CN113708855B - 基于深度学习的otfs数据驱动接收方法、系统及介质 - Google Patents
基于深度学习的otfs数据驱动接收方法、系统及介质 Download PDFInfo
- Publication number
- CN113708855B CN113708855B CN202111178920.9A CN202111178920A CN113708855B CN 113708855 B CN113708855 B CN 113708855B CN 202111178920 A CN202111178920 A CN 202111178920A CN 113708855 B CN113708855 B CN 113708855B
- Authority
- CN
- China
- Prior art keywords
- domain signal
- otfs
- time
- signal
- doppler
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/20—Monitoring; Testing of receivers
- H04B17/21—Monitoring; Testing of receivers for calibration; for correcting measurements
-
- 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
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
-
- 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
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0256—Channel estimation using minimum mean square error criteria
-
- 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)
- Power Engineering (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于深度学习的OTFS数据驱动接收方法、系统及介质,其包括将每个OTFS帧的数据信息进行映射后转换为时域信号;将所述时域信号经过信道及转换处理,得到OTFS调制后的时延‑多普勒域信号;将所述OTFS调制后的时延‑多普勒域信号作为深度神经网络的输入,以通信的发送端信号作为标签对深度神经网络进行离线训练;采用训练好的神经网络对接收到的OTFS信号进行恢复。本发明具有较好的误码性能与优秀的鲁棒性,对信道参数具有强大的泛化能力。本发明可以应用到不同的高移动性场景中。
Description
技术领域
本发明涉及无线通信技术与人工智能(Artificial Intelligence,AI)领域,特别是关于一种基于深度学习的OTFS数据驱动接收方法、系统及介质。
背景技术
高移动性场景是5G的重要应用场景之一,在实际应用中,高移动性场景中的无线通信会遭受严重的多普勒扩展。OFDM在时不变的频率选择性信道中实现了良好的鲁棒性和较高的频谱效率,然而,对于诸如高速铁路移动通信之类的高移动性场景,信道通常是时变的,具有高多普勒扩展,而OFDM在快衰落信道中容易受到多普勒效应引起的载波间干扰,从而降低信道容量。
现有的OTFS调制技术在高移动性场景比OFDM有显著的误码性能优势。OTFS的核心思想是在时延-多普勒平面上传输信息符号,而不是像OFDM那样在时频平面上传输信号。时延-多普勒平面能够捕获无线信道中存在的延迟和多普勒频移,并能够稀疏地表示信道。
目前的OTFS接收机算法研究均基于模型驱动,结构较为复杂。而随着近年来DL在无线通信领域的运用的不断深入,研究基于DL的端到端OTFS系统具有重要意义。
发明内容
针对上述问题,本发明的目的是提供一种基于深度学习的OTFS数据驱动接收方法、系统及介质,无需进行显式的信道估计即可端到端的恢复出发送端信号。本发明相较于现有算法具有更好的误码率性能和更强的鲁棒性与泛化能力,并可以推广到不同的高移动性场景。
为实现上述目的,本发明采取以下技术方案:一种基于深度学习的OTFS数据驱动接收方法,其包括:将每个OTFS帧的数据信息进行映射后转换为时域信号;将所述时域信号经过信道及转换处理,得到OTFS调制后的时延-多普勒域信号;将所述OTFS调制后的时延-多普勒域信号作为深度神经网络的输入,以通信的发送端信号作为标签对深度神经网络进行离线训练;采用训练好的神经网络对接收到的OTFS信号进行恢复。
进一步,所述将每个OTFS帧的数据信息进行映射后转换为时域信号,包括:
将每个OTFS帧的数据信息映射至时延-多普勒域,得到时延-多普勒信号;
将所述时延-多普勒域信号进行逆辛-傅里叶变换,转换为时频域信号,并对所述时频域信号加发射窗;
将加发射窗的所述时频域信号进行海森堡变换,转换为时域信号。
进一步,所述将所述时域信号经过信道及转换处理,得到OTFS调制后的时延-多普勒域信号,包括:
所述时域信号经过时延-多普勒域信道后,进行维格纳变换为时频域信号,并对该时频域信号加接收窗;
对加接收窗的所述时频域信号进行辛-傅里叶变换,转换为所述OTFS调制后的时延-多普勒域信号。
进一步,所述进行维格纳变换为时频域信号,包括:
计算将经过所述时延-多普勒域信道后的时域接收信号与接收脉冲的互模糊函数;
对所述互模糊函数以预先设定的间隔进行抽样,得到所述时频域信号。
进一步,所述采用训练好的深度神经网络对接收到的OTFS信号进行恢复,包括:
将所述OTFS调制后的时延-多普勒域信号作为训练好的深度神经网络的输入,在无需进行显式信道估计的情况下,实现端到端的恢复所述发送端的信号。
进一步,所述深度神经网络具有五层,包括一个输入层、三个隐层和一个输出层,隐层采用Relu函数作为激活函数,输出层采用Sigmoid函数作为激活函数。
进一步,所述离线训练采用均方根误差作为损失函数。
一种基于深度学习的OTFS数据驱动接收系统,其包括:第一转换模块、第二转换模块、离线训练模块和接收模块;所述第一转换模块,将每个OTFS帧的数据信息进行映射后转换为时域信号;所述第二转换模块,将所述时域信号经过信道及转换处理,得到OTFS调制后的时延-多普勒域信号;所述离线训练模块,将所述调制后的时延-多普勒域信号作为深度神经网络的输入,以通信的发送端信号作为标签对深度神经网络进行离线训练;所述接收模块,采用训练好的神经网络对接收到的OTFS信号进行恢复。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行上述方法中的任一方法。
一种计算设备,其包括:一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行上述方法中的任一方法的指令。
本发明由于采取以上技术方案,其具有以下优点:
本发明采用DNN实现OTFS系统的端到端恢复信号,该方法具有较好的误码性能与优秀的鲁棒性,对信道参数具有强大的泛化能力。本发明可以应用到不同的高移动性场景中。
附图说明
图1是本发明一实施例中的接收方法整体流程示意图;
图2是本发明一实施例中的OTFS数据驱动接收方法具体流程示意图;
图3是本发明一实施例中的与另外两种OTFS接收机在高移动性场景的误比特率曲线图;
图4是本发明一实施例中的与另外两种OTFS接收机在不同速度下的误比特率曲线图;
图5是本发明一实施例中的与另外两种OTFS接收机在QPSK与16QAM条件下的误比特率曲线图;
图6是本发明一实施例中的在不同高移动性场景下的误比特率曲线图;
图7是本发明一实施例中的计算设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明提供一种基于深度学习的OTFS数据驱动接收方法、系统及介质,采用深度学习(Deep Learning,DL)算法实现正交时频空(Orthogonal Time Frequency Space,OTFS)无线通信系统数据驱动接收方法。作为人工智能的主流技术,DL引起了广泛关注。与单隐层神经网络相比,深度神经网络(Deep Neural Network,DNN)具有更强的学习能力,可以训练更复杂的系统,具有更好的性能。
本发明的实现过程为:1)将映射后得到的时延-多普勒域信号进行逆辛-傅里叶变换(Inverse Symplectic-Finite Fourier Transform,ISFFT),时延-多普勒域信号转换为时频域信号,随后对其加发射窗;2)将时频域信号进行海森堡变换从而将其转换为时域信号;3)时域信号经过信道后,进行维格纳变换为时频域信号,随后对其加接收窗;4)对步骤3)中得到的时频域信号进行辛-傅里叶变换(SFFT)从而将其转换为时延-多普勒域信号;5)使用步骤4)中的时延-多普勒域信号作为神经网络的输入,发送端信号作为标签对神经网络进行离线训练;6)重复步骤1)-步骤4),将步骤4)中的时延-多普勒域信号作为训练好的神经网络的输入,即可在无需进行显式信道估计的情况下,端到端的恢复发送端的信号。本发明无需进行显式的信道估计即可端到端的恢复出发送端信号。相较于现有算法,本发明具有更好的误码率性能和更强的鲁棒性与泛化能力,并可以应用到不同的高移动性场景中。
在本发明的一个实施例中,如图1所示,提供一种基于深度学习的OTFS数据驱动接收方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,采用深度神经网络实现OTFS系统的端到端的恢复信号,先采用OTFS调制的数据对DNN进行离线训练,随后采用训练好的DNN对接收到的OTFS信号进行恢复。该方法包括以下步骤:
步骤1、将每个OTFS帧的数据信息进行映射后转换为时域信号;
步骤2、将时域信号经过信道及转换处理,得到OTFS调制后的时延-多普勒域信号;
步骤3、将调制后的时延-多普勒域信号作为深度神经网络的输入,以通信的发送端信号作为标签对深度神经网络进行离线训练;
步骤4、采用训练好的神经网络对接收到的OTFS信号进行恢复。
上述步骤1中,将每个OTFS帧的数据信息进行映射后转换为时域信号,包括以下步骤:
步骤11、将每个OTFS帧的数据信息映射至时延-多普勒域,得到时延-多普勒信号;
在本实施例中,如图2所示,将一个OTFS帧的M×N个数据信息采用QPSK映射至时延-多普勒域,得到时延-多普勒信号x[k,l],k=0,1,2,…,N-2,N-1,l=0,1,2,…,M-2,M-1;
步骤12、将时延-多普勒域信号进行逆辛-傅里叶变换,转换为时频域信号,并对时频域信号加发射窗;
在本实施例中,将映射后得到的时延-多普勒域信号x[k,l]进行辛-傅里叶逆变换(Inverse Symplectic-Finite Fourier Transform,ISFFT),时延-多普勒域信号转换为时频域信号X[n,m]:
随后对其加发射窗Wtx[n,m]:
式中,n表示时间轴的抽样数目,m表示频率轴抽样数目。
步骤13、将加发射窗的时频域信号进行海森堡变换,转换为时域信号;
在本实施例中,将时频域信号进行海森堡变换从而将其转换为时域信号s(t):
式中,gtx(t-nT)表示发射脉冲,T表示时间轴抽样间隔,t表示时间,Δf表示频率轴抽样间隔。
上述步骤2中,将时域信号经过信道及转换处理,得到OTFS调制后的时延-多普勒域信号,包括以下步骤:
步骤21、时域信号经过时延-多普勒域信道后,进行维格纳变换为时频域信号,并对该时频域信号加接收窗;
在本实施例中,时域信号s(t)经过信道后,得到时域接收信号r(t):
r(t)=∫∫h(τ,ν)s(t-τ)ej2πv(t-τ)dτdv+n(t)
其中,n(t)为噪声,为时延-多普勒域信道,P表示传播路径的数量,τi与vi为第i条路径的时延与多普勒频移。τi与vi可以表示为:
其中,与/>为整数,/>为分数,都是用于表示第i条路径的时延与多普勒频移的指标,/>用于表示距离最近的多普勒分数偏移,无需考虑分数延迟,因为采样时间/>与典型宽带系统中最近采样点的路径延迟近似。
通信的接收端利用匹配滤波器获得接收信号,此过程称为维格纳变换,包括两步:
第一步,计算将经过时延-多普勒域信道后的r(t)与通信的接收脉冲grx(t)的互模糊函数Y(t,f);
式中,f表示频率,表示接收脉冲的共轭,t′表示与t表示不同的时间;
第二步,对互模糊函数Y(t,f)以预先设定的间隔进行抽样,得到时频域信号;
在本实施例中,以间隔t=nT,频率f=mΔf进行抽样,得到时频域信号Y[n,m]:
Y[n,m]=Y(t,f)|t=nT,f=mΔf
随后加接收窗Wrx[n,m]:
Y[n,m]=Wrx[n,m]·Y(t,f)|t=nT,f=mΔf
步骤22、对加接收窗的时频域信号进行辛-傅里叶变换,转换至时延-多普勒域;
在本实施例中,将得到的时频域信号Y[n,m]进行辛-傅里叶变换(SFFT)从而将其转换为时延-多普勒域信号y[k,l]:
上述步骤4中,采用训练好的深度神经网络对接收到的OTFS信号进行恢复,具体为:将经过OTFS调制后的时延-多普勒域信号作为训练好的深度神经网络的输入,在无需进行显式信道估计的情况下,实现端到端的恢复发送端的信号。
在本实施例中,使用OTFS调制后的时延-多普勒域信号y[k,l]作为深度神经网络的输入,发送端信号作为标签对DNN进行离线训练,该DNN具有五层,包括一个输入层、三个隐层和一个输出层,隐层使用Relu函数作为激活函数,输出层使用Sigmoid函数作为激活函数。接收信号由原始传输数据通过高多普勒扩展信道产生,将接收到的信号y[k,l]作为DNN的输入,采用QPSK映射后的原始发射信号(即步骤11中的时延-多普勒信号)作为DNN模型,使DNN的输出与发送数据之间的误差更小,有很多种方法来描述这个误差,在离线训练过程中,选择均方根误差(root mean square error,RMSE)作为损失函数。RMSE可以表示为:
式中,yd表示DNN的输出,xd表示标签,ζ是通过仿真生成的训练数据集,|ζ|表示训练数据集的大小。
与均方误差(Mean Square Error,MSE)相比,RMSE在量级上更直观。采用随机梯度下降(stochastic gradient descent,SGD)方法更新DNN的参数,使均方根误差更小。
重复步骤1-步骤2得到新的接收到的时延-多普勒域信号将/>作为训练好的神经网络的输入,即可在无需进行显式信道估计的情况下,端到端的恢复发送端的信号/>
实施例:
以下通过仿真分析基于深度学习的OTFS端到端接收机:
a)将该接收机与基于PN序列的信道估计、MMSE信道校准接收机和基于导频的信道估计接收机、MMSE信道校准接收机的误码性能进行对比,结果如图3所示。结果表明,基于DNN的端到端接收机的误码率性能优于其他两种接收机模型。
b)图4显示了在EVA信道模型中,三种OTFS接收机模型在500km/h和1000km/h时的误码率曲线。当移动速度从500km/h到1000km/h时,发明的基于DNN的数据驱动OTFS接收机的误码率性能降幅小于其他两种OTFS接收机结构。由此可见,基于DNN的OTFS接收机对信道多普勒扩展参数的泛化能力较强,其鲁棒性优于其他两种OTFS接收机。
c)图5为三种OTFS接收机架构在使用4QPSK调制或16QAM调制时的误码率曲线。结果表明,当由4QPSK变为16QAM时,所发明的基于DNN的端到端接收机的性能降幅最小。然而,如图中两条黑线和两条蓝线所示,当调制方式改为16QAM时,基于PN序列信道估计、MMSE信道校准的接收机和基于导频的信道估计、MMSE信道校准接收机的性能明显低于4QPSK时的性能。
d)图6展示了采用DNN的数据驱动接收机在不同高移动性场景下的误码率,即使在多普勒效应严重的水声通信场景中,所发明的端到端OTFS接收机也能保证系统的性能。表明所发明的数据驱动的OTFS接收机可以推广到不同的高移动性场景。
在本发明的一个实施例中,提供一种基于深度学习的OTFS数据驱动接收系统,其包括:第一转换模块、第二转换模块、离线训练模块和接收模块;
第一转换模块,将每个OTFS帧的MN个数据信息进行映射后转换为时域信号;
第二转换模块,将时域信号经过信道及转换处理,得到OTFS调制后的时延-多普勒域信号;
离线训练模块,将调制后的时延-多普勒域信号作为深度神经网络的输入,以通信的发送端信号作为标签对深度神经网络进行离线训练;
接收模块,采用训练好的神经网络对接收到的OTFS信号进行恢复。
本实施例提供的系统是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
如图7所示,为本发明一实施例中提供的计算设备结构示意图,该计算设备可以是终端,其可以包括:处理器(processor)、通信接口(Communications Interface)、存储器(memory)、显示屏和输入装置。其中,处理器、通信接口、存储器通过通信总线完成相互间的通信。该处理器用于提供计算和控制能力。该存储器包括非易失性存储介质、内存储器,该非易失性存储介质存储有操作系统和计算机程序,该计算机程序被处理器执行时以实现一种OTFS数据驱动接收方法;该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、管理商网络、NFC(近场通信)或其他技术实现。该显示屏可以是液晶显示屏或者电子墨水显示屏,该输入装置可以是显示屏上覆盖的触摸层,也可以是计算设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。处理器可以调用存储器中的逻辑指令,以执行如下方法:
将每个OTFS帧的MN个数据信息进行映射后转换为时域信号;将时域信号经过信道及转换处理,得到OTFS调制后的时延-多普勒域信号;将OTFS调制后的时延-多普勒域信号作为深度神经网络的输入,以通信的发送端信号作为标签对深度神经网络进行离线训练;采用训练好的神经网络对接收到的OTFS信号进行恢复。
此外,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算设备的限定,具体的计算设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在本发明的一个实施例中,提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:将每个OTFS帧的MN个数据信息进行映射后转换为时域信号;将时域信号经过信道及转换处理,得到OTFS调制后的时延-多普勒域信号;将OTFS调制后的时延-多普勒域信号作为深度神经网络的输入,以通信的发送端信号作为标签对深度神经网络进行离线训练;采用训练好的神经网络对接收到的OTFS信号进行恢复。
在本发明的一个实施例中,提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储服务器指令,该计算机指令使计算机执行上述各实施例提供的方法,例如包括:将每个OTFS帧的MN个数据信息进行映射后转换为时域信号;将时域信号经过信道及转换处理,得到OTFS调制后的时延-多普勒域信号;将OTFS调制后的时延-多普勒域信号作为深度神经网络的输入,以通信的发送端信号作为标签对深度神经网络进行离线训练;采用训练好的神经网络对接收到的OTFS信号进行恢复。
上述实施例提供的一种计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于深度学习的OTFS数据驱动接收方法,其特征在于,采用深度神经网络实现OTFS系统的端到端的恢复信号,包括:
将每个OTFS帧的数据信息进行映射后转换为时域信号;
将所述时域信号经过信道及转换处理,得到OTFS调制后的时延-多普勒域信号;
将所述OTFS调制后的时延-多普勒域信号作为深度神经网络的输入,以通信的发送端信号作为标签对深度神经网络进行离线训练;
采用训练好的神经网络对接收到的OTFS信号进行恢复;
所述将每个OTFS帧的数据信息进行映射后转换为时域信号,包括:
将每个OTFS帧的数据信息映射至时延-多普勒域,得到时延-多普勒信号;
将所述时延-多普勒域信号进行逆辛-傅里叶变换,转换为时频域信号,并对所述时频域信号加发射窗;
将加发射窗的所述时频域信号进行海森堡变换,转换为时域信号;
所述采用训练好的深度神经网络对接收到的OTFS信号进行恢复,包括:
将所述OTFS调制后的时延-多普勒域信号作为训练好的深度神经网络的输入,在无需进行显式信道估计的情况下,实现端到端的恢复所述发送端的信号;
所述深度神经网络具有五层,包括一个输入层、三个隐层和一个输出层,隐层采用Relu函数作为激活函数,输出层采用Sigmoid函数作为激活函数。
2.如权利要求1所述OTFS数据驱动接收方法,其特征在于,所述将所述时域信号经过信道及转换处理,得到OTFS调制后的时延-多普勒域信号,包括:
所述时域信号经过时延-多普勒域信道后,进行维格纳变换为时频域信号,并对该时频域信号加接收窗;
对加接收窗的所述时频域信号进行辛-傅里叶变换,转换为所述OTFS调制后的时延-多普勒域信号。
3.如权利要求2所述OTFS数据驱动接收方法,其特征在于,所述进行维格纳变换为时频域信号,包括:
计算将经过所述时延-多普勒域信道后的时域接收信号与接收脉冲的互模糊函数;
对所述互模糊函数以预先设定的间隔进行抽样,得到所述时频域信号。
4.如权利要求1所述OTFS数据驱动接收方法,其特征在于,所述离线训练采用均方根误差作为损失函数。
5.一种基于深度学习的OTFS数据驱动接收系统,其特征在于,包括:第一转换模块、第二转换模块、离线训练模块和接收模块;
所述第一转换模块,将每个OTFS帧的数据信息进行映射后转换为时域信号;
所述第二转换模块,将所述时域信号经过信道及转换处理,得到OTFS调制后的时延-多普勒域信号;
所述离线训练模块,将所述调制后的时延-多普勒域信号作为深度神经网络的输入,以通信的发送端信号作为标签对深度神经网络进行离线训练;
所述接收模块,采用训练好的神经网络对接收到的OTFS信号进行恢复;
所述将每个OTFS帧的数据信息进行映射后转换为时域信号,包括:
将每个OTFS帧的数据信息映射至时延-多普勒域,得到时延-多普勒信号;
将所述时延-多普勒域信号进行逆辛-傅里叶变换,转换为时频域信号,并对所述时频域信号加发射窗;
将加发射窗的所述时频域信号进行海森堡变换,转换为时域信号;
所述采用训练好的深度神经网络对接收到的OTFS信号进行恢复,包括:
将所述OTFS调制后的时延-多普勒域信号作为训练好的深度神经网络的输入,在无需进行显式信道估计的情况下,实现端到端的恢复所述发送端的信号;
所述深度神经网络具有五层,包括一个输入层、三个隐层和一个输出层,隐层采用Relu函数作为激活函数,输出层采用Sigmoid函数作为激活函数。
6.一种存储一个或多个程序的计算机可读存储介质,其特征在于,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行如权利要求1至4所述方法中的任一方法。
7.一种计算设备,其特征在于,包括:一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行如权利要求1至4所述方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111178920.9A CN113708855B (zh) | 2021-09-29 | 2021-09-29 | 基于深度学习的otfs数据驱动接收方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111178920.9A CN113708855B (zh) | 2021-09-29 | 2021-09-29 | 基于深度学习的otfs数据驱动接收方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113708855A CN113708855A (zh) | 2021-11-26 |
CN113708855B true CN113708855B (zh) | 2023-07-25 |
Family
ID=78662653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111178920.9A Active CN113708855B (zh) | 2021-09-29 | 2021-09-29 | 基于深度学习的otfs数据驱动接收方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113708855B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114745230B (zh) * | 2022-03-10 | 2024-01-16 | 西安电子科技大学 | 基于深度神经网络结构的otfs信号接收恢复方法 |
CN114944896B (zh) * | 2022-04-08 | 2023-10-24 | 江苏科技大学 | 一种基于y型网络的索引调制otfs通信系统及方法 |
CN114500199A (zh) * | 2022-04-13 | 2022-05-13 | 鹏城实验室 | 一种基于空时簇处理的水声通信方法及相关设备 |
CN116055261A (zh) * | 2023-01-17 | 2023-05-02 | 重庆邮电大学 | 一种基于模型驱动深度学习的otfs信道估计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109743275A (zh) * | 2018-12-25 | 2019-05-10 | 北京信息科技大学 | 一种基于欠完备自编码器的信号调制识别方法 |
CN111220958A (zh) * | 2019-12-10 | 2020-06-02 | 西安宁远电子电工技术有限公司 | 基于一维卷积神经网络的雷达目标多普勒像分类识别方法 |
CN111478868A (zh) * | 2020-03-09 | 2020-07-31 | 北京邮电大学 | 一种otfs系统的信号检测方法及装置 |
WO2021000597A1 (zh) * | 2019-07-03 | 2021-01-07 | 南方科技大学 | 语音信号的处理方法以及装置、终端及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020081125A1 (en) * | 2018-10-17 | 2020-04-23 | Purdue Research Foundation | Analyzing complex single molecule emission patterns with deep learning |
CN109412993B (zh) * | 2018-11-27 | 2021-03-26 | 天津理工大学 | 一种基于深度学习的具有抑制自干扰的全双工认知水声通信信号检测方法 |
CN111683024B (zh) * | 2020-06-01 | 2021-06-25 | 西北工业大学 | 一种基于深度学习的时变ofdm系统信道估计方法 |
CN111669344B (zh) * | 2020-06-01 | 2022-01-07 | 西北工业大学 | 一种基于深度学习的时变ofdm系统信号检测方法 |
CN113259216B (zh) * | 2021-06-29 | 2021-09-10 | 微企(天津)信息技术有限公司 | 一种can总线信号解析方法及系统 |
-
2021
- 2021-09-29 CN CN202111178920.9A patent/CN113708855B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109743275A (zh) * | 2018-12-25 | 2019-05-10 | 北京信息科技大学 | 一种基于欠完备自编码器的信号调制识别方法 |
WO2021000597A1 (zh) * | 2019-07-03 | 2021-01-07 | 南方科技大学 | 语音信号的处理方法以及装置、终端及存储介质 |
CN111220958A (zh) * | 2019-12-10 | 2020-06-02 | 西安宁远电子电工技术有限公司 | 基于一维卷积神经网络的雷达目标多普勒像分类识别方法 |
CN111478868A (zh) * | 2020-03-09 | 2020-07-31 | 北京邮电大学 | 一种otfs系统的信号检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113708855A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113708855B (zh) | 基于深度学习的otfs数据驱动接收方法、系统及介质 | |
Gizzini et al. | Deep learning based channel estimation schemes for IEEE 802.11 p standard | |
WO2018233932A1 (en) | CONFIGURATION OF DATA TRANSMISSION NETWORK | |
CN105814855B (zh) | 超Nyquist发送系统中的预编码 | |
Zhang et al. | Deep learning aided OFDM receiver for underwater acoustic communications | |
CN107018105B (zh) | 水下可见光通信方法及系统 | |
Zhang et al. | Deep learning based on orthogonal approximate message passing for CP-free OFDM | |
CN110311876A (zh) | 基于深度神经网络的水声正交频分复用接收机的实现方法 | |
CN101873292A (zh) | 一种变换域通信系统信号发射、接收方法及功能模块架构 | |
CN111786923A (zh) | 一种正交频分复用系统时频双选信道的信道估计方法 | |
CN111884761B (zh) | 一种用于单载波频域均衡系统发送端的数据发送方法 | |
CN115250216A (zh) | 一种基于深度学习的水声ofdm联合信道估计和信号检测方法 | |
CN113259283B (zh) | 一种基于循环神经网络的单通道时频混叠信号盲分离方法 | |
CN114826832B (zh) | 信道估计方法、神经网络的训练方法及装置、设备 | |
Melkote NanjundaShetty et al. | Estimation of Rayleigh flat channel coefficients using deep learning | |
Li et al. | Exploring the performance of receiver algorithm in OTFS based on CNN | |
WO2023066307A1 (zh) | 信道估计方法、装置、终端及网络侧设备 | |
Nandi et al. | Avenues to improve channel estimation using optimized CP in STBC coded MIMO-OFDM systems—a global optimization approach | |
CN111641575A (zh) | 一种正交时频二维空间调制信号接收方法及接收器 | |
CN110011744A (zh) | 端口检测方法、系统和终端 | |
CN113709075B (zh) | 一种利用水声信道多径效应的水声通信接收机的实现方法 | |
CN115150230A (zh) | 一种提升频谱效率的正交时频空间调制系统及方法 | |
CN111585920B (zh) | 一种基于单载波频域均衡的抗单音干扰方法及装置 | |
CN102769600A (zh) | 一种ofdm系统接收机中缩放因子解调制的方法及装置 | |
Mathews et al. | A Non-Linear Improved CNN Equalizer with Batch Gradient Decent in 5G Wireless Optical Communication |
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 |