX COMMUNICATION
    • H04J14/00—Optical multiplex systems
    • H04J14/02—Wavelength-division multiplex systems
    • H04J14/0227—Operation, administration, maintenance or provisioning [OAMP] of WDM networks, e.g. media access, routing or wavelength allocation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04J—MULTIPLEX COMMUNICATION
    • H04J14/00—Optical multiplex systems
    • H04J14/02—Wavelength-division multiplex systems
    • H04J14/0278—WDM optical network architectures

Landscapes

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

Abstract

本发明公开了一种基于改进卷积神经网络的FBMC‑PON解调方法，将FBMC引入无源光网络，再将卷积神经网络架构用于FBMC‑PON系统的接收机中，采用离线学习的方式，将信道估计与解调作为一个整体，将数据输入到改进卷积神经网络模块，解调比特数据流。本发明不但提高频谱效率、增强系统抗色散能力，增加了数据率；还降低了信号误码率，实现准确的信号补偿。

Description

一种基于改进卷积神经网络的FBMC-PON解调方法
技术领域
本发明属于光通信领域，尤其涉及一种基于改进卷积神经网络的FBMC-PON解调方法。
背景技术
无源光网络（PON）最早在1987被英国电信公司提出的，由于其低成本、大带宽和抗干扰性强被业内广泛认可。是“最后一公里”入网用户缺少带宽的解决方案，在接入领域获得了广泛的研究和应用。如图2所示，一个典型的PON系统包括光线路终端（Optical LineTerminal,OLT）、光分配网络（Optical Distribution Network,ODN）和用户端的光网络单元（Optical Network Unit,ONU）。
随着万物互联时代的到来，一些新型业务诸如5G移动X-TRAP、边缘计算和高清视频分发等正在改变对未来接入网络的需求。为满足持续增长的带宽需求和支持未来的移动业务，下一代PON需要支持单波长传输速率超过50 Gb/s，同时以低成本方式与原接入系统共存。因此，发展高带宽、低成本、低延迟和高灵活性的PON技术在现阶段显得尤为重要。
从成本功耗的角度考虑，遵循平方律检波原理的直接检测凭借低成本、低功耗、可插拔和体积小等优势被认为是PON的首选接收方案。过去广泛采用的调制格式是二进制振幅键控（OOK）调制，该调制格式实现简单且功耗低。但OOK调制频谱利用率低，且在高速传输时由于光纤色散效应会带来严重的传输损伤，极大地限制了直接检测系统的传输距离。为了满足下一代PON的诉求，2007年，美国NEC实验室提出基于正交频分复用的PON（OFDM-PON）方案，将基于DSP的多载波调制技术引入到了光接入网领域。OFDM技术凭借其优良的抗色散性能、高频谱效率、良好的兼容性以及其作为多址技术的灵活性，成为了研究领域关注的焦点。但是OFDM同样存在着严重带外泄露问题。而且OFDM为了确保在色散信道中消除载波间干扰，通常都需要加入循环前缀，但是这些都无疑会降低数据率。
FBMC最先在20世纪60年代由Chang和Saltberg提出，由于实现复杂度过高未得到关注。FBMC由于较高的带外抑制以及高频谱效率被广泛应用到认知无线电和电力线通信等系统中。2008年，M.El Tabach等将FBMC引入光通信系统中。之后在WDM光网络中得到进一步的发展。2008年，欧洲的PHYDYAS项目主要的研究内容包括：原型滤波器的设计，采用多相网络PPN的时域实现来降低系统实现复杂度，接收机的均衡与解调等，为FBMC的研究作出了巨大的贡献。2012年9月，欧盟的“5G-NOW”将FBMC作为了5G物理层的备选方案之一。同年11月，METIS项目将FBMC作为第五代移动通信的核心技术。如今，IEEE和3GPP将FBMC作为下一代移动通信候选波形研究。
FBMC通过使用OQAM调制不再要求载波信号严格正交，将子载波间的正交性从复数域放宽至实数域。并且FBMC从原型滤波器出发，设计时频聚焦特性良好的脉冲来减少带外泄露和子载波间的干扰。不再需要循环前缀，从而提高了数据的利用率。本发明将FBMC引入到PON中，以此解决OFDM-PON系统中引入循环前缀带来的数据率降低的问题。但是FBMC由于放弃了载波间的正交性，会带来虚部干扰问题，加上信道传输过程中受到的非线性干扰，会导致传输质量的严重劣化。信号的均衡会变得更加困难，传统的基于导频的信道均衡方法很难对复杂的非线性损伤信号进行恢复，因此FBMC-PON系统急切的需要一种更加有效的信道补偿算法方法。
近年来，随着大规模数据集的不断涌现和计算机 GPU 计算能力的不断提高，以卷积神经网络 (convolutional neural networks, CNN) 为代表的神经网络模型，如 VGG-16、ResNet、DenseNet 等， 成为模式识别、目标检测、语言处理等研究领域的研究热点。神经网络具有着很强的非线性表示能力，研究证明仅需要3层的网络架构理论上就可以近似出一切函数，正是由于强大的近似表示能力，再辅助大量的训练数据，通过反向传播算法训练最优化参数，从而使得训练出来的网络完美地拟合数据。典型的卷积神经网络的结构包括几个交替的卷积层和池化层，然后是完整的连接层和输出层。卷积神经网络在卷积层中使用局部连接方法，这意味着每个神经元仅连接到前一层中的相邻神经元。 并且同一层中的节点可以共享权重，这将大大减少参数数量，提高模型的训练效率，同时在图像这种涉及大维度数据领域，加入池化层，进一步对提取的特征进行降维，使得网络的推理计算量进一步减小，这些改进也使得卷积神经网络具有低复杂度，高收敛速度和易于优化网络模型的优点，进而超过全连接神经网络更为广泛使用的网络结构。一个经典的二维卷积神经网络的如图3所示。
图4展示的是二维卷积的计算过程，大小4*4的卷积层中，尺寸为2*2的卷积进行卷积操作计算。一个一维卷积层可表示为：
Figure 576382DEST_PATH_IMAGE001
其中，
Figure 962364DEST_PATH_IMAGE002
为网络第
Figure 69997DEST_PATH_IMAGE003
层对应的一维特征图上的第
Figure 934048DEST_PATH_IMAGE004
个神经节点值，
Figure DEST_PATH_IMAGE005
为一维卷积 核的长度，
Figure 171256DEST_PATH_IMAGE006
为卷积核的第
Figure DEST_PATH_IMAGE007
个元素的权值和
Figure 790457DEST_PATH_IMAGE008
为卷积核的偏置，公式表示了卷积过程 中第
Figure DEST_PATH_IMAGE009
层第
Figure 119807DEST_PATH_IMAGE010
个神经元的计算方式，由上一层的范围为
Figure DEST_PATH_IMAGE011
到
Figure 879559DEST_PATH_IMAGE012
的神经节点值与
Figure DEST_PATH_IMAGE013
个
Figure 610755DEST_PATH_IMAGE014
参数求点积加上偏置项得到。对应的二维卷积层可表示如下：
Figure DEST_PATH_IMAGE015
其中，
Figure 666435DEST_PATH_IMAGE016
表示的是网络第
Figure DEST_PATH_IMAGE017
层对应二维特征图上横坐标
Figure 217502DEST_PATH_IMAGE018
,纵坐标
Figure DEST_PATH_IMAGE019
的神经节 点值，
Figure 518296DEST_PATH_IMAGE020
和
Figure DEST_PATH_IMAGE021
表示二维卷积核的宽和高，
Figure 838419DEST_PATH_IMAGE022
表示卷积运算的偏置项，与一维卷积不同的是， 卷积核和特征图变成二维矩阵，故最终第
Figure DEST_PATH_IMAGE023
层的特征图上的横坐标
Figure 330580DEST_PATH_IMAGE024
,纵坐标
Figure DEST_PATH_IMAGE025
的神经节点 值由上一层的横坐标范围
Figure 634522DEST_PATH_IMAGE026
到
Figure DEST_PATH_IMAGE027
和纵坐标范围
Figure 329553DEST_PATH_IMAGE028
到
Figure DEST_PATH_IMAGE029
范围的
Figure 35340DEST_PATH_IMAGE030
个节点与
Figure DEST_PATH_IMAGE031
个参数
Figure 167245DEST_PATH_IMAGE032
求点积加上偏置得到。
在每个卷积层之后通常会接入一些可微的非线性激活函数，使网络具有良好的非线性表达能力。卷积神经网络中还引入了池化层，池化层通常也被称为下采样层，是因为利用采样降低网格大小，简化运算复杂度，常见的池化层有两种，分别是最大池化和平均池化，最大池化会取局部接受域中值最大的点，而平均池化取局部接受域中所有点的平均值，使用池化层可以去除特征图中冗余信息，简化网络复杂度。相比于全连接网络，卷积神经网络主要有以下两个优点。一是卷积神经网络具有权值共享，可减少待学习的参数的数量；二是卷积网络具有位移不变性、尺度不变性和旋转不变性等特点，提高了卷积神经网络的鲁棒性。
发明内容
为了可以有效地解决FBMC-PON中由于虚部干扰带来的非线性失真使得传统的信道估计和均衡不再适用的问题。本发明提供了一种基于改进卷积神经网络的FBMC-PON解调方法。
本发明的一种基于卷积神经网络的FBMC-PON解调方法，具体为：
在数据发送端：
S1、发射比特序列经过M-QAM映射后，再通过OQAM调制得到调制信息序列；
S2、通过子载波映射模块将信号映射到分配的子载波上；
S3、将子载波映射后的频域信号进行快速傅里叶反变换，得到时域信号；
S4、通过滤波器组和串并转换生成FBMC基带信号；
S5、将FBMC基带信号上变频后调制到光上，得到的FBMC信号按照光线路终端所分配的时隙发送出去。
在数据接收端：
S1、通过光电转换得到电信号，接着通过下变频得到FBMC基带信号；
S2、OQAM解映射后的数据输入到改进卷积神经网络模型，得到解调的比特流。
改进卷积神经网络仅仅使用4层网络：输入层、卷积层、全连接层和输出层；改进卷积神经网络模型处理过程为：
S1、构建改进卷积神经网络模型；
S2、获取数据发射单元发出的信号和原始发送数据作为训练数据集，对模型进行训练；
S3、将接收到的数据输入训练完成后的模型中，得到原始比特数据信号。
数据采集方法为：
1）MATLAB根据当前时间为随机种子产生Log(M)*64*N（log(M)是每个符号调制的比特数，N指的是N组OFDM符号数）的伪随机比特序列，存储为改进卷积神经网络模型的标签序列；生成的随机序列经过M-QAM调制映射到64*N的星座向量中；
2）将64*N的QAM符号经过OQAM调制、IFFT和PPN处理为FBMC信号，不添加导频和CP；
3）将MATLAB生成的FBMC信号发送到FBMC-PON仿真模型中进行处理；
4）将步骤3）产生的FBMC信号经过串并转换，滤波器，傅里叶变换和OQAM解调处理后的QAM符号转换为64*N的复数矢量；取信号的实部和虚部，交织组成2*64*N的频域实值向量，并将它存储为改进卷积神经网络模型的数据；
5）重复步骤1）~4），获得改进卷积神经网络模型训练所需的训练和测试样本以及对应的标签。
本发明的有益技术效果为：
1）将FBMC引入到PON中，提高频谱效率、增强系统抗色散能力，增加了数据率。
2）将改进的神经网络架构用于FBMC-PON系统的接收机中，降低了信号误码率，实现准确的信号补偿。
附图说明
图1为本发明基于卷积神经网络的FBMC-PON解调方法系统结构图。
图2为无源光网络架构。
图3为典型卷积神经网络结构图。
图4为卷积过程示意图。
图5为本发明使用的卷积神经网络网络模型结构。
图6为本发明使用的卷积神经网络模型网络结构参数。
具体实施方式
下面结合附图和具体实施方法对本发明做进一步详细说明。
本发明的一种基于改进卷积神经网络的FBMC-PON解调方法通结构如图1所示，具体为：
在数据发送端：
S1、发射比特序列经过M-QAM映射后，再通过OQAM调制得到调制信息序列；
S2、通过子载波映射模块将信号映射到分配的子载波上；
S3、将子载波映射后的频域信号进行快速傅里叶反变换，得到时域信号；
S4、通过滤波器组和串并转换生成FBMC基带信号；
S5、将FBMC基带信号上变频后调制到光上，得到的FBMC信号按照光线路终端所分配的时隙发送出去。
在数据接收端：
S1、通过光电转换得到电信号，接着通过下变频得到FBMC基带信号；
S2、OQAM解映射后的数据输入到改进卷积神经网络模型，得到解调的比特流。
上述改进卷积神经网络仅仅使用4层网络：输入层、卷积层、全连接层和输出层，放弃了池化层的使用，改进卷积神经网络模型处理过程为：
S1、构建改进卷积神经网络模型；
S2、获取数据发射单元发出的信号和原始发送数据作为训练数据集，对模型进行训练；
S3、将接收到的数据输入训练完成后的模型中，得到原始比特数据信号。
数据采集方法为：
1）MATLAB根据当前时间为随机种子产生Log(M)*64*N的伪随机比特序列，存储为改进卷积神经网络模型的标签序列；生成的随机序列经过M-QAM调制映射到64*N的星座向量中；
2）将64*N的QAM符号经过OQAM调制、IFFT和PPN处理为FBMC信号，不添加导频和CP；
3）将MATLAB生成的FBMC信号发送到FBMC-PON仿真模型中进行处理；
4）将步骤3）产生的FBMC信号经过串并转换，滤波器，傅里叶变换和OQAM解调处理后的QAM符号转换为64*N的复数矢量；取信号的实部和虚部，交织组成2*64*N的频域实值向量中，并将它存储为改进的卷积神经网络模型的训练数据；
5）重复步骤1）~4），获得改进卷积神经网络模型训练所需的训练和测试样本以及对应的标签。
仿真实践中，为了同时考虑到通信系统中对性能和复杂度的要求，我们仅仅使用4层网络，并且放弃了池化层的使用，虽然池化层会大量减小系统的计算复杂度，但是同时会使得网络在推理过程中丢失一部分特征，对于通信系统这类对精度有着较高要求的场合，这是不能接受的。图5、图6分别是本实验采用的网络架构和具体细节参数，网络模型由3个1维卷积层和一个全连接输出层组成，接受输入数据的维度为64*2，分别对应64个子载波信号的实部和虚部，第一层卷积核特征图个数128，第二层卷积核特征图个数64，第三个卷积层特征图个数128，并且都是用维度2的卷积核和Leaky Relu激活函数，在每个卷积层后跟一个归一化层，接着将最后一个卷积层后的归一化层的输出平铺为一维向量后输入全连接层，输出128维的向量（使用的是4QAM调制方式），最后使用sigmoid激活函数将全连接层输出值映射到0到1区间的值，取定阈值为0.5，大于0.5的输出则被预测为1比特，小于0.5的输出被预测为0比特。使用Adam优化器对最小均方误差损失函数进行优化。
相比传统的信道估计均衡技术，本发明使用的基于改进卷积神经网络的FBMC-PON解调方法采用离线学习的方式，将信道估计与解调作为一个整体，可以更加有效准确的对信号进行恢复。

Claims (2)

1.一种基于改进卷积神经网络的FBMC-PON解调方法，其特征在于，在数据发送端：
S1、发射比特序列经过M-QAM映射后，再通过OQAM调制得到调制信息序列；
S2、通过子载波映射模块将信号映射到分配的子载波上；
S3、将子载波映射后的频域信号进行快速傅里叶反变换，得到时域信号；
S4、通过滤波器组和串并转换生成FBMC基带信号；
S5、将FBMC基带信号上变频后调制到光上，得到的FBMC信号按照光线路终端所分配的时隙发送出去；
在数据接收端：
S1、通过光电转换得到电信号，接着通过下变频得到FBMC基带信号；
S2、OQAM解映射后的数据输入到改进卷积神经网络模型，得到解调的比特流；
所述改进卷积神经网络模型使用4层网络：输入层、卷积层、全连接层和输出层；改进卷积神经网络模型处理过程为：
S1、构建改进卷积神经网络模型；
S2、获取数据发射单元发出的信号和原始发送数据作为训练数据集，对模型进行训练；
S3、将接收到的数据输入训练完成后的模型中，得到原始比特数据信号。
2.根据权利要求1所述的一种基于改进卷积神经网络的FBMC-PON解调方法，其特征在于，所述改进卷积神经网络模型的输入数据的采集方法为：
1）MATLAB根据当前时间为随机种子产生Log(M)*64*N的伪随机比特序列，存储为改进卷积神经网络模型的标签序列，其中log(M)是每个符号调制的比特数，N指的是N组OFDM符号数；生成的随机序列经过M-QAM调制映射到64*N的星座向量中；
2）将64*N的QAM符号经过OQAM调制、快速傅里叶反变换和多相网络PPN处理为FBMC信号；
3）将MATLAB生成的FBMC信号发送到FBMC-PON仿真模型中进行处理；
4）将步骤3）产生的FBMC信号经过串并转换，滤波器，傅里叶变换和OQAM解调处理后的QAM符号转换为64*N的复数矢量；取信号的实部和虚部，交织组成2*64*N的频域实值向量，并将它存储为改进卷积神经网络模型的数据；
5）重复步骤1）~4），获得改进卷积神经网络模型训练所需的训练和测试样本以及对应的标签。
CN202011323225.2A 2020-11-23 2020-11-23 一种基于改进卷积神经网络的fbmc-pon解调方法 Pending CN112118066A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011323225.2A CN112118066A (zh) 2020-11-23 2020-11-23 一种基于改进卷积神经网络的fbmc-pon解调方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011323225.2A CN112118066A (zh) 2020-11-23 2020-11-23 一种基于改进卷积神经网络的fbmc-pon解调方法

Publications (1)

Publication Number Publication Date
CN112118066A true CN112118066A (zh) 2020-12-22

Family

ID=73794373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011323225.2A Pending CN112118066A (zh) 2020-11-23 2020-11-23 一种基于改进卷积神经网络的fbmc-pon解调方法

Country Status (1)

Country Link
CN (1) CN112118066A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113162725A (zh) * 2021-05-17 2021-07-23 济南德达多网络科技有限公司 光网络运行方法
US11368349B1 (en) 2021-11-15 2022-06-21 King Abdulaziz University Convolutional neural networks based computationally efficient method for equalization in FBMC-OQAM system
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
CN115001912A (zh) * 2022-06-01 2022-09-02 西南交通大学 基于BiLSTM的IFDMA-PON改善方法
CN115208731A (zh) * 2022-07-15 2022-10-18 北京科技大学 一种信号峰均功率比papr抑制方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8068731B2 (en) * 2009-04-07 2011-11-29 Chunghwa Telecom Co., Ltd. Dynamic bandwidth allocation method of Ethernet passive optical network
CN106209687A (zh) * 2016-07-12 2016-12-07 重庆邮电大学 一种混合复用pon全局资源高效分配方法
CN107665365A (zh) * 2016-07-27 2018-02-06 三星电子株式会社 卷积神经网络中的加速器及其操作方法
CN109672517A (zh) * 2018-12-20 2019-04-23 杭州电子科技大学 基于细胞神经网络的ofdm-pon系统的加密及解密方法
CN110535803A (zh) * 2019-09-03 2019-12-03 西南交通大学 一种无源光网络上行传输接收端解调方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8068731B2 (en) * 2009-04-07 2011-11-29 Chunghwa Telecom Co., Ltd. Dynamic bandwidth allocation method of Ethernet passive optical network
CN106209687A (zh) * 2016-07-12 2016-12-07 重庆邮电大学 一种混合复用pon全局资源高效分配方法
CN107665365A (zh) * 2016-07-27 2018-02-06 三星电子株式会社 卷积神经网络中的加速器及其操作方法
CN109672517A (zh) * 2018-12-20 2019-04-23 杭州电子科技大学 基于细胞神经网络的ofdm-pon系统的加密及解密方法
CN110535803A (zh) * 2019-09-03 2019-12-03 西南交通大学 一种无源光网络上行传输接收端解调方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XING CHENG等: "Deep learning-based channel estimation and equalization scheme for FBMC/OQAM systems", 《IEEE WIRELESS COMMUNICATIONS LETTERS》 *
李竹一: "基于神经网络的多载波调制信号联合检测技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113162725A (zh) * 2021-05-17 2021-07-23 济南德达多网络科技有限公司 光网络运行方法
CN113162725B (zh) * 2021-05-17 2022-11-18 上海声赫致远科技集团有限公司 光网络运行方法
US11368349B1 (en) 2021-11-15 2022-06-21 King Abdulaziz University Convolutional neural networks based computationally efficient method for equalization in FBMC-OQAM system
CN115001912A (zh) * 2022-06-01 2022-09-02 西南交通大学 基于BiLSTM的IFDMA-PON改善方法
CN115001912B (zh) * 2022-06-01 2023-07-18 西南交通大学 基于BiLSTM的IFDMA-PON改善方法
CN115208731A (zh) * 2022-07-15 2022-10-18 北京科技大学 一种信号峰均功率比papr抑制方法和装置
CN115208731B (zh) * 2022-07-15 2023-08-25 北京科技大学 一种信号峰均功率比papr抑制方法和装置

Similar Documents

Publication Publication Date Title
CN112118066A (zh) 一种基于改进卷积神经网络的fbmc-pon解调方法
Gao et al. ComNet: Combination of deep learning and expert knowledge in OFDM receivers
CN109067688B (zh) 一种数据模型双驱动的ofdm接收方法
CN110535803B (zh) 一种无源光网络上行传输接收端解调方法
CN113141325B (zh) 光ofdm信号子载波调制格式识别模型训练方法、识别方法及装置
CN111431617B (zh) 一种无线光通信的非对称限幅光ofdm-im调制方法
Zhang et al. Spectrum-efficient triple-layer hybrid optical OFDM for IM/DD-based optical wireless communications
CN109889262A (zh) 一种基于小波变换的正交频分复用自由空间光通信方法
CN114844749B (zh) 基于神经网络的光纤信道估计方法
Ru et al. Model-driven channel estimation for OFDM systems based on image super-resolution network
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
CN109547387A (zh) 一种co-ofdm系统非线性效应抑制方法及系统
CN108848047B (zh) 一种滤波器组多载波发射机实现方法
Kumar et al. Automatic modulation classification for adaptive OFDM systems using convolutional neural networks with residual learning
CN111865848B (zh) 一种信号调制格式识别方法及系统
Ahammed et al. Deep bidirectional LSTM for the signal detection of universal filtered multicarrier systems
CN111884980A (zh) 一种无线光通信的广义索引调制光ofdm调制方法
CN115001912B (zh) 基于BiLSTM的IFDMA-PON改善方法
CN114006794B (zh) 基于复数值神经网络的信道估计方法及系统
CN112054902B (zh) 一种基于子载波挑选掩蔽的高安全非对称加密方法
Zhao et al. Modulation format recognition based on transfer learning for visible light communication systems
CN110048983B (zh) 一种im/dd-ofdm无源光网络接收机的同步方法
CN114679363A (zh) 人工智能辅助ofdm接收机的离线学习方法
Huynh-The et al. Deep learning-based automatic modulation classification for wireless ofdm communications
CN113300995A (zh) 一种用于im/dd-ofdm/oqam-pon系统的信道估计算法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201222