CN113114603A - 一种mimo-ofdm系统的信息恢复方法及装置 - Google Patents

一种mimo-ofdm系统的信息恢复方法及装置 Download PDF

Info

Publication number
CN113114603A
CN113114603A CN202110421711.6A CN202110421711A CN113114603A CN 113114603 A CN113114603 A CN 113114603A CN 202110421711 A CN202110421711 A CN 202110421711A CN 113114603 A CN113114603 A CN 113114603A
Authority
CN
China
Prior art keywords
neural network
convolutional neural
layer
training
mimo
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
CN202110421711.6A
Other languages
English (en)
Other versions
CN113114603B (zh
Inventor
庞立华
尚明浩
李育东
任政
李�荣
代新冠
毛昕蓉
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.)
Guangzhou Its Communication Equipment Co ltd
Original Assignee
Xian University of Science and Technology
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 Xian University of Science and Technology filed Critical Xian University of Science and Technology
Priority to CN202110421711.6A priority Critical patent/CN113114603B/zh
Publication of CN113114603A publication Critical patent/CN113114603A/zh
Application granted granted Critical
Publication of CN113114603B publication Critical patent/CN113114603B/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
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2647—Arrangements specific to the receiver only
    • H04L27/2655—Synchronisation arrangements
    • H04L27/2657—Carrier synchronisation
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2647—Arrangements specific to the receiver only
    • H04L27/2655—Synchronisation arrangements
    • H04L27/2668—Details of algorithms

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明公开了一种MIMO‑OFDM系统的信息恢复方法及装置，获取MIMO‑OFDM发送端发出并通过信道后的I/Q信号，将I/Q信号输入训练好的卷积神经网络对信号进行恢复，得到恢复后的数据信息；其中，卷积神经网络的训练方法为：利用发送端生成卷积神经网络的训练集，训练集包括原始信息比特和I/Q信号，且原始信息比特与I/Q信号一一对应；采用训练集对卷积神经网络进行训练，得到卷积神经网络中各神经元之间的连接权值和偏置值，将各神经元之间的连接权值和偏置值赋予卷积神经网络，得到训练好的卷积神经网络；本发明通过卷积神经网络替代原有接收机的各个硬件模块，利用卷积神经网络进行统一优化，降低了信号恢复的全局误差，同时降低了接收机的复杂度。

Description

一种MIMO-OFDM系统的信息恢复方法及装置
技术领域
本发明属于无线通信技术领域，尤其涉及一种MIMO-OFDM系统的信息恢复方法及装置。
背景技术
在通信领域中，数据量的增加、高速的信息传输和高准确率的通信需求给现在的通信系统带来了较大的挑战。MIMO-OFDM系统利用多天线来抑制信道衰落，相对于普通的SISO(Single-Input Single-Output)系统，MIMO还可以包括SIMO(Single-Input Multi-ple-Output)系统和MISO(Multiple-Input Single-Output)系统。可以看出，此时的信道容量随着天线数量的增大而线性增大。也就是说可以利用MIMO信道成倍地提高无线信道容量，在不增加带宽和天线发送功率的情况下，频谱利用率可以成倍地提高。
接收机是确保MIMO-OFDM系统误码率(BER)性能的关键。由于非理想因素的影响，到达接收机的信号与发射的信号相比将大大失真。接收机需要尽可能准确地从失真信号中恢复信息。为了克服这些非理想因素，传统的无线通信接收机主要使用逐步的串行处理来恢复信息，即使用载波同步来校正载波频率偏差、使用符号同步来克服定时误差、使用信道估计来估计信道响应、使用均衡来克服信道衰落、使用解调来实现调制的逆运算、并使用信道解码等等。
如前所述，在这种接收模式下，每个模块的优化都是对模块本身的性能进行优化，而不一定是通信系统信息恢复的整体全局最优性能。如预处理模块的错误可能会影响后续处理模块的优化，从而导致信号恢复过程中的误差累积。此外，每个接收处理模块的算法设计通常基于理论假设，该理论假设不一定与通信系统的真实条件相匹配。因此，传统接收机优化的是假设条件下的最佳性能，而不一定是现实环境下的最佳性能。进而，导致传统接收机信号恢复准确率难以得到保证。
发明内容
本发明的目的是提供一种MIMO-OFDM系统的信息恢复方法及装置，通过卷积神经网络替代原有接收机的各个硬件模块，再对卷积神经网络进行统一优化，降低了信号恢复的全局误差，同时降低了接收机的复杂度。
本发明采用以下技术方案：一种MIMO-OFDM系统的信息恢复方法，包括以下步骤：
获取MIMO-OFDM发送端发出并通过信道后的I/Q信号，将I/Q信号输入训练好的卷积神经网络进行恢复，得到恢复后的数据信息；其中，卷积神经网络的训练方法为：
利用发送端生成卷积神经网络的训练集，训练集包括原始信息比特和I/Q信号，且原始信息比特与I/Q信号一一对应；
采用训练集对卷积神经网络进行训练，得到卷积神经网络中各神经元之间的连接权值和偏置值，将各神经元之间的连接权值和偏置值赋予卷积神经网络，得到训练好的卷积神经网络。
进一步地，采用训练集对卷积神经网络进行训练包括：
随机选取训练集中的一组训练数据输入到卷积神经网络；训练数据包括原始信息比特和I/Q信号；
通过卷积神经网络计算得出I/Q信号对应的恢复数据信息；
将恢复数据信息和原始信息比特代入卷积神经网络的损失函数，并计算损失函数值；
当损失函数值满足阈值时，提取当前卷积神经网络中各神经元之间的连接权值和偏置值。
进一步地，当损失函数值不满足阈值时，通过损失函数值对卷积神经网络中各神经元之间的连接权值和偏置值进行修正，并继续采用训练集对卷积神经网络进行训练。
进一步地，计算损失函数值之后还包括：
判断当前损失函数值的计算次数，当计算次数达到次数阈值时，提取当前卷积神经网络中各神经元之间的连接权值和偏置值。
进一步地，通过损失函数值对卷积神经网络中各神经元之间的连接权值和偏置值进行修正包括：
利用损失函数值在卷积神经网络中逆向传播对各神经元之间的连接权值和偏置值进行修正。
进一步地，卷积神经网络结构包括输入层、第一卷积子网络、第二卷积子网络、第三卷积子网络和输出层。
进一步地，输入层的大小为4*20；
第一卷积子网络包括依次连接的第一卷积层、第一规范化层、第一整流线性单元层和第一最大池化层；其中，第一卷积层的卷积核为4*5；第一规范化层用于对每个通道进行规范化；第一整流线性单元层为ReLU函数；第一最大池化层的大小为1*2，步长为2；
第二卷积子网络包括依次连接的第二卷积层、第二规范化层、第二整流线性单元层和第二最大池化层；其中，第二卷积层的卷积核为1*5；第二规范化层用于对每个通道进行规范化；第二整流线性单元层为ReLU函数；第二最大池化层的大小为1*2，步长为2；
第三卷积子网络包括依次连接的第三卷积层、第三规范化层和第三整流线性单元层；其中，第三卷积层的卷积核为1*3；第三规范化层用于对每个通道进行规范化；第三整流线性单元层为ReLU函数；
输出层包括依次连接的全连接层和Softmax层；全连接层大小为1*256；Softmax层用于输出各个类的概率。
本发明的另一种技术方案：一种MIMO-OFDM系统的信息恢复装置，用于执行上述的一种MIMO-OFDM系统的信息恢复方法，包括：
恢复模块，用于获取MIMO-OFDM发送端发出并通过信道后的I/Q信号，将I/Q信号输入训练好的卷积神经网络进行恢复，得到恢复后的数据信息；
训练模块，用于训练卷积神经网络；其中，具体训练方法为：
利用发送端生成卷积神经网络的训练集，训练集包括原始信息比特和I/Q信号，且原始信息比特与I/Q信号一一对应；
采用训练集对卷积神经网络进行训练，得到卷积神经网络中各神经元之间的连接权值和偏置值，将各神经元之间的连接权值和偏置值赋予卷积神经网络，得到训练好的卷积神经网络。
进一步地，采用训练集对卷积神经网络进行训练包括：
随机选取训练集中的一组训练数据输入到卷积神经网络；训练数据包括原始信息比特和I/Q信号；
通过卷积神经网络计算得出I/Q信号对应的恢复数据信息；
将恢复数据信息和原始信息比特代入卷积神经网络的损失函数，并计算损失函数值；
当损失函数值满足阈值时，提取当前卷积神经网络中各神经元之间的连接权值和偏置值。
本发明的另一种技术方案：一种MIMO-OFDM系统的信息恢复装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的一种MIMO-OFDM系统的信息恢复方法。
本发明的有益效果是：本发明通过构建卷积神经网络模拟传统的接收机，并采用发射端生成卷积神经网络的训练集对卷积神经网络进行训练；通过该卷积神经网络可以对接收机整个流程进行模拟，在对卷积神经网络进行训练的过程中可以优化全流程，避免了信号恢复过程中的误差积累，并且能结合实际通信环境进行优化，降低接收机复杂度的同时降低了全局误差，提升了信号恢复准确率。
附图说明
图1为本发明实施例一种MIMO-OFDM系统的信息恢复方法的流程图；
图2为本发明实施例中训练集的生成流程图；
图3为本发明实施例中的卷积神经网络的结构图；
图4为本发明实施例一种MIMO-OFDM系统的信息恢复装置的模块结构图；
图5为本发明另一本发明实施例一种MIMO-OFDM系统的信息恢复装置的结构图；
图6为本发明验证实施例中的验证结果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
现有的通信系统在海量数据处理和系统结构信息的利用上存在局限性，基于这些需求，需要建立新的通信系统理论。人工智能技术广泛的应用于各行各业，并在各行各业中取得了巨大的成功，由于人工智能技术在数据处理和结构化信息的利用上有较大的优势，因此吸引了大批研究人员的目光。在通信领域中，深度学习等人工智能算法慢慢的开始取代传统的通信算法。
通信的准确性是衡量通信系统的重要指标，接收机是一个通信系统的重要组成部分，本申请采用深度学习优化的接收机能够表现出更好的误码率性能，使通信系统的准确性进一步提升。神经网络模型是基于整体优化设计的，当使用一个完整的神经网络来实现接收机后，可以通过神经网络的整体优化算法来优化网络模型，以实现对系统整体性能的进一步提升。
本发明利用卷积神经网络替代传统接收机，首先利用发送端的数据生成训练集，再将生成的训练集用于卷积神经网络的训练，卷积神经网络通过训练提取发送数据的特征，再将训练好的神经网络用于接收端，代替传统接收机，实现包括载波同步、信道均衡、信道估计、解调、信道解码等功能。本发明通过将训练后的卷积神经网络作为接收机，降低了MIMO-OFDM系统模型的复杂度，提高了系统对数据信息恢复的准确度，提升了MIMO-OFDM系统的频谱效率
本发明公开了一种MIMO-OFDM系统的信息恢复方法，如图1所示，包括以下步骤：
步骤S110、获取MIMO-OFDM系统中发送端发出并通过信道后的I/Q信号；步骤S120、将I/Q信号输入训练好的卷积神经网络对信号进行恢复，得到恢复后的数据信息。
其中，卷积神经网络的训练方法为：利用发送端生成卷积神经网络的训练集，训练集包括原始信息比特和I/Q信号，且原始信息比特与通过信道后的I/Q信号一一对应；采用训练集对卷积神经网络进行训练，得到所述卷积神经网络中各神经元之间的连接权值和偏置值，将各神经元之间的连接权值和偏置值赋予卷积神经网络，得到训练好的卷积神经网络。
本发明通过构建卷积神经网络模拟传统的接收机，并采用发射端生成卷积神经网络的训练集对卷积神经网络进行训练；通过该卷积神经网络可以对接收机整个流程进行模拟，在对卷积神经网络进行训练的过程中可以优化全流程，避免了信号恢复过程中的误差积累，并且能结合实际通信环境进行优化，降低接收机复杂度的同时降低了全局误差，提升了信号恢复准确率。
在本发明实施例中，生成训练集的过程如图2所示，利用传统发射机生成卷积神经网络的训练集：随机生成0、1数据比特，经过BPSK调制、串并变换、空时编码、插入导频、IFFT、插入循环前缀，最后通过发送天线进行发送。根据卷积神经网络的训练要求，把原始信息比特和由发送端发出并通过信道后的I/Q信号，分别设置为原始数据YTrain和分类标签XTrain作为神经网络的训练集。XTrain作为卷积神经网络的输入，YTrain用来与卷积神经网络的恢复信息进行比对。
本发明的构思是，将数据信息送入发射机进行符号映射、串并变换、空时编码、插入导频和循环前缀等处理后发送，接收端将接收到的信号直接作为已训练卷积神经网络的输入，接收信号可在卷积神经网络的作用下直接恢复出原始数据信息。
本发明的一个实施例中，采用训练集对卷积神经网络进行训练包括：随机选取训练集中的一组训练数据输入到卷积神经网络；训练数据包括原始信息比特和对应的通过信道后的I/Q信号；通过卷积神经网络计算得出的恢复数据信息；将恢复数据信息和原始信息比特代入卷积神经网络的损失函数，并计算损失函数值；当损失函数值满足阈值时，提取当前卷积神经网络中各神经元之间的连接权值(即权重值)和偏置值。
另外，作为另一种可能，当损失函数值不满足阈值时，通过损失函数值对卷积神经网络中各神经元之间的连接权值和偏置值进行修正，并继续采用训练集对卷积神经网络进行训练。
在本发明的实施例中，计算损失函数值之后还包括；判断当前损失函数值的计算次数，当计算次数达到次数阈值时，提取当前卷积神经网络中各神经元之间的连接权值和偏置值。这样通过训练次数和阈值进行双约束，更能提高卷积神经网络的训练效率。
在本发明的实施例中，通过损失函数值对卷积神经网络中各神经元之间的连接权值和偏置值进行修正包括：利用损失函数值在卷积神经网络中逆向传播对各神经元之间的连接权值进行修正。
具体的，如图3所示，卷积神经网络结构包括输入层、第一卷积子网络、第二卷积子网络、第三卷积子网络和输出层。
更为具体的，输入层的大小为4*20；第一卷积子网络包括依次连接的第一卷积层、第一规范化层、第一整流线性单元层和第一最大池化层；其中，第一卷积层的卷积核为4*5；第一规范化层用于对每个通道进行规范化；第一整流线性单元层为ReLU函数；第一最大池化层的大小为1*2，步长为2。
第二卷积子网络包括依次连接的第二层卷积层、第二规范化层、第二整流线性单元层和第二最大池化层；其中，第二卷积层的卷积核为1*5；第二规范化层用于对每个通道进行规范化；第二整流线性单元层为ReLU函数；第二最大池化层的大小为1*2，步长为2。
第三卷积子网络包括依次连接的第三卷积层、第三规范化层和第三整流线性单元层；其中，第三卷积层的卷积核为1*3；第三规范化层用于对每个通道进行规范化；第三整流线性单元层为ReLU函数。
输出层包括依次连接的全连接层和Softmax层；全连接层大小为1*256；Softmax层用于输出各个类的概率。
如图3所示，该模型的输入是接收到的I/Q信号，输出是恢复的信息比特流。该神经网络接收机与传统的通信发送器配对。其目的是尽可能地在各种非理想条件下可靠地恢复信息，并提高接收机对非理想条件的适应性。
卷积神经网络接收机具有两个主要功能。首先是全局优化。在神经网络接收机模型中，单个深度神经网络执行信息恢复的所有处理，并且该网络优化了信息恢复的整体性能。第二个特征是神经网络接收机不依赖理论假设。卷积神经网络接收机是基于深度学习而设计的，深度学习是一种从数据中学习的方法。学习的模型将更紧密地匹配通信系统遇到的非理想因素，并且在这些非理想情况下，会获得比传统接收机更好的性能。
本发明实施例通过根据接收到由发送端发出并通过信道后的I/Q信号，通过该卷积神经网络模型下的接收机，进行原始信号恢复，可以降低系统的复杂度，并且复原的信号准确度更高，从而提高MIMO-OFDM系统的频谱利用率。
本申请实施例中，还进行了仿真验证，如图6所示，通过MATLAB对所提出算法进行仿真，其中NT＝NR＝2，原始信息位数为8位二进制，如下表1所示，为本发明接收机和现有技术中的接收机对数据的恢复结果信息，且根据图6可知，与传统接收机相比，本发明的接收机误码率低于传统接收机。
ytrain Ypre(本发明接收机预测结果) lspre(现有接收机预测结果)
'01101111' '01101111' 01101101'
'01111011' '01111011' 01101001'
'00111011' '00111011' '00111011'
'10000010' '10000010' 10010010'
'11110101' '11110101' 10110101'
本发明的另一种技术方案：一种MIMO-OFDM系统的信息恢复装置，用于执行上述的一种MIMO-OFDM系统的信息恢复方法，如图4所示，包括：恢复模块210，用于获取MIMO-OFDM发送端发出并通过信道后的I/Q信号，将信号输入训练好的卷积神经网络对信号进行恢复，得到恢复后的数据信息；训练模块220，用于训练卷积神经网络；其中，具体训练方法为：利用发送端生成卷积神经网络的训练集，训练集包括原始信息比特和对应的通过信道后的I/Q信号，且原始信息比特与I/Q信号一一对应；采用训练集对卷积神经网络进行训练，得到卷积神经网络中各神经元之间的连接权值和偏置值，将各神经元之间的连接权值和偏置值赋予卷积神经网络，得到训练好的卷积神经网络。
在本实施例中，采用训练集对卷积神经网络进行训练包括：随机选取训练集中的一组训练数据输入到卷积神经网络；训练数据包括原始信息比特和对应的通过信道后的I/Q信号；通过卷积神经网络计算得出对应的恢复数据信息；将原始信息比特和恢复数据信息代入卷积神经网络的损失函数，并计算损失函数值；当损失函数值满足阈值时，提取当前卷积神经网络中各神经元之间的连接权值和偏置值。
需要说明的是，上述模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功模块，以完成以上描述的全部或者部分功能。实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能模块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。上述系统中模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明的另一种技术方案，如图5所示，公开了一种MIMO-OFDM系统的信息恢复装置，包括存储器31、处理器32以及存储在存储器31中并可在处理器32上运行的计算机程序33，处理器32执行计算机程序时实现上述的一种MIMO-OFDM系统的信息恢复方法。
本发明另一实施例还公开了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的一种MIMO-OFDM系统的信息恢复方法。
计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

Claims (10)

1.一种MIMO-OFDM系统的信息恢复方法，其特征在于，包括以下步骤：
获取MIMO-OFDM发送端发出并通过信道后的I/Q信号，将所述I/Q信号输入训练好的卷积神经网络进行恢复，得到恢复后的数据信息；其中，所述卷积神经网络的训练方法为：
利用所述发送端生成所述卷积神经网络的训练集，所述训练集包括原始信息比特和所述I/Q信号，且所述原始信息比特与所述I/Q信号一一对应；
采用所述训练集对卷积神经网络进行训练，得到所述卷积神经网络中各神经元之间的连接权值和偏置值，将各神经元之间的连接权值和偏置值赋予所述卷积神经网络，得到训练好的卷积神经网络。
2.如权利要求1所述的一种MIMO-OFDM系统的信息恢复方法，其特征在于，采用所述训练集对卷积神经网络进行训练包括：
随机选取训练集中的一组训练数据输入到所述卷积神经网络；所述训练数据包括所述原始信息比特和所述I/Q信号；
通过所述卷积神经网络计算得出所述I/Q信号对应的恢复数据信息；
将所述恢复数据信息和所述原始信息比特代入所述卷积神经网络的损失函数，并计算损失函数值；
当所述损失函数值满足阈值时，提取当前卷积神经网络中各神经元之间的连接权值和偏置值。
3.如权利要求2所述的一种MIMO-OFDM系统的信息恢复方法，其特征在于，当所述损失函数值不满足阈值时，通过所述损失函数值对所述卷积神经网络中各神经元之间的连接权值和偏置值进行修正，并继续采用所述训练集对卷积神经网络进行训练。
4.如权利要求2或3所述的一种MIMO-OFDM系统的信息恢复方法，其特征在于，计算损失函数值之后还包括：
判断当前损失函数值的计算次数，当所述计算次数达到次数阈值时，提取当前卷积神经网络中各神经元之间的连接权值和偏置值。
5.如权利要求1所述的一种MIMO-OFDM系统的信息恢复方法，其特征在于，通过所述损失函数值对所述卷积神经网络中各神经元之间的连接权值和偏置值进行修正包括：
利用所述损失函数值在所述卷积神经网络中逆向传播对各神经元之间的连接权值和偏置值进行修正。
6.如权利要求1所述的一种MIMO-OFDM系统的信息恢复方法，其特征在于，所述卷积神经网络结构包括输入层、第一卷积子网络、第二卷积子网络、第三卷积子网络和输出层。
7.如权利要求1所述的一种MIMO-OFDM系统的信息恢复方法，其特征在于，所述输入层的大小为4*20；
所述第一卷积子网络包括依次连接的第一卷积层、第一规范化层、第一整流线性单元层和第一最大池化层；其中，所述第一卷积层的卷积核为4*5；所述第一规范化层用于对每个通道进行规范化；所述第一整流线性单元层为ReLU函数；所述第一最大池化层的大小为1*2，步长为2；
所述第二卷积子网络包括依次连接的第二卷积层、第二规范化层、第二整流线性单元层和第二最大池化层；其中，所述第二卷积层的卷积核为1*5；所述第二规范化层用于对每个通道进行规范化；所述第二整流线性单元层为ReLU函数；所述第二最大池化层的大小为1*2，步长为2；
所述第三卷积子网络包括依次连接的第三卷积层、第三规范化层和第三整流线性单元层；其中，所述第三卷积层的卷积核为1*3；所述第三规范化层用于对每个通道进行规范化；所述第三整流线性单元层为ReLU函数；
所述输出层包括依次连接的全连接层和Softmax层；所述全连接层大小为1*256；所述Softmax层用于输出各个类的概率。
8.一种MIMO-OFDM系统的信息恢复装置，其特征在于，用于执行权利要求1-7任一所述的一种MIMO-OFDM系统的信息恢复方法，包括：
恢复模块，用于获取MIMO-OFDM发送端发出并通过信道后的I/Q信号，将所述I/Q信号输入训练好的卷积神经网络进行恢复，得到恢复后的数据信息；
训练模块，用于训练所述卷积神经网络；其中，具体训练方法为：
利用所述发送端生成所述卷积神经网络的训练集，所述训练集包括原始信息比特和所述I/Q信号，且所述原始信息比特与所述I/Q信号一一对应；
采用所述训练集对卷积神经网络进行训练，得到所述卷积神经网络中各神经元之间的连接权值和偏置值，将各神经元之间的连接权值和偏置值赋予所述卷积神经网络，得到训练好的卷积神经网络。
9.如权利要求8所述的一种MIMO-OFDM系统的信息恢复装置，其特征在于，采用所述训练集对卷积神经网络进行训练包括：
随机选取训练集中的一组训练数据输入到所述卷积神经网络；所述训练数据包括所述原始信息比特和所述I/Q信号；
通过所述卷积神经网络计算得出所述I/Q信号对应的恢复数据信息；
将所述恢复数据信息和所述原始信息比特代入所述卷积神经网络的损失函数，并计算损失函数值；
当所述损失函数值满足阈值时，提取当前卷积神经网络中各神经元之间的连接权值和偏置值。
10.一种MIMO-OFDM系统的信息恢复装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的一种MIMO-OFDM系统的信息恢复方法。
CN202110421711.6A 2021-04-20 2021-04-20 一种mimo-ofdm系统的信息恢复方法及装置 Active CN113114603B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110421711.6A CN113114603B (zh) 2021-04-20 2021-04-20 一种mimo-ofdm系统的信息恢复方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110421711.6A CN113114603B (zh) 2021-04-20 2021-04-20 一种mimo-ofdm系统的信息恢复方法及装置

Publications (2)

Publication Number Publication Date
CN113114603A true CN113114603A (zh) 2021-07-13
CN113114603B CN113114603B (zh) 2022-02-18

Family

ID=76718548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110421711.6A Active CN113114603B (zh) 2021-04-20 2021-04-20 一种mimo-ofdm系统的信息恢复方法及装置

Country Status (1)

Country Link
CN (1) CN113114603B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114884783A (zh) * 2022-05-07 2022-08-09 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
CN115116232A (zh) * 2022-08-29 2022-09-27 深圳市微纳感知计算技术有限公司 汽车鸣笛的声纹比较方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108566257A (zh) * 2018-04-27 2018-09-21 电子科技大学 一种基于反向传播神经网络的信号恢复方法
CN109921882A (zh) * 2019-02-20 2019-06-21 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
CN111464465A (zh) * 2020-03-11 2020-07-28 重庆邮电大学 一种基于集成神经网络模型的信道估计方法
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
CN111628952A (zh) * 2019-02-28 2020-09-04 乐鑫信息科技（上海）股份有限公司 带有检测中信道矩阵预处理的mimo-ofdm无线信号检测方法和系统
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108566257A (zh) * 2018-04-27 2018-09-21 电子科技大学 一种基于反向传播神经网络的信号恢复方法
CN109921882A (zh) * 2019-02-20 2019-06-21 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
CN111628952A (zh) * 2019-02-28 2020-09-04 乐鑫信息科技（上海）股份有限公司 带有检测中信道矩阵预处理的mimo-ofdm无线信号检测方法和系统
CN111464465A (zh) * 2020-03-11 2020-07-28 重庆邮电大学 一种基于集成神经网络模型的信道估计方法
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
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JINGLAN OU，等: "Jinglan Ou，等", 《2020 IEEE 3RD INTERNATIONAL CONFERENCE ON INFORMATION COMMUNICATION AND SIGNAL PROCESSING (ICICSP)》 *
方照东: ""基于神经网络的MIMO-OFDM系统信道估计方法研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑 2021年第02期》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114884783A (zh) * 2022-05-07 2022-08-09 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
CN115116232A (zh) * 2022-08-29 2022-09-27 深圳市微纳感知计算技术有限公司 汽车鸣笛的声纹比较方法、装置、设备及存储介质
CN115116232B (zh) * 2022-08-29 2022-12-09 深圳市微纳感知计算技术有限公司 汽车鸣笛的声纹比较方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN113114603B (zh) 2022-02-18

Similar Documents

Publication Publication Date Title
CN112737985B (zh) 基于深度学习的大规模mimo信道联合估计和反馈方法
Wang et al. A deep learning-based intelligent receiver for improving the reliability of the MIMO wireless communication system
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
CN113114603B (zh) 一种mimo-ofdm系统的信息恢复方法及装置
CN107994973B (zh) 一种自适应调制与编码方法
CN106911374A (zh) 一种低复杂度软输出空间调制检测方法
CN111628833B (zh) 基于卷积神经网络的mimo天线数目估计方法
CN114745230A (zh) 基于深度神经网络结构的otfs信号接收恢复方法
CN114513394B (zh) 一种基于注意力机制图神经网络的信号调制格式识别方法、系统、装置及存储介质
Ye et al. Bilinear convolutional auto-encoder based pilot-free end-to-end communication systems
CN112383496A (zh) 基于深度接收机的矿井通信方法、系统、计算机设备及介质
CN117335926A (zh) 一种基于深度学习的自适应调制编码方法
CN117176517A (zh) 采用遗传算法和深度学习对mimo-ofdm可见光通信实施信道估计的方法及系统
CN113938234B (zh) 一种低复杂度稀疏化大规模mimo检测方法
CN107017929B (zh) Mimo系统信号发送和接收方法
Jeon et al. Reinforcement-learning-aided detector for time-varying MIMO systems with one-bit ADCs
CN111769975A (zh) Mimo系统信号检测方法及系统
CN104734756A (zh) 一种mimo系统检测方法和装置
CN115499278B (zh) 基于轻量级神经网络的mimo信号调制识别方法
CN111314255A (zh) 一种低复杂度siso和mimo接收机生成方法
CN117880032B (zh) 一种脉冲噪声下基于新型门控网络的msk解调方法
CN108449120B (zh) 一种基于差分度量低复杂度qam-mimo检测方法
Xin et al. Dmcnet: Data-driven multi-Pilot convolution neural network for MIMO-OFDM receiver
CN111565079B (zh) 用于mu-mimo一比特adc系统的检测方法
CN118354466A (zh) 一种块衰落信道场景下基于索引调制和信号盲检测的无源随机接入方法、系统、设备及介质

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
TR01 Transfer of patent right

Effective date of registration: 20221122

Address after: 510000 3rd floor, building B2, No. 11, Kaiyuan Avenue, Science City, Guangzhou high tech Industrial Development Zone, Guangdong Province

Patentee after: GUANGZHOU ITS COMMUNICATION EQUIPMENT Co.,Ltd.

Address before: No. 58, middle Yanta Road, Yanta District, Xi'an City, Shaanxi Province

Patentee before: XI'AN University OF SCIENCE AND TECHNOLOGY

TR01 Transfer of patent right