CN113347128B - 基于神经网络均衡的qpsk调制超奈奎斯特传输方法及系统 - Google Patents
基于神经网络均衡的qpsk调制超奈奎斯特传输方法及系统 Download PDFInfo
- Publication number
- CN113347128B CN113347128B CN202110587029.4A CN202110587029A CN113347128B CN 113347128 B CN113347128 B CN 113347128B CN 202110587029 A CN202110587029 A CN 202110587029A CN 113347128 B CN113347128 B CN 113347128B
- Authority
- CN
- China
- Prior art keywords
- neural network
- ftn
- data
- equalization
- channel
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 81
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000005070 sampling Methods 0.000 claims abstract description 30
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 238000007493 shaping process Methods 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 5
- 230000008054 signal transmission Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 23
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012546 transfer 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
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
- Error Detection And Correction (AREA)
Abstract
本发明涉及一种基于神经网络均衡的QPSK调制超奈奎斯特传输方法及系统,将卷积编码和神经网络均衡方式引入到超奈奎斯斯特传输过程中,在发送机端,数据信息先进行信道编码,然后进行QPSK调制映射,将原始信息分成I路和Q路,两路数据同时进行FTN脉冲成形,送入到信道传输;在接收机端,通过信道传输的两路信号同时进行匹配滤波,恢复原始传输的两路数据波形,恢复波形之后进行FTN抽样,根据成形脉冲间隔进行FTN抽样,得到抽样值;然后,将抽样信号送入神经网络均衡器进行均衡,得到均衡后的样值;进行解映射,得到的输出为软输出,最后进行软判决的维特比译码,实现恢复原始数据。本发明可以降低系统误码率,大大改善系统误码性能。
Description
技术领域
本发明属于通信技术领域,具体涉及一种基于神经网络均衡的QPSK调制超奈奎斯特传输方案。
背景技术
目前,5G通信普及,5G通信的信息传输速率相较于4G通信的信息传输速率有大幅度提升,其部分目标实现,如更高数据流量、更快用户体验速率、海量终端、更低时延和超大带宽等。通信传输速率大幅提升,各种线上行业也随之兴起,网络视频、游戏娱乐、电子商务等行业迎来巨大发展,这促使互联网数据流量呈现爆发式增长。同时,终端数目也在逐年上升,据爱立信所发布的市场报告,预计2021年底,智能手机用户数将达63亿,互连终端总数将达280亿台,移动数据流量显著增长。大数据、云计算和物联网技术的广泛应用同样也带来了互联网数据流量的大幅增长,近几年,云流量一直呈上升趋势。互联网数据量和移动数据量的快速增长,导致频谱资源稀缺。在解决频谱资源稀缺的问题上,频谱的利用效率一直被重点关注。怎样在有限的带宽内,增加数据传输速率,提升频带利用率,是研究人员们一直关注探索的问题。
提高频谱效率的方式有多种。在信道传输中间采用复用技术,将多路信号放到同一区间上面传输,运用较为广泛的有频分复用、时分复用、码分复用等;采用认知无线电技术,在信息传输时,通过算法识别没有传输信息的空闲频段,利用这些空闲频段,将这些空闲频段为用户服务;提升链路频谱效率,即提升链路传输信息过程中有用信息的传输速率。以上三种方式为比较常用的提高频谱效率的方式,在目前通信技术中应用广泛。
数字通信系统的频带利用率定义为所传输的信息速率和系统带宽的比值。在系统带宽不变的情况下,改变系统调制阶数或者增加传输信息的码元速率,都可以增加数字通信系统的频带利用率。Nyquist传输系统中,保持系统调制阶数不变,当进行无码间干扰(ISI)传输的情况下,系统传输信息的码元速率为1/T,频带利用率可以达到极限值2Baud/Hz。此时,奈奎斯特成形脉冲在码元周期T上正交,以1/T的速率传输信息,可以避免出现ISI影响,但系统的频带利用率同样达到极限。如果在传输的过程中间,允许出现少量ISI(码间串扰),在码元周期上不保证脉冲之间的正交性,那么,系统将可以以高于1/T的码元速率来传输信息,从而可以获取更高的频带利用率。上述方式,就被称作为“超奈奎斯特传输(FTN)”,FTN传输可以在调制阶数不变的情况下,有意引入ISI,来提升系统的频带利用率。
目前对于FTN传输方式的研究,如何有效消除ISI仍是研究重点。在FTN传输系统中间,脉冲成形后,ISI会遍布整个传输波形,成形波的选取会直接导致消除系统ISI的难度。在理论研究中,采用sinc脉冲可以很好降低接收机消除ISI影响的难度,但sinc脉冲在实际运用中难以产生,后经过证明,采用根升余弦脉冲可以很好代替sinc脉冲作为成形脉冲。因此,现实中进行FTN传输时,成形波形一般采用根升余弦脉冲。后又有研究发现,采用部分响应脉冲成形替代根升余弦脉冲,可以在相同速率下降低传输信息所需带宽,可以进一步提高系统频带利用率。
运用FTN技术传输信息时,系统的频谱效率得到提升,但同时也引入了ISI。在接收端进行信息接收时,系统的误码率(BER)是衡量系统好坏的重要因素,ISI的引入势必会影响系统BER性能,进行FTN传输时,如何有效保证系统的BER性能也是当前研究重点。在数字传输系统中引入信道编码是常用的改善系统BER性能的方式。现有的信道编码技术比较成熟,但是,还存在一定缺陷。单独运用信道编码技术时,除了有效控制信道传输过程中间所出现的差错外,信道编码技术并不能很好的消除传输波形成形的时候所产生的ISI,在FTN系统中间,也就不能降低送入信道传输的传输波的ISI,这势必会影响FTN系统的BER性能。
在消除FTN系统ISI,提升系统BER性能的问题上,除了采用信道编码以外,在接收端采用均衡技术也是一种广泛应用的方案。由于无线信道的随机性和时变性,目前应用更为广泛的均衡技术为自适应均衡技术,但是之前所采样过的自适应均衡技术一般都会存在复杂度高的问题,将这些自适应均衡器运用到超奈奎斯特系统的接收机,会大大增加接收机复杂度,设计成本高。本发明所采用的神经网络均衡器在有效降低系统误码率的情况下,不会过度增加接收机端的复杂度,便于实现。
超奈奎斯特传输过程中产生的ISI遍布整个传输波,设计一种合适的接收机很有必要。如何在不增加接收机复杂度的情况下,使得输出端输出BER达到标准值,是当前研究重点。
发明内容
为使得FTN系统的接收机输出BER在一般场景下达到标准值,本发明提出一种新型超奈奎斯特传输方案。本发明的目的在于提供一种基于神经网络均衡的QPSK调制超奈奎斯特传输方案,在接收机复杂度不高的情况下,可以有效的降低系统BER。
为了实现上述目的,本发明提出的技术方案为一种基于神经网络均衡的QPSK调制超奈奎斯特传输方法,将卷积编码和神经网络均衡方式引入到超奈奎斯斯特传输过程中,以降低接收机复杂度和改善超奈奎斯特系统的误码性能;所述超奈奎斯斯特传输过程实现如下,
在发送机端,数据信息先进行信道编码,然后进行QPSK调制映射,将原始信息分成I路和Q路,两路数据同时进行FTN脉冲成形,随后送入到信道传输,在信道传输的数据为两路信号传输;
在接收机端,通过信道传输的两路信号同时进行匹配滤波,恢复原始传输的两路数据波形,恢复波形之后进行FTN抽样,根据成形脉冲间隔进行FTN抽样,得到抽样值;然后,将抽样信号送入神经网络均衡器进行均衡,得到均衡后的样值;进行解映射,得到的输出为软输出,最后进行软判决的维特比译码,实现恢复原始数据。
而且,所述信道编码采用卷积编码实现。
而且,神经网络均衡器采用多层感知结构实现。
而且,所述神经网络均衡器包括输入层、隐藏层和输出层,
隐藏层神经元输入表示为,
输出层第j个神经元的输入表示为,
式中,m表示隐藏层单元的总个数,p表示输入层单元的总个数,vil表示神经网络第i个输入层单元和第l个隐藏层单元之间的权值连接,wlj表示为第l个隐藏层单元和第j个输出层单元之间的权值连接;
神经网络均衡器的输出表示为,
式中,r表示神经网络输出层的序号,yr表示输出层第r个输出,记在输出层端一共有t个输出。
另一方面,本发明还提供一种基于神经网络均衡的QPSK调制超奈奎斯特传输系统,用于实现如上所述的一种基于神经网络均衡的QPSK调制超奈奎斯特传输方法。
而且,包括以下部分,
发送机端,用于对数据信息先进行信道编码,然后进行QPSK调制映射,将原始信息分成I路和Q路,两路数据同时进行FTN脉冲成形,随后送入到信道传输,在信道传输的数据为两路信号传输;
接收机端,用于通过信道传输的两路信号同时进行匹配滤波,恢复原始传输的两路数据波形,恢复波形之后进行FTN抽样,根据成形脉冲间隔进行FTN抽样,得到抽样值;然后,将抽样信号送入神经网络均衡器进行均衡,得到均衡后的样值;进行解映射,得到的输出为软输出,最后进行软判决的维特比译码,实现恢复原始数据。
或者,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如上所述的一种基于神经网络均衡的QPSK调制超奈奎斯特传输方法。
或者,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如上所述的一种基于神经网络均衡的QPSK调制超奈奎斯特传输方法。
与现有技术相比,本发明具有的有益效果是:本发明将信道编码技术和神经网络均衡技术同时引入到超奈奎斯特传输方案中,使系统性能相较于常见的超奈奎斯特系统性能可以得到进一步提升,系统BER更低。在超奈奎斯特的信道编码方案上引入信道编码方案,在接收机端引入神经网络均衡技术,所应用的多层感知神经网络均衡器,结构简单、易于实现、均衡性能好,可以很好适配超奈奎斯特系统,相较于其他自适应均衡器,神经网络均衡器的处理性能更好。
本发明方案实施简单方便,实用性强,解决了相关技术存在的实用性低及实际应用不便的问题,能够提高用户体验,具有重要的市场价值。
附图说明
图1是本发明实施例的发送机方案结构框图。
图2是本发明实施例的接收机方案结构框图。
图3是本发明实施例的神经网络均衡器模型示意图。
图4是本发明实施例的信道模型示意图。
具体实施方式
以下结合附图和实施例具体说明本发明的技术方案。
在码元时间小于码元周期T的超奈奎斯特传输中,在接收机所接收的传输信息,ISI遍布整个传输信息,当采用不加卷积编码和均衡技术的常规接收机,接收机的输出信息的误码情况会非常高,此时的系统误码率远远达不到标准情况。
本发明注意到,将机器学习方法应用到自适应均衡技术中,可以进一步降低误码率以及均方误差,从而提升通信质量。采用自适应均衡技术时,采用一定数量的训练序列,均衡器可以根据训练序列及时的调整到最佳状态。而运用机器学习相关的自适应均衡技术,可以很好的改善FTN系统的BER性能,且实现起来不会很困难。神经网络是机器学习的一个重要组成部分,在信号处理领域中,建立一个代价函数,通过最小代价函数来对系统进行估计,神经网络中的多层感知结构为最基本的结构,结构简单易于实现。因此,本发明认为神经网络均衡技术可以很好的运用到FTN系统中。
为降低接收机输出端误码率,将卷积编码和神经网络均衡技术引入到超奈奎斯特传输方案中。相较于一般的自适应均衡技术,神经网络均衡技术实现简单,复杂度低且性能优异,加入神经网络均衡技术的接收机,可以保证一般情况下的系统误码率小于数字传输系统的标准误码率。拟采用的发送机方案和接收机方案的基本框图如图1和图2所示。
发送机采用QPSK调制映射处理。输入需要传输的数据,进行信道编码后(例如,Turbo码、卷积编码),进行一次QPSK调制映射,转换为两条支路信息,分别成形之后送入到信道传输。即在发送机端,数据信息先进行卷积编码,然后进行QPSK调制映射,将原始信息分成I路和Q路,两路数据同时进行FTN脉冲成形,随后送入到信道传输,在信道传输的数据为两路信号传输。
实施例优选使用卷积编码。卷积编码是一种高效的差错控制编码。卷积码进行编码时,对输入信息比特进行分组编码,每个码组的编码输出比特和当前分组比特信息以及前面时刻的其他分组比特信息同时存在关联,这就使得卷积码编码过程充分利用各个分组码的相关性。卷积码的译码过程一般采用概率译码方式,其中采用最多的是维特比译码方式。
具体实施时,也可采用其他更新型的编码技术实现,例如Turbo码。
脉冲成形之后的FTN信号表示为SFTN:
式中,Es表示每单个符号的能量,x[n]表示传输的二进制序列,n表示二进制序列中当前序列的位置,N表示所传输的二进制数字信号的总个数;h(t)表示成形脉冲函数,t表示时间变量,在实际FTN传输系统中,会将h(t)进一步处理;τ为压缩因子,T为奈奎斯特传输中的码元周期,τT表示为超奈奎斯特传输中的成形脉冲之间的码元周期。
FTN信号成形之后,会存在ISI影响,脉冲成形时FTN系统自身所产生的ISI可以表示为yISI:
式中,L为成形脉冲函数h(t)的截断长度,x[n+k]表示传输的第n个码元之外的其他码元,k表示相对于当前被处理数字信号以外的其他数字信号的位置,FTN自身产生的ISI由两部分组成,过去符号对当前符号的码间干扰和未来符号对当前符号的码间干扰,发送机送入到信道传输的信号,其在在采样点处的数值,可以由该采样点本身信号和ISI之和表示出来。
在接收机端,通过信道传输的两路信号I、Q同时进行匹配滤波,尽可能恢复原始传输的两路数据波形,恢复波形之后进行FTN抽样,根据成形脉冲间隔进行FTN抽样,得到抽样值,然后,将抽样信号送入神经网络均衡器进行均衡,得到均衡后的样值,然后进行解映射,得到的输出为软输出,最后进行软判决的维特比译码就可以恢复原始数据。
在接收机端接收信道传输之后的两路信息,两路信息的ISI现象严重,需要对其进行处理。接收到的两路信息首先分别进行匹配滤波,降低一般噪声的影响,尽可能恢复所传输的原始波形。经过匹配滤波以及FTN抽样之后的采样序列表示为:
式中h*(t)表示发送机端成形脉冲函数h(t)的共轭,r(t)表示经过信道后输入到接收机的接收信息,r(t)由FTN成形波、FTN自身产生的ISI和信道噪声三部分组成;dt表示微分运算,整体表示对时间t进行积分操作。
得到叠加了ISI的抽样值后,将该抽样值送入到神经网络均衡器进行均衡,神经网络均衡器采用多层感知结构,结构图如图3,包括输入层、隐藏层和输出层。神经网络采用tanh为激活函数。
隐藏层神经元输入表示为:
输出层第j个神经元的输入可以表示为:
式中,m表示隐藏层单元的总个数,p表示输入层单元的总个数,vil表示神经网络第i个输入层单元和第l个隐藏层单元之间的权值连接,wlj表示为第l个隐藏层单元和第j个输出层单元之间的权值连接。
神经网络均衡器的输出可以表示为:
式中,r表示神经网络输出层的序号,yr表示输出层第r个输出,在输出层端一共有t个输出。
上述均衡器中神经网络单元所涉及的权值连接,为神经网络均衡器进行训练时所得出的最佳的权值连接。神经网络均衡器在使用前,会进行一次少量数据的训练,将少量的实验数据进行一次完整传输。将经过FTN脉冲成形和信道噪声影响后的接收机端数据送入到神经网络均衡器,接收数据相较于原始数据,存在FTN成形时的ISI以及信道传输过程中噪声对数据影响所产生的ISI,神经网络均衡器会根据输入的少量实验数据和所得到的接收数据进行分析,对神经网络均衡器训练。在实际传输中,使用训练完成的神经网络均衡器对传输数据进行均衡,对接收机端进入到神经网络均衡器模块的数据进行补偿,减少ISI影响。
神经网络均衡器输出之后,将输出值进行软输出的解映射,完成软输入软输出的解映射,两路信息恢复为一路一般数据类型的抽样值,最后进行一次软判决的维特比译码得到恢复数据。例如在编码端输入数字信息{aq},在解码端解码后得到输出数字信息{a′q}。
为消除ISI影响,在神经网络均衡器进行训练时,采用低信噪比情况下的数值,让神经网络均衡器可以适应ISI现象更严重的一般情形。
为简化系统结构,将载波调制和载波解调安置到信道传输中,信道模型如图4所示。
本发明实施例将卷积编码和神经网络均衡技术共同引入到超奈奎斯特传输方案中,降低系统误码率,大大改善超奈奎斯特误码性能,并降低接收机复杂度。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
具体实施时,本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程,实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备,也应当在本发明的保护范围内。
在一些可能的实施例中,提供一种基于神经网络均衡的QPSK调制超奈奎斯特传输系统,包括以下部分,
发送机端,用于对数据信息先进行信道编码,然后进行QPSK调制映射,将原始信息分成I路和Q路,两路数据同时进行FTN脉冲成形,随后送入到信道传输,在信道传输的数据为两路信号传输;
接收机端,用于通过信道传输的两路信号同时进行匹配滤波,恢复原始传输的两路数据波形,恢复波形之后进行FTN抽样,根据成形脉冲间隔进行FTN抽样,得到抽样值;然后,将抽样信号送入神经网络均衡器进行均衡,得到均衡后的样值;进行解映射,得到的输出为软输出,最后进行软判决的维特比译码,实现恢复原始数据。
在一些可能的实施例中,提供一种基于神经网络均衡的QPSK调制超奈奎斯特传输系统,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如上所述的一种基于神经网络均衡的QPSK调制超奈奎斯特传输方法。
在一些可能的实施例中,提供一种基于神经网络均衡的QPSK调制超奈奎斯特传输系统,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如上所述的一种基于神经网络均衡的QPSK调制超奈奎斯特传输方法。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (7)
1.一种基于神经网络均衡的QPSK调制超奈奎斯特传输方法,其特征在于:将卷积编码和神经网络均衡方式引入到超奈奎斯特传输过程中,以降低接收机复杂度和改善超奈奎斯特系统的误码性能;所述超奈奎斯特传输过程实现如下,
在发送机端,数据信息先进行信道编码,然后进行QPSK调制映射,将原始信息分成I路和Q路,两路数据同时进行FTN脉冲成形,随后送入到信道传输,在信道传输的数据为两路信号传输;
脉冲成形之后的FTN信号表示为SFTN:
式中,Es表示每单个符号的能量,x[n]表示传输的二进制序列,n表示二进制序列中当前序列的位置,N表示所传输的二进制数字信号的总个数;h(t)表示成形脉冲函数,t表示时间变量,在实际FTN传输系统中,会将h(t)进一步处理;τ为压缩因子,T为奈奎斯特传输中的码元周期,τT表示为超奈奎斯特传输中的成形脉冲之间的码元周期;
FTN信号成形之后,会存在ISI影响,脉冲成形时FTN系统自身所产生的ISI表示为yISI:
式中,L为成形脉冲函数h(t)的截断长度,x[n+k]表示传输的第n个码元之外的其他码元,k表示相对于当前被处理数字信号以外的其他数字信号的位置,FTN自身产生的ISI由两部分组成,过去符号对当前符号的码间干扰和未来符号对当前符号的码间干扰,发送机送入到信道传输的信号,其在采样点处的数值,由该采样点本身信号和ISI之和表示出来;
在接收机端,通过信道传输的两路信号同时进行匹配滤波,恢复原始传输的两路数据波形,恢复波形之后进行FTN抽样,根据成形脉冲间隔进行FTN抽样,得到抽样值;然后,将抽样信号送入神经网络均衡器进行均衡,得到均衡后的样值;进行解映射,得到的输出为软输出,最后进行软判决的维特比译码,实现恢复原始数据;
所述神经网络均衡器包括输入层、隐藏层和输出层,
隐藏层神经元输入表示为,
输出层第j个神经元的输入表示为,
式中,m表示隐藏层单元的总个数,p表示输入层单元的总个数,vil表示神经网络第i个输入层单元和第1个隐藏层单元之间的权值连接,wlj表示为第1个隐藏层单元和第j个输出层单元之间的权值连接;
神经网络均衡器的输出表示为,
式中,r表示神经网络输出层的序号,yr表示输出层第r个输出,记在输出层端一共有t个输出。
2.根据权利要求1所述的基于神经网络均衡的QPSK调制超奈奎斯特传输方法,其特征在于:所述信道编码采用卷积编码实现。
3.根据权利要求1或2所述的一种基于神经网络均衡的QPSK调制超奈奎斯特传输方法,其特征在于:神经网络均衡器采用多层感知结构实现。
4.一种基于神经网络均衡的QPSK调制超奈奎斯特传输系统,其特征在于:用于实现如权利要求1-3任一项所述的一种基于神经网络均衡的QPSK调制超奈奎斯特传输方法。
5.根据权利要求4所述基于神经网络均衡的QPSK调制超奈奎斯特传输系统,其特征在于:包括以下部分,
发送机端,用于对数据信息先进行信道编码,然后进行QPSK调制映射,将原始信息分成I路和Q路,两路数据同时进行FTN脉冲成形,随后送入到信道传输,在信道传输的数据为两路信号传输;
接收机端,用于通过信道传输的两路信号同时进行匹配滤波,恢复原始传输的两路数据波形,恢复波形之后进行FTN抽样,根据成形脉冲间隔进行FTN抽样,得到抽样值;然后,将抽样信号送入神经网络均衡器进行均衡,得到均衡后的样值;进行解映射,得到的输出为软输出,最后进行软判决的维特比译码,实现恢复原始数据。
6.一种基于神经网络均衡的QPSK调制超奈奎斯特传输系统,其特征在于:包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如权利要求1-3任一项所述的一种基于神经网络均衡的QPSK调制超奈奎斯特传输方法。
7.一种基于神经网络均衡的QPSK调制超奈奎斯特传输系统,其特征在于:包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如权利要求1-3任一项所述的一种基于神经网络均衡的QPSK调制超奈奎斯特传输方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110587029.4A CN113347128B (zh) | 2021-05-27 | 2021-05-27 | 基于神经网络均衡的qpsk调制超奈奎斯特传输方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110587029.4A CN113347128B (zh) | 2021-05-27 | 2021-05-27 | 基于神经网络均衡的qpsk调制超奈奎斯特传输方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113347128A CN113347128A (zh) | 2021-09-03 |
CN113347128B true CN113347128B (zh) | 2023-03-24 |
Family
ID=77472264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110587029.4A Active CN113347128B (zh) | 2021-05-27 | 2021-05-27 | 基于神经网络均衡的qpsk调制超奈奎斯特传输方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113347128B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115208515B (zh) * | 2022-07-06 | 2023-11-07 | 清华大学 | 基于卷积自编码器的接收机纠错编码方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10924152B1 (en) * | 2019-11-13 | 2021-02-16 | Micron Technology, Inc. | Mixing coefficient data for processing mode selection |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9716602B2 (en) * | 2013-07-08 | 2017-07-25 | Hughes Network Systems, Llc | System and method for iterative compensation for linear and nonlinear interference in system employing FTN symbol transmission rates |
CN104811276B (zh) * | 2015-05-04 | 2018-04-03 | 东南大学 | 一种超奈奎斯特速率通信的dl‑cnn解调器 |
CN105933255B (zh) * | 2016-04-01 | 2017-11-07 | 中国人民解放军理工大学 | 低复杂度超奈奎斯特传输方法 |
CN110166169A (zh) * | 2018-02-15 | 2019-08-23 | 湖北工业大学 | 一种基于部分响应编码脉冲成形的超奈奎斯特传输方法 |
US10885383B2 (en) * | 2018-05-16 | 2021-01-05 | Nec Corporation | Unsupervised cross-domain distance metric adaptation with feature transfer network |
-
2021
- 2021-05-27 CN CN202110587029.4A patent/CN113347128B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10924152B1 (en) * | 2019-11-13 | 2021-02-16 | Micron Technology, Inc. | Mixing coefficient data for processing mode selection |
Non-Patent Citations (1)
Title |
---|
基于机器学习的可见光通信信号处理研究现状;邹鹏等;《激光与光电子学进展》;20200110(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113347128A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108650201B (zh) | 基于神经网络的信道均衡方法、译码方法及对应设备 | |
CN110365365A (zh) | 一种基于混沌成型滤波的多进制差分混沌键控方法 | |
CN110266617B (zh) | 超奈奎斯特系统的多径信道估计方法 | |
CN113630130B (zh) | 端到端数字通信解调方法 | |
CN111106877B (zh) | 一种基于Farrow滤波与码字匹配的水声通信传输方法 | |
CN109861939B (zh) | 一种oqpsk频域均衡无线数据传输方法 | |
CN111431607B (zh) | 一种wo-ftn传输系统中的分块矩阵干扰消除方法 | |
CN113347128B (zh) | 基于神经网络均衡的qpsk调制超奈奎斯特传输方法及系统 | |
CN114745230A (zh) | 基于深度神经网络结构的otfs信号接收恢复方法 | |
CN113114603B (zh) | 一种mimo-ofdm系统的信息恢复方法及装置 | |
CN112235217B (zh) | 一种基于无线光ftn通信系统的自适应预均衡方法 | |
CN100364257C (zh) | 和nr码结合的时域自适应均衡器 | |
CN104579574B (zh) | 应用于高速背板芯片间电互连系统的网格编码调制方法 | |
CN1156188C (zh) | 块形联合解码均衡器 | |
CN107171990A (zh) | 基于分数间隔与迭代算法的单载波信号时域均衡方法 | |
CN113452638B (zh) | 一种正交啁啾复用光传输方法和系统 | |
CN106788893A (zh) | 一种稀疏交织多址接入方法 | |
Al-Dhahir et al. | Optimum finite-length equalization for multicarrier transceivers | |
CN115883298A (zh) | 一种基于Haar分布域编码分集的水声通信方法 | |
CN108632182B (zh) | 超奈奎斯特通信系统中的双向串行干扰消除方法 | |
CN111769975A (zh) | Mimo系统信号检测方法及系统 | |
CN1443011A (zh) | 一种用于移动通信系统的均衡解调方法 | |
CN114070687B (zh) | 一种基于载波体制键控的混合载波调制解调方法 | |
CN1725744A (zh) | 一种适用于gsm/edge系统的自适应解调的方法及系统 | |
Zeng et al. | Deep Learning Based Pilot-Free Transmission: Error Correction Coding for Low-Resolution Reception Under Time-Varying Channels |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210903 Assignee: Wuhan Lingte Information Technology Co.,Ltd. Assignor: HUBEI University OF TECHNOLOGY Contract record no.: X2023980054681 Denomination of invention: QPSK modulation super Nyquist transmission method and system based on neural network equalization Granted publication date: 20230324 License type: Common License Record date: 20240104 |