CN112350791A - 一种基于深度学习的太赫兹信号检测方法 - Google Patents

Abstract

本发明属于太赫兹通信系统中的信号检测技术领域，具体来说是一种基于深度学习的太赫兹信号检测方法。本发明涉及深度学习、信号检测、太赫兹系统通信等理论框架。本发明研究了太赫兹系统中利用深度学习的DNN网络替代传统信号检测模块后的误码率(BER)性能，其中DNN可以通过线下训练学习通信数据中的特征，最终得到一个较好的模型，并对信号进行检测。本发明考虑了太赫兹通信系统中硬件损伤对信号检测的影响，并通过仿真证明本发明具有较好的检测性能。

Description

一种基于深度学习的太赫兹信号检测方法

技术领域

本发明属于无线通信技术领域，具体涉及一种基于深度学习的太赫兹信号检测方法。

背景技术

太赫兹通信系统(Terahertz Communication Systems)是未来移动通信技术发展中的一个非常具有前景的方向，它将目前通信系统中所使用的频率提升到了太赫兹频段，极大地提高了频谱效率(Spectrum Efficient，SE)以及数据的传输速率。但太赫兹通信技术带来这些增益的同时也会面临一些新的问题。比如，在传统的无线通信的信道建模中，通常不需要考虑硬件损伤对通信质量的影响。然而在太赫兹通信系统中，太赫兹频率的特性使得硬件损伤对通信性能的影响不容忽视，并且，太赫兹信号在传播过程中也容易被水分子吸收，造成很高的路径损失。因此，一些传统通信系统中的信号检测算法例如最大似然检测(ML)、最小均方误差(MMSE)、迫零算法(ZF)等将不再适用于太赫兹通信系统，我们需要一些新的检测技术对太赫兹通信系统中的信号进行检测，提升系统的性能。

近年来，深度学习(Deep Learning，DL)技术在图像以及语音信号处理等领域获得了空前的成功，并极大地引起了人们的关注，许多研究者也开始思考将深度学习技术融入到无线通信系统中。由于深度神经网络具有很强的学习能力，因此，它们在处理一些拟合和分类任务时能产生较好的效果。因为通信系统中的信号检测从本质上来说可以看做是一种对调制符号进行分类的技术，因此，深度学习理论上也可以应用在通信系统的信号检测领域。

发明内容

本发明的目的，就是针对上述传统信号检测方法在太赫兹通信系统中的不足，提出一种基于深度学习的信号检测方案。即在太赫兹通信系统的接收端采用基于深度学习的信号检测技术，对接收信号进行检测，最大程度还原原始信号，从而使得系统误码率大大降低。

本发明的技术方案是：一种基于深度学习的太赫兹信号检测方法，如图1所示，太赫兹通信系统包括1个基站和1个用户终端设备，基站具有N_r根天线，用户终端设备具有N_t根天线，以平坦瑞利信道为信道模型，发送和接收设备的硬件损伤及噪声均服从高斯分布，系统的调制方案为空间调制(Spatial Modulation，SM)，系统的检测部分使用(deep neuronnetwork)DNN网络结构。则本发明包括以下步骤：

S1、对太赫兹通信系统进行数学建模，接收信号y的公式如下公式1：

y＝h_i(x_i+n_t)+n_r+n_noise (公式1)

公式1中，

为第i根发射天线到接收机的信道衰落系数，x_i为空间调制后第i根天线上传输的调制信号，n_t和n_r分别表示发射机和接收机处的硬件损伤，其中，n_t～CN(0,ξ_t ²P)，n_r～CN(0,ξ_t ²PH_i)，ξ_t ²和ξ_r ²分别为发射机和接收机的硬件损伤水平，P为发射信号的功率，

为高斯白噪声，σ_n ²为噪声的功率；

S2、将信道矩阵

转化为一维向量h，然后再将复数域的h转化为实数域的信号h^real，其中h^real＝[Re(h),Im(h)]^T。同理，接收信号y也转化为实数域信号y^real，其中y^real＝[Re(y),Im(y)]；

S3、将发送端的原始数据比特流s用独热编码(one-hot code)表示，记为s^label,并将接收端转化为实数域信号的y^real及实数域信道状态信息h^real拼接在一起，记为x^input，其表达式如公式2：

其中，y⁽ⁿ⁾表示为接收端的第n个接收数据，h⁽ⁿ⁾表示第n个发射信号经过的信道；

S4、将x^input和s^label制作为DNN网络的训练样本(x^input,s^label)，其中x^input为网络的输入，s^label为网络的标签；

S5、搭建DNN网络结构。本发明的网络结构中隐藏层共使用了5个Dense层，并且在每个Dense层后面都加了一个批归一化层(Batch Normalization)。从第一个Dense层到最后一个Dense层的网络节点数分别设置为1200、800、500、300、100，并且每个Dense层的节点中使用的激活函数都为ReLU函数，最后的输出层也为Dense层，激活函数设置为sigmoid函数，网络进行训练时采用的优化算法为Adam算法，损失函数设置为均方误差函数，采用训练样本进行训练后获得训练好的DNN网络模型。

S6、对网络进行训练，训练完后保存训练好的模型，再将该模型部署到太赫兹通信系统中，用于对信号检测。

本发明的有益效果为，DNN通过线下训练得到最佳模型后再在线上进行部署，能有效降低检测模块的复杂度，同时提升系统性能，降低检测误码率。

附图说明

图1为本发明的系统模型示意图；

图2为本发明与传统的最大似然检测算法(classical-ML)性能对比示意图；

具体实施方式

下面结合附图和仿真示例，以证明本发明的有效性和实用性：

如图2所示，为4×4MIMO，发射端和接收端的硬件损伤水平为ξ_t ²＝ξ_r ²＝-8dB，发射信号的功率P为1情况下，本发明方案与传统最大似然检测算法的性能对比。仿真过程中，网络进行训练时使用了100万个训练样本，采用的优化算法为Adam算法，损失函数设置为均方误差函数(MSE,mean square error)，训练的次数(epoch)设置为50，每个批次的大小(batch size)设置为1000，学习率初始值为0.01，每训练10个轮次(epoch)学习率下降为上一次的

由图2不难发现，本发明的检测性能优于传统的最大似然检测算法，并且随着SNR的提高，性能提升也更加明显，这充分表明本发明在考虑硬件损伤情况下的太赫兹系统中具有较好的适用性。

Claims (1)

1.一种基于深度学习的太赫兹信号检测方法，该方法用于太赫兹通信系统，设太赫兹通信系统包括1个基站和1个用户终端设备，基站具有N_r根天线，用户终端设备具有N_t根天线，以平坦瑞利信道为信道模型，发送和接收设备的硬件损伤及噪声均服从高斯分布，系统的调制方案为空间调制，其特征在于，所述信号检测方法包括以下步骤：

S1、对太赫兹通信系统进行数学建模，接收信号y的公式如下公式1：

y＝h_i(x_i+n_t)+n_r+n_noise (公式1)

公式1中，

为第i根发射天线到接收机的信道衰落系数，x_i为空间调制后第i根天线上传输的调制信号，n_t和n_r分别表示发射机和接收机处的硬件损伤，其中，n_t～CN(0,ξ_t ²P)，n_r～CN(0,ξ_t ²PH_i)，ξ_t ²和ξ_r ²分别为发射机和接收机的硬件损伤水平，P为发射信号的功率，

为高斯白噪声，σ_n ²为噪声的功率；

S2、将信道矩阵

转化为一维向量h，然后再将复数域的h转化为实数域的信号h^real，其中h^real＝[Re(h),Im(h)]^T，同理，接收信号y也转化为实数域信号y^real，其中y^real＝[Re(y),Im(y)]；

S3、将发送端的原始数据比特流s用独热编码表示，记为s^label,并将接收端转化为实数域信号的y^real及实数域信道状态信息h^real拼接在一起，记为x^input，其表达式如公式2：

其中，y⁽ⁿ⁾表示为接收端的第n个接收数据，h⁽ⁿ⁾表示第n个发射信号经过的信道；

S4、将x^input和s^label制作为DNN网络的训练样本(x^input,s^label)，其中x^input为网络的输入，s^label为网络的标签；

S5、搭建DNN网络：DNN网络的隐藏层共使用5个Dense层，并且在每个Dense层后面都加了一个批归一化层，从第一个Dense层到最后一个Dense层的网络节点数分别设置为1200、800、500、300、100，并且每个Dense层的节点中使用的激活函数都为ReLU函数，最后的输出层也为Dense层，激活函数设置为sigmoid函数；网络进行训练时采用的优化算法为Adam算法，损失函数设置为均方误差函数，采用训练样本进行训练后获得训练好的DNN网络模型；

S6、将训练好的DNN网络模型部署到太赫兹通信系统中作为信号检测部分，实现对信号的检测。

Images