CN112350791A - 一种基于深度学习的太赫兹信号检测方法 - Google Patents
一种基于深度学习的太赫兹信号检测方法 Download PDFInfo
- Publication number
- CN112350791A CN112350791A CN202011171787.XA CN202011171787A CN112350791A CN 112350791 A CN112350791 A CN 112350791A CN 202011171787 A CN202011171787 A CN 202011171787A CN 112350791 A CN112350791 A CN 112350791A
- Authority
- CN
- China
- Prior art keywords
- terahertz
- real
- signal
- signal detection
- communication system
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 238000004891 communication Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000006735 deficit Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000005562 fading Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000004088 simulation Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 5
- 238000000034 method Methods 0.000 description 5
- 238000007476 Maximum Likelihood Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
- H04L1/0045—Arrangements at the receiver end
- H04L1/0047—Decoding adapted to other signal detection operation
- H04L1/005—Iterative decoding, including iteration between signal detection and decoding operation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
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
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Nr根天线，用户终端设备具有Nt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＝hi(xi+nt)+nr+nnoise (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，xi为空间调制后第i根天线上传输的调制信号，nt和nr分别表示发射机和接收机处的硬件损伤，其中，nt～CN(0,ξt 2P)，nr～CN(0,ξt 2PHi)，ξt 2和ξr 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，σn 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hreal，其中hreal＝[Re(h),Im(h)]T。同理，接收信号y也转化为实数域信号yreal，其中yreal＝[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slabel,并将接收端转化为实数域信号的yreal及实数域信道状态信息hreal拼接在一起，记为xinput，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xinput和slabel制作为DNN网络的训练样本(xinput,slabel)，其中xinput为网络的输入，slabel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ξt 2＝ξr 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Nr根天线，用户终端设备具有Nt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＝hi(xi+nt)+nr+nnoise (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，xi为空间调制后第i根天线上传输的调制信号，nt和nr分别表示发射机和接收机处的硬件损伤，其中，nt～CN(0,ξt 2P)，nr～CN(0,ξt 2PHi)，ξt 2和ξr 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，σn 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hreal，其中hreal＝[Re(h),Im(h)]T，同理，接收信号y也转化为实数域信号yreal，其中yreal＝[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slabel,并将接收端转化为实数域信号的yreal及实数域信道状态信息hreal拼接在一起，记为xinput，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xinput和slabel制作为DNN网络的训练样本(xinput,slabel)，其中xinput为网络的输入，slabel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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011171787.XA CN112350791B (zh) | 2020-10-28 | 2020-10-28 | 一种基于深度学习的太赫兹信号检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011171787.XA CN112350791B (zh) | 2020-10-28 | 2020-10-28 | 一种基于深度学习的太赫兹信号检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112350791A true CN112350791A (zh) | 2021-02-09 |
| CN112350791B CN112350791B (zh) | 2022-02-08 |
Family
ID=74359241
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011171787.XA Expired - Fee Related CN112350791B (zh) | 2020-10-28 | 2020-10-28 | 一种基于深度学习的太赫兹信号检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112350791B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3357596A1 (en) * | 2017-02-07 | 2018-08-08 | Fundacíon Tecnalia Research & Innovation | Method, system and computer program for detecting printed elements on iron and steel products |
| CN109509223A (zh) * | 2018-11-08 | 2019-03-22 | 西安电子科技大学 | 基于深度学习的前方车辆测距方法 |
| CN110068544A (zh) * | 2019-05-08 | 2019-07-30 | 广东工业大学 | 物质识别网络模型训练方法及太赫兹光谱物质识别方法 |
| US20190294758A1 (en) * | 2018-03-26 | 2019-09-26 | Uchicago Argonne, Llc | Identification and localization of rotational spectra using recurrent neural networks |
| CN110336594A (zh) * | 2019-06-17 | 2019-10-15 | 浙江大学 | 一种基于共轭梯度下降法的深度学习信号检测方法 |
| WO2019200289A1 (en) * | 2018-04-13 | 2019-10-17 | The Regents Of The University Of California | Devices and methods employing optical-based machine learning using diffractive deep neural networks |
| CN111311574A (zh) * | 2020-02-14 | 2020-06-19 | 山西大学 | 基于人工智能的太赫兹病变检测方法及系统 |
| US10699163B1 (en) * | 2017-08-18 | 2020-06-30 | Massachusetts Institute Of Technology | Methods and apparatus for classification |
| CN111813222A (zh) * | 2020-07-09 | 2020-10-23 | 电子科技大学 | 一种基于太赫兹雷达的精细动态手势识别方法 |
-
2020
- 2020-10-28 CN CN202011171787.XA patent/CN112350791B/zh not_active Expired - Fee Related
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3357596A1 (en) * | 2017-02-07 | 2018-08-08 | Fundacíon Tecnalia Research & Innovation | Method, system and computer program for detecting printed elements on iron and steel products |
| US10699163B1 (en) * | 2017-08-18 | 2020-06-30 | Massachusetts Institute Of Technology | Methods and apparatus for classification |
| US20190294758A1 (en) * | 2018-03-26 | 2019-09-26 | Uchicago Argonne, Llc | Identification and localization of rotational spectra using recurrent neural networks |
| US20190294757A1 (en) * | 2018-03-26 | 2019-09-26 | Uchicago Argonne, Llc | Identification and assignment of rotational spectra using artificial neural networks |
| WO2019200289A1 (en) * | 2018-04-13 | 2019-10-17 | The Regents Of The University Of California | Devices and methods employing optical-based machine learning using diffractive deep neural networks |
| CN109509223A (zh) * | 2018-11-08 | 2019-03-22 | 西安电子科技大学 | 基于深度学习的前方车辆测距方法 |
| CN110068544A (zh) * | 2019-05-08 | 2019-07-30 | 广东工业大学 | 物质识别网络模型训练方法及太赫兹光谱物质识别方法 |
| CN110336594A (zh) * | 2019-06-17 | 2019-10-15 | 浙江大学 | 一种基于共轭梯度下降法的深度学习信号检测方法 |
| CN111311574A (zh) * | 2020-02-14 | 2020-06-19 | 山西大学 | 基于人工智能的太赫兹病变检测方法及系统 |
| CN111813222A (zh) * | 2020-07-09 | 2020-10-23 | 电子科技大学 | 一种基于太赫兹雷达的精细动态手势识别方法 |
Non-Patent Citations (6)
| Title |
|---|
| HENGTAO HE 等: "Deep Learning-Based Channel Estimation for Beamspace mmWave Massive MIMO Systems", 《IEEE WIRELESS COMMUNICATIONS LETTERS》 * |
| JIE LIU 等: "Study of Structural Reliability Evaluation Method Based on Deep BP Neural Network", 《2018 PROGNOSTICS AND SYSTEM HEALTH MANAGEMENT CONFERENCE (PHM-CHONGQING)》 * |
| YAN XIE 等: "A proposal for phase-locked arrays of terahertz quantum cascade lasers", 《2017 42ND INTERNATIONAL CONFERENCE ON INFRARED, MILLIMETER, AND TERAHERTZ WAVES (IRMMW-THZ)》 * |
| YINGHUI ZHANG 等: "Deep Learning-Based Beamspace Channel Estimation in mmWave Massive MIMO Systems", 《IEEE WIRELESS COMMUNICATIONS LETTERS》 * |
| 谢莎 等: "太赫兹通信技术综述", 《通信学报》 * |
| 齐竟雄: "毫米波及太赫兹无源探测动目标检测跟踪算法研究", 《中国优秀硕士学位论文全文数据库（信息科技辑）》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112350791B (zh) | 2022-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110365612B (zh) | 一种基于近似消息传递算法的深度学习波束域信道估计方法 | |
| Ozpoyraz et al. | Deep learning-aided 6G wireless networks: A comprehensive survey of revolutionary PHY architectures | |
| CN110113288B (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
| Wang et al. | Pilot-assisted channel estimation and signal detection in uplink multi-user MIMO systems with deep learning | |
| CN111786724B (zh) | 基于深度学习的多波长led水下可见光通信调制方法 | |
| CN110336594B (zh) | 一种基于共轭梯度下降法的深度学习信号检测方法 | |
| CN113630130B (zh) | 端到端数字通信解调方法 | |
| Yang et al. | Deep multimodal learning: Merging sensory data for massive MIMO channel prediction | |
| CN111565160B (zh) | 一种海洋通信系统联合信道分类、估计和检测方法 | |
| CN113452420B (zh) | 一种基于深度神经网络的mimo信号检测方法 | |
| CN114584448A (zh) | 基于深度神经网络的sm-ofdm信号分组检测方法 | |
| Hua et al. | Signal detection in uplink pilot-assisted multi-user MIMO systems with deep learning | |
| CN114745248B (zh) | 基于卷积神经网络的dm-gsm信号检测方法 | |
| Helmy et al. | Performance enhancement of massive MIMO using deep learning-based channel estimation | |
| Zou et al. | Underwater wireless optical communication with one-bit quantization: A hybrid autoencoder and generative adversarial network approach | |
| Ye et al. | Bilinear convolutional auto-encoder based pilot-free end-to-end communication systems | |
| Huang et al. | Deep learning based parallel detector for MIMO systems | |
| Saikia et al. | Signal detection in GSM-based in-band full-duplex communication using DNN | |
| CN112350791B (zh) | 一种基于深度学习的太赫兹信号检测方法 | |
| CN113141214A (zh) | 基于深度学习的水下光通信失准鲁棒盲接收机设计方法 | |
| CN117319847A (zh) | 一种多维整形联合的相干端到端均衡系统 | |
| CN101651643A (zh) | 基于空间分集的小波神经网络盲均衡方法 | |
| Xue et al. | A modular neural network based deep learning approach for MIMO signal detection | |
| CN113489545B (zh) | 基于k均值聚类的光空间脉冲位置调制分步分类检测方法 | |
| Yao et al. | End-to-End MIMO Systems with Conditional Generative Adversarial Networks |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220208 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |