CN113285902B - 一种ofdm系统检测器设计方法 - Google Patents

一种ofdm系统检测器设计方法 Download PDF

Info

Publication number
CN113285902B
CN113285902B CN202110546692.XA CN202110546692A CN113285902B CN 113285902 B CN113285902 B CN 113285902B CN 202110546692 A CN202110546692 A CN 202110546692A CN 113285902 B CN113285902 B CN 113285902B
Authority
CN
China
Prior art keywords
network
ofdm
ofdm system
neural network
network model
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
Application number
CN202110546692.XA
Other languages
English (en)
Other versions
CN113285902A (zh
Inventor
潘光良
王威
吴启晖
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202110546692.XA priority Critical patent/CN113285902B/zh
Publication of CN113285902A publication Critical patent/CN113285902A/zh
Application granted granted Critical
Publication of CN113285902B publication Critical patent/CN113285902B/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
    • H04L27/2602—Signal structure
    • H04L27/2605—Symbol extensions, e.g. Zero Tail, Unique Word [UW]
    • H04L27/2607—Cyclic extensions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/20—Arrangements for detecting or preventing errors in the information received using signal quality detector
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Electromagnetism (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)

Abstract

本发明公开了一种OFDM系统检测器设计方法，在OFDM系统接收机端采用Bi‑LSTM神经网络代替传统的信道估计、均衡和信号检测环节，将整个复杂过程简化为单一操作，以节省系统的计算开销。在神经网络数据集的构建中，通过寻找具有最优信道增益的子载波的方式对原始数据进行预处理，以得到更有利于网络训练的优质数据集。本发明充分利用Bi‑LSTM神经网络对时间序列的双向记忆能力，通过小批量学习的方式最小化估计数据与真实数据间的误差，实现隐式的信号检测过程，简化了接收机端的信号检测流程，降低了误码率，进而提高了OFDM系统的整体性能。

Description

一种OFDM系统检测器设计方法
技术领域
本发明属于无线通信技术领域，具体涉及一种OFDM系统检测器设计方法。
背景技术
作为无线通信中的关键性技术，OFDM的并行传输有效的提高了信号的传输效率，降低了频率选择性衰落和窄带干扰(NBI)。同时，循环前缀(CP)的引入为对抗符号间干扰(ISI)和载波间干扰(ICI)提供了解决方案。
OFDM的确存在诸多优势，但OFDM子载波间是严格正交的，对多普勒偏移和相位噪声较敏感，微小的变化都会使OFDM通信系统的性能骤降。OFDM信号传输的正交性会受到CP长度的影响，当峰值平均功率比(PAPR)相对较大时，将导致非线性失真，严重影响信号检测的准确性。同时，接收机端的信道估计、均衡和信号检测环节计算过程复杂，给系统带来了较大的计算开销。传统最小二乘法(LS)、最小均方误差(MMSE)等接收机检测器方法虽然能够完成显式估计，但性能有待提高。
深度学习致力于让机器模仿人类的学习能力，从海量数据中提取有价值的特征信息进行学习以代替人类工作。目前，深度学习已经在自然语言和图像处理领域取得了不错的成就，正不断向其他领域渗透。在无线通信领域中，基于数据和模型双驱动的深度学习方法在解决无线通信物理层方面的问题充满活力。
发明内容
为解决无线通信网络中OFDM系统易受非线性失真影响和信号检测过程复杂导致的信号检测准确度下降的问题，基于Bi-LSTM神经网络提出一种OFDM系统检测器设计方法。
本发明的具体技术方案包括以下步骤：
步骤1：构建OFDM信号模型；
步骤2：基于历史观测的OFDM符号寻找具有最优信道增益的子载波，并根据该子载波的传输序列数据构建数据集；
步骤3：搭建OFDM系统检测器的网络模型并初始化网络模型的网络参数、训练的迭代次数和超参数；
步骤4：输入数据集，包括训练集和验证集，开始网络正向传播并计算损失；
步骤5：通过随机梯度下降法进行反向传播，更新网络模型的权重和偏置参数，直至训练结束；
步骤6：统计网络模型的损失曲线和准确率拟合曲线以观察收敛状态，若收敛则继续执行下一步骤，若未收敛则调整网络模型的网络参数、训练的迭代次数和超参数并返回步骤4；
步骤7：OFDM系统生成测试符号，检测器完成在线检测。
进一步地，所述步骤1中的OFDM信号模型构建如下：在发送机端，由数据符号和导频符号组成的传输符号序列首先经串并转换(S/P)以并行方式输出，然后经傅里叶逆变换(IFFT)后进行并串转换(P/S)，并插入循环前缀(CP)经数模转换(D/A)后以串行方式通过信道传输；在信道传输过程中，信道噪声为加性高斯白噪声；在接收机端，接收信号首先通过模数转换(A/D)后移除循环前缀，然后经串并转换后进行傅里叶变换(FFT),最后经并串转换后进入检测器以进行信号检测。
进一步地，所述步骤2中具有最优信道增益的子载波的公式表达为：
Figure GDA0003996516660000021
其中，n*表示具有最优信道增益的子载波序号，ft(n)表示第t时隙的第n个子载波的信道增益值，N表示OFDM系统的子载波总数，T为总的时隙数。
进一步地，所述步骤3中初始化网络模型的网络参数包括输入节点数为256，隐藏单元数为16，全连接层节点数为4；初始化网络模型的超参数包括学习率为0.01，学习率衰减因子为0.1，批量大小为1000；网络模型每训练50次进行1次验证。
进一步地，所述步骤4中的损失函数为：
Figure GDA0003996516660000022
其中，ψ表示损失，
Figure GDA0003996516660000023
表示第i个OFDM调制星座点实部或虚部的估计值，Di表示第i个OFDM调制星座点实部或虚部的实际值(标签值)，p为神经网络输入节点数。
进一步地，所述OFDM系统检测器的网络模型的总体训练代价为：
Figure GDA0003996516660000024
其中，W表示神经网络节点间的权重，b表示网络节点的偏置，L为神经网络的总层数，Ml表示神经网络第l层的节点数，Ml+1表示神经网络第l+1层的节点数，η为神经网络衰减系数，
Figure GDA0003996516660000025
表示神经网络第l层第i节点与第l+1层第j节点间的权重。
进一步地，所述OFDM系统检测器的网络模型的目标函数为：
Figure GDA0003996516660000031
进一步地，通过Adam算法获取所述网络模型的目标函数的最优解，模型权重与偏置的迭代更新表达式为：
Figure GDA0003996516660000032
其中，W(s)与b(s)分别表示训练s次时的权重和偏置，W(s+1)与b(s+1)分别表示训练s+1次时的权重和偏置，α为学习率。
与现有技术相比，本发明提供的一种基于神经网络的OFDM系统检测器设计方法，借助于Bi-LSTM神经网络对时间序列的双向记忆能力，利用训练完成的网络模型替代接收机端信道估计、均衡和信号检测的复杂环节，实现隐式的信号在线检测过程，简化了信号检测流程，提高了系统的抗干扰能力，进而降低了误码率，提高了OFDM系统的整体性能。
附图说明
图1为本发明设计的一种OFDM系统检测器的模型示意图。
图2为本发明不同导频数下与其他方法的误码率性能对比图。
图3为本发明有无CP时与其他方法的误码率性能对比图。
图4为本发明不同调制方式下与其他方法的误码率性能对比图。
图5为本发明对实际系统参数变化的误码率性能分析图。
具体实施方式
现在结合附图和具体的实施例对本发明作进一步详细的说明。
定义OFDM系统检测器为神经网络检测器(N2D)，其模型示意参见图1。由图1可知，整个检测过程分为两部分，即离线训练与在线检测。在离线训练部分，OFDM系统产生的所有子载波数据首先通过一个筛选器F，得到具有最优信道增益的子载波数据以构建更有利于神经网络训练的数据集，继而利用训练数据训练Bi-LSTM网络模型。神经网络的最大优势在于能够学习到海量数据中潜在的规律性，而Bi-LSTM神经网络对序列数据的学习能力在众多深度学习模型是最优的，利用训练完成的Bi-LSTM模型替代传统OFDM系统中接收机端的信道估计、均衡和信号检测环节，在简化信号检测流程的同时提高了系统的鲁棒性。
本实施例具体包括以下步骤：
步骤1：建立OFDM信号模型。
考虑一个通过N个子载波并行传输的OFDM系统，其传输符号序列D＝[D0,D1,...,DN-1]T长度为N，由数据符号和导频符号组成。在OFDM系统中使用N点傅里叶逆变换(IFFT)来实现调制过程，第n个OFDM数据块中的输出可以写成d(n)＝AID(n)，其中AI为N×N的IFFT矩阵。然后，在OFDM传输信号中插入一个长度不小于信道最大延迟扩展Ch的循环前缀(CP)，则持续时间为T的OFDM符号的总长度为NT＝N+Ncp。接着对复基带OFDM符号进行上采样、滤波和上行转换到射频(RF)，最后通过天线传输。
在接收前端，OFDM信号转换到基带并以采样周期Ts＝T/NT进行采样。假定信道是由Ch+1条独立路径组成的，每条路径的增益为
Figure GDA0003996516660000041
延迟为m×TS，其中hm表示第m条路径的信道增益值，
Figure GDA0003996516660000042
表示方差，且m∈{0,1,...,Ch}，则接收信号的时域表示为：
Figure GDA0003996516660000043
其中，h为信道系数，
Figure GDA0003996516660000044
表示循环卷积，d为OFDM数据块的输出，e为加性高斯白噪声。进入接受机去除CP并经过傅里叶变换(FFT)后，接收信号的频域表示为：
Y＝H⊙D+E，
其中，⊙表示对应元素相乘，Y、D、E分别为y、d、e的频域形式，H为信道频率响应，且H＝diag{[H0,H1,...,HN-1]}，其第k个对角元素Hk可表示为：
Figure GDA0003996516660000045
信道频率响应的对角元素是高度相关的，其相邻对角元素的相关系数定义为
Figure GDA0003996516660000046
进一步有：
Figure GDA0003996516660000047
其中hm和hn是相互独立的。因
Figure GDA0003996516660000048
故
Figure GDA0003996516660000049
步骤2：数据筛选。
为提高神经网络模型的训练精度，在离线训练前对模型训练数据进行了预处理。具体来说，在Bi-LSTM网络的输入端加入一个筛选器F，该筛选器依据最优信道增益自适应地选择子载波数据，以过滤信号中的冗余信息，实现数据增强。利用筛选后的训练数据，大大降低了Bi-LSTM网络对无关信息的学习，加快了模型的收敛速度并提高了模型准确性。
假定第n个子载波的第t个时隙的信道增益为ft(n)，则采样T个时隙后具有最优信道增益的子载波可表示为：
Figure GDA0003996516660000051
其中，n*表示具有最优信道增益的子载波序号，N表示OFDM系统的子载波总数。通过上式即可获得具有最优信道增益的子载波。使用筛选器F根据最优信道增益寻找子载波传输序列数据并构建包含P组数据的数据集
Figure GDA0003996516660000052
其中x·表示包含信道模型的OFDM传输序列，y.为样本标签。
步骤3：离线训练。
首先，具有最优信道增益的子载波传输序列数据通过Bi-LSTM神经网络的遗忘门，该遗忘门决定上一时刻输出st-1和单元状态ct-1保留哪些信息到当前时刻ct。遗忘门的输入为上一时刻的输出st-1和当前时刻的输入xt，则内部神经网络的当前时刻输出为
ft＝σ(Wf[st-1,xt]+bf)，
其中，σ为Sigmoid函数，Wf和bf分别表示遗忘门的权重和偏置。然后进入输入门，它决定了当前时刻输入xt的哪些信息保留给当前状态单元ct，并使用Sigmoid函数和Tanh函数实现状态单元ct的更新，具体公式为
it＝σ(Wi[st-1,xt]+bi)，
Figure GDA0003996516660000053
Figure GDA0003996516660000054
其中，it表示输入门的更新信息，
Figure GDA0003996516660000055
表示备选更新信息，λ为Tanh函数，Wi和bi分别表示输入门的权重和偏置，Wc和bc分别代表选择更新单元的权重和偏置，*表示元素之间的点积。信息经过选择性记忆和更新后，最终进入输出门，该输出门完成两个任务，即过滤信息和获得输出。状态单元ct被选择性地输出到下一时刻并输出到外部。公式表示为
ot＝σ(Wo[st-1,xt]+bo)，
st＝ot*λ(ct)，
其中，ot表示过滤后的输出信息，Wo和bo分别表示输出门的权重和偏置。
为提高训练速度，采用交叉熵损失函数：
Figure GDA0003996516660000061
其中，ψ表示损失，
Figure GDA0003996516660000062
表示第i个OFDM调制星座点实部或虚部的估计值，Di表示第i个OFDM调制星座点实部或虚部的实际值(标签值)，p为神经网络输入节点数。假定Bi-LSTM神经网络第l层有Ml个节点，则网络模型的总体训练代价为：
Figure GDA0003996516660000063
其中，W表示神经网络节点间的权重，b表示网络节点的偏置，L为神经网络的总层数，Ml表示神经网络第l层的节点数，Ml+1表示神经网络第l+1层的节点数，η为神经网络衰减系数，
Figure GDA0003996516660000064
表示神经网络第l层第i节点与第l+1层第j节点间的权重。
令U＝{W,b}，则网络模型的目标函数为
Figure GDA0003996516660000065
通过Adam算法获取目标函数的最优解，则模型权重与偏置的迭代更新式为：
Figure GDA0003996516660000066
其中，W(s)与b(s)分别表示训练s次时的权重和偏置，W(s+1)与b(s+1)分别表示训练s+1次时的权重和偏置，α为学习率。
步骤4：在线检测。
将训练完成的Bi-LSTM模型应用于OFDM接收机的在线信号检测环节，随机将P组由OFDM系统在线生成的测试数据输入到网络模型中，得到相应的信号估计值。令信号估计值
Figure GDA0003996516660000071
与实际值D的误差为
Figure GDA0003996516660000072
采用蒙特卡罗仿真统计无差估计的信号个数k，计算误码率：
Figure GDA0003996516660000073
为了更好的说明所提检测器N2D的有效性，进行了如下实验：
仿真实验1
仿真参数如下：
调制方式 QPSK 数据集个数 10000
子载波数 64 MaxEpochs 100
FFT点数 128 状态激活函数 Tanh
内插导频数 8,64 门激活函数 Sigmoid
CP长度 16 学习率(α) 0.01
路径数 20 衰减因子(η) 0.1
Bi-LSTM隐藏单元数 16 梯度阈值 1
MiniBatch 1000 执行环境 CPU
在以上仿真条件下，不同导频数下检测器N2D与其他算法的误码率性能对比如图2所示，在导频数为8时，LS和MMSE在不同信噪比下的误码率曲线几乎相同。当信噪比为20dB时，传统算法的检测性能显著下降，N2D的误码率明显低于LS和MMSE。此外，与LSTM相比,同样存在较大的优势，例如当信噪比为16dB时,N2D的误码率比LSTM约低一个数量级。
仿真实验2
仿真参数如下：
Figure GDA0003996516660000074
Figure GDA0003996516660000081
在以上仿真条件下，有无CP时检测器N2D与其他算法的误码率对比如图3所示，可以看出，LS和MMSE都不能有效估计信道，LSTM的估计能力较弱。当信噪比大于15dB时，LS的精度趋于饱和，MMSE仍有较大的误码率。虽然LSTM已经得到了改进，但误码率仍然很高。随着信噪比的增加，N2D仍工作得较好。以无CP为例，N2D的误码率比其他三种算法约低一个数量级以上。
仿真实验3
仿真参数如下：
调制方式 QPSK；16QAM 数据集个数 10000
子载波数 64 MaxEpochs 100
FFT点数 128 状态激活函数 Tanh
内插导频数 8 门激活函数 Sigmoid
CP长度 16 学习率(α) 0.01
路径数 20 衰减因子(η) 0.1
Bi-LSTM隐藏单元数 16 梯度阈值 1
MiniBatch 1000 执行环境 CPU
在以上仿真条件下，不同调制方式下检测器N2D与其他算法的误码率对比如图4所示，可以看出在QPSK和16QAM下，N2D的误码率明显低于其他算法。当信噪比为20dB时，N2D的误码率比QPSK下的LS、MMSE和LSTM分别低99.77％、99.75％和97.22％。在信噪比为20dB的情况下，N2D的误码率比16QAM下的LS、MMSE和LSTM分别低78.79％、78.36％和70.03％。
仿真实验4
仿真参数如下：
Figure GDA0003996516660000082
Figure GDA0003996516660000091
在以上仿真条件下，检测器N2D对实际系统参数变化的误码率性能分析如图5所示，从图中可以看出，当无线信道模型的统计量(路径数)发生变化时，N2D的性能并没有受到明显的影响，说明N2D具有较强的鲁棒性。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (1)

1.一种OFDM系统检测器设计方法，其特征在于，通过Bi-LSTM神经网络完成OFDM系统接收机的信号检测，包括以下步骤：
步骤1：构建OFDM信号模型，包括：在发送机端，由数据符号和导频符号组成的传输符号序列首先经串并转换以并行方式输出，然后经傅里叶逆变换后进行并串转换，并插入循环前缀经数模转换后以串行方式通过信道传输；在信道传输过程中，信道噪声为加性高斯白噪声；在接收机端，接收信号首先通过模数转换后移除循环前缀，然后经串并转换后进行傅里叶变换，最后经并串转换后进入检测器以进行信号检测；
步骤2：基于历史观测的OFDM符号寻找具有最优信道增益的子载波，并根据该子载波的传输序列数据构建数据集；所述具有最优信道增益的子载波的公式表达为：
Figure FDA0003996516650000011
其中，n*表示具有最优信道增益的子载波序号，ft(n)表示第t时隙的第n个子载波的信道增益值，N表示OFDM系统的子载波总数，T为总的时隙数；
所述构建数据集包括使用筛选器F根据最优信道增益寻找子载波传输序列数据并构建包含P组数据的数据集
Figure FDA0003996516650000012
其中x.表示包含信道模型的OFDM传输序列，y·为样本标签；
步骤3：搭建OFDM系统检测器的网络模型并初始化网络模型的网络参数、训练的迭代次数和超参数；初始化网络模型的网络参数包括输入节点数为256，隐藏单元数为16，全连接层节点数为4；初始化网络模型的超参数包括学习率为0.01，学习率衰减因子为0.1，批量大小为1000；网络模型每训练50次进行1次验证；
步骤4：输入数据集，包括训练集和验证集，开始网络正向传播并计算损失；其中，损失函数为：
Figure FDA0003996516650000013
其中，ψ表示损失，
Figure FDA0003996516650000014
表示第i个OFDM调制星座点的估计值，Di表示第i个OFDM调制星座点的实际值，p为神经网络输入节点数；
步骤5：通过随机梯度下降法进行反向传播，更新网络模型的权重和偏置参数，直至训练结束；所述OFDM系统检测器的网络模型的总体训练代价为：
Figure FDA0003996516650000021
其中，W表示神经网络节点间的权重，b表示网络节点的偏置，L为神经网络的总层数，Ml表示神经网络第l层的节点数，Ml+1表示神经网络第l+1层的节点数，η为神经网络衰减系数，
Figure FDA0003996516650000022
表示神经网络第l层第i节点与第l+1层第j节点间的权重；
所述OFDM系统检测器的网络模型的目标函数为：
Figure FDA0003996516650000023
通过Adam算法获取所述网络模型的目标函数的最优解，模型权重与偏置的迭代更新表达式为：
Figure FDA0003996516650000024
其中，W(s)与b(s)分别表示训练s次时的权重和偏置，W(s+1)与b(s+1)分别表示训练s+1次时的权重和偏置，α为学习率；
步骤6：统计网络模型的损失曲线和准确率拟合曲线以观察收敛状态，若收敛则继续执行下一步骤，若未收敛则调整网络模型的网络参数、训练的迭代次数和超参数并返回步骤4；
步骤7：OFDM系统生成测试符号，检测器完成在线检测；所述在线检测包括将训练完成的Bi-LSTM模型应用于OFDM接收机的在线信号检测环节，随机将P组由OFDM系统在线生成的测试数据输入到网络模型中，得到相应的信号估计值；令信号估计值
Figure FDA0003996516650000025
与实际值D的误差为
Figure FDA0003996516650000026
采用蒙特卡罗仿真统计无差估计的信号个数k，计算误码率：
Figure FDA0003996516650000027
CN202110546692.XA 2021-05-19 2021-05-19 一种ofdm系统检测器设计方法 Active CN113285902B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110546692.XA CN113285902B (zh) 2021-05-19 2021-05-19 一种ofdm系统检测器设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110546692.XA CN113285902B (zh) 2021-05-19 2021-05-19 一种ofdm系统检测器设计方法

Publications (2)

Publication Number Publication Date
CN113285902A CN113285902A (zh) 2021-08-20
CN113285902B true CN113285902B (zh) 2023-03-14

Family

ID=77279966

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110546692.XA Active CN113285902B (zh) 2021-05-19 2021-05-19 一种ofdm系统检测器设计方法

Country Status (1)

Country Link
CN (1) CN113285902B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114124630B (zh) * 2021-11-12 2023-10-24 中国电子科技集团公司第二十八研究所 一种基于紧凑自编码器的符号检测和调制识别方法
CN115829016B (zh) * 2022-12-15 2024-01-16 广州鲁邦通物联网科技股份有限公司 基于神经网络的无线调制解调器的调整方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111614587A (zh) * 2020-05-25 2020-09-01 齐鲁工业大学 一种基于自适应集成深度学习模型的sc-fde系统信号检测方法
CN111865863A (zh) * 2020-07-20 2020-10-30 山东大学 一种基于rnn神经网络的ofdm信号检测方法
CN112291005A (zh) * 2020-08-20 2021-01-29 中国科学技术大学 一种基于Bi-LSTM神经网络的接收端信号检测方法
CN112637093A (zh) * 2020-12-09 2021-04-09 齐鲁工业大学 一种基于模型驱动深度学习的信号检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111614587A (zh) * 2020-05-25 2020-09-01 齐鲁工业大学 一种基于自适应集成深度学习模型的sc-fde系统信号检测方法
CN111865863A (zh) * 2020-07-20 2020-10-30 山东大学 一种基于rnn神经网络的ofdm信号检测方法
CN112291005A (zh) * 2020-08-20 2021-01-29 中国科学技术大学 一种基于Bi-LSTM神经网络的接收端信号检测方法
CN112637093A (zh) * 2020-12-09 2021-04-09 齐鲁工业大学 一种基于模型驱动深度学习的信号检测方法

Also Published As

Publication number Publication date
CN113285902A (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
Liao et al. ChanEstNet: A deep learning based channel estimation for high-speed scenarios
Ye et al. Power of deep learning for channel estimation and signal detection in OFDM systems
Mao et al. RoemNet: Robust meta learning based channel estimation in OFDM systems
CN111740934B (zh) 一种基于深度学习的水声fbmc通信信号检测方法
CN111865863B (zh) 一种基于rnn神经网络的ofdm信号检测方法
CN113285902B (zh) 一种ofdm系统检测器设计方法
CN111614584B (zh) 基于神经网络的变换域自适应滤波信道估计方法
US11368349B1 (en) Convolutional neural networks based computationally efficient method for equalization in FBMC-OQAM system
CN112953862A (zh) 一种基于深度学习的高速铁路场景信道估计方法
Mei et al. Machine learning based channel estimation: a computational approach for universal channel conditions
CN101018219A (zh) 一种空频信号处理方法
Gong et al. Doppler diversity reception for OTFS modulation
Ahmed et al. Low-complexity iterative method of equalization for single carrier with cyclic prefix in doubly selective channels
Bao et al. SimNet: Simplified deep neural networks for OFDM channel estimation
Zhang et al. A low-complexity approximate message passing equalizer for OTFS system
Liu et al. RecNet: Deep learning-based OFDM receiver with semi-blind channel estimation
Hassan et al. Effective deep learning-based channel state estimation and signal detection for OFDM wireless systems
Yue et al. Model-driven deep learning assisted detector for OTFS with channel estimation error
CN112636855A (zh) 一种ofdm信号检测方法
Ali et al. GFDM transceiver based on ann channel estimation
CN112564830A (zh) 一种基于深度学习的双模正交频分复用索引调制检测方法及装置
Wang et al. Nonlinear channel estimation for OFDM system by wavelet transform based weighted TSVR
Yıldırım et al. Deep receiver design for multi-carrier waveforms using cnns
Cheng et al. Enhanced channel estimation in OFDM systems with neural network technologies
CN110233808A (zh) 一种ftn系统信号检测方法

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
GR01 Patent grant
GR01 Patent grant