CN113037668A - 一种毫米波点对点通信信道均衡方法 - Google Patents
一种毫米波点对点通信信道均衡方法 Download PDFInfo
- Publication number
- CN113037668A CN113037668A CN202110254010.8A CN202110254010A CN113037668A CN 113037668 A CN113037668 A CN 113037668A CN 202110254010 A CN202110254010 A CN 202110254010A CN 113037668 A CN113037668 A CN 113037668A
- Authority
- CN
- China
- Prior art keywords
- data
- point
- channel
- input
- 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
Links
- 238000004891 communication Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 238000010276 construction Methods 0.000 claims abstract 2
- 238000004088 simulation Methods 0.000 claims description 41
- 230000005540 biological transmission Effects 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 12
- 238000002790 cross-validation Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 9
- 238000010801 machine learning Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 102100032202 Cornulin Human genes 0.000 description 2
- 101000920981 Homo sapiens Cornulin Proteins 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 241000219000 Populus Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000009438 liyan Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012795 verification Methods 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
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03165—Arrangements for removing intersymbol interference using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明提出一种毫米波点对点通信信道均衡方法,其特征在于记录已知的发送数据和接收数据形成数据库,通过数据库搭建和训练卷积神经网络实现由接收数据直接恢复得到原始发送数据;包括如下步骤:建立数据库;划分数据集;构建神经网络并设置8个超参数;确定代价函数和性能评价指标;由接收数据直接恢复得到原始发送数据。使用点对点单输入单输出通信,所用数据库的输入和输出具有直接对应关系,可直接从卷积神经网络输出原始发送信号,而不是输出原始发送信号的条件概率分布,均衡过程更加直接。
Description
技术领域
本发明属于无线通信技术领域,尤其涉及一种毫米波点对点通信信道均衡技术。
背景技术
随着无线通信载波频率和带宽的变大,无线通信的数据量也急剧增加,学者们开始将 机器学习应用到无线通信领域。参考文献1:陈敏华,李杨,张武雄.基于卷积神经网络的信 道均衡算法[J].计算机应用与软件,2017,34(9):257-261.DOI:10.3969/j.issn.1000-386x.2017.09.050.将自适应信道均衡问题建模为一个可以用神经网络求解的多分类问 题,并基于softmax回归分析来求解分类的条件概率。如果发送信号可以表示为k点星座 图,那么信道均衡问题就可以被建模为一个k分类的回归问题,并利用卷积神经网络来实 现k分类。该卷积神经网络的输入特征是维度为2*N的接收信号,其中N表示接收机接收信号的滑动窗口长度,2表示将接收的复数数据拆分为实部和虚部;输出标签为发送信号的估计值。该文献利用信道探测仪对一个典型通信场景进行实测来建立数据集。搭建的网络包含两个卷积层,一个全连接层和一个softmax算法回归分析层。其中卷积层采用了多个不同的卷积核尺寸来验证学习效果的差异。
参考文献2:杨旸,李扬,周明拓.基于数据驱动深度学习方法的无线信道均衡[J].中兴通 讯技术,2018,24(2):25-29.DOI:10.3969/j.issn.1009-6868.2018.02.006.同样将信道均衡问题建 模为条件概率分布学习的问题,利用自制的8输入8输出通信系统采集数据建立学习数据 库,与文献1不同的是作者在卷积神经网络的基础上添加了数据驱动环节,搭建卷积-循环 神经网络CRNN来进行信道均衡,第一部分是卷积神经网络,第二部分是循环神经网络。 参考文献2中的卷积-循环神经网络CRNN包括两个卷积层,两个卷积层中间是Dropout 层,作用是降低神经网络过拟合的可能性。第个卷积层后接池化层,作用是减少连接数, 降低复杂度,且可局部相似性特征。卷积神经网络后接着是循环神经网络部分,LSTM为 长短时记忆单元,作用是克服信道的时变特性,最后交由softmax单元进行归一化并输出 发送符号的条件概率分布。
参考文献1和2利用深度学习实现信道均衡的技术存在的共同缺点在于:
1、数据库的建立依赖于信道探测仪对信道进行实测,而信道测量所需的设备成本往 往较高,不易于实现。
2、所提的信道均衡算法并未明确适用的载波频率范围。当频率升高至毫米波乃至太 赫兹频段,上述两种方法往往会面临数据库建立困难的问题,可扩展性低。
3、二者均是以发送信号的条件概率分布作为神经网络的输出,而不是直接输出原始 发送信号,学习结束尚需对学习结果进行转换。
发明内容
本发明要解决的技术问题在于建立一种基于卷积神经网络的毫米波点对点通信信道均 衡方法,实现由接收信号数据流直接恢复原始发送信号数据流,而不使用传统的信道均衡 器。
为了解决上述技术问题,本发明采用的技术方案是:
一种毫米波点对点通信信道均衡方法,其特征在于记录已知的发送数据和接收数据形 成数据库,通过数据库搭建和训练卷积神经网络实现由接收数据直接恢复得到原始发送数 据;包括如下步骤:
步骤1、建立数据库:获取特定通信场景下的信道参数,并根据信道参数的数量级修改 瑞利信道,以修改后的基于瑞利信道的仿真模型搭建100Ghz频率的点对点单输入单输出 通信仿真模型;依据所述点对点单输入单输出通信仿真模型获取传输数据流;
对输入所述通信仿真模型的已知的原始二进制数据流进行调制后以复数形式输入瑞利 信道,获得适用于对应场景的复数形式的接收信号;将所述复数形式的接收信号作为输入 特征,所述已知的原始二进制数据流经调制之后得到的复数形式数据作为输出标签;
随机选取一个场景下的子信道的输入特征和输出标签搭建数据库,将输入特征的每组 数据划分为实部和虚部,采用与输入特征相同的处理方法获得包括实部和虚部的输出标签;
步骤2、划分数据集:将输入特征随机划分成训练集、交叉验证集和测试集,训练集、 交叉验证集和测试集各占输入特征百分量依次为80%、10%和10%;输出标签按照输入特 征的方法同样划分为训练集、交叉验证集和测试集;
步骤3、搭建包括输入层、卷积层、全连接层和输出层的卷积神经网络模型;设置卷积 神经网络模型的超参数,根据学习结果对超参数进行修改直到训练效果有明显改进;
进一步的,所述卷积神经网络模型包括8种超参数:学习率、迭代次数、激活函数的类型、卷积核大小、卷积层层数、每层卷积层卷积核的数目、全连接层层数和每层全连接 层单元数。
步骤4、确定代价函数和性能评价指标:将输入特征的训练集输入到步骤3中的初始卷 积神经网络,调整所述超参数得到训练集的第c个卷积神经网络模型的代价函数Jmse:
确定均方根误差RMSE和决定系数R2为性能评价指标:
步骤5、由接收数据直接恢复得到原始发送数据。
上述方案中的步骤1中,利用Wireless Insite软件仿真得到特定通信场景下的信道参数, 并根据信道参数的数量级修改瑞利信道,并以修改后的基于瑞利信道的仿真模型搭建 100Ghz频率的点对点单输入单输出通信仿真模型;依据搭建的所述点对点单输入单输出通 信仿真模型获取传输数据流,建立数据库。
上述方案中的步骤1已知的原始二进制数据流经16QAM调制之后得到的复数形式数据 作为数据集的输出标签。
上述方案中的步骤5由接收数据直接恢复得到原始发送数据中,网络学习得到的结果 是经过16QAM调制后的复数数据的实部和虚部,经过解调后便可获得传输的原始二进制 数据流。
进一步的,步骤1中特定通信场景包括室内环境和室外环境。
进一步的,步骤1中特定通信场景载波频率为0~100GHz通信场景。
进一步的,步骤1中利用Wireless Insite软件仿真得到特定通信场景下的信道参数,所 述信道参数包括信道大尺度参数、小尺度参数和传播特征参数,其中大尺度参数描述的是 数百米至数千米的传播距离内信道的特征参数路径损耗;小尺度参数指的是数十个载波波 长的传播距离内信道参数的变化特征,由传播过程中的反射、衍射、绕射和多普勒效应引 起的时延扩展;传播特征参数指的是本次仿真中载波传输的角度信息,包括接收功率以及 平均到达时间;每个通信场景仿真输出包括1个大尺度参数,1个小尺度参数和6个传播 特征参数在内的8个信道参数:时延扩展、平均水平到达角、平均垂直到达角、平均水平 离开角、平均垂直离开角、平均到达时间、路径损耗、接收功率;根据平均到达时间和路 径损耗作为参考修改瑞利信道参数进行仿真,使得修改后的基于瑞利信道的仿真模型能反 映出实际信道对传输信号的影响,并以修改后的基于瑞利信道的仿真模型搭建100Ghz频 率的点对点单输入单输出通信仿真模型。
进一步的,步骤1中分别针对室内环境和室外环境设置各场景下的收发天线个数,然 后仿真得到数据组;以办公室作为典型室内环境,以城市公园作为典型室外环境,根据数 据组确定各环境下的输入数据维度或子信道数量、输出数据维度或原始数据量。
具体的,以办公室作为典型室内环境,设置收发天线各32个,仿真得到1024组数据, 室内环境输入数据的维度为384000*1024,代表有1024个子信道,即有1024组点对点通信;输出数据的维度为384000*1,代表传输的原始数据量是384000个;
以城市公园作为典型室外环境,设置收发天线各300个,仿真得到90000组数据,室外环境输入数据的维度为384000*90000,代表有90000个子信道,即90000组点对点通信,输出数据的维度为384000*1,代表传输的原始数据量是384000个;
随机选取一个子信道的输入特征和输出标签搭建数据库,数据量为384000;将输入特 征的每组数据划分为实部和虚部,获得384000*2组输入,输出标签的数据采用相同的处 理方法,获得384000*2组输出。
进一步的,步骤1对于室内环境,从该场景下仿真得到数据组中随机选取其中一列或 其中一个子信道传输数据作为卷积神经网络的输入,将实部和虚部分解组合成双输入,再 进行卷积神经网络训练;对于室外环境,从该场景下仿真得到数据组中随机选取其中两列 或其中两个子信道传输数据作为卷积神经网络的输入,将实部和虚部分解组合成双输入, 再进行卷积神经网络训练。
具体的,步骤1对于室内环境,输入一共1024组数据,随机选取其中第5列即第5个子信道的传输数据作为卷积神经网络的输入,将实部和虚部分解组合成双输入,再进行卷积神经网络训练。
具体的,步骤1对于室外场景,输入一共90000组数据,随机选取第1、110列即第1和第110个子信道的传输数据作为卷积神经网络的输入,将实部和虚部分解组合成双输入,再进行卷积神经网络训练。
进一步的,步骤3中卷积神经网络为双输入和两个单输出,将输入特征和输出数据的 实部和虚部均分解成两个独立的输出。
进一步的,步骤3中卷积神经网络参数为:学习率为0.001,迭代次数为5000次;模型由输入层、卷积层、池化层、全连接层和输出层构成;输入层有2个神经单元,卷积层 层数为3层,每层卷积后接池化层、全连接层层数有3层,输出层有1个神经单元;卷积 层和全连接层均使用Relu函数作为激活函数。
综上,本发明提出一种全新的基于机器学习的毫米波通信信道均衡算法。对于任意通 信系统,不管频段如何,只需记录已知的发送数据和接收数据形成数据库,便可通过训练 卷积神经网络实现由接收数据直接恢复得到原始发送数据,无需进行信道估计便可实现信 道均衡,克服了毫米波时变信道估计困难的问题。学习结果表明本发明所设计的卷积神经 网络对数据集的数据量大小有较强的鲁棒性,且能从接收数据中恢复出原始发送数据。
本发明利用Wireless Insite软件仿真得到特定通信场景下的信道参数,并根据信道参数 的数量级修改瑞利信道,以此获得学习所需的数据流数据集。当不具备信道测量的硬件条 件时,本发明提供了基于机器学习的信道均衡算法数据库的建立方法,且具有良好的扩展 性,可扩展到任意频段的通信系统的信道均衡。
相对于现有技术,本发明具有如下有益效果:
针对文献1和文献2所提方法数据库获取成本较高和频段扩展性低的问题,本发明提 出使用有高可靠性的电磁仿真软件Wireless Insite对信道进行仿真获取特定场景下的信道 参数,并根据仿真所得信道参数的数量级修改瑞利信道参数,搭建模型获取传输数据流, 建立数据库。基于Wireless Insite和瑞利信道的仿真方法成本低,且频率扩展性强,0-100GHz 范围内的通信系统均可应用本发明进行信道均衡。可用频率触及毫米波波段。
毫米波以太赫兹通信具有指向性强,绕射和散射能力弱的特点,所以一般只考虑视距 传播的情况。本发明能降低毫米波以及太赫兹频段点对点视距通信场景下的信道均衡难度, 直接由接收信号数据流恢复出原始的发送信号,而不用信道估计和信道均衡器,降低了高 频段信道均衡的成本。
与文献1和文献2描述多输入多输出通信系统不同,本发明针对的是毫米波频段点对 点单输入单输出通信,故本发明所用数据库的输入和输出具有直接对应关系,可直接从卷 积神经网络输出原始发送信号,而不是输出原始发送信号的条件概率分布,与文献1和文 献2所提方法相比,均衡过程更加直接。
附图说明
附图1为本发明的CNN毫米波信道均衡网络结构图。
具体实施方式
根据本发明实施的毫米波点对点通信信道均衡方法,其特征在于记录已知的发送数据 和接收数据形成数据库,通过训练卷积神经网络实现由接收数据直接恢复得到原始发送数 据;具体包括如下步骤:
步骤1、搭建可用的数据库。首先通过WIRELESS INSITE软件仿真获取特定通信场景 下的信道大尺度参数和小尺度参数,对应本发明的需求,主要模拟室内实验室场景和室外 公园场景,载波频率为100GHz。对于室内环境,收发天线各32个,仿真可以得到1024 组数据;对于室外环境,收发天线各300个,仿真可以得到90000组数据。每个通信场景 仿真输出8个信道参数:延迟扩展、平均水平到达角、平均垂直到达角、平均水平离开角、 平均垂直离开角、平均到达时间、路径损耗、接收功率。根据路径时延和路径损耗作为参 考修改瑞利信道参数进行仿真,使得修改后的基于瑞利信道的仿真模型能反映出实际信道 对传输信号的影响,并以此搭建100GHz频率的点对点单输入单输出通信仿真模型。
瑞利仿真模型传输的原始数据为已知的二进制数据流,经过16QAM调制后以复数形式 (记作modData_in)输入瑞利信道,获得复数形式的接收信号(记作rx_channel)。将rx_channel数据作为数据集的输入特征X,modData_in数据部作为数据集的输出标签Y。 对于室内环境,输入数据X1的维度为384000*1024,代表有1024个子信道,即有1024 组点对点通信。每个子信道传输的数据量是384000个。输出数据Y的维度为384000*1, 代表传输的原始数据量是384000个。同理对于室外环境,输入数据X2的维度为 384000*90000,代表有90000个子信道即90000组点对点通信,对应着大规模MIMO通信 场景。输出数据Y的维度为384000*1,代表传输的原始数据量是384000个。随机选取一 个子信道数据训练网络,数据量为384000。将输入特征的每组数据划分为实部和虚部,获 得384000*2组输入,输出标签的数据采用相同的处理方法,获得384000*2组输出。
步骤2、划分数据集。将384000*2个有效数据组随机分成训练集、交叉验证集和测试 集,训练集、交叉验证集和测试集各占百分量依次为80%、10%和10%,Xtrain、Xvalidation和Xtest依次表示输入特征的训练数据集、交叉验证数据集和测试数据集,Ytrain、Yvalidation和Ytest依次表示输出标签的训练集、交叉验证集和测试集。
步骤3、搭建卷积神经网络模型。卷积神经网络模型的网络结构由输入层、卷积层、全 连接层和输出层构成。网络模型含有8种超参数:学习率、迭代次数、激活函数的类型、卷积核大小、卷积层层数、每层卷积层卷积核的数目、全连接层层数和每层全连接层单元数,根据学习结果对超参数修改,直到学习效果有明显改进。
步骤4、确定代价函数和指标。将输入特征训练集Xtrain输入到所搭建的初始卷积神经网络, 调整前述8种超参数得到训练集的第c个卷积神经网络模型的代价函数Jmse,其中c表示第 c个卷积神经网络模型,用来区分不同超参数组合下的神经网络模型:
性能评价指标为均方根误差RMSE:
和决定系数为R2:
下面结合具体场景实施方式对本发明作进一步说明,并非对其保护范围的限制。
一、对于室内场景
输入一共1024组数据,随机选取其中第5列即第5个子信道的传输数据作为卷积神经 网络的输入,将实部和虚部分解,可组合成双输入,再进行卷积神经网络训练。卷积神经网络设置的初始超参数如下:
表1
对卷积层和全连接层进行正则化。学习率为0.001,batch为1024,迭代次数为5000。 该网络为双输入和两个单输出,因为将输入特征数据X和输出标签数据Y的实部和虚部均 分解成两个独立的输出。比较实部和虚部的学习结果的代价函数和性能评价指标RMSE和 R2的值:
表2
从表2中可以看出,Rmse指标很小,代价函数接近0,表明所选子信道较稳定。其中R2值接近1,表明该卷积神经网络学习效果很好。之后,我们通过减少数据,检测网络的 优良性以及信道均衡性能。我们设定输入为第978列,网络框架如图1,改变训练数据维 度为1000、90000,结果见表3。
表3
从表3可以看出,当数据量减少时,训练得到的Rmse和代价函数增加明显,且R2的值减小,但R2≥0.8,说明学习效果仍旧良好。由此可见,此网络结构较好,且数据集的数 量越多,网络越稳定。
二、对于室外场景
数据集一共90000组数据,随机选取第1、110列作为输入,将实部和虚部分解,可组合成双输入。进行卷积神经网络训练,网络参数见表4。卷积层和全连接层进行正则化, 学习率为0.001,batch为1024,迭代次数为5000。该网络为双输入和两个单输出,因为将 输入特征数据X和输出标签数据Y的实部和虚部均分解成两个独立的输出。比较实部和虚 部的学习结果的代价函数和性能评价指标RMSE和R2的值:
表4
从表4中可以看出,卷积神经网络的学习效果很好。Rmse和代价函数值趋近于0,R2趋近于1,表明网络结构较好。改变输入输出的训练数据,设置输入数据为第110列,训 练数据的个数分别为500、1000个,结果如下:
表5
从表5中可以看出,随着训练数据减少,Rmse和代价函数的值越来越大,且R2的值减 小,但R2≥0.9,训练结果仍旧良好。
通过室内室外场景的仿真验证,可得最优模型为:学习率为0.001,迭代次数为5000 次;模型由输入层、卷积层、池化层、全连接层和输出层构成。输入层有2个神经单元,卷积层层数为3层,每层卷积后接池化层、全连接层层数有2层,输出层有1个神经单元。 卷积层和全连接层均使用Relu函数作为激活函数。本发明所提算法的网络结构图如图1 所示。
由此,本发明提出一种全新的基于机器学习的毫米波通信信道均衡算法。对于任意通 信系统,不管频段如何,只需记录已知的发送数据和接收数据形成数据库,便可通过训练 卷积神经网络实现由接收数据直接恢复得到原始发送数据,无需进行信道估计便可实现信 道均衡,克服了毫米波时变信道估计困难的问题。学习结果表明本发明所设计的卷积神经 网络对数据集的数据量大小有较强的鲁棒性,且能从接收数据中恢复出原始发送数据。
关键点2:本发明利用Wireless Insite软件仿真得到特定通信场景下的信道参数,并根 据信道参数的数量级修改瑞利信道,以此获得学习所需的数据流数据集。当不具备信道测 量的硬件条件时,本发明提供了基于机器学习的信道均衡算法数据库的建立方法,且具有 良好的扩展性,可扩展到任意频段的通信系统的信道均衡。
Claims (10)
1.一种毫米波点对点通信信道均衡方法,其特征在于记录已知的发送数据和接收数据形成数据库,通过数据库搭建和训练卷积神经网络实现由接收数据直接恢复得到原始发送数据;包括如下步骤:
步骤1、建立数据库:获取特定通信场景下的信道参数,并根据信道参数的数量级修改瑞利信道,以修改后的基于瑞利信道的仿真模型搭建100Ghz频率的点对点单输入单输出通信仿真模型;依据所述点对点单输入单输出通信仿真模型获取传输数据流;
对输入所述通信仿真模型的已知的原始二进制数据流进行调制后以复数形式输入瑞利信道,获得适用于对应场景的复数形式的接收信号;将所述复数形式的接收信号作为输入特征,所述已知的原始二进制数据流经调制之后得到的复数形式数据作为输出标签;
随机选取一个场景下的子信道的输入特征和输出标签搭建数据库,将输入特征的每组数据划分为实部和虚部,采用与输入特征相同的处理方法获得包括实部和虚部的输出标签;
步骤2、划分数据集:将输入特征随机划分成训练集、交叉验证集和测试集,训练集、交叉验证集和测试集各占输入特征百分量依次为80%、10%和10%;输出标签按照输入特征的方法同样划分为训练集、交叉验证集和测试集;
步骤3、搭建包括输入层、卷积层、全连接层和输出层的卷积神经网络模型;设置卷积神经网络模型的超参数,根据学习结果对超参数进行修改直到训练效果有明显改进;
步骤4、确定代价函数和性能评价指标:将输入特征的训练集输入到步骤3中的初始卷积神经网络,调整所述超参数得到训练集的第c个卷积神经网络模型的代价函数Jmse:
确定均方根误差RMSE和决定系数R2为性能评价指标:
步骤5、由接收数据直接恢复得到原始发送数据。
2.根据权利要求1所述的毫米波点对点通信信道均衡方法,其特征在于步骤3中,所述卷积神经网络模型包括8种超参数:学习率、迭代次数、激活函数的类型、卷积核大小、卷积层层数、每层卷积层卷积核的数目、全连接层层数和每层全连接层单元数。
3.根据权利要求1所述的毫米波点对点通信信道均衡方法,其特征在于步骤1中,利用Wireless Insite软件仿真得到特定通信场景下的信道参数,并根据信道参数的数量级修改瑞利信道,并以修改后的基于瑞利信道的仿真模型搭建100Ghz频率的点对点单输入单输出通信仿真模型;依据搭建的所述点对点单输入单输出通信仿真模型获取传输数据流,建立数据库。
4.根据权利要求1所述的毫米波点对点通信信道均衡方法,其特征在于步骤1已知的原始二进制数据流经16QAM调制之后得到的复数形式数据作为数据集的输出标签。
5.根据权利要求1所述的毫米波点对点通信信道均衡方法,其特征在于步骤5由接收数据直接恢复得到原始发送数据中,网络学习得到的结果是经过16QAM调制后的复数数据的实部和虚部,经过解调后便可获得传输的原始二进制数据流。
6.根据权利要求1所述的毫米波点对点通信信道均衡方法,其特征在于,步骤1中特定通信场景包括室内环境和室外环境。
7.根据权利要求1所述的毫米波点对点通信信道均衡方法,其特征在于步骤1中利用Wireless Insite软件仿真得到特定通信场景下的信道参数,所述信道参数包括信道大尺度参数、小尺度参数和传播特征参数,其中大尺度参数描述的是数百米至数千米的传播距离内信道的特征参数路径损耗;小尺度参数指的是数十个载波波长的传播距离内信道参数的变化特征,由传播过程中的反射、衍射、绕射和多普勒效应引起的时延扩展;传播特征参数指的是本次仿真中载波传输的角度信息,包括接收功率以及平均到达时间;每个通信场景仿真输出包括1个大尺度参数,1个小尺度参数和6个传播特征参数在内的8个信道参数:时延扩展、平均水平到达角、平均垂直到达角、平均水平离开角、平均垂直离开角、平均到达时间、路径损耗、接收功率;根据平均到达时间和路径损耗作为参考修改瑞利信道参数进行仿真,使得修改后的基于瑞利信道的仿真模型能反映出实际信道对传输信号的影响,并以修改后的基于瑞利信道的仿真模型搭建100Ghz频率的点对点单输入单输出通信仿真模型。
8.根据权利要求1所述的毫米波点对点通信信道均衡方法,其特征在于步骤1中分别针对室内环境和室外环境设置各场景下的收发天线个数,然后仿真得到数据组;以办公室作为典型室内环境,以城市公园作为典型室外环境,根据数据组确定各环境下的输入数据维度或子信道数量、输出数据维度或原始数据量。
9.根据权利要求1所述的毫米波点对点通信信道均衡方法,其特征在于步骤1对于室内环境,从该场景下仿真得到数据组中随机选取其中一列或其中一个子信道传输数据作为卷积神经网络的输入,将实部和虚部分解组合成双输入,再进行卷积神经网络训练;对于室外环境,从该场景下仿真得到数据组中随机选取其中两列或其中两个子信道传输数据作为卷积神经网络的输入,将实部和虚部分解组合成双输入,再进行卷积神经网络训练。
10.根据权利要求1所述的毫米波点对点通信信道均衡方法,其特征在于步骤3中卷积神经网络为双输入和两个单输出,将输入特征和输出数据的实部和虚部均分解成两个独立的输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110254010.8A CN113037668B (zh) | 2021-05-20 | 2021-05-20 | 一种毫米波点对点通信信道均衡方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110254010.8A CN113037668B (zh) | 2021-05-20 | 2021-05-20 | 一种毫米波点对点通信信道均衡方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113037668A true CN113037668A (zh) | 2021-06-25 |
CN113037668B CN113037668B (zh) | 2023-03-10 |
Family
ID=76467079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110254010.8A Active CN113037668B (zh) | 2021-05-20 | 2021-05-20 | 一种毫米波点对点通信信道均衡方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113037668B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113271270A (zh) * | 2021-06-28 | 2021-08-17 | 上海交通大学 | 基于深度卷积神经网络的太赫兹超大规模信道估计方法 |
CN115102589A (zh) * | 2022-06-29 | 2022-09-23 | 内蒙古大学 | 太赫兹大规模mimo系统的深度学习混合预编码方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105162738A (zh) * | 2015-07-30 | 2015-12-16 | 南京信息工程大学 | 一种卫星信道复数神经多项式网络盲均衡系统及方法 |
CN107705359A (zh) * | 2017-10-13 | 2018-02-16 | 北京邮电大学 | 获取无线信道模型的方法和装置 |
WO2018106805A1 (en) * | 2016-12-09 | 2018-06-14 | William Marsh Rice University | Signal recovery via deep convolutional networks |
CN109067688A (zh) * | 2018-07-09 | 2018-12-21 | 东南大学 | 一种数据模型双驱动的ofdm接收方法 |
CN109995449A (zh) * | 2019-03-15 | 2019-07-09 | 北京邮电大学 | 一种基于深度学习的毫米波信号检测方法 |
CN110113119A (zh) * | 2019-04-26 | 2019-08-09 | 国家无线电监测中心 | 一种基于人工智能算法的无线信道建模方法 |
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 |
CN112600772A (zh) * | 2020-12-09 | 2021-04-02 | 齐鲁工业大学 | 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 |
CN112821926A (zh) * | 2021-01-18 | 2021-05-18 | 重庆邮电大学 | 一种基于模型驱动的深度信号检测方法 |
-
2021
- 2021-05-20 CN CN202110254010.8A patent/CN113037668B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105162738A (zh) * | 2015-07-30 | 2015-12-16 | 南京信息工程大学 | 一种卫星信道复数神经多项式网络盲均衡系统及方法 |
WO2018106805A1 (en) * | 2016-12-09 | 2018-06-14 | William Marsh Rice University | Signal recovery via deep convolutional networks |
CN107705359A (zh) * | 2017-10-13 | 2018-02-16 | 北京邮电大学 | 获取无线信道模型的方法和装置 |
CN109067688A (zh) * | 2018-07-09 | 2018-12-21 | 东南大学 | 一种数据模型双驱动的ofdm接收方法 |
CN109995449A (zh) * | 2019-03-15 | 2019-07-09 | 北京邮电大学 | 一种基于深度学习的毫米波信号检测方法 |
CN110113119A (zh) * | 2019-04-26 | 2019-08-09 | 国家无线电监测中心 | 一种基于人工智能算法的无线信道建模方法 |
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 |
CN112600772A (zh) * | 2020-12-09 | 2021-04-02 | 齐鲁工业大学 | 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 |
CN112821926A (zh) * | 2021-01-18 | 2021-05-18 | 重庆邮电大学 | 一种基于模型驱动的深度信号检测方法 |
Non-Patent Citations (1)
Title |
---|
庞立华等: "5G无线通信系统信道建的现状与挑战", 《电波科学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113271270A (zh) * | 2021-06-28 | 2021-08-17 | 上海交通大学 | 基于深度卷积神经网络的太赫兹超大规模信道估计方法 |
CN113271270B (zh) * | 2021-06-28 | 2021-11-19 | 上海交通大学 | 基于深度卷积神经网络的太赫兹超大规模信道估计方法 |
CN115102589A (zh) * | 2022-06-29 | 2022-09-23 | 内蒙古大学 | 太赫兹大规模mimo系统的深度学习混合预编码方法 |
CN115102589B (zh) * | 2022-06-29 | 2023-07-25 | 内蒙古大学 | 太赫兹大规模mimo系统的深度学习混合预编码方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113037668B (zh) | 2023-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020253690A1 (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 | |
CN108388927B (zh) | 基于深度卷积孪生网络的小样本极化sar地物分类方法 | |
CN109450834B (zh) | 基于多特征关联和贝叶斯网络的通信信号分类识别方法 | |
CN111563275B (zh) | 一种基于生成对抗网络的数据脱敏方法 | |
CN110113288B (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
CN113037668B (zh) | 一种毫米波点对点通信信道均衡方法 | |
CN108566257A (zh) | 一种基于反向传播神经网络的信号恢复方法 | |
CN112491442B (zh) | 一种自干扰消除方法及装置 | |
CN111050315B (zh) | 一种基于多核双路网络的无线发射机识别方法 | |
CN112910811B (zh) | 基于联合学习的噪声水平未知条件下的盲调制识别方法和装置 | |
CN113242066B (zh) | 一种多小区大规模mimo通信智能功率分配方法 | |
CN112749633B (zh) | 分离与重构的个体辐射源识别方法 | |
CN105656826A (zh) | 基于顺序统计量和机器学习的调制识别方法及系统 | |
CN111817803A (zh) | 一种基于相关系数和k-均值聚类算法的频谱感知方法、系统及计算机可读存储介质 | |
CN114268388A (zh) | 一种在大规模mimo中基于改进gan网络的信道估计方法 | |
CN112836822A (zh) | 基于宽度学习的联邦学习策略优化方法和装置 | |
CN114650199A (zh) | 一种基于数据驱动的深度神经网络信道估计方法及系统 | |
CN107451605A (zh) | 一种基于信道状态信息和支持向量机的简单目标识别方法 | |
CN114362851B (zh) | 一种基于机器学习的无线信道数据去噪方法 | |
Zhang et al. | Adaptive RF fingerprints fusion via dual attention convolutions | |
CN113259289B (zh) | 基于残差神经网络的单通道混叠信号调制模式识别方法 | |
CN117560104A (zh) | 一种混合交通中可解释性机器学习辅助的信道模型的构建方法 | |
CN116170066B (zh) | 一种面向低轨卫星物联网的负载预测方法 | |
Feng et al. | FCGCN: Feature Correlation Graph Convolution Network for Few-Shot Individual Identification | |
CN107181705A (zh) | 一种半盲信道估计方法及系统 |
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 |