CN112511469A - 一种基于深度学习的稀疏水声信道估计方法 - Google Patents

一种基于深度学习的稀疏水声信道估计方法 Download PDF

Info

Publication number
CN112511469A
CN112511469A CN202011361757.5A CN202011361757A CN112511469A CN 112511469 A CN112511469 A CN 112511469A CN 202011361757 A CN202011361757 A CN 202011361757A CN 112511469 A CN112511469 A CN 112511469A
Authority
CN
China
Prior art keywords
underwater acoustic
acoustic channel
sparse
impulse response
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.)
Granted
Application number
CN202011361757.5A
Other languages
English (en)
Other versions
CN112511469B (zh
Inventor
刘思聪
高龙杰
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.)
Xiamen University
Original Assignee
Xiamen 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 Xiamen University filed Critical Xiamen University
Priority to CN202011361757.5A priority Critical patent/CN112511469B/zh
Publication of CN112511469A publication Critical patent/CN112511469A/zh
Application granted granted Critical
Publication of CN112511469B publication Critical patent/CN112511469B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/0212—Channel estimation of impulse response
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/0224—Channel estimation using sounding signals
    • H04L25/0228—Channel estimation using sounding signals with direct estimation from sounding signals

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

一种基于深度学习的稀疏水声信道估计方法，涉及水声通信技术领域。构建水声信道估计模型，搭建一个稀疏感知的深度神经网络，利用水声信道训练数据集对稀疏感知的深度神经网络的权重进行训练，使其能够准确学习所述水声信道稀疏特征；利用已训练的稀疏感知的深度神经网络，对待估计水声信道脉冲响应进行估计，得到水声信道脉冲响应估计值；选取水声信道脉冲响应估计值中具有最大幅值的K个元素对应的索引，得到水声信道稀疏支撑集；利用水声信道稀疏支撑集，得到水声信道脉冲响应精细化估计值。通过深度学习水声信道的稀疏特征，能够在通信条件恶劣的水声信道中，有效提高水声信道估计的精度和频谱效率，满足未来不断增长的水声通信需求。

Description

一种基于深度学习的稀疏水声信道估计方法
技术领域
本发明涉及水声通信技术领域，尤其是涉及一种基于深度学习的稀疏水声信道估计方法。
背景技术
近几十年来，水声通信的应用领域日益广泛，主要包括海洋环境的监测，海洋资源的获取以及海洋军事的应用等，这促使了对水声通信的需求不断增长。然而，由于水声信道具有许多复杂的特性，包括严重的多径衰落，多普勒扩展和大的传输延迟等，所以水声信道估计一直是水声正交频分复用系统中的一个难题。
为了提高水声信道估计的精度，已有许多专利提出相关的水声信道估计方法。如中国专利公布号为CN102724147A的专利提出了一种水声正交频分复用的信道估计方法，中国专利公布号为CN109150772A的专利提出了一种基于正交匹配追踪的水声信道时延估计方法，中国专利公布号为CN109194596A的专利提出了一种基于稀疏贝叶斯学习的水声OFDM时变信道估计方法。但是，在环境噪声较强或导频测量数据不足等条件下，现有的水声信道估计方法的估计精度受限，较难以满足较高估计精度的要求。因此，需要设计一种能准确估计水声信道的方法以满足未来不断增长的水声通信需求。
为此，本发明提出基于深度学习的稀疏水声信道估计方法，该方法通过深度学习水声信道的稀疏特征，从而能够有效提高水声信道估计的精度和频谱效率。
发明内容
本发明的目的是提供利用搭建的稀疏感知的深度神经网络以深度学习水声信道的稀疏特征，并根据水声信道稀疏特征，能够在通信条件恶劣的水声信道中，有效提高水声信道估计的精度和频谱效率的一种基于深度学习的稀疏水声信道估计方法。
本发明包括以下步骤：
步骤1：在水声正交频分复用系统中，发射机发送长度为N的发送OFDM数据块X，经过信道脉冲响应为h的水声信道传输后，接收机接收到长度为N的接收OFDM数据块Y；在所述发送OFDM数据块X和所述接收OFDM数据块Y中，分别包括长度为Np的发送导频Xp和接收导频Yp；
步骤2：在发送OFDM数据块X和接收OFDM数据块Y中，通过提取出发送导频Xp和接收导频Yp，以构建水声信道估计模型；
步骤3：搭建一个稀疏感知的深度神经网络，利用水声信道训练数据集对所述稀疏感知的深度神经网络的权重进行训练，使其能够准确学习所述水声信道稀疏特征；
步骤4：利用已训练的稀疏感知的深度神经网络，对待估计水声信道脉冲响应h进行估计，得到水声信道脉冲响应估计值
Figure BDA0002804189850000021
步骤5：选取水声信道脉冲响应估计值
Figure BDA0002804189850000022
中具有最大幅值的K个元素对应的索引，得到水声信道稀疏支撑集Ω；
步骤6：利用水声信道稀疏支撑集Ω，得到水声信道脉冲响应精细化估计值
Figure BDA0002804189850000023
在步骤1中，所述发送导频Xp的导频位置由导频位置集合
Figure BDA0002804189850000024
给出，其中任意一个导频位置为dn∈[0,N-1]，随机分布在N个OFDM子载波上。
在步骤2中，所述发送导频由
Figure BDA0002804189850000025
给出；所述接收导频由
Figure BDA0002804189850000026
给出；所述水声信道估计模型由公式Yp＝XpFph+N＝Ah+N给出，其中Fp表示大小为Np×L的部分离散傅里叶变换矩阵，其第(n,k)项为
Figure BDA0002804189850000027
h＝[h1,h2,h3,…,hL]T为待估计水声信道脉冲响应，其稀疏度为K，L为待估计水声信道脉冲响应的最大时延扩展长度，N为频域加性噪声，由
Figure BDA0002804189850000028
给出，A在稀疏恢复问题中称为测量矩阵，且A＝XpFp。
在步骤3中，所述稀疏感知的深度神经网络包含若干个网络结构相同但权重不同的网络层；所述水声信道训练数据集由
Figure BDA0002804189850000029
给出，D为训练数据的大小，其产生方式依据水声信道特性而随机产生；所述稀疏感知的深度神经网络的训练过程采用逐层训练方式：当网络层数为t时，固定前t-1层的网络权重不变，初始化该层的可学习权重Bt＝AT和λt＝λt-1，使用反向传播算法和随机梯度下降算法联合优化Bt和λt以最小化损失函数Lt(Θ)；若第t层的损失函数Lt(Θ)小于第t-1层的损失函数Lt-1(Θ)，则增加网络层数t←t+1；重复所述稀疏感知的深度神经网络的训练过程，直至第t层的损失函数Lt(Θ)大于第t-1层的损失函数Lt-1(Θ)时，所述稀疏感知的深度神经网络的训练过程结束；得到最佳网络层数为T←t-1，最优网络权重为
Figure BDA0002804189850000031
在步骤3中，所述第t层的损失函数由公式
Figure BDA0002804189850000032
给出，其中hd为第d个训练数据的水声信道脉冲响应真实值，
Figure BDA0002804189850000033
为第d个训练数据的水声信道脉冲响应估计值，
Figure BDA0002804189850000034
为第d个训练数据的接收导频。
在步骤4中，当利用所述已训练的稀疏感知的深度神经网络进行水声信道估计时，其输入包括所述最佳网络层数T、所述最优网络权重Θ和测试数据Ytest，通过所述已训练的稀疏感知的深度神经网络进行一次单向前馈运算，得到所述水声信道脉冲响应估计值
Figure BDA0002804189850000035
在步骤5中，所述水声信道稀疏支撑集Ω由选取所述水声信道脉冲响应
Figure BDA0002804189850000036
中具有最大幅值的K个元素对应的索引而估计得到。
在步骤6中，所述水声信道脉冲响应精细化估计值
Figure BDA0002804189850000037
的获取方法：利用所述水声信道稀疏支撑集Ω和最小二乘法求解，根据公式
Figure BDA0002804189850000038
和
Figure BDA0002804189850000039
得到所述水声信道脉冲响应精细化估计值
Figure BDA00028041898500000310
其中AΩ为由所述测量矩阵A对应于所述水声信道稀疏支撑集Ω的K列构成的大小为Np×K的矩阵，
Figure BDA00028041898500000311
为所述水声信道脉冲响应精细化估计值
Figure BDA00028041898500000312
对应于所述水声信道稀疏支撑集Ω的部分，Ωc为所述水声信道稀疏支撑集Ω的补集，
Figure BDA00028041898500000313
表示大小为Np×(L-K)的全0矩阵。
本发明提出一种基于深度学习的稀疏水声信道估计方法，搭建一个稀疏感知的深度神经网络，通过深度学习水声信道在时延域中的稀疏特征，并根据水声信道稀疏特征提高水声信道估计精度。本发明利用搭建的稀疏感知的深度神经网络以深度学习水声信道的稀疏特征，并根据水声信道稀疏特征，在通信条件恶劣的水声信道中，可有效提高水声信道估计的精度和频谱效率。
附图说明
图1为本发明实施例的稀疏感知的深度神经网络结构示意图。
具体实施方式
为了能够更清楚地理解本发明的技术内容，特举以下实施例详细说明。
依照本发明实施例的稀疏感知的深度神经网络结构如图1所示，利用该稀疏感知的深度神经网络能够有效提高水声信道估计精度。一种基于深度学习的稀疏水声信道估计方法包括以下步骤：
步骤1：在水声正交频分复用系统中，发射机发送长度为1024的发送OFDM数据块X，经过信道脉冲响应为h的水声信道传输后，接收机接收到长度为1024的接收OFDM数据块Y；在所述发送OFDM数据块X和所述接收OFDM数据块Y中，分别包括长度为64的发送导频Xp和接收导频Yp。所述发送导频Xp的导频位置由导频位置集合
Figure BDA0002804189850000041
给出，其中任意一个导频位置为dn∈[0,1023]，随机分布在1024个OFDM子载波上。
步骤2：在所述发送OFDM数据块X和所述接收OFDM数据块Y中，通过提取出所述发送导频Xp和所述接收导频Yp，以构建水声信道估计模型。所述发送导频由Xp＝[X1,X2,X3,…,X64]T给出；所述接收导频由Yp＝[Y1,Y2,Y3,…,Y64]T给出；所述水声信道估计模型由公式Yp＝XpFph+N＝Ah+N给出，其中Fp表示大小为64×256的部分离散傅里叶变换矩阵，其第(n,k)项为
Figure BDA0002804189850000042
h＝[h1,h2,h3,…,h256]T为所述待估计水声信道脉冲响应，其最大时延扩展长度L为256且稀疏度K为8，N为频域加性噪声，由N＝[N1,N2,N3,…,N64]T给出，A在稀疏恢复问题中称为测量矩阵，且A＝XpFp。
步骤3：搭建一个如图1所示的稀疏感知的深度神经网络，利用水声信道训练数据集对所述稀疏感知的深度神经网络的权重进行训练，使其能够准确学习所述水声信道稀疏特征。
首先，搭建一个如图1所示的稀疏感知的深度神经网络，其包含若干个网络结构相同但权重不同的网络层，其中第t层网络包括以下运算：
Figure BDA0002804189850000043
Figure BDA0002804189850000044
其中，vt为所述第t层网络的残余测量误差，btvt-1为所述第t层网络的Onsager矫正，σt为所述vt的标准差的估计值，M＝64，Bt为所述第t层网络的可学习线性变换矩阵权重，
Figure BDA0002804189850000045
为所述第t层网络的估计结果，η(·)＝sgn(rt,i)max(|rt,i|-λtσt,0)为软阈值收缩函数，rt,i为所述rt的第i个元素，λt为第t层网络的可学习收缩参数权重。
其次，利用所述水声信道训练数据集对所述稀疏感知的深度神经网络的权重进行训练，使其能够准确学习所述水声信道稀疏特征。所述水声信道训练数据集由
Figure BDA0002804189850000051
给出，训练数据的大小D为2000，其产生方式依据水声信道特性而随机产生；采用逐层训练方式对附图1中所述稀疏感知的深度神经网络进行训练：当网络层数为t时，固定前t-1层的网络权重不变，初始化该层的可学习权重Bt＝AT和λt＝λt-1，使用反向传播算法和随机梯度下降算法联合优化Bt和λt以最小化损失函数Lt(Θ)；若第t层的损失函数Lt(Θ)小于第t-1层的损失函数Lt-1(Θ)，则增加网络层数t←t+1；重复所述稀疏感知的深度神经网络的训练过程，直至第t层的损失函数Lt(Θ)大于第t-1层的损失函数Lt-1(Θ)时，所述稀疏感知的深度神经网络的训练过程结束；得到最佳网络层数为T＝3，最优网络权重为
Figure BDA0002804189850000052
所述稀疏感知的深度神经网络学习率设置为0.001。所述第t层的损失函数由公式
Figure BDA0002804189850000053
给出，其中hd为第d个训练数据的水声信道脉冲响应真实值，
Figure BDA0002804189850000054
为第d个训练数据的水声信道脉冲响应估计值，
Figure BDA0002804189850000055
为第d个训练数据的接收导频。
步骤4：利用已训练的稀疏感知的深度神经网络，对待估计水声信道脉冲响应h进行估计。输入所述最佳网络层数T＝3、所述最优网络权重Θ和测试数据Ytest，通过所述已训练的稀疏感知的深度神经网络进行一次单向前馈运算，得到所述水声信道脉冲响应估计值
Figure BDA0002804189850000056
记作
Figure BDA0002804189850000057
步骤5：选取所述水声信道脉冲响应估计值
Figure BDA0002804189850000058
中具有最大幅值的8个元素对应的索引，估计得到水声信道稀疏支撑集Ω，记作Ω＝[o1，o2，o3，…，o8]。
步骤6：利用所述水声信道稀疏支撑集Ω和最小二乘法求解，根据公式
Figure BDA0002804189850000059
和
Figure BDA00028041898500000510
得到所述水声信道脉冲响应精细化估计值
Figure BDA00028041898500000511
记作
Figure BDA00028041898500000512
其中AΩ为由所述测量矩阵A对应于所述水声信道稀疏支撑集Ω的8列构成的大小为64×8的矩阵，
Figure BDA00028041898500000513
为所述水声信道脉冲响应精细化估计值
Figure BDA00028041898500000514
对应于所述水声信道稀疏支撑集Ω的部分，Ωc为所述水声信道稀疏支撑集Ω的补集，064×248表示大小为64×248的全0矩阵。

Claims (8)

1.一种基于深度学习的稀疏水声信道估计方法，其特征在于，包括以下步骤：
步骤1：在水声正交频分复用系统中，发射机发送长度为N的发送OFDM数据块X，经过信道脉冲响应为h的水声信道传输后，接收机接收到长度为N的接收OFDM数据块Y；在所述发送OFDM数据块X和所述接收OFDM数据块Y中，分别包括了长度为Np的发送导频Xp和接收导频Yp；
步骤2：在所述发送OFDM数据块X和所述接收OFDM数据块Y中，通过提取出所述发送导频Xp和所述接收导频Yp，以构建水声信道估计模型；
步骤3：搭建一个稀疏感知的深度神经网络，利用水声信道训练数据集对所述稀疏感知的深度神经网络的权重进行训练，使其能够准确学习所述水声信道稀疏特征；
步骤4：利用已训练的稀疏感知的深度神经网络，对待估计水声信道脉冲响应h进行估计，得到水声信道脉冲响应估计值
Figure FDA0002804189840000011
步骤5：选取所述水声信道脉冲响应估计值
Figure FDA0002804189840000012
中具有最大幅值的K个元素对应的索引，得到水声信道稀疏支撑集Ω；
步骤6：利用所述水声信道稀疏支撑集Ω，得到水声信道脉冲响应精细化估计值
Figure FDA0002804189840000013
2.如权利要求1中所述一种基于深度学习的稀疏水声信道估计方法，其特征在于在步骤1中，所述发送导频Xp的导频位置由导频位置集合
Figure FDA0002804189840000014
给出，其中任意一个导频位置为dn∈[0,N-1]，随机分布在N个OFDM子载波上。
3.如权利要求1中所述一种基于深度学习的稀疏水声信道估计方法，其特征在于在步骤2中，所述发送导频由
Figure FDA0002804189840000015
给出；所述接收导频由
Figure FDA0002804189840000016
给出；所述水声信道估计模型由公式Yp＝XpFph+N＝Ah+N给出，其中Fp表示大小为Np×L的部分离散傅里叶变换矩阵，其第(n,k)项为
Figure FDA0002804189840000017
h＝[h1,h2,h3,…,hL]T为所述待估计水声信道脉冲响应，其稀疏度为K，L为所述待估计水声信道脉冲响应的最大时延扩展长度，N为频域加性噪声，由
Figure FDA0002804189840000018
给出，A在稀疏恢复问题中称为测量矩阵，且A＝XpFp。
4.如权利要求1中所述一种基于深度学习的稀疏水声信道估计方法，其特征在于在步骤3中，所述稀疏感知的深度神经网络包含若干个网络结构相同但权重不同的网络层；所述水声信道训练数据集由
Figure FDA0002804189840000021
给出，D为训练数据的大小，其产生方式依据水声信道特性而随机产生；所述稀疏感知的深度神经网络的训练过程采用逐层训练方式：当网络层数为t时，固定前t-1层的网络权重不变，初始化该层的可学习权重Bt＝AT和λt＝λt-1，使用反向传播算法和随机梯度下降算法联合优化Bt和λt以最小化损失函数Lt(Θ)；若第t层的损失函数Lt(Θ)小于第t-1层的损失函数Lt-1(Θ)，则增加网络层数t←t+1；重复所述稀疏感知的深度神经网络的训练过程，直至第t层的损失函数Lt(Θ)大于第t-1层的损失函数Lt-1(Θ)时，所述稀疏感知的深度神经网络的训练过程结束；得到最佳网络层数为T←t-1，最优网络权重为
Figure FDA0002804189840000022
5.如权利要求1中所述一种基于深度学习的稀疏水声信道估计方法，其特征在于在步骤4中，当利用已训练的稀疏感知的深度神经网络进行水声信道估计时，其输入包括最佳网络层数T、最优网络权重Θ和测试数据Ytest，通过已训练的稀疏感知的深度神经网络进行一次单向前馈运算，得到所述水声信道脉冲响应估计值
Figure FDA0002804189840000023
6.如权利要求1中所述一种基于深度学习的稀疏水声信道估计方法，其特征在于在步骤5中，所述水声信道稀疏支撑集Ω由选取所述水声信道脉冲响应
Figure FDA0002804189840000024
中具有最大幅值的K个元素对应的索引而估计得到。
7.如权利要求1中所述一种基于深度学习的稀疏水声信道估计方法，其特征在于在步骤6中，所述水声信道脉冲响应精细化估计值
Figure FDA0002804189840000025
的获取方法：利用水声信道稀疏支撑集Ω和最小二乘法求解，根据公式
Figure FDA0002804189840000026
和
Figure FDA0002804189840000027
得到水声信道脉冲响应精细化估计值
Figure FDA0002804189840000028
其中AΩ为由测量矩阵A对应于所述水声信道稀疏支撑集Ω的K列构成的大小为Np×K的矩阵，
Figure FDA0002804189840000029
为水声信道脉冲响应精细化估计值
Figure FDA00028041898400000210
对应于水声信道稀疏支撑集Ω的部分，Ωc为水声信道稀疏支撑集Ω的补集，
Figure FDA00028041898400000211
表示大小为Np×(L-K)的全0矩阵。
8.如权利要求4中所述一种基于深度学习的稀疏水声信道估计方法，其特征在于所述稀疏感知的深度神经网络的训练过程中，第t层的损失函数由公式
Figure FDA00028041898400000212
给出，其中，hd为第d个训练数据的水声信道脉冲响应真实值，
Figure FDA0002804189840000031
为第d个训练数据的水声信道脉冲响应估计值，
Figure FDA0002804189840000032
为第d个训练数据的接收导频。
CN202011361757.5A 2020-11-27 2020-11-27 一种基于深度学习的稀疏水声信道估计方法 Active CN112511469B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011361757.5A CN112511469B (zh) 2020-11-27 2020-11-27 一种基于深度学习的稀疏水声信道估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011361757.5A CN112511469B (zh) 2020-11-27 2020-11-27 一种基于深度学习的稀疏水声信道估计方法

Publications (2)

Publication Number Publication Date
CN112511469A true CN112511469A (zh) 2021-03-16
CN112511469B CN112511469B (zh) 2022-02-08

Family

ID=74967076

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011361757.5A Active CN112511469B (zh) 2020-11-27 2020-11-27 一种基于深度学习的稀疏水声信道估计方法

Country Status (1)

Country Link
CN (1) CN112511469B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113422745A (zh) * 2021-06-17 2021-09-21 中山大学 一种基于深度学习的空海无线信道估计方法
CN114218777A (zh) * 2021-12-08 2022-03-22 哈尔滨工程大学 一种极地冰下水声信道估计方法
CN115118557A (zh) * 2022-06-28 2022-09-27 南华大学 基于深度学习的水声ofdm通信信道反馈方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6714481B1 (en) * 2002-09-30 2004-03-30 The United States Of America As Represented By The Secretary Of The Navy System and method for active sonar signal detection and classification
CN106161326A (zh) * 2016-06-15 2016-11-23 江苏科技大学 一种水声块结构稀疏信道的快速估计方法
CN110048972A (zh) * 2019-04-24 2019-07-23 燕山大学 一种水声正交频分复用信道估计方法及系统
CN111555992A (zh) * 2020-05-15 2020-08-18 厦门大学 一种基于深度卷积神经网络的大规模多天线信道估计方法
CN111740934A (zh) * 2020-05-21 2020-10-02 江苏科技大学 一种基于深度学习的水声fbmc通信信号检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6714481B1 (en) * 2002-09-30 2004-03-30 The United States Of America As Represented By The Secretary Of The Navy System and method for active sonar signal detection and classification
CN106161326A (zh) * 2016-06-15 2016-11-23 江苏科技大学 一种水声块结构稀疏信道的快速估计方法
CN110048972A (zh) * 2019-04-24 2019-07-23 燕山大学 一种水声正交频分复用信道估计方法及系统
CN111555992A (zh) * 2020-05-15 2020-08-18 厦门大学 一种基于深度卷积神经网络的大规模多天线信道估计方法
CN111740934A (zh) * 2020-05-21 2020-10-02 江苏科技大学 一种基于深度学习的水声fbmc通信信号检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YOUWEN ZHANG等: "Analysis and estimation of the underwater acoustic millimeter-wave communication channel", 《 2016 IEEE/OES CHINA OCEAN ACOUSTICS (COA)》 *
姜楠等: "基于稀疏自动编码网络的水声通信信号调制识别", 《信号处理》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113422745A (zh) * 2021-06-17 2021-09-21 中山大学 一种基于深度学习的空海无线信道估计方法
CN113422745B (zh) * 2021-06-17 2022-04-22 中山大学 一种基于深度学习的空海无线信道估计方法
CN114218777A (zh) * 2021-12-08 2022-03-22 哈尔滨工程大学 一种极地冰下水声信道估计方法
CN115118557A (zh) * 2022-06-28 2022-09-27 南华大学 基于深度学习的水声ofdm通信信道反馈方法及系统
CN115118557B (zh) * 2022-06-28 2023-07-25 南华大学 基于深度学习的水声ofdm通信信道反馈方法及系统

Also Published As

Publication number Publication date
CN112511469B (zh) 2022-02-08

Similar Documents

Publication Publication Date Title
CN112511469B (zh) 一种基于深度学习的稀疏水声信道估计方法
CN111404849B (zh) 一种基于深度学习的ofdm信道估计与信号检测方法
Jiang et al. Deep neural networks for channel estimation in underwater acoustic OFDM systems
CN109450830B (zh) 一种高速移动环境下基于深度学习的信道估计方法
CN113472706B (zh) 一种基于深度神经网络的mimo-ofdm系统信道估计方法
CN109088835A (zh) 基于时间多重稀疏贝叶斯学习的水声时变信道估计方法
CN111147407B (zh) 基于信道预测的tmsbl水声ofdm时变信道估计方法
CN111262803B (zh) 一种基于深度学习的物理层安全通信方法、装置及系统
CN109194596A (zh) 一种基于稀疏贝叶斯学习的水声ofdm时变信道估计方法
CN113507426A (zh) 基于otfs调制的联合信道估计与信号检测方法及装置
CN113242191B (zh) 一种改进的时序多重稀疏贝叶斯学习水声信道估计方法
CN105490974A (zh) 一种mimo-ofdm水声通信系统的多普勒估计方法
CN102123115A (zh) 基于粒子群优化的正交小波盲均衡方法
CN110336594A (zh) 一种基于共轭梯度下降法的深度学习信号检测方法
Zhang et al. Meta-learning-aided orthogonal frequency division multiplexing for underwater acoustic communications
WO2022074639A2 (en) Communication system
Chen et al. Neural network-based symbol detection in high-speed ofdm underwater acoustic communication
Zhang et al. Deep learning based underwater acoustic OFDM receiver with joint channel estimation and signal detection
Seyedsalehi et al. Propagation channel modeling by deep learning techniques
Arunkumar et al. Iterative sparse channel estimation and data detection for underwater acoustic communications using partial interval demodulation
CN113890799B (zh) 一种基于域对抗网络的水声通信信道估计与信号检测方法
CN112422208B (zh) 未知信道模型下基于对抗式学习的信号检测方法
CN110830409B (zh) 外源辐射雷达参考信道估计和信道估计模型训练方法
CN114362851A (zh) 一种基于机器学习的无线信道数据去噪方法
Ishijima et al. Sparse Channel Estimation with Global Optimum Solution for Orthogonal Signal Division Multiplexing in Underwater Acoustic Communication

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