CN112235023A - 一种基于模型驱动深度学习的mimo-scfde自适应传输方法 - Google Patents

一种基于模型驱动深度学习的mimo-scfde自适应传输方法 Download PDF

Info

Publication number
CN112235023A
CN112235023A CN202011095005.9A CN202011095005A CN112235023A CN 112235023 A CN112235023 A CN 112235023A CN 202011095005 A CN202011095005 A CN 202011095005A CN 112235023 A CN112235023 A CN 112235023A
Authority
CN
China
Prior art keywords
adaptive
mimo
scfde
modulation
model
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.)
Granted
Application number
CN202011095005.9A
Other languages
English (en)
Other versions
CN112235023B (zh
Inventor
李军
尚李杨
张志东
于印长
乔元健
付文文
韩永力
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.)
Qilu University of Technology
Original Assignee
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 Qilu University of Technology filed Critical Qilu University of Technology
Publication of CN112235023A publication Critical patent/CN112235023A/zh
Application granted granted Critical
Publication of CN112235023B publication Critical patent/CN112235023B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04B7/0413—MIMO systems
    • 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
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component 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
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation

Abstract

本发明涉及一种基于模型驱动深度学习的MIMO‑SCFDE自适应传输方案。该发明基于MIMO‑SCFDE系统建立自适应传输模型。采用AMNet和ADNet分别替代传统系统中的信号调制和调制识别部分。AMNet采用以2D CNN、LSTM和FC‑DNN为子网络的组合网络，构成集成神经网络模型,根据接收端的信道状况调整发送端的调制方式,通过将接收信号中提取的特征信息输入到多个子网络中，并根据训练得到的网络参数实现特征与最优调制方案的转化。同时选用不同路径延迟下的接收功率作为自适应因子来实现对每个子网络结果的自适应集成。ADNet根据循环谱具有在低信噪比下对信号类型准确检测的优势，基于循环谱图的复杂度，完成对调制识别方案的自适应选择。本系统更适合5G通信系统对性能的要求。

Description

一种基于模型驱动深度学习的MIMO-SCFDE自适应传输方法
技术领域
本发明涉及智能通信领域，特别涉及一种基于模型驱动深度学习的MIMO-SCFDE自适应传输方法。
背景技术
自适应传输技术是指系统的发射机利用信道状态信息(CSI)自适应调整传输策略的技术，包括改变发射功率、调整调制方式或调整信道编码方案，从而提高了信息传输速率或可靠性。传统的自适应传输技术大多通过复杂的算法来提高通信系统的性能。然而，对于要求高效率、高密度的5G通信来说，计算复杂度的增加必然会降低通信的有效性。随着人工智能技术的兴起，深度学习作为一种先进的数据处理算法在图像分析和语音识别中得到了广泛的应用。深度学习与无线通信的有机结合将成为物理层传输的突破。
深度学习应用到通信系统物理层的信号传输研究主要分为数据驱动网络和模型驱动网络两种。基于数据驱动的深度学习网络将无线通信系统的多个功能块看作一个未知的黑盒子，利用深度学习网络取而代之，然后依赖大量训练数据完成输入到输出的训练。该方法抛弃了现有的无线通信知识，需要大量的数据进行训练和学习。相比之下，基于模型驱动的深度学习网络保持了原有的物理层结构，使用训练效率高的深度学习模型代替某个模块或可训练参数以优化整体性能，该技术已成为物理层传输技术最有潜力的发展方向之一。
发明内容
本发明解决现有多输入多输出单载波频域均衡系统(MIMO-SCFDE)的自适应传输方法中基于规则方案所造成的吞吐量和可靠性低的问题，提供了一种分别采用AMNet和ADNet来实现待传输信号调制和接收信号调制方式识别的自适应传输方法。
本发明所采用的技术方案是，一种基于模型驱动深度学习的MIMO-SCFDE自适应传输方法，所述方法包括以下步骤：
步骤1：基于MIMO-SCFDE无线通信系统框架生成自适应传输方法所需的数据集。AMNet数据集的特征信息来自于在接收端提取的估计的信噪比信息、信道矩阵的秩信息、信道矩阵的标记信息以及信道均衡信息，并且通过分析信号检测性能根据最优的调制方式分配标签。ADNet数据集的特征信息来自不同调制方式的循环谱，根据调制方式的类别进行分配标签；
步骤2：将步骤1所述的两个模型的样本数据随机打乱并重新划分为12000组训练集用于离线训练，3000组验证集用于验证模型的性能和2000组测试集用于网络性能的在线测试。
步骤3：基于步骤2所述的训练数据，利用主成分分析(PCA)算法对特征信息进行线性降维，将多种维度的特征信息作为自适应传输模型的输入；
步骤4：将步骤3所述数据中每组提取的特征参数分别输入到以2-D CNN、LSTM和FC-DNN为子网络的AMNet和采用集成CNN的ADNet中进行自学习，前者子网络的数目等于不同发送天线和接收天线间组合的个数，后者子网络数目为所采用的调制方式的个数；
步骤5：AMNet中采用不同路径延时的接收功率作为自适应因子将步骤4所述的每个子网络的输出结果进行自适应集成。ADNet中采用集成的CNN根据循环谱图的复杂度进行集成分析。
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MIMO-SCFDE系统的调制和调制识别部分进行在线测试。
优选地，所述步骤1中，自适应传输模型的数据集是四天线MIMO-SCFDE系统基于BPSK、QPSK、16QAM和64QAM四种调制方式下生成，AMNet标签为1-256种调制方案，ADNet数据集的标签设定为BPSK、QPSK、16QAM和64QAM调制类别。
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PCA降维后的特征信息作为两类特征信息，自适应传输模型根据两类特征信息优化参数，以增加模型的可拓展性。
优选地，所述步骤4中，2D CNN网络采用由多个卷积滤波器组成的卷积层和一个平均池化层进行提取，LSTM网络采用4层隐含层，状态激活函数采用tanh，时间步长设置为5，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，AMNet中每组特征参数经过每一个子网络后都会生成一种调制方案Si，其由0和1组成的向量来表示，根据自适应因子与输出结果的乘积求和完成自适应集成。ADNet的复杂度计算参数为颜色矩，灰度共生矩阵，信息熵以及边缘检测，并根据不同调制方式的循环谱图与CNN深度的适应性关系，对复杂度为0，1，2，3的循环谱图分别采用LeNet-5，AlexNet，VGG-16和ResNet-50进行识别，进而充分发挥CNN的固有特性。
所述步骤5中，AMNet的训练过程包括以下步骤：
步骤5.1：将12000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以获得最佳的权值和偏置值，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3000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 BDA0002723392420000041
本发明所述一种基于模型驱动深度学习的MIMO-SCFDE自适应传输方法，采用以上技术方案与现有技术相比，具有以下技术效果：
本发明涉及一种基于模型驱动深度学习的MIMO-SCFDE自适应传输方法，采用创新性的结构设计，基于MIMO-SCFDE建立自适应传输模型。系统采用AMNet和ADNet分别替代系统的调制和调制识别部分。AMNet是采用以2D CNN，LSTM和FC-DNN的组合网络为子网络的集成神经网络模型，模型可根据接收端的信道状况自适应的调整发送端调制方式的选择。通过从接收信号中提取的特征信息输入到不同子网络中根据训练得到的网络参数进行特征与最优调制方案的转化，并且选用不同路径的延迟因子作为自适应因子来实现对每个子网络结果的自适应集成。ADNet根据循环谱具有在低信噪比下对信号类型准确检测的优势，基于循环谱图复杂度完成对调制方式识别方案的自适应选择。为实现输入特征的多样性，采用PCA算法对特征信息进行线性降维，将多维度的特征信息作为集成模型的输入。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是模型驱动MIMO-SCFDE系统结构图
图2 AMNet模型结构图
图3 ADNet模型结构图
图4是自适应传输方法的吞吐量性能图
图5是自适应传输方法的调制识别准确率图
具体实施方式
下面结合实施例对本发明做进一步的详细描述，但本发明的保护范围并不限于此。
本发明涉及基于模型驱动深度学习的MIMO-SCFDE自适应传输方法，模型驱动MIMO-SCFDE系统模型如图1所示，所述方法包括以下步骤。
步骤1：基于MIMO-SCFDE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，自适应调制和自适应调制方式识别的标签分别为不同天线间调制方式的组合和BPSK、QPSK、16QAM和64QAM四种调制方式。
所述步骤1中，MIMO-SCFDE无线通信系统的具体实现过程包括以下步骤：
步骤1.1：发送端待传输的比特信息经过串并变换后变为多路信号并分配给不同的天线。每一路信号根据接收信号反馈的信道信息自适应的选择最优的调制方式，在加入循环前缀(CP)后通过不同的天线发送。
步骤1.2：经过高斯白噪声信道后，接收信号进行去除CP处理，此时第k根条线的接收信号可表示为：
Figure BDA0002723392420000061
步骤1.3：若假设噪声为满足均值为0，方差为v的加性高斯白噪声，对第k根条线的接收信号做FFT变换，得到的频域信号可以表示为：
Figure BDA0002723392420000062
步骤1.4：由于系统在接收端去掉CP后，可将时域信号与信道冲激响应的线性卷积转换为循环卷积，同时可利用时域上做循环卷积变换到频域，表现为频域信号与对应频域子信道增益逐点相乘的性质。因此，第k个频域子信道上，全部N个接收天线接收到的信号为：
Figure BDA0002723392420000071
步骤2：将步骤1所述的样本数据随机打乱并重新划分为12000组训练集、3000以及2000组测试集，并对数据进行归一化处理，使得数据范围为(0，1)。
步骤3：基于步骤2所述的训练数据，利用主成分分析(PCA)算法对特征信息进行降维处理。PCA算法的实现包括以下步骤：
步骤3.1：将原始数据按列组成n行d列矩阵X；
步骤3.2：将X的每一列(代表一个属性)进行零均值化，即减去这一列的均值；
步骤3.3：求出协方差矩阵
Figure BDA0002723392420000072
步骤3.4：求出协方差矩阵的特征值及对应的特征向量；
步骤3.5：将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P；
步骤3.6：Y＝PX即为降维到k维后的数据；
步骤4：基于步骤2和步骤3所述的数据集，利用AMNet和ADNet来提取接收信号的特征，两者模型结构分别如图2和图3所示，AMNet算法通过2D CNN，LSTM和FC-DNN的组合网络来实现。2D的CNN包含一个由多个卷积滤波器组成的卷积层和一个平均池化层，分别用来提取估计信道的特征参数和实现待处理数据的预处理。原特征参数和预处理后的特征参数共同作为LSTM的输入来提高特征参数的多样性。2D CNN的输出可以表示为：
Figure BDA0002723392420000081
每个LSTM单元通过遗忘门、输入门和输出门的配合完成信息的长时记忆以及特征信息的进一步提取，经过t个时间步长后，LSTM的输出可以得到为：
Figure BDA0002723392420000082
其后接一个三层的FC-DNN使得网络的输出维度与调制方案的类别一致，公式表示为：
Figure BDA0002723392420000083
ADNet模型的设计是根据调制信号的循环谱在循环频率轴上的分布呈现循环平稳的离散特征，而且已调信号在循环频率非零处的循环谱幅度值较大，噪声没有幅度值或幅度值很小，所以可利用循环频率不为零处的循环谱特征对接收信号进行调制方式识别。谱自相关函数的估计算法是循环谱图获取的重要步骤，循环自相关函数的离散形式可以表示为：
Figure BDA0002723392420000084
循环自相关函数的FFT变换形式可以表示为：
Figure BDA0002723392420000085
在有限的数据段内，循环谱密度函数采用离散频率平滑方法可以被估计为：
Figure BDA0002723392420000086
本发明中，LSTM网络采用4层隐含层，每一层神经元个数分别为50，20，50，20，时间步长设置为5，FC-DNN层数为3层。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。ADNet中，根据不同调制方式的循环谱图与CNN深度的适应性关系，对复杂度为0，1，2，3的循环谱图分别采用LeNet-5，AlexNet，VGG-16和ResNet-50进行识别，进而充分发挥CNN的固有特性。
步骤5：将步骤4所述AMNet子网络不同路径延时下的接收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。
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信道和特征参数的数目分别设置为i(i＝1，2，…，m)和j(j＝1，2，…，n)，因此接收功率可以表示为：
Figure BDA0002723392420000091
步骤5.2：计算的i个信道和第j组特征参数的自适应因子为：
Figure BDA0002723392420000092
其中，
Figure BDA0002723392420000093
步骤5.3：通过矩阵工对每个子网络所对应参数的预测结果Sx进行组合。加入自适应因子后，基于AMNet得到的调制方案表示为：
Figure BDA0002723392420000094
步骤6：根据由步骤1、步骤2、步骤3、步骤4和步骤5所建立的模型分别替代MIMO-SCFDE系统的调制和调制识别部分进行在线测试，并得到系统的吞吐量性能，如图4所示。
以上技术方案的设计基于一种基于模型驱动深度学习的MIMO-SCFDE自适应传输方法，采用创新性的结构设计，基于MIMO-SCFDE建立自适应传输模型。AMNet是采用以2DCNN，LSTM和FC-DNN的组合网络为子网络的集成神经网络模型。从每个符号中提取的特征信息输入到不同子网络中根据训练得到的网络参数进行特征与最优调制方案的转化，并且选用不同路径延迟下的接收功率作为自适应因子来实现对每个子网络结果的自适应集成。ADNet根据循环谱具有在低信噪比下对信号类型准确检测的优势，基于循环谱图复杂度完成对调制方式识别方案的自适应选择。为实现输入特征的多样性，采用PCA算法对特征信息进行线性降维，将多维度的特征信息作为集成模型的输入。此方案可有效解决在某一特定BER下吞吐量优化的问题，符合当下5G通信的要求。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (10)

1.一种基于模型驱动和深度学习的MIMO-SCFDE自适应传输方法，其特征在于，所述方法包括以下步骤：
步骤1：基于MIMO-SCFDE无线通信系统框架生成自适应传输方法所需的数据集，AMNet数据集的特征信息来自于在接收端提取的估计的信噪比信息、信道矩阵的秩信息、信道矩阵的标记信息以及信道均衡信息，并且通过分析信号检测性能根据最优的调制方式分配标签，ADNet数据集的特征信息来自不同调制方式的循环谱，根据调制方式的类别进行分配标签；
步骤2：将步骤1所述的两个模型的样本数据随机打乱并重新划分为12000组训练集用于离线训练，3000组验证集用于验证模型的性能和2000组用于网络性能的测试，并对数据进行归一化处理；
步骤3：基于步骤2所述的数据集，利用主成分分析(PCA)算法对特征信息进行线性降维，将多维度的特征信息作为自适应传输模型的输入；
步骤4：将步骤3所述数据中每组提取的特征参数分别输入到以2D CNN、LSTM和FC-DNN为子网络的AMNet和采用集成CNN的ADNet中进行自学习，前者子网络的数目等于不同发送天线和接收天线间组合的个数，后者子网络数目为所采用的调制方式的个数；
步骤5：AMNet中每组特征参数经过每一个子网络后都会生成一种调制方法Si，其由0和1组成的向量来表示，根据对自适应因子与输出结果的乘积求和完成自适应集成；ADNet中采用复杂度分类CNN根据循环谱的复杂度进行集成分析，其复杂度计算参数为颜色矩，灰度共生矩阵，信息熵以及边缘检测，并根据不同调制方式的循环谱图与CNN深度的适应性关系，对复杂度为0，1，2，3的循环谱图分别采用LeNet-5，AlexNet，VGG-16和ResNet-50进行识别，进而充分发挥CNN的固有特性；
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MIMO-SCFDE系统的调制和调制识别部分进行在线测试。
2.根据权利要求1所述的一种基于模型驱动和深度学习的MIMO-SCFDE自适应传输方法，其特征在于：所述步骤2中，数据归一化公式为
Figure FDA0002723392410000021
(其中，xi *表示归一化后的数据，xi表示原始数据，xmax和xmin分别表示原始数据集的最大值和最小值。)
3.根据权利要求1所述的一种基于模型驱动和深度学习的MIMO-SCFDE自适应传输方法，其特征在于：所述步骤3中，主成分分析(PCA)算法的实现包括以下步骤：
步骤3.1：将原始数据按列组成n行d列矩阵X；
步骤3.2：将X的每一列(代表一个属性)进行零均值化，即减去这一列的均值；
步骤3.3：求出协方差矩阵
Figure FDA0002723392410000022
步骤3.4：求出协方差矩阵的特征值及对应的特征向量；
步骤3.5：将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P；
步骤3.6：Y＝PX即为降维到k维后的数据。
4.根据权利要求1所述的一种基于模型驱动和深度学习的MIMO-SCFDE自适应传输方法，其特征在于：所述步骤4中，2D CNN网络采用由多个卷积滤波器组成的卷积层和一个平均池化层对数据进行提取，LSTM网络采用4层隐含层，状态激活函数采用tanh，时间步长设置为5，FC-DNN的层数为3层，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LSTM神经网络，其特征在于：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所述的一种基于模型驱动和深度学习的MIMO-SCFDE自适应传输方法，其特征在于：所述步骤5中，AMNet的训练过程包括以下步骤：
步骤6.1：将12000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以获得最佳的权值和偏置值，神经网络的学习率随着迭代次数的增加而减少；
步骤6.2：将3000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6.3：损失函数选用交叉熵函数：
Figure FDA0002723392410000031
7.根据权利要求1所述的一种基于模型驱动和深度学习的MIMO-SCFDE自适应传输方法，其特征在于：所述步骤5中，采用不同路径延时下的接收功率作为自适应因子对子网络的输出结果进行自适应集成包括以下步骤：
步骤7.1：设自适应集成模型中信道和特征参数的数目分别设置为i(i＝1，2，…，m)和j(j＝1，2，…，n)，因此接收功率可以表示为：
Figure FDA0002723392410000041
步骤7.2：计算第i个信道和第j组参数的自适应因子为：
Figure FDA0002723392410000042
其中，
Figure FDA0002723392410000043
步骤7.3：通过矩阵I对每个子网络所对应参数的预测结果Sx进行组合，每个预测结果都是由0和1组成的向量来表示。加入自适应因子后，基于AMNet得到的调制方法表示为：
Figure FDA0002723392410000044
8.根据权利要求1所述的一种基于模型驱动和深度学习的MIMO-SCFDE自适应传输方法，其特征在于：MIMO-SCFDE通信系统在保证一定的误码率的情况下采用AMNet和ADNet分别替代系统的调制和调制识别部分进行在线测试。
9.根据权利要求1所述的一种基于模型驱动和深度学习的MIMO-SCFDE自适应传输方法，其特征在于：选用系统吞吐量性能和调制识别准确率作为自适应传输模型的性能评估指标。
10.根据权利要求8所述的一种基于模型驱动和深度学习的MIMO-SCFDE自适应传输方法，其特征在于：吞吐量的计算是在保证某一目标误码率的基础之上，而误码率的计算采用MMSE方法获得。
CN202011095005.9A 2020-10-09 2020-10-14 一种基于模型驱动深度学习的mimo-scfde自适应传输方法 Active CN112235023B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2020110816168 2020-10-09
CN202011081616 2020-10-09

Publications (2)

Publication Number Publication Date
CN112235023A true CN112235023A (zh) 2021-01-15
CN112235023B CN112235023B (zh) 2021-11-30

Family

ID=74112668

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011095005.9A Active CN112235023B (zh) 2020-10-09 2020-10-14 一种基于模型驱动深度学习的mimo-scfde自适应传输方法

Country Status (1)

Country Link
CN (1) CN112235023B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420644A (zh) * 2021-03-12 2021-09-21 国网山东省电力公司临沂供电公司 一种基于航测影像的场景高精度分类方法和系统
CN113723353A (zh) * 2021-09-13 2021-11-30 上海交通大学 一种随机多径干扰条件下基于cbd网络的调制信号识别方法
CN113765643A (zh) * 2021-10-05 2021-12-07 北京遥感设备研究所 一种信道估计方法及系统
CN114826833A (zh) * 2022-03-11 2022-07-29 国网福建省电力有限公司经济技术研究院 一种IRS辅助MEC中CF-mMIMO的通信优化方法及终端
CN115996159A (zh) * 2022-09-09 2023-04-21 四川九洲电器集团有限责任公司 一种多层级自适应传输链路构建方法和系统
CN116073929A (zh) * 2023-03-17 2023-05-05 湖南迈克森伟电子科技有限公司 一种mimo卫星通信系统中的数据检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103312644A (zh) * 2013-05-30 2013-09-18 北京大学 一种可调光频谱效率的单载波频域均衡光传输方法
CN110430013A (zh) * 2019-07-15 2019-11-08 华中科技大学 一种基于深度学习的rcm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
CN111224906A (zh) * 2020-02-21 2020-06-02 重庆邮电大学 基于深度神经网络的近似消息传递大规模mimo信号检测算法
CN111245755A (zh) * 2020-01-08 2020-06-05 中国船舶重工集团公司第七二四研究所 一种低复杂度单载波频域均衡系统自适应速率传输方法
CN111583129A (zh) * 2020-04-09 2020-08-25 天津大学 基于卷积神经网络AMNet的屏摄图像摩尔纹去除方法
CN111614587A (zh) * 2020-05-25 2020-09-01 齐鲁工业大学 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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103312644A (zh) * 2013-05-30 2013-09-18 北京大学 一种可调光频谱效率的单载波频域均衡光传输方法
CN110430013A (zh) * 2019-07-15 2019-11-08 华中科技大学 一种基于深度学习的rcm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
CN111245755A (zh) * 2020-01-08 2020-06-05 中国船舶重工集团公司第七二四研究所 一种低复杂度单载波频域均衡系统自适应速率传输方法
CN111224906A (zh) * 2020-02-21 2020-06-02 重庆邮电大学 基于深度神经网络的近似消息传递大规模mimo信号检测算法
CN111583129A (zh) * 2020-04-09 2020-08-25 天津大学 基于卷积神经网络AMNet的屏摄图像摩尔纹去除方法
CN111614587A (zh) * 2020-05-25 2020-09-01 齐鲁工业大学 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIAO CHEN;JULIAN CHENG: "Data-Rate Driven Transmission Strategies for Deep Learning-Based Communication Systems", 《 IEEE TRANSACTIONS ON COMMUNICATIONS》 *
张凯鑫: "基于深度学习的SC-FDE符号检测研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420644A (zh) * 2021-03-12 2021-09-21 国网山东省电力公司临沂供电公司 一种基于航测影像的场景高精度分类方法和系统
CN113723353A (zh) * 2021-09-13 2021-11-30 上海交通大学 一种随机多径干扰条件下基于cbd网络的调制信号识别方法
CN113723353B (zh) * 2021-09-13 2023-12-12 上海交通大学 一种随机多径干扰条件下基于cbd网络的调制信号识别方法
CN113765643A (zh) * 2021-10-05 2021-12-07 北京遥感设备研究所 一种信道估计方法及系统
CN113765643B (zh) * 2021-10-05 2023-11-14 北京遥感设备研究所 一种信道估计方法及系统
CN114826833A (zh) * 2022-03-11 2022-07-29 国网福建省电力有限公司经济技术研究院 一种IRS辅助MEC中CF-mMIMO的通信优化方法及终端
CN114826833B (zh) * 2022-03-11 2024-01-26 国网福建省电力有限公司经济技术研究院 一种IRS辅助MEC中CF-mMIMO的通信优化方法及终端
CN115996159A (zh) * 2022-09-09 2023-04-21 四川九洲电器集团有限责任公司 一种多层级自适应传输链路构建方法和系统
CN116073929A (zh) * 2023-03-17 2023-05-05 湖南迈克森伟电子科技有限公司 一种mimo卫星通信系统中的数据检测方法
CN116073929B (zh) * 2023-03-17 2023-06-09 湖南迈克森伟电子科技有限公司 一种mimo卫星通信系统中的数据检测方法

Also Published As

Publication number Publication date
CN112235023B (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
CN112235023B (zh) 一种基于模型驱动深度学习的mimo-scfde自适应传输方法
Huang et al. Unsupervised learning-based fast beamforming design for downlink MIMO
CN112637093B (zh) 一种基于模型驱动深度学习的信号检测方法
CN112418014B (zh) 基于小波变换和卷积长短期记忆神经网络的调制信号识别方法
CN106059972B (zh) 一种基于机器学习算法的mimo相关信道下的调制识别方法
CN105142177B (zh) 复数神经网络信道预测方法
CN111630787A (zh) 基于深度学习的mimo多天线信号传输与检测技术
Ozpoyraz et al. Deep learning-aided 6G wireless networks: A comprehensive survey of revolutionary PHY architectures
CN107332598A (zh) 一种基于深度学习的mimo系统联合预编码和天线选择方法
Zhou et al. Deep reservoir computing meets 5G MIMO-OFDM systems in symbol detection
CN112347871B (zh) 一种用于通信载波监视系统的干扰信号调制识别方法
CN110120926A (zh) 基于演化bp神经网络的通信信号调制方式识别方法
JP2022537979A (ja) 機械学習支援プリコーディングのためのデバイス及び方法
CN111010222B (zh) 一种基于深度学习的大规模mimo下行用户调度方法
CN114745248B (zh) 基于卷积神经网络的dm-gsm信号检测方法
CN114513394B (zh) 一种基于注意力机制图神经网络的信号调制格式识别方法、系统、装置及存储介质
Ding et al. Data-and-knowledge dual-driven automatic modulation recognition for wireless communication networks
CN114764577A (zh) 一种基于深度神经网络的轻量级调制识别模型及其方法
Ali et al. Modulation format identification using supervised learning and high-dimensional features
KR102064301B1 (ko) Mimo 시스템 기반의 앙상블 기계 학습을 이용한 신호 검출 장치 및 그 방법
CN117220740A (zh) 一种非合作场景下通信与干扰一体化系统波束形成方法
Li et al. Model-driven deep learning scheme for adaptive transmission in MIMO-SCFDE system
CN113839744B (zh) 一种基于深度学习的广义无线光mimo系统的盲检测方法
CN114759997B (zh) 一种基于数据模型双驱动的mimo系统信号检测方法
CN114422310B (zh) 一种基于联合分布矩阵与多输入神经网络的数字正交调制信号识别方法

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
GR01 Patent grant
GR01 Patent grant