CN112600772B - 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法 - Google Patents
一种基于数据驱动神经网络的ofdm信道估计与信号检测方法 Download PDFInfo
- Publication number
- CN112600772B CN112600772B CN202011449045.9A CN202011449045A CN112600772B CN 112600772 B CN112600772 B CN 112600772B CN 202011449045 A CN202011449045 A CN 202011449045A CN 112600772 B CN112600772 B CN 112600772B
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- channel estimation
- network
- ofdm
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 82
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000004891 communication Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 29
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 50
- 230000004913 activation Effects 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000005562 fading Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 239000013256 coordination polymer Substances 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 8
- 238000013507 mapping Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012966 insertion method Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明属于能通信技术领域，尤其涉及一种基于数据驱动神经网络的OFDM信道估计与信号检测方法。本发明基于传统OFDM无线通信系统建立新型传输模型，采用CNN完成信号的去噪过程，DNN代替传统通信系统中的快速傅里叶变换、信道估计、均衡以及解调过程，系统根据接收到的去噪信号以及原始真实二值信号作为训练数据来训练神经网络，完成后即可将接收信号输入网络，输出即为估计的原始信号。本发明构建的网络结构简单，复杂度低，又结合近些年流行的智能通信思想，优化了通信系统结构，符合5G通信系统的发展趋势。
Description
技术领域
本发明属于能通信技术领域，尤其涉及一种基于数据驱动神经网络的OFDM信道估计与信号检测方法。
背景技术
信道估计技术是指无论对于单载波系统还是多载波系统，接收端采用相干解调恢复数据信息，都需要较为准确的信道状态信息(CSI)作为数据处理的必要参数，所以，信道估计是影响OFDM系统和MIMO-OFDM系统性能的关键因素。信道估计技术是对移动信道的多径衰落瞬时特性进行估计的技术，即从接收信号中估计出移动信道的特性，可以估计信道的冲激响应，也可以估计其频率特性。通常对信道估计技术的评价有三方面：对数据传输效率的影响、计算的复杂度以及估计的准确程度。对信道估计方法的期望是尽量在小的额外的系统开销以及计算复杂度较小的情况下，尽量提高估计的准确度。
一般信道估计技术有非盲道信道估计技术、盲道估计技术以及在此基础上发展起来的半盲信道估计。非盲道估计技术是需要在发射端发送导频信号，因此，也称为基于导频的信道估计技术。基于导频的信道估计技术中，导频插入方式各种各样，典型的有梳状导频和块状导频，因此，对应有两种比较典型的信道估计方法，被称为基于梳状导频的信道估计技术和基于块状导频的信道估计技术。
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神经网络将无线通信系统的多个模块看作一个未知的黑盒子，利用神经网络取代，但需要依赖大量训练数据完成从输入到输出的训练。它颠覆了以往传统的通信系统知识，依靠数据输入，从而使网络学习到信道中某种映射关系来代替通信系统中的部分功能。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使用训练参数以优化整体性能。
在2018年2月发表在IEEE WIRELESS COMMUNICATIONS LETTERS期刊(Power ofdeep Learning for Channel Estimation and Signal Detection in OFDM Systems，作者Hao Ye，DOI:10.1109/LWC.2757490)论文中，作者首次将信道估计和信号检测看作一个整体，直接用DNN实现由接收信号到原始信号的映射。其中DNN的输入为256，隐藏层结构为500-250-120，输出为16，OFDM系统采用64子载波，调制方式为正交相移(Quadrature PhaseShift Keying,QPSK)编码，输出信号为128byte，因此需要8个结构相同的DNN进行训练。在经过大量数据训练后，与传统的信道估计算法LS相比有较大的性能提升，与MMSE相比略有优势。但这种提升并非表明了这种设计合理性，随着信噪比的增加，性能会出现饱和，且在实际系统中，非线性情况并没有进行改善。而且需要提出的是，该论文需要对8个相同结构的DNN神经网络训练，训练时间与复杂度可想而知。
发明内容
本发明的目的在于解决现有技术OFDM系统中信道估计与均衡算法中，简单算法的复杂程度低同时准确率低或者复杂算法准确率高但相对复杂的问题。为解决上述现有技术中存在的问题，本发明提供了一种采用全连接神经网络来代替上述功能的方法。同时为了减少训练时间和复杂度，本发明对上述现有技术进行了改进，论文采用256个输入，其中包含了一个OFDM符号的导频和一个OFDM符号的数据为一组输入神经网络，而只输出有限个原始信号。而本发明通过优化网络结构，调整网络参数，降低了系统复杂度，减少了训练时间，同时输出位数为128，此时仅需1个DNN网络便可以取代传统OFDM系统部分功能模块，同时还增加了去噪网络提高准确率。
为实现上述目的，本发明采用如下技术方案：
一种基于数据驱动神经网络的OFDM信道估计与信号检测方法，所述方法包括以下步骤：
步骤1：基于传统OFDM无线通信框架系统生成训练神经网络所需的数据集，数据集是由包含多径和衰落信息的时域冲激响应所产生的去除CP的接收信号，一个OFDM导频数据块和一个OFDM信号数据块为一组，神经网络标签是对应的通信系统未调制的0/1原始信号；
步骤2：将步骤1所述的神经网络数据集数据随机打乱，其中7000组用于训练集，另外3000用于测试集，并将数据进行预处理，将处理过后的数据输入到设计的卷积(CNN)去噪网络中，进行信号去噪操作；
步骤3：基于步骤2的数据集，利用数学工具将数据集的每组接收信号的实部与虚部分别取出，排列为一组数据，个数为256；
步骤4：将步骤3所述的数据集作为全连接神经网络的输入，其中网络层数分别为256,513,513,513,128，输出为预测的0/1信号，真实发送的0/1信号设为标签作为先验知识，训练神经网络。
步骤5：基于步骤4所搭建的神经网络结构，每一层赋予激活函数，其中三层隐藏层的激活函数设置为线性整流函数(简称ReLU函数)，输出层函数设置为逻辑函数(Sigmoid)，激活函数是神经网络具备非线性特性的关键，采用反时限学习率衰减，公式为：d_r＝L_r/(1+de_r*t)；其中d_r为当前学习率，L_r为初始学习率，de_r为学习率衰减率，t为下降步数。
步骤6：根据步骤1、步骤2、步骤3、步骤4、步骤5所建立的模型与输入输出参数训练整个神经网络，经过批次(Batch)为20000，批次大小(Batch Size)为1000的训练过程后，神经网络模型即可代替传统OFDM无线通信网络的快速傅里叶变换、信道估计、均衡和解调。
优选地，所述步骤1中，OFDM系统数据集采用瑞利衰落多径信道生成，依照公式产生信道冲激响应系数，原始信号采用QPSK调制，子载波个数为64，导频和CP长度为16，接收信号作为神经网络输入训练值，原始真实信号作为标签训练网络。
所述步骤1中，神经网络数据集是由包含多径和衰落信息的时域冲激响应所产生的去除CP的接收信号，结构为一个OFDM导频符号加一个OFDM数据符号，神经网络标签是对应的通信系统未调制的0/1原始信号。
所述步骤1中，产生多径信号冲激响应的公式为：
其中f＝fdsin(2πu)
式中，f为离散多普勒频移；fd为最大多普勒频移；θ＝2πu为离散多普勒相位；u为独立随机变量；L为多径信道径数；M为调和系数；ρ[k]与τk如下表所示：
通过公式
可得到神经网络输入，其中X为待发送信号，h为信道冲激响应，
为卷积操作，Y为接收信号，n为信道噪声。
优选地，所述步骤2中，对数据集进行预处理，分为训练集和测试集，将数据仿照图片进行卷积去噪操作，网络中的每一层为卷积与归一化操作，每层的激活函数选定ReLU函数。
所述步骤2中数据预处理公式为：
其中x表示预处理后的信号，xin为接收的信号，去噪网络采用CNN网络，批次归一化方法，激活函数采用ReLU函数。
优选地，所述步骤3中，通过模仿图片处理过程，将接收信号转换为一维数据，将过程看作一个一维回归问题。
优选地，所述步骤4中，确定神经网络的基本结构，采用全连接神经网络，选择合适的神经网络层数及个数，使其可以快速学习到信道映射关系。
所述步骤4中隐藏层个数确定的公式为：
其中，Ni是输入神经元个数；No为输出神经元个数；Ns为训练集的样本数；α为自取的任意值，通常范围为2-10。
优选地，所述步骤5中，为每层选择合适的激活函数，只有选择非常值的、单调递增的、有界连续函数作为激活函数，即神经网络理论上就可以逼近任何连续函数。其中隐藏层选择ReLU函数的原因在于它的形式简洁、求导方便，在大于0的地方不会存在梯度消失的现象，但同时它无法输出负值，且函数不具有对称性。输出层激活函数选用Sigmoid函数，原因在于神经网络的输出值可以为0/1序列，其两端很平滑，相应的导数会趋于0。
优选地，所述步骤6中，神经网络训练过程包含以下步骤：
步骤6.1：将7000组随机打乱的接收信号整合成单维度的矢量输入神经网络，真实发送的信号作为标签输入神经网络，前向传播过程设置网络结构与初始参数，反向传播过程中采用反时限学习率衰减算法、RMSProp优化器进行参数更新，以期获得准确的权重与偏置参数；
步骤6.2：将3000组测试集随机打乱对训练好的神经网络性能进行测试；
步骤6.3：将神经网络连接到通信系统之中，取代原OFDM系统进行快速傅里叶变换、信道估计、均衡与解调过程。
所述步骤6中，在确定OFDM系统与神经网络的结构和运算方式后，选取若干组数据进行神经网络的训练，其中包含前向传播过程和反向传播过程，前向传播过程确定网络结构和初始参数，反向传播过程进行参数的优化，经过若干步后，神经网络即可学习到接收信号与原始信号之间的映射关系，此时神经网络的输出即为原始信号。
特别地，对于噪声信道，为了提高估计与检测性能，本发明进行了改进，即在DNN之前添加了基于卷积神经网络(CNN)的去噪网络。
有益效果
本发明所述的一种基于数据驱动神经网络的OFDM信道估计与信号检测方法，采用以上技术方案与现有技术相比，具有以下特点：
本发明涉及一种基于数据驱动神经网络的OFDM信道估计与信号检测方法，采用创新性的结构设计，新增基于卷积(CNN)去噪网络，建立基于OFDM系统的信道估计和信号检测模型。CNN去噪网络采用八层卷积层完成接收信号的去噪过程，接着采用全连接神经网络(DNN)来代替原系统的估计、均衡和解调等部分。DNN是采用三层隐藏层、激活函数为ReLU、Sigmoid函数的网络模型，模型可根据接收端接收到的信号输出其对应的信号产生端的原始信号。通过在训练过程中学习接收信号与原始信号的映射关系来实现信道估计与信号检测。此方法对于不同的通信系统，只要按照一个导频块加一个数据块的方式，网络便能较为快速地复原出原始信号。且对于不同噪声信道，本发明还设计了一个基于卷积神经网络(CNN)的去噪网络，可以极大减少噪声对于信道估计与信号检测的影响，将其设计在DNN网络结构之前，利用卷积神经网络(CNN)高效的参数优化性能以减少DNN神经网络的优化时间与结构复杂度。该方法结合近些年流行的人工智能概念，将DNN与CNN应用到通信系统的物理层中，具有较强创新性，符合智能通信趋势。
附图说明
图1是结合数据驱动神经网络的OFDM系统结构图；
图2为DNN取代系统传统功能模块结构图；
图3是神经网络DNN模型结构图；
图4是本发明的方法与传统方法的误码率对比图；
图5是DNN网络前设计的去噪CNN网络结构图。
具体实施方式
以下，将详细地描述本发明。在进行描述之前，应当理解的是，在本说明书和所附的权利要求书中使用的术语不应解释为限制于一般含义和字典含义，而应当在允许发明人适当定义术语以进行最佳解释的原则的基础上，根据与本发明的技术方面相应的含义和概念进行解释。因此，这里提出的描述仅仅是出于举例说明目的的优选实例，并非意图限制本发明的范围，从而应当理解的是，在不偏离本发明的精神和范围的情况下，可以由其获得其他等价方式或改进方式。
以下实施例仅是作为本发明的实施方案的例子列举，并不对本发明构成任何限制，本领域技术人员可以理解在不偏离本发明的实质和构思的范围内的修改均落入本发明的保护范围。
实施例1
本发明为一种基于数据驱动神经网络的OFDM信道估计与信号检测方法，数据驱动的OFDM系统模型如图1所示，所述方法包括以下步骤：
步骤1：基于OFDM无线系统框架生成神经网络模型所需的数据集。数据集的特征信息来自于接收机提取的接收信号，其中训练标签为发送端的原始二值信号。
所述步骤1中，OFDM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QPSK调制后串并变换，利用快速傅里叶逆变换实现发送端上变频器的简化，之后插入循环前缀，目的是为了抗击符号间干扰(ISI)，此时的待发送信号可以表示为：
步骤1.2：发送信号经过信道后，接收信号可以表示为：
步骤1.3：信号经过噪声满足均值为零，方差为
的加性高斯白噪声，然后对接收信号进行去除CP的操作。
步骤1.4：将信号输入CNN去噪网络，将输出的去噪信号输入给DNN信道估计与信号检测模块。
步骤2：将步骤1所述的样本数据随机打乱并划分为7000组训练数据集，3000组测试数据集，并对数据进行预处理。网络中的每一层为卷积与归一化操作，每层的激活函数选定ReLU函数。
数据预处理公式为：
其中x表示预处理后的信号，xin为接收的信号，去噪网络采用CNN网络，批次归一化方法，激活函数采用ReLU函数。
步骤3：基于步骤2的训练数据，作为全连接神经网络的输入，其中网络层数分别为256,513,513,513,128，输出为预测的0/1信号，真实发送的0/1信号作为标签作为先验知识，监督神经网络的训练。
隐藏层个数确定的公式为：
其中，Ni是输入神经元个数；No为输出神经元个数；Ns为训练集的样本数；α为自取的任意值，通常范围为2-10。
步骤4：基于步骤3所搭建的神经网络结构，每一层赋予激活函数，其中三层隐藏层的激活函数设置为线性整流函数(简称ReLU函数)，输出层函数设置为逻辑函数(Sigmoid)，参数优化器采用RMSProp优化器，对应的公式为：
可以看到它引入了衰减系数ρ，这就使得如果某段时间梯度一直很小，由于ρ的存在，累积梯度
就会以指数级的速度衰减，从而当前的梯度的影响会以指数级的速度增强。换句话说，在RMSProp算法中，我们不仅能让当前的更新在一段剧烈的更新后“降温”，也能在一段平稳的更新后“升温”。
隐藏层激活函数为：
φ(x)＝max(0，x)，
输出层
激活函数作为神经网络非线性特性的关键。
学习率采用反时限学习率衰减算法，公式为：d_r＝L_r/(1+de_r*t)；其中d_r为当前学习率，L_r为初始学习率，de_r为学习率衰减率，t为下降步数。
步骤5：根据步骤1、步骤2、步骤3、步骤4所建立的模型与输入输出参数训练整个神经网络，经过批次(Batch)为20000，批次大小(BatchSize)为1000训练过程后，神经网络模型即可代替传统OFDM无线通信网络的快速傅里叶变换、信道估计、均衡和解调过程。
神经网络训练过程包含以下步骤：
步骤5.1：将7000组随机打乱的接收信号整合成单维度的矢量输入神经网络，真实发送的信号作为标签输入神经网络，前向传播过程设置网络结构与初始参数，反向传播过程中采用反时限学习率衰减算法、RMSProp优化器进行参数更新，以期获得准确的权重与偏置参数；
步骤5.2：将3000组测试集随机打乱对训练好的神经网络性能进行测试；
步骤5.3：将神经网络连接到通信系统之中，取代原OFDM系统进行快速傅里叶变换、信道估计、均衡与解调过程。
步骤6：通过与传统信道估计、均衡方法做性能对比，本发明在误码率这一重要性能因素中表现良好，数据对比如图4所示。
特别地，对于噪声信道，为了提高估计与检测性能，本发明进行了改进，即在DNN之前添加了基于卷积神经网络(CNN)的去噪网络，网络结构如图5所示。
以上技术方案的设计基于数据驱动神经网络的OFDM信道估计与信号检测方法，采用创新性的结构设计，基于传统OFDM无线通信系统。该方法是采用八层的卷积与归一化(Batch Normalization)网络组成基于CNN的去噪网络，减少噪声对信道估计与信号检测的影响，同时采用四层全连接神经网络的网络模型，从接收信号的每个符号中提取相应位置的符号映射方式，经过若干次训练，较为准确地恢复出原始信号。为提高恢复信号的准确性，对数据进行预处理，通过在神经网络中采用合适的层结构、激活函数、损失函数、指数衰减函数、参数优化器，高效地完成传统OFDM系统在信道估计以及均衡等方面地工作。此方案可以有效简化通信系统中若干功能，符合智能通信的要求。
以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。
Claims (8)
1.一种基于数据驱动神经网络的OFDM信道估计与信号检测方法，其特征在于，所述方法包括以下步骤；
步骤1：基于传统OFDM无线通信框架系统生成训练神经网络所需的神经网络数据集；
步骤2：将步骤1所述的神经网络数据集数据随机打乱，其中7000组用于训练集，另外3000组用于测试集，并将数据进行预处理，将处理过的信号通过CNN去噪网络去噪；数据预处理公式为：
其中x表示预处理后的信号，xin为接收的信号，去噪网络采用CNN网络，批次归一化方法，激活函数采用ReLU函数；
步骤3：基于步骤2的数据集，利用数学工具将数据集的每组接收信号的实部与虚部分别取出，排列为一组新的数据集，个数为256；
步骤4：将步骤3所述的新的数据集作为全连接神经网络的输入，其中网络层数分别为256,513,513,513,128，输出为预测的0/1信号，真实发送的0/1信号作为标签，监督神经网络的训练；
步骤5：基于步骤4所搭建的神经网络结构，每一层赋予激活函数，其中三层隐藏层的激活函数设置为线性整流函数，输出层函数设置为逻辑函数；
步骤6：根据步骤1、步骤2、步骤3、步骤4、步骤5所建立的模型与输入输出参数训练整个神经网络，经过批次为20000，批次大小为1000的训练过程后，神经网络模型即可代替传统OFDM无线通信网络的快速傅里叶变换、信道估计、均衡和解调。
2.根据权利要求1所述的一种基于数据驱动神经网络的OFDM信道估计与信号检测方法，其特征在于：所述步骤1中，OFDM系统数据集采用瑞利衰落多径信道生成，依照公式产生信道冲激响应系数，原始信号采用QPSK调制，子载波个数为64，导频和CP长度为16，接收信号作为神经网络输入训练值，原始真实信号作为标签训练网络。
3.根据权利要求2所述的一种基于数据驱动神经网络的OFDM信道估计与信号检测方法，其特征在于：所述步骤1中，神经网络数据集是由包含多径和衰落信息的时域冲激响应所产生的去除CP的接收信号，结构为一个OFDM导频符号加一个OFDM数据符号，神经网络标签是对应的通信系统未调制的0/1原始信号。
4.根据权利要求1所述的一种基于数据驱动神经网络的OFDM信道估计与信号检测方法，其特征在于：所述步骤3中，通过模仿图片处理过程，将接收信号转换为一维数据，将过程看作一个一维回归问题。
5.根据权利要求1所述的一种基于数据驱动神经网络的OFDM信道估计与信号检测方法，其特征在于：所述步骤4中隐藏层个数确定的公式为：
其中，Ni是输入神经元个数；No为输出神经元个数；Ns为训练集的样本数；α取值范围为2-10，所述步骤4中，参数优化器采用RMSProp优化器。
6.根据权利要求1所述的一种基于数据驱动神经网络的OFDM信道估计与信号检测方法，其特征在于：所述步骤5中所述隐藏层激活函数为：
φ(x)＝max(0，x)，
输出层
激活函数作为神经网络非线性特性的关键；
所述步骤5中，学习率采用反时限学习率衰减算法，公式为：d_r＝L_r/(1+de_r*t)；其中d_r为当前学习率，L_r为初始学习率，de_r为学习率衰减率，t为下降步数。
7.根据权利要求1所述的一种基于数据驱动神经网络的OFDM信道估计与信号检测方法，其特征在于：所述步骤6中，神经网络训练过程包含以下步骤：
步骤6.1：将7000组随机打乱的接收信号整合成单维度的矢量输入神经网络，真实发送的信号作为标签输入神经网络，前向传播过程设置网络结构与初始参数，反向传播过程中采用反时限学习率衰减算法、RMSProp优化器进行参数更新，以期获得优化的权重与偏置参数；
步骤6.2：将3000组测试集随机打乱对训练好的神经网络性能进行测试；
步骤6.3：将神经网络连接到通信系统之中，取代原OFDM系统进行快速傅里叶变换、信道估计、均衡与解调过程。
8.据权利要求1所述的一种基于数据驱动神经网络的OFDM信道估计与信号检测方法，其特征在于：对于噪声信道，在全连接神经网络DNN之前添加了基于卷积神经网络的去噪网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011449045.9A CN112600772B (zh) | 2020-12-09 | 2020-12-09 | 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011449045.9A CN112600772B (zh) | 2020-12-09 | 2020-12-09 | 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112600772A CN112600772A (zh) | 2021-04-02 |
| CN112600772B true CN112600772B (zh) | 2022-05-17 |
Family
ID=75192015
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011449045.9A Active CN112600772B (zh) | 2020-12-09 | 2020-12-09 | 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112600772B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11979265B2 (en) | 2021-04-13 | 2024-05-07 | Samsung Electronics Co., Ltd. | Learning-based common phase error estimation |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112946564B (zh) * | 2021-04-12 | 2024-02-02 | 西北大学 | 基于dnn的波束空间的doa估计方法、装置及计算机存储介质 |
| CN113114603B (zh) * | 2021-04-20 | 2022-02-18 | 西安科技大学 | 一种mimo-ofdm系统的信息恢复方法及装置 |
| CN113259276A (zh) * | 2021-05-13 | 2021-08-13 | 电子科技大学 | 基于神经网络的gmsk脉冲多普勒频移测量方法 |
| CN113037668B (zh) * | 2021-05-20 | 2023-03-10 | 武汉科技大学 | 一种毫米波点对点通信信道均衡方法 |
| CN113517984B (zh) * | 2021-06-22 | 2021-12-17 | 南京大学 | 基于反向传播神经网络的cv-qkd协议码率预测方法及系统 |
| CN114650199A (zh) * | 2021-12-30 | 2022-06-21 | 南京戎智信息创新研究院有限公司 | 一种基于数据驱动的深度神经网络信道估计方法及系统 |
| CN114759997B (zh) * | 2022-04-08 | 2023-06-20 | 山东大学 | 一种基于数据模型双驱动的mimo系统信号检测方法 |
| CN114884783B (zh) * | 2022-05-07 | 2023-06-02 | 重庆邮电大学 | 一种利用神经网络进行电力线系信道估计的方法 |
| CN115102616A (zh) * | 2022-05-29 | 2022-09-23 | 复旦大学 | 基于塑料光纤延长通信链路的水下无线绿光通信传输系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109299697A (zh) * | 2018-09-30 | 2019-02-01 | 泰山学院 | 基于水声通信调制方式识别的深度神经网络系统及方法 |
| CN110113288A (zh) * | 2019-05-23 | 2019-08-09 | 徐州中矿康普盛通信科技有限公司 | 一种基于机器学习的ofdm解调器的设计和解调方法 |
| CN110558975A (zh) * | 2019-10-14 | 2019-12-13 | 齐鲁工业大学 | 一种基于lrf-elm和blstm的心电信号分类方法及系统 |
| CN111328087A (zh) * | 2018-12-17 | 2020-06-23 | 上海大学 | 基于深度学习的高能效异构网络子信道分配与功率分配方法 |
| CN111404849A (zh) * | 2020-03-20 | 2020-07-10 | 北京航空航天大学 | 一种基于深度学习的ofdm信道估计与信号检测方法 |
| CN111512323A (zh) * | 2017-05-03 | 2020-08-07 | 弗吉尼亚科技知识产权有限公司 | 自适应无线通信的学习与部署 |
| CN111613321A (zh) * | 2020-04-16 | 2020-09-01 | 杭州电子科技大学 | 一种基于密集卷积神经网络的心电图卒中辅助诊断方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11875260B2 (en) * | 2018-02-13 | 2024-01-16 | Adobe Inc. | Reducing architectural complexity of convolutional neural networks via channel pruning |
| CN109921882B (zh) * | 2019-02-20 | 2021-08-27 | 深圳市宝链人工智能科技有限公司 | 一种基于深度学习的mimo解码方法、装置及存储介质 |
| US20220215252A1 (en) * | 2019-05-07 | 2022-07-07 | Imagia Cybernetics Inc. | Method and system for initializing a neural network |
| CN110365613A (zh) * | 2019-07-01 | 2019-10-22 | 重庆大学 | 一种基于神经网络预测的信道估计方法 |
| CN110610715B (zh) * | 2019-07-29 | 2022-02-22 | 西安工程大学 | 一种基于cnn-dnn混合神经网络的降噪方法 |
| CN111565160B (zh) * | 2020-05-18 | 2021-03-26 | 中山大学 | 一种海洋通信系统联合信道分类、估计和检测方法 |
-
2020
- 2020-12-09 CN CN202011449045.9A patent/CN112600772B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111512323A (zh) * | 2017-05-03 | 2020-08-07 | 弗吉尼亚科技知识产权有限公司 | 自适应无线通信的学习与部署 |
| CN109299697A (zh) * | 2018-09-30 | 2019-02-01 | 泰山学院 | 基于水声通信调制方式识别的深度神经网络系统及方法 |
| CN111328087A (zh) * | 2018-12-17 | 2020-06-23 | 上海大学 | 基于深度学习的高能效异构网络子信道分配与功率分配方法 |
| CN110113288A (zh) * | 2019-05-23 | 2019-08-09 | 徐州中矿康普盛通信科技有限公司 | 一种基于机器学习的ofdm解调器的设计和解调方法 |
| CN110558975A (zh) * | 2019-10-14 | 2019-12-13 | 齐鲁工业大学 | 一种基于lrf-elm和blstm的心电信号分类方法及系统 |
| CN111404849A (zh) * | 2020-03-20 | 2020-07-10 | 北京航空航天大学 | 一种基于深度学习的ofdm信道估计与信号检测方法 |
| CN111613321A (zh) * | 2020-04-16 | 2020-09-01 | 杭州电子科技大学 | 一种基于密集卷积神经网络的心电图卒中辅助诊断方法 |
Non-Patent Citations (7)
| Title |
|---|
| A Novel Signal Detection Scheme Based on Adaptive Ensemble Deep Learning Algorithm in SC-FDE Systems;Yuanjian Qiao等;《IEEE Access (Volume: 8)》;20200701;全文 * |
| Blind Packet-Based Receiver Chain Optimization Using Machine Learning;Mohammed Radi等;《2020 IEEE Wireless Communications and Networking Conference (WCNC)》;20200528;全文 * |
| Constant modulus semi-blind space-time equalizer based on structure risk minimum criterion;毛忠阳等;《Journal of Beijing Institute of Technology》;20131215;全文 * |
| Residual Learning Meets OFDM Channel Estimation;Lianjun Li等;《IEEE Wireless Communications Letters》;20200531;全文 * |
| 基于深度学习的多载波系统信道估计与检测;汪周飞等;《浙江大学学报(工学版)》;20200413;全文 * |
| 基于神经网络的多载波调制信号联合检测技术研究;李竹一;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190615;全文 * |
| 激光通信的直流偏置OFDM系统设计;张洁等;《激光杂志》;20200815;全文 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11979265B2 (en) | 2021-04-13 | 2024-05-07 | Samsung Electronics Co., Ltd. | Learning-based common phase error estimation |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112600772A (zh) | 2021-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112600772B (zh) | 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法 | |
| Gao et al. | ComNet: Combination of deep learning and expert knowledge in OFDM receivers | |
| Liao et al. | ChanEstNet: A deep learning based channel estimation for high-speed scenarios | |
| CN109067688B (zh) | 一种数据模型双驱动的ofdm接收方法 | |
| CN109246038B (zh) | 一种数据模型双驱动的gfdm接收机及方法 | |
| CN111683024B (zh) | 一种基于深度学习的时变ofdm系统信道估计方法 | |
| CN111404849A (zh) | 一种基于深度学习的ofdm信道估计与信号检测方法 | |
| Mao et al. | RoemNet: Robust meta learning based channel estimation in OFDM systems | |
| CN111510402B (zh) | 基于深度学习的ofdm信道估计方法 | |
| CN113472706A (zh) | 一种基于深度神经网络的mimo-ofdm系统信道估计方法 | |
| CN111614584B (zh) | 基于神经网络的变换域自适应滤波信道估计方法 | |
| CN111669344B (zh) | 一种基于深度学习的时变ofdm系统信号检测方法 | |
| CN112637094A (zh) | 一种基于模型驱动深度学习的多用户mimo接收方法 | |
| Zhang et al. | Deep learning based on orthogonal approximate message passing for CP-free OFDM | |
| CN111786923A (zh) | 一种正交频分复用系统时频双选信道的信道估计方法 | |
| Jiang et al. | AI-aided online adaptive OFDM receiver: Design and experimental results | |
| Chi et al. | Challenges and prospects of machine learning in visible light communication | |
| Wang et al. | A deep learning-based intelligent receiver for improving the reliability of the MIMO wireless communication system | |
| CN110311876A (zh) | 基于深度神经网络的水声正交频分复用接收机的实现方法 | |
| Qiao et al. | A novel signal detection scheme based on adaptive ensemble deep learning algorithm in SC-FDE systems | |
| Ye et al. | Bilinear convolutional auto-encoder based pilot-free end-to-end communication systems | |
| Zhao et al. | Multi-task learning based underwater acoustic OFDM communications | |
| Li et al. | Deep learning-assisted OFDM channel estimation and signal detection technology | |
| Li et al. | Lightweight channel estimation networks for OFDM systems | |
| CN112636855A (zh) | 一种ofdm信号检测方法 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Jun Inventor after: Xin Tongliang Inventor after: He Bo Inventor after: Wang Yukai Inventor after: Han Yongli Inventor after: Ma Gen Inventor after: Fu Wen Wen Inventor after: Gao He Inventor before: Li Jun Inventor before: Han Yongli Inventor before: Xin Tongliang Inventor before: Ma Gen Inventor before: Fu Wen Wen |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: Room A0216 and 0218, Chuangye Building, No. 108-2 Shenyang Road, Yiyuan Street Office, Gaoqu District, Jinan City, Shandong Province, 250353 Patentee after: Qilu University of Technology (Shandong Academy of Sciences) Address before: 250353 University Road, Changqing District, Ji'nan, Shandong Province, No. 3501 Patentee before: Qilu University of Technology |
|
| CP03 | Change of name, title or address | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231114 Address after: 264200 room a0216, 0218, Chuangye building, Shenyang road-108-2, Yiyuan sub district office, gaoqu District, Weihai City, Shandong Province Patentee after: ZHONGYI TECHNOLOGY Co.,Ltd. Address before: Room A0216 and 0218, Chuangye Building, No. 108-2 Shenyang Road, Yiyuan Street Office, Gaoqu District, Jinan City, Shandong Province, 250353 Patentee before: Qilu University of Technology (Shandong Academy of Sciences) |
|
| TR01 | Transfer of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A data-driven neural network-based OFDM channel estimation and signal detection method Granted publication date: 20220517 Pledgee: Weihai City Commercial Bank Limited by Share Ltd. high tech branch Pledgor: ZHONGYI TECHNOLOGY Co.,Ltd. Registration number: Y2024980002025 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |