CN112671419B - 一种无线信号重建方法、装置、系统、设备和存储介质 - Google Patents
一种无线信号重建方法、装置、系统、设备和存储介质 Download PDFInfo
- Publication number
- CN112671419B CN112671419B CN202011496054.3A CN202011496054A CN112671419B CN 112671419 B CN112671419 B CN 112671419B CN 202011496054 A CN202011496054 A CN 202011496054A CN 112671419 B CN112671419 B CN 112671419B
- Authority
- CN
- China
- Prior art keywords
- lstm network
- signal
- wireless signal
- data
- lstm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 58
- 230000000694 effects Effects 0.000 claims abstract description 31
- 230000008030 elimination Effects 0.000 claims abstract description 19
- 238000003379 elimination reaction Methods 0.000 claims abstract description 19
- 230000015654 memory Effects 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 23
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 19
- 238000004364 calculation method Methods 0.000 abstract description 11
- 230000005540 biological transmission Effects 0.000 description 31
- 238000010586 diagram Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Noise Elimination (AREA)
Abstract
本发明公开了一种无线信号重建方法、装置、系统、设备和存储介质，其中，无线信号重建方法包括：接收发射端发送的无线信号；通过预先训练得到的第一LSTM网络对所述无线信号进行噪声消除，得到去噪信号数据；通过预先训练得到的第二LSTM网络对所述去噪信号数据进行失真效应消除，恢复出原始发射信号。本发明实施例通过预先训练得到两个LSTM网络，利用两个LSTM网络消除了无线信道对发射端发送的无线信号的噪声干扰和失真效应，解决了传统通信系统中信道估计方法性能差或计算量大、复杂度高的问题，实现了在保证信道估计精度的前提下，提高了计算效率。
Description
技术领域
本发明实施例涉及通信技术，尤其涉及一种无线信号重建方法、装置、系统、设备和存储介质。
背景技术
无论是现有的4G通信系统还是未来的5G通信系统，在接收端进行信号相干检测时都需要获取信道状态信息(Channel State Information，CSI)，而信道估计技术的质量直接决定了无线通信系统是否可以获取准确的CSI。因此，信道估计的质量对于无线通信系统至关重要。在传统通信系统中，有两种常见的信道估计方法：最小二乘(The least squaremethod，LS)信道估计和最小均方误差(Minimum Mean Squared Error，MMSE)信道估计。由于LS信道估计算法不考虑任何信道模型或噪声因素，因此估计的精度容易受到高斯噪声和子载波间干扰(Inter Carrier-Interference,ICI)的影响，因此难以实现较高的估计精度。MMSE信道估计算法基于LS算法，虽然考虑了噪声的影响，即估计性能比LS估计算法要好得多。但是，MMSE算法需要已知信道的统计信息，且其计算量大，求解过程相当复杂，因此，它不适合实际情况。
发明内容
有鉴于此，本发明提供一种无线信号重建方法、装置、系统、设备和存储介质，在保证信道估计精度的前提下，提高了计算效率。
第一方面，本发明实施例提供了一种无线信号重建方法，应用于接收端，包括：
接收发射端发送的无线信号；
通过预先训练得到的第一长短期记忆LSTM网络对所述无线信号进行噪声消除，得到去噪信号数据；
通过预先训练得到的第二LSTM网络对所述去噪信号数据进行失真效应消除，恢复出原始发射信号。
第二方面，本发明实施例还提供了一种无线信号重建装置，应用于接收端，包括：
接收模块，用于接收发射端发送的无线信号；
第一处理模块，用于通过预先训练得到的第一长短期记忆LSTM网络对所述无线信号进行噪声消除，得到去噪信号数据；
第二处理模块，用于通过预先训练得到的第二LSTM网络对所述去噪信号数据进行失真效应消除，恢复出原始发射信号。
第三方面，本发明实施例还提供了一种无线信号重建系统，包括：发射端和接收端，其特征在于，所述接收端，包括：串并变换模块、第一长短期记忆LSTM网络、第二LSTM网络和傅里叶变换模块；所述第一LSTM网络的第一端与所述串并变换模块连接，所述第一LSTM网络的第二端与所述第二LSTM网络的第一端连接；所述第二LSTM网络的第二端与所述傅里叶变换模块连接；
在所述串并变换模块接收到发射端发送的无线信号之后，将所述无线信号输入至所述第一LSTM网络，并通过监督学习的方式消除所述无线信号中的噪声，得到去噪信号数据；将所述去噪信号数据输入至所述第二LSTM网络，并以监督学习的方式消除所述去噪信号数据中的失真效应，以恢复出原始发射信号。
第四方面，本发明实施例还提供了一种无线信号重建设备，包括：存储器，以及一个或多个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例中任一所述的无线信号重建方法。
第五方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的无线信号重建方法。
本发明实施例通过接收发射端发送的无线信号；通过预先训练得到的第一LSTM网络对无线信号进行噪声消除，得到去噪信号数据；通过预先训练得到的第二LSTM网络对去噪信号数据进行失真效应消除，恢复出原始发射信号。本发明实施例通过预先训练得到两个LSTM网络，利用两个LSTM网络消除了无线信道对发射端发送的无线信号的噪声干扰和失真效应，解决了传统通信系统中信道估计方法性能差或计算量大、复杂度高的问题，实现了在保证信道估计精度的前提下，提高了计算效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明实施例一提供的一种无线信号重建方法的流程图；
图2是本发明实施例二提供的一种无线信号重建方法的流程图；
图3是本发明实施例二提供的信噪比为40dB时基于第一LSTM网络得到的去噪信号数据与实际无噪声数据的对比图；
图4是本发明实施例二提供的信噪比为30dB时基于第一LSTM网络得到的去噪信号数据与实际无噪声数据的对比图；
图5是本发明实施例二提供的信噪比为20dB时基于第一LSTM网络得到的去噪信号数据与实际无噪声数据的对比图；
图6是本发明实施例二提供的信噪比为10dB时基于第一LSTM网络得到的去噪信号数据与实际无噪声数据的对比图；
图7是本发明实施例二提供的信噪比为0dB时基于第一LSTM网络得到的去噪信号数据与实际无噪声数据的对比图；
图8是本发明实施例二提供的信噪比为40dB时基于第二LSTM网络恢复的原始发射信号与实际发射信号的对比图；
图9是本发明实施例二提供的信噪比为30dB时基于第二LSTM网络恢复的原始发射信号与实际发射信号的对比图；
图10是本发明实施例二提供的信噪比为20dB时基于第二LSTM网络恢复的原始发射信号与实际发射信号的对比图；
图11是本发明实施例二提供的信噪比为10dB时基于第二LSTM网络恢复的原始发射信号与实际发射信号的对比图；
图12是本发明实施例二提供的信噪比为0dB时基于第二LSTM网络恢复的原始发射信号与实际发射信号的对比图；
图13是本发明实施例二提供的无线信号重建方法的整体性能与传统通信系统的整体性能对比图；
图14是本发明实施例三提供的一种无线信号重建装置的结构示意图；
图15是本发明实施例四提供的一种无线信号重建系统的结构示意图；
图16是本发明实施例四提供的另一种无线信号重建系统的结构示意图；
图17是本发明实施例五提供的一种无线信号重建设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例一
图1是本发明实施例一提供的一种无线信号重建方法的流程图，本实施例可适用于重建发射端发送的无线信号的情况，该方法可以由本发明实施例中的无线信号重建装置来执行，该装置可采用软件和/或硬件的方式实现，如图1所示，该方法具体包括如下步骤：
S110、接收发射端发送的无线信号。
其中，无线信号指的是经历了信道的失真效应和噪声干扰的发射端所发送的发射信号。具体的，本实施例中，利用matlab软件来模拟物理下行共享信道(Physical DownlinkShared Channel，PDSCH)的传输过程。首先生成一个PDSCH资源网格，然后插入解调参考符号，执行调制，生成已调信号；然后通过延时线(Time Delay Line，TDL)信道模型传输携带有信息的已调信号，然后添加高斯白噪声。在接收端，可以通过信号接收器接收发射端所发送的经过当前信道的失真效应和噪声干扰的无线信号。
S120、通过预先训练得到的第一LSTM网络对无线信号进行噪声消除，得到去噪信号数据。
其中，第一长短期记忆(Long Short-Term Memory，LSTM)网络指的是通过预先训练得到的一种长短期记忆网络。噪声指的是发射信号在传输过程中，信道对其所产生干扰的声音。去噪信号数据指的是对无线信号进行去噪处理后得到的信号数据。
具体的，将接收端接收到的无线信号作为第一LSTM网络的输入，通过监督学习的方式消除无线信号中噪声的干扰，得到去噪信号数据。本实施例中不对监督学习的方式进行限定，可以是现有技术的回归算法，也可以是现有技术的分类算法。
S130、通过预先训练得到的第二LSTM网络对去噪信号数据进行失真效应消除，恢复出原始发射信号。
其中，第二LSTM网络指的是通过预先训练得到的另一种长短期记忆网络。失真效应指的是信号在传输过程中，由于信道干扰导致发射信号与接收信号不一致，出现差异的现象。原始发射信号指的是发射端所发射的没有经历信道的失真效应和噪声干扰的信号。需要说明的是，第一LSTM网络和第二LSTM网络是具有相同结构的神经网络，只是两个神经网络所要达到的目的不同。
具体的，将S120得到的去噪信号数据输入第二LSTM网络，通过监督学习的方式进行失真效应消除，恢复出原始发射信号。本实施例中不对监督学习的方式进行限定，可以是现有技术的回归算法，也可以是现有技术的分类算法。
本发明实施例通过接收发射端发送的无线信号；通过预先训练得到的第一LSTM网络对无线信号进行噪声消除，得到去噪信号数据；通过预先训练得到的第二LSTM网络对去噪信号数据进行失真效应消除，恢复出原始发射信号。本发明实施例通过预先训练得到两个LSTM网络，使用两个级联的LSTM网络来消除信道对传输信号的噪声干扰和失真效应，在没有任何有关信道先验信息的情况下，接收端基于LSTM网络重建后的发射信号通过解调技术恢复出原始发射信号，解决了传统通信系统中信道估计方法性能差或计算量大、复杂度高的问题，实现了在保证信道估计精度的前提下，提高了计算效率。
实施例二
图2是本发明实施例二提供的一种无线信号重建方法的流程图，本实施例可适用于重建发射端发送的无线信号的情况，本实施例以上述实施例为基础进行了优化，未在本实施例中详尽描述的技术细节可参见上述任意实施例。在本实施例中，第一LSTM网络的训练过程，包括：以接收端接收到的无线信号作为输入，经过信道但未添加高斯白噪声的信号数据作为第一标签数据，对第一LSTM网络进行训练，直至第一LSTM网络的损失函数降到最小。第二LSTM网络的训练过程，包括：以第一LSTM网络预测得到的去噪信号数据作为输入，发射端发射出的已调信号数据作为第二标签数据，对第二LSTM网络进行训练，直至第二LSTM网络的损失函数降到最小。
如图2所示，本实施例的方法具体包括如下步骤：
S210、以接收端接收到的无线信号作为输入，经过信道但未添加高斯白噪声的信号数据作为第一标签数据，对第一LSTM网络进行训练，直至第一LSTM网络的损失函数降到最小。
其中，第一LSTM网络的损失函数降到最小，包括：第一标签数据和第一LSTM网络输出的去噪信号数据之间的最小均方误差达到最小。
其中，第一LSTM网络的损失函数指的是第一LSTM网络输出的去噪信号数据和第一标签数据之间的差异。本实施例中采用MMSE来描述这种差异。
具体的，将接收端接收到的无线信号作为第一LSTM网络的输入特征向量。示例性地，在接收端，可以接收到1203维的复信号，通过加零将其扩展至1204维；然后将复信号分为实部和虚部两部分，将时间步长设置为14，每个时间步长的输入维度设置为172；然后将2408维的信号数据输入到第一LSTM网络，并预测出相同维度的去噪信号数据。
其中，MSE表示均方根误差，Xi表示第一标签数据，Yi表示去噪信号数据，N表示数据总数量。通过不断训练第一LSTM网络，当第一标签数据和第一LSTM网络输出的去噪信号数据之间的最小均方误差达到最小时，表示第一LSTM网络的输出去噪信号数据与第一标签数据之间的差异程度最小。可以理解为，此时的第一LSTM网络能够有效地去除输入信号中的噪声。
S220、以第一LSTM网络预测得到的去噪信号数据作为输入，发射端发射出的已调信号数据作为第二标签数据，对第二LSTM网络进行训练，直至第二LSTM网络的损失函数降到最小。
在一实施例中，已调信号数据的生成方式，包括：生成物理下行共享信道PDSCH资源网格；在PDSCH资源网络中插入解调参考符号，并执行调制，生成已调信号数据。
在实施例中，第二LSTM网络的损失函数降到最小，包括：第二标签数据和第二LSTM网络输出的原始发射信号之间的最小均方误差达到最小。
其中，已调信号数据指的是模拟生成的调制信号数据。本实施例中，可以使用matlab软件模拟调制生成已调信号数据。第二LSTM网络的损失函数指的是第二LSTM网络输出的原始发射信号和第二标签数据之间的差异。本实施例中采用MMSE来描述这种差异。
示例性地，本实施例中可以基于matlab软件生成已调信号数据。通过matlab软件仿真生成一个PDSCH资源网格，在PDSCH资源网络插入解调参考符号DM-RS执行调制，生成已调信号数据。
进一步的，将第一LSTM网络输出的去噪信号数据作为到第二LSTM网络的输入，以恢复原始的发射信号。在发射端，发射机可以输出1102维的复信号，因此，第二LSTM网络输出的实部和虚部数据都降维至1102维，将实部和虚部合并在一起形成1102维的复信号，复信号就是预测的原始发射信号。示例性地，可以将LSTM网络隐藏层的神经元数量设置为365，第一LSTM网络训练的批量大小设置为64，学习速率设置为8e-4，第二LSTM网络训练的批量大小设置为256，学习速率设置为6e-3。
其中，MSE表示均方根误差，Zi表示第二标签数据，Wi表示原始发射信号据，N表示数据总数量。通过不断训练第二LSTM网络，当第二标签数据和第二LSTM网络输出的原始发射信号之间的最小均方误差达到最小时，表示第二LSTM网络的输出原始发射信号与第二标签数据之间的差异程度最小。可以理解为，此时的第二LSTM网络能够有效地消除输入信号的失真效应。
S230、接收发射端发送的无线信号。
S240、通过预先训练得到的第一LSTM网络对无线信号进行噪声消除，得到去噪信号数据。
S250、通过预先训练得到的第二LSTM网络对去噪信号数据进行失真效应消除，恢复出原始发射信号。
本实施例中给出了LSTM网络对加性高斯白噪声和瑞利衰落信道的仿真结果。此外，本实施例中还将无线信号重建方法与基于MMSE信道估计和均衡技术的传统通信系统的整体性能进行了比较。
具体的，基于第一LSTM网络来消除信道对传输信号的噪声干扰。图3-7分别是本发明实施例二提供的信噪比为40dB、30dB、20dB、10dB以及0dB时基于第一LSTM网络得到的去噪信号数据与实际无噪声数据的对比图。其中，图3中的(a)、(b)和(c)指的是复信号实部在信噪比为40dB时基于第一LSTM网络得到的去噪信号数据与实际无噪声数据的对比结果，图3中的(d)、(e)和(f)指的是复信号虚部在信噪比为40dB时基于第一LSTM网络得到的去噪信号数据与实际无噪声数据的对比结果。同样地，图4-图7中的(a)、(b)和(c)均指的是复信号实部分别在信噪比为30dB、20dB、10dB以及0dB时基于第一LSTM网络得到的去噪信号数据与实际无噪声数据的对比结果，即复信号实部分别在信噪比为30dB、20dB、10dB以及0dB时基于第一LSTM网络的去噪结果；图4-图7中的(d)、(e)和(f)均指的是复信号虚部分别在信噪比为30dB、20dB、10dB以及0dB时基于第一LSTM网络得到的去噪信号数据与实际无噪声数据的对比结果，即复信号虚部分别在信噪比为30dB、20dB、10dB以及0dB时基于第一LSTM网络的去噪结果。仿真结果表明，随着信噪比的降低，第一LSTM网络输出的去噪信号数据波形与实际无噪声数据波形的拟合效果越来越差。
进一步的，将第一LSTM网络输出的去噪信号数据结果传送至第二个LSTM网络的输入端，以解决信道失真的问题，然后恢复出原始发射信号。图8-12分别是本发明实施例二提供的信噪比为40dB、30dB、20dB、10dB以及0dB时基于第二LSTM网络恢复的原始发射信号与实际发射信号的对比图。其中，图8中的(a)、(b)和(c)指的是复信号实部在信噪比为40dB时基于第二LSTM网络恢复的原始发射信号与实际发射信号的对比结果，图8中的(d)、(e)和(f)指的是复信号虚部在信噪比为40dB时基于第二LSTM网络恢复的原始发射信号与实际发射信号的对比结果。同样地，图9-图12中的(a)、(b)和(c)均指的是复信号实部分别在信噪比为30dB、20dB、10dB以及0dB时基于第二LSTM网络恢复的原始发射信号与实际发射信号的对比结果，即复信号实部分别在信噪比为30dB、20dB、10dB以及0dB时基于第二LSTM网络的消除信道失真的结果；图9-图12中的(d)、(e)和(f)均指的是复信号虚部分别在信噪比为30dB、20dB、10dB以及0dB时基于第二LSTM网络恢复的原始发射信号与实际发射信号的对比结果，即复信号虚部分别在信噪比为30dB、20dB、10dB以及0dB时基于第二LSTM网络的消除信道失真的结果。仿真结果表明，随着信噪比的降低，发射信号的重建效果越来越差。
需要说明的是，图3-图17中的虚线指的是经过第一LSTM网络得到的去噪信号数据；实线指的是实际无噪声数据。图8-图12中的虚线指的是经过第二LSTM网络恢复的原始发射信号；实线指的是实际发射信号。
进一步的，本实施例中通过无线信号重建方法，原始发射信号被重建出来，经过解调技术，恢复出原始的发送符号，计算误符号率，与基于MMSE信道估计和均衡技术的传统通信方法所获得的误符号率进行比较。图13是本发明实施例二提供的无线信号重建方法的整体性能与传统通信系统的整体性能对比图。其中，虚线指的是传统通信系统实现的整体性能；实线指的是本实施例提供的无线信号重建方法实现的整体性能。实验结果表明，当信噪比较高时，本发明实施例所提供的无线信号重建方法与传统通信方法的整体性能效果相类似。在低信噪比的情况下，本发明实施例所提供的无线信号重建方法的整体性能效果优于传统通信方法的整体性能效果。
本发明实施例的技术方案，通过将无线信号和第一标签数据作为第一LSTM网络的训练数据，把第一LSTM网络输出的去噪信号数据和第二标签数据作为第二LSTM网络的训练数据，通过训练以最小化LSTM的输出和标签数据之间的差异。本实施例通过训练数据来构建LSTM网络，提取信号数据中更加抽象的特征，实现对数据更本质的刻画。同时，LSTM网络设计简单，具有很强的学习能力，能够学习到数据中有效的特征，降低了传统通信系统的复杂度，提升了计算效率。
实施例三
图14是本发明实施例三提供的一种无线信号重建装置的结构示意图。如图14所示，该无线信号重建装置具体包括：接收模块310、第一处理模块320和第二处理模块330。
其中，接收模块310，用于接收发射端发送的无线信号；
第一处理模块320，用于通过预先训练得到的第一LSTM网络对无线信号进行噪声消除，得到去噪信号数据；
第二处理模块330，用于通过预先训练得到的第二LSTM网络对去噪信号数据进行失真效应消除，恢复出原始发射信号。
本发明实施例通过预先训练得到两个LSTM网络，使用两个级联的LSTM网络来消除信道对传输信号的噪声干扰和失真效应，在没有任何有关信道先验信息的情况下，接收端基于LSTM网络重建后的发射信号通过解调技术恢复出原始发射信号，解决了传统通信系统中两种常见的信道估计方法性能差或计算量大、复杂度高的问题，提高了计算效率。
进一步的，第一LSTM网络的训练过程，包括：
以接收端接收到的无线信号作为输入，经过信道但未添加高斯白噪声的信号数据作为第一标签数据，对第一LSTM网络进行训练，直至第一LSTM网络的损失函数降到最小。
进一步的，第二LSTM网络的训练过程，包括：
以第一LSTM网络预测得到的去噪信号数据作为输入，发射端发射出的已调信号数据作为第二标签数据，对第二LSTM网络进行训练，直至第二LSTM网络的损失函数降到最小。
进一步的，第一LSTM网络的损失函数降到最小，包括：第一标签数据和第一LSTM网络输出的去噪信号数据之间的最小均方误差达到最小。
进一步的，第二LSTM网络的损失函数降到最小，包括：第二标签数据和第二LSTM网络输出的原始发射信号之间的最小均方误差达到最小。
进一步的，已调信号数据的生成方式，包括：
生成物理下行共享信道PDSCH资源网格；
在PDSCH资源网络中插入解调参考符号，并执行调制，生成已调信号数据。
本实施例所提供的无线信号重建装置可执行本发明任意实施例所提供的无线信号重建方法，具备执行无线信号重建方法相应的功能模块和有益效果。
实施例四
图15是本发明实施例四提供的一种无线信号重建系统的结构示意图，本实施例的技术方案适用于重建无线信号的情况。
如图15所示，本发明实施例四提供的无线信号重建系统，包括：发射端40和接收端50，接收端50包括：串并变换模块501、第一长短期记忆LSTM网络502、第二LSTM网络503和傅里叶变换模块504；第一LSTM网络502的第一端与串并变换模块连接501，第一LSTM网络502的第二端与第二LSTM网络503的第一端连接；第二LSTM网络503的第二端与傅里叶变换模块504连接。
在串并变换模块501接收到发射端40发送的无线信号之后，将无线信号输入至第一LSTM网络502，并通过监督学习的方式消除无线信号中的噪声，得到去噪信号数据；将去噪信号数据输入至第二LSTM网络，并以监督学习的方式消除去噪信号数据中的失真效应，以恢复出原始发射信号。
在本实施例中，接收端50的串并变换模块501接收到发射端40发送的无线信号，将无线信号从串行转换为并行之后发送到第一LSTM网络502。将无线信号作为输入，通过第一LSTM网络502以监督学习的方式消除无线信号中的噪声，得到输出结果去噪信号数据。将第一LSTM网络502的输出去噪信号数据作为第二LSTM503网络的输入，通过第二LSTM网络503以监督学习的方式消除去噪信号数据中的失真效应，恢复出原始发射信号。通过傅里叶变换模块504和串并变换模块501对原始发射信号进行解调，进一步恢复出原始的发送符号。
图16是本发明实施例四提供的另一种无线信号重建系统的结构示意图，如图所示，在发射端40基于matlab软件来模拟PDSCH的传输过程，来仿真生成发射信号。首先，将导频符号插入到发送符号中，然后通过串并变换将其转换成并行的低速子数据流，通过离散傅里叶逆变换将信号从频域转换到时域。然后添加循环前缀(CP)用于消除符号间干扰(ISI)。最终，发射信号通过TDL信道模型被传输到接收端。
其中，
表示卷积，x(n)和w(n)分别表示原始的发射信号和加性高斯白噪声。y(n)表示接收端接收到的无线信号，该信号经历了当前信道的失真效应和噪声干扰。
表示经过无线信号重建方法后被重建的发射信号。
本发明实施例本发明提供的无线信号重建系统，通过发射端模拟发射信号，接收端将串并变换模块接收到的无线信号输入LSTM网络，通过两个LSTM网络消除无线信号中的噪声和失真效应，恢复出原始发射信号。解决了传统通信系统中两种常见的信道估计方法性能差或计算量大、复杂度高的问题，提高了计算效率。
实施例五
图17是本发明实施例五提供的一种无线信号重建设备的结构示意图。如图17所示，该设备包括处理器610、存储器620、输入装置630和输出装置640、；设备中处理器610的数量可以是一个或多个，图17中以一个处理器610为例；设备中的处理器610、存储器620、输入装置和630输出装置640可以通过总线或其他方式连接，图17中以通过总线连接为例。
存储器620作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的无线信号重建方法对应的程序模块(例如，无线信号重建装置中的接收模块310、第一处理模块320和第二处理模块330)。处理器610通过运行存储在存储器620中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的无线信号重建方法。
存储器620可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器620可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器620可进一步包括相对于处理器610远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置630可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置640可包括显示屏等显示设备。
实施例六
本发明实施例六还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种无线信号重建方法，该方法包括：接收发射端发送的无线信号；通过预先训练得到的第一长短期记忆LSTM网络对所述无线信号进行噪声消除，得到去噪信号数据；通过预先训练得到的第二LSTM网络对去噪信号数据进行失真效应消除，恢复出原始发射信号。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的无线信号重建方法中的相关操作.
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述无线信号重建装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种无线信号重建方法，其特征在于，应用于接收端，包括：
接收发射端发送的无线信号；
通过预先训练得到的第一长短期记忆LSTM网络对所述无线信号进行噪声消除，得到去噪信号数据；
通过预先训练得到的第二LSTM网络对所述去噪信号数据进行失真效应消除，恢复出原始发射信号；
所述第一LSTM网络的训练过程，包括：
以接收端接收到的无线信号作为输入，经过信道但未添加高斯白噪声的信号数据作为第一标签数据，对所述第一LSTM网络进行训练，直至所述第一LSTM网络的损失函数降到最小；
所述第二LSTM网络的训练过程，包括：
以所述第一LSTM网络预测得到的去噪信号数据作为输入，发射端发射出的已调信号数据作为第二标签数据，对所述第二LSTM网络进行训练，直至所述第二LSTM网络的损失函数降到最小。
2.根据权利要求1所述的方法，其特征在于，所述第一LSTM网络的损失函数降到最小，包括：所述第一标签数据和所述第一LSTM网络输出的去噪信号数据之间的最小均方误差达到最小。
3.根据权利要求1所述的方法，其特征在于，所述第二LSTM网络的损失函数降到最小，包括：所述第二标签数据和所述第二LSTM网络输出的原始发射信号之间的最小均方误差达到最小。
4.根据权利要求1所述的方法，其特征在于，所述已调信号数据的生成方式，包括：
生成物理下行共享信道PDSCH资源网络；
在所述PDSCH资源网络中插入解调参考符号，并执行调制，生成已调信号数据。
5.一种无线信号重建装置，其特征在于，应用于接收端，包括：
接收模块，用于接收发射端发送的无线信号；
第一处理模块，用于通过预先训练得到的第一长短期记忆LSTM网络对所述无线信号进行噪声消除，得到去噪信号数据；
第二处理模块，用于通过预先训练得到的第二LSTM网络对所述去噪信号数据进行失真效应消除，恢复出原始发射信号；
所述第一LSTM网络的训练过程，包括：
以接收端接收到的无线信号作为输入，经过信道但未添加高斯白噪声的信号数据作为第一标签数据，对所述第一LSTM网络进行训练，直至所述第一LSTM网络的损失函数降到最小；
所述第二LSTM网络的训练过程，包括：
以所述第一LSTM网络预测得到的去噪信号数据作为输入，发射端发射出的已调信号数据作为第二标签数据，对所述第二LSTM网络进行训练，直至所述第二LSTM网络的损失函数降到最小。
6.一种无线信号重建系统，其特征在于，包括：发射端和接收端；所述接收端，包括：串并变换模块、第一长短期记忆LSTM网络、第二LSTM网络和傅里叶变换模块；所述第一LSTM网络的第一端与所述串并变换模块连接，所述第一LSTM网络的第二端与所述第二LSTM网络的第一端连接；所述第二LSTM网络的第二端与所述傅里叶变换模块连接；
在所述串并变换模块接收到发射端发送的无线信号之后，将所述无线信号输入至所述第一LSTM网络，并通过监督学习的方式消除所述无线信号中的噪声，得到去噪信号数据；将所述去噪信号数据输入至所述第二LSTM网络，并以监督学习的方式消除所述去噪信号数据中的失真效应，以恢复出原始发射信号；
所述第一LSTM网络的训练过程，包括：
以接收端接收到的无线信号作为输入，经过信道但未添加高斯白噪声的信号数据作为第一标签数据，对所述第一LSTM网络进行训练，直至所述第一LSTM网络的损失函数降到最小；
所述第二LSTM网络的训练过程，包括：
以所述第一LSTM网络预测得到的去噪信号数据作为输入，发射端发射出的已调信号数据作为第二标签数据，对所述第二LSTM网络进行训练，直至所述第二LSTM网络的损失函数降到最小。
7.一种无线信号重建设备，其特征在于，包括：存储器，以及一个或多个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的无线信号重建方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一所述的无线信号重建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011496054.3A CN112671419B (zh) | 2020-12-17 | 2020-12-17 | 一种无线信号重建方法、装置、系统、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011496054.3A CN112671419B (zh) | 2020-12-17 | 2020-12-17 | 一种无线信号重建方法、装置、系统、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112671419A CN112671419A (zh) | 2021-04-16 |
| CN112671419B true CN112671419B (zh) | 2022-05-03 |
Family
ID=75404783
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011496054.3A Active CN112671419B (zh) | 2020-12-17 | 2020-12-17 | 一种无线信号重建方法、装置、系统、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112671419B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115356694B (zh) * | 2022-08-26 | 2023-08-22 | 哈尔滨工业大学（威海） | 高频地波雷达抗冲击干扰方法、系统、计算机设备及应用 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109450830A (zh) * | 2018-12-26 | 2019-03-08 | 重庆大学 | 一种高速移动环境下基于深度学习的信道估计方法 |
| CN109841226A (zh) * | 2018-08-31 | 2019-06-04 | 大象声科（深圳）科技有限公司 | 一种基于卷积递归神经网络的单通道实时降噪方法 |
| CN110491407A (zh) * | 2019-08-15 | 2019-11-22 | 广州华多网络科技有限公司 | 语音降噪的方法、装置、电子设备及存储介质 |
| KR102073935B1 (ko) * | 2018-12-24 | 2020-02-05 | 충남대학교산학협력단 | 전파신호 변조인식시스템 |
| CN111049615A (zh) * | 2018-10-15 | 2020-04-21 | 华为技术有限公司 | 处理信号的方法和装置 |
| CN111182564A (zh) * | 2019-12-26 | 2020-05-19 | 合肥工业大学 | 一种基于lstm神经网络的无线链路质量预测方法 |
| CN111435462A (zh) * | 2019-01-11 | 2020-07-21 | 三星电子株式会社 | 训练神经网络的方法及系统 |
| CN111786923A (zh) * | 2020-06-05 | 2020-10-16 | 中国电子科技集团公司第七研究所 | 一种正交频分复用系统时频双选信道的信道估计方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110728357B (zh) * | 2019-09-19 | 2022-11-18 | 东南大学 | 一种基于循环神经网络的imu数据去噪方法 |
-
2020
- 2020-12-17 CN CN202011496054.3A patent/CN112671419B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109841226A (zh) * | 2018-08-31 | 2019-06-04 | 大象声科（深圳）科技有限公司 | 一种基于卷积递归神经网络的单通道实时降噪方法 |
| CN111049615A (zh) * | 2018-10-15 | 2020-04-21 | 华为技术有限公司 | 处理信号的方法和装置 |
| KR102073935B1 (ko) * | 2018-12-24 | 2020-02-05 | 충남대학교산학협력단 | 전파신호 변조인식시스템 |
| CN109450830A (zh) * | 2018-12-26 | 2019-03-08 | 重庆大学 | 一种高速移动环境下基于深度学习的信道估计方法 |
| CN111435462A (zh) * | 2019-01-11 | 2020-07-21 | 三星电子株式会社 | 训练神经网络的方法及系统 |
| CN110491407A (zh) * | 2019-08-15 | 2019-11-22 | 广州华多网络科技有限公司 | 语音降噪的方法、装置、电子设备及存储介质 |
| CN111182564A (zh) * | 2019-12-26 | 2020-05-19 | 合肥工业大学 | 一种基于lstm神经网络的无线链路质量预测方法 |
| CN111786923A (zh) * | 2020-06-05 | 2020-10-16 | 中国电子科技集团公司第七研究所 | 一种正交频分复用系统时频双选信道的信道估计方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于BLSTM 神经网络的回声和噪声抑制算法;王冬霞;《信号处理》;20200630;991-999 * |
| 认知无线电中预测性频谱探测时间的优化;尹斯星;《北京邮电大学学报》;20101031;112-116 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112671419A (zh) | 2021-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ye et al. | Power of deep learning for channel estimation and signal detection in OFDM systems | |
| CN109672639B (zh) | 一种基于机器学习的信号解调方法 | |
| Jeya et al. | Optimized semiblind sparse channel estimation algorithm for MU-MIMO OFDM system | |
| CN113630130B (zh) | 端到端数字通信解调方法 | |
| CN114826832B (zh) | 信道估计方法、神经网络的训练方法及装置、设备 | |
| CN105099968A (zh) | 一种多径信道中的超奈奎斯特速率通信系统 | |
| CN112215335B (zh) | 一种基于深度学习的系统检测方法 | |
| CN114884777B (zh) | 一种基于变换域的信道估计方法 | |
| Zhao et al. | Multi-task learning based underwater acoustic OFDM communications | |
| CN112671419B (zh) | 一种无线信号重建方法、装置、系统、设备和存储介质 | |
| CN114124168B (zh) | 一种基于深度学习的mimo-noma系统信号检测方法及系统 | |
| Zhang et al. | Efficient residual shrinkage CNN denoiser design for intelligent signal processing: Modulation recognition, detection, and decoding | |
| CN114745233A (zh) | 一种基于导频设计的联合信道估计方法 | |
| CN104079520A (zh) | 一种ofdm系统的脉冲干扰抑制方法 | |
| CN113726697A (zh) | 一种基于置信空间动态判决的otfs符号检测方法 | |
| Lu et al. | An improved one-bit ofdm receiver based on model-driven deep learning | |
| CN111147157B (zh) | 一种用于水声信道上正交信号分复用的软干扰消除Turbo均衡方法 | |
| Fan et al. | An improved discrete Fourier transformation channel estimation algorithm with low complexity for orthogonal frequency division multiplexing‐based power line carrier communication systems | |
| CN113556305A (zh) | 适用于高频率选择性衰落的fbmc迭代信道均衡方法及系统 | |
| CN111769975A (zh) | Mimo系统信号检测方法及系统 | |
| CN106230760B (zh) | 一种适用于pi/4_DQPSK的软信息获取方法和装置 | |
| McCaskey et al. | Machine learning applied to an RF communication channel | |
| Xin et al. | Dmcnet: Data-driven multi-Pilot convolution neural network for MIMO-OFDM receiver | |
| Li et al. | Intelligent equalization based on RBF LSSVM and adaptive channel decoding in faster-than-nyquist receiver | |
| Boutalline et al. | A robust approach for Proakis and BRAN channel identification and equalization of MC-CDMA systems |
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 |