CN113965440A - 一种双通道混合深度神经网络ofdm无线通信盲接收方法 - Google Patents
一种双通道混合深度神经网络ofdm无线通信盲接收方法 Download PDFInfo
- Publication number
- CN113965440A CN113965440A CN202111220619.XA CN202111220619A CN113965440A CN 113965440 A CN113965440 A CN 113965440A CN 202111220619 A CN202111220619 A CN 202111220619A CN 113965440 A CN113965440 A CN 113965440A
- Authority
- CN
- China
- Prior art keywords
- dmdl
- channel
- ofdm
- convolution
- 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.)
- Withdrawn
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
-
- 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
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)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种双通道混合深度神经网络OFDM无线通信盲接收方法，该方法构建了一种盲OFDM接收器双路径混合深度神经网络框架DMDL，该方法融合密集连接卷积网络DenseNets和残差网络ResNets，解决网络训练中的梯度爆炸，抑制特征消失；通过卷积网络自动提取IQ数据信号序列特征，利用多维度卷积核提取分析不同特征，丰富特征维度；DMDL深度神经网络实现有导频、无导频自适应的信号盲接收。使用BPSK、QPSK、8QAM和16QAM调制方法对比实验，实验表明，高斯白噪声信道中，DMDL接收精度优于最小二乘LS接收机；瑞利信道中，其接收精度优于LS接收机，且接近理想信道条件下恢复信息精度。实验证明本发明能高效恢复信息，具有强抗干扰性能、稳定的鲁棒性和识别输入信号的泛化迁移能力。
Description
技术领域
本发明涉及深度学习信号检测技术领域，具体是一种双通道混合深度神经网络OFDM无线通信盲接收方法。
背景技术
正交频分复用(OFDM)技术以其优异的性能被用于许多无线通信标准，如DVB、HIPERLAN和WIMAX。传统的OFDM系统依赖于数学模型，而复杂的信道环境很难用数学公式表达；基于深度学习的无线通信技术具有很强的非线性能力，可以更好地解决通信系统中描述不准确的问题。
基于深度学习优化的检测器在信号检测中分为全局优化和块优化，在块优化中，子网替代了部分传统通信模块，每个子网都以达到最好为目标，容易陷入局部优化。目前，深度学习技术在OFDM信号检测块优化方面取得了很多研究成果，但对于全局优化OFDM信号检测研究较少，全局优化接收多载波信号和精准接收信息流是一个极具挑战性的问题。
发明内容
本发明针对不同环境下的信道衰落和噪声干扰，如何在接收端准确还原传输的比特流成为正交频分复用系统的关键问题，而提供一种双通道混合深度神经网络OFDM无线通信盲接收方法，该方法构建一种盲OFDM接收器双路径混合深度学习(Dual-path MixedDeep Learning Receiver，DMDL)框架，该框架融合密集连接卷积网络和残差网络，解决网络训练中的梯度爆炸，延缓特征消失的问题；通过卷积网络自动提取IQ数据信号序列特征，利用多维度卷积核提取分析不同特征，丰富特征维度；DMDL深度神经网络实现有导频、无导频自适应的信号盲接收。仿真实验表明，DMDL接收机在高斯白噪声信道多种调制下的性能优于最小二乘(Least Squares，LS)接收机；其在瑞利信道上的性能在优于LS接收机的基础上，接近理想信道。实验证明本发明能高效恢复信息，具有强抗干扰性能、稳定的鲁棒性和识别输入信号的泛化迁移能力。
实现本发明目的的技术方案是：
一种双通道混合深度神经网络OFDM无线通信盲接收方法，包括如下步骤：
1)构建OFDM系统，OFDM系统包括符号调制、导频插入、IDFT、并串转换、循环前缀插入、仿真衰落信道、去除循环前缀、串并转换、FFT、信道估计、信道均衡以及信号解调；
2)建立样本数据集：样本数据集包括对二进制数据输入OFDM系统进行OFDM调制及经过信道衰落后得到的IQ复数信号，以及对应的原始二进制数据比特标签；
3)从样本数据集划分出训练集、验证集和测试集；
4)构造盲OFDM接收器双路径混合深度学习DMDL神经网络框架，利用样本数据集的训练集和验证集训练并验证DMDL神经网络框架，得到训练好的DMDL神经网络框架；
所述的DMDL神经网络框架，由Matlab2020深度学习工具箱搭建，其搭建方法包括如下步骤：
4-1)首先采用多维度卷积方法提取IQ数据样本特征；
4-2)提取的特征通过DMDL模型上下分支，上分支包含四个级联ResNet单元；下分支包含四个级联DenseNet单元；
4-3)通过一层卷积核数为m、卷积核张量为k×l的卷积层提取多样特征，复制多份输入到n-1个批量标准化(batch normalization，BN)层中，每个BN层后串联一个卷积核数为m、卷积核张量为k×l的卷积层，利用add操作执行n-1个卷积层输出相加，构成ResNet单元；
4-4)间隔串联n个卷积核数为m、卷积核张量为k×l的卷积层和n个BN层，利用跳跃连接将第1至第n-1个卷积层的输出连接到第n个卷积层输入中，通过Concatenate操作执行多个卷积层输出通道合并，构成DenseNet单元；
4-5)DMDL模型上分支包含ResNet1、ResNet2、ResNet3、ResNet4单元，ResNet1～ResNet4单元分别包含3、4、5和4个卷积CNN模块，CNN神经元数量分别为128、64、64和64，通过卷积网络提取IQ数据信号序列特征，抑制特征消失，ResNet网络单元示意图如图4(a)所示；
4-6)DMDL模型下分支包含DenseNet1、DenseNet2、DenseNet3、DenseNet4单元，DenseNet1～DenseNet4单元各包含3、4、5和4个CNN模块，CNN神经元数量分别为128、64、64和64，利用多维度卷积核分析提取不同特征，丰富特征维度，解决网络训练中的梯度爆炸，DenseNet网络单元示意图如图4(b)所示，神经网络节点参数设置如下表2所示；
4-7)将ResNet1～ResNet4网络单元级联，DenseNet1～DenseNet4网络单元级联，级联后特征并联输出至K个二元分类器，K值如表3所示；每分类器输出一位比特，所有二元分类器输出位的连接作为网络模型的输出；
所述的训练并验证DMDL神经网络框架，是在GPU加速模式下训练测试，利用Adam优化算法训练模型；网络模型初始学习率大小为0.001，小批量大小为256，网络输入80×1×64，学习率衰减因子0.1，验证频率为1000次；网络超参数设置如表4所示；网络模型损失函数定义为：
其中cimp是当第i个样本作为输入时第m个分类器在第p个类别上的输出概率，dimk是第i个样本的第m位对应的第p个真标签；当调制方式为BPSK、QPSK、8QAM、16QAM时，对应P取值分别为2、4、8、16；
5)输出预测结果：将样本数据集的测试集输入到训练好的DMDL神经网络框架中，DMDL神经网络框架输出预测结果，即完成信号的盲接收；DMDL盲接收器框架如图3所示；输出预测比特信息，与输入OFDM系统中的原始二进制数据对比测算误码率；
6)进行仿真实验，以训练表现、接收性能为评价指标对模型的精度进行评价，通过在不同信道环境的接收精度对模型的鲁棒性进行评价。
步骤1)中，所述OFDM系统，该系统生成包含循环前缀的OFDM信号，包括OFDM信号对应的采样信号实部和虚部，具体包括如下流程：
1-1)随机产生基带信号序列b，输入到调制模块后插入导频和保护频带，传输的信息流在发送端进行串并转换，通过离散傅立叶逆变换将信号从频域转换成时域，最后将循环前缀插入帧头；
1-2)符号调制包括BPSK、QPSK、8QAM、16QAM调制方式；
1-3)导频插入方式分为有导频插入方式或无导频插入方式，有导频插入方式的导频符号根据间隔距离跨子载波信号分布，间隔适度均匀，节约时频资源块资源，提升接收信号准确性；无导频插入方式导频长度为0，导频符号不占用频带，数据传输效率达到最大；
1-4)每OFDM帧包括8个OFDM符号，64个子载波，共512个时频资源块；其中，数据符号占据368个时频资源块，上下保护频带各占据4个子载波，64个时频资源块；空子载波占据第31、32子载波，16个时频资源块；导频以距离为7个时频资源块距离分散插入OFDM帧，占据64个时频资源块；循环前缀长度为16；
1-5)仿真衰落信道包括高斯白噪声信道、瑞利衰落信道、不同多普勒频移的瑞利衰落信道。
步骤2)中，所述样本数据集，包括二进制基带信号经过独热编码预处理、OFDM调制及经过信道衰落后得到的IQ信号；该样本数据集包括不同信噪比的IQ样本、不同信道的IQ样本和不同信道参数下的IQ样本。
步骤3)中，训练集、验证集和测试集的IQ样本数量分别为180万、18万和170万，测试集中数据为了测试神经网络泛化性能，收集了区别于训练集IQ样本的不同信噪比样本，数据集设置如表1所示。
有益效果：本发明提供的一种双通道混合深度神经网络OFDM无线通信盲接收方法，通过融合DenseNet和ResNet构造一种DMDL接收机模型，旨在解决网络训练中的梯度爆炸，延缓特征消失，实现无导频信号盲接收方法；仿真实验表明，在AWGN信道上，DMDL接收机模型比传统接收机的误码率性能提高1dB；在瑞利衰落信道上，DMDL接收器比传统接收器误码率性能提高1dB至2dB；该方法能高效恢复信息，具有强抗干扰性能和稳定的鲁棒性。
附图说明
图1为OFDM通信系统物理层框架图；
图2为DMDL网络结构图；
图3为DMDL盲接收器框架图；
图4为DenseNet网络单元及ResNet网络单元结构图；
图5为不同初始学习率的瑞利信道DMDL接收器BER曲线图；
图6为瑞利信道上使用8个符号训练DMDL接收器的RMSE和Loss图；
图7为AWGN信道的DMDL接收机BER曲线图；
图8为瑞利信道的DMDL接收机BER曲线图；
图9为无CP条件下瑞利信道DMDL接收机BER曲线图；
图10为恢复不同符号瑞利信道DMDL接收机的误码率曲线图；
图11为瑞利信道不同频偏下DMDL接收机的BER曲线图；
图12为瑞利信道DMDL接收器与FC-DNN的BER曲线图；
图13为瑞利信道无导频的DMDL接收机BER曲线图。
具体实施方式
下面结合附图和实施例对本发明内容做进一步阐述，但不是对本发明的限定；
实施例：
假设一个陆地信号接收场景，以陆地通信基站为接收端，发送信号天线为发射端，如图2所示，发射端信号经过信道编码、信号调制、导频插入和循环前缀插入模块后通过天线发射到空气中，发射信号为X＝{x1,x2,...,xn}，接收信号为Y＝{y1,y2,...,yn}，接收信号与发射信号之间的关系为Y＝h×X+N，其中h表示频率响应，N表示噪声影响；接收端DMDL神经网络代替传统接收模块接收信号Y，将信号Y还原成信息比特流，与输入OFDM系统中的原始二进制数据对比测算误码率；
本实施例中的实验均采用Matlab2020深度学习框架，训练设备分别配备Intel(R)Core(TM)i7-9700F CPU，32GB RAM，NVIDIA GeForce RTX 2070(设备A)和Intel(R)Xeon(R)Gold 6230 CPU，256GB RAM，NVIDIA Quadro RTX 8000(设备B)。在训练过程中，batchsize设置为256，初始学习率设为0.001，引入学习率衰减策略，每经过3个epoch学习率乘以0.1的衰减因子；优化器选用Adam；训练集、验证集和测试集IQ样本数量分别为180万、18万和170万；
在该环境和实验设置下，针对不同环境下的信道衰落和噪声干扰，提出了一种盲OFDM接收器双路径混合深度学习(DMDL)框架，该框架融合密集连接卷积网络(DenselyConnected Convolutional Networks，DenseNets)和残差网络(Residual Networks，ResNets)，解决网络训练中的梯度爆炸，延缓特征消失，实现无导频信号盲接收方法。
本实施例涉及一种双通道混合深度神经网络OFDM无线通信盲接收方法，包括以下步骤：
1)构建OFDM系统，OFDM系统包括符号调制、导频插入、IDFT、并串转换、循环前缀插入、仿真衰落信道、去除循环前缀、串并转换、FFT、信道估计、信道均衡以及信号解调，OFDM通信系统物理层框架如图1所示；
所述OFDM系统，该系统生成包含循环前缀的OFDM信号，包括OFDM信号对应的采样信号实部和虚部，具体包括如下流程：
1-1)随机产生基带信号序列b，输入到调制模块后插入导频和保护频带，传输的信息流在发送端进行串并转换，通过离散傅立叶逆变换将信号从频域转换成时域，最后将循环前缀插入帧头；
1-2)符号调制包括BPSK、QPSK、8QAM、16QAM调制方式；
1-3)导频插入方式分为有导频插入方式或无导频插入方式，有导频插入方式的导频符号根据间隔距离跨子载波信号分布，间隔适度均匀，节约时频资源块资源，提升接收信号准确性；无导频插入方式导频长度为0，导频符号不占用频带，数据传输效率达到最大；
1-4)每OFDM帧包括8个OFDM符号，64个子载波，共512个时频资源块；其中，数据符号占据368个时频资源块，上下保护频带各占据4个子载波，64个时频资源块；空子载波占据第31、32子载波，16个时频资源块；导频以距离为7个时频资源块距离分散插入OFDM帧，占据64个时频资源块；循环前缀长度为16；
1-5)仿真衰落信道包括高斯白噪声信道、瑞利衰落信道、不同多普勒频移的瑞利衰落信道。
2)建立样本数据集：样本数据集包括对二进制基带信号经过独热编码预处理、OFDM调制及经过信道衰落后得到的IQ信号，以及对应的原始二进制数据比特标签；包括不同信噪比的IQ样本、不同信道的IQ样本和不同信道参数下的IQ样本；
3)从样本数据集划分出训练集、验证集和测试集；训练集、验证集和测试集的IQ样本数量分别为180万、18万和170万，测试集中数据为了测试神经网络泛化性能，收集了区别于训练集IQ样本的不同信噪比样本，数据集设置如表1所示。
4)构造盲OFDM接收器双路径混合深度学习DMDL神经网络框架，利用样本数据集的训练集和验证集训练并验证DMDL神经网络框架，得到训练好的DMDL神经网络框架，网络结构如图2所示；
所述的DMDL神经网络框架，由Matlab2020深度学习工具箱搭建，其搭建方法包括如下步骤：
4-1)首先采用多维度卷积方法提取IQ数据样本特征；
4-2)提取的特征通过DMDL模型上下分支，上分支包含四个级联ResNet单元；下分支包含四个级联DenseNet单元；
4-3)通过一层卷积核数为m、卷积核张量为k×l的卷积层提取多样特征，复制多份输入到n-1个批量标准化(batch normalization，BN)层中，每个BN层后串联一个卷积核数为m、卷积核张量为k×l的卷积层，利用add操作执行n-1个卷积层输出相加，构成ResNet单元；
4-4)间隔串联n个卷积核数为m、卷积核张量为k×l的卷积层和n个BN层，利用跳跃连接将第1至第n-1个卷积层的输出连接到第n个卷积层输入中，通过Concatenate操作执行多个卷积层输出通道合并，构成DenseNet单元；
4-5)DMDL模型上分支包含ResNet1、ResNet2、ResNet3、ResNet4单元，ResNet1～ResNet4单元分别包含3、4、5、4个卷积CNN模块，CNN神经元数量分别为128、64、64和64，通过卷积网络提取IQ数据信号序列特征，抑制特征消失，ResNet网络单元示意图如图4(a)所示；
4-6)DMDL模型下分支包含DenseNet1、DenseNet2、DenseNet3、DenseNet4单元，DenseNet1～DenseNet4单元各包含3、4、5和4个CNN模块，CNN神经元数量分别为128、64、64和64，利用多维度卷积核分析提取不同特征，丰富特征维度，解决网络训练中的梯度爆炸，DenseNet网络单元示意图如图4(b)所示，神经网络节点参数设置如下表2所示；
4-7)将ResNet1～ResNet4网络单元级联，DenseNet1～DenseNet4网络单元级联，级联后特征并联输出至K个二元分类器，K值如表3所示；每分类器输出一位比特，所有二元分类器输出位的连接作为网络模型的输出；
所述的训练并验证DMDL神经网络框架，是在GPU加速模式下训练测试，利用Adam优化算法训练模型；网络模型初始学习率大小为0.001，小批量大小为256，网络输入80×1×64，学习率衰减因子0.1，验证频率为1000次；网络超参数设置如表4所示；网络模型损失函数定义为：
其中cimp是当第i个样本作为输入时第m个分类器在第p个类别上的输出概率，dimk是第i个样本的第m位对应的第p个真标签；当调制方式为BPSK、QPSK、8QAM、16QAM时，对应P取值分别为2、4、8、16；
5)输出预测结果：将样本数据集的测试集输入到训练好的DMDL神经网络框架中，DMDL神经网络框架输出预测结果，即完成信号的盲接收；DMDL盲接收器框架如图3所示；输出预测比特信息，与输入OFDM系统中的原始二进制数据对比测算误码率；
6)进行仿真实验，以训练表现、接收性能为评价指标对模型的精度进行评价，通过在不同信道环境的接收精度对模型的鲁棒性进行评价。
为评估DMDL的测试性能，将其与传统接收机算法LS进行对比，结合训练过程和测试过程，从模型训练表现和多场景信号接收精准度等角度进行对比分析，实验效果如下：
6-1)训练效果
学习率作为深度学习中重要的超参数之一，其决定着目标函数能否收敛到局部最小值以及何时收敛到最小值；面对网络训练超参数学习率选取问题，选择学习率0.001作为实验组，初始学习率0.1、0.001和0.0001作为对照组，实验结果如图5所示；从图表中发现，当初始学习率为0.001时模型误码率曲线最低，在此学习率下充分体现了其模型性能潜力；
面临网络训练过程中出现的欠拟合、过拟合等问题，引入训练完成的模型均方根误差指标，评估模型接收准确度；表5表示了当训练和验证I/Q数据样本数分别为180万和18万时，使用BPSK调制方式的DMDL接收机的模型性能，8次重复实验的平均RMSE为2.1231，表明DMDL接收机性能稳定；训练迭代过程中RMSE及Loss指标变化如图6所示；
6-2)测试效果
a.AWGN信道
图7比较了在高斯白噪声信道上DMDL接收机和基于LS传统接收机的性能，性能提升了0.5～1.7dB，明显优于LS接收机。在BPSK调制方式下，DMDL接收机随着信道条件的改善，与传统接收机的误码率差逐渐缩小，接近理想信道估计情况。
b.瑞利信道
OFDM系统信号在多径传播的环境中因受瑞利衰落的影响会造成突发误码，实验结果如图8所示。实验表明DMDL接收器性能在多径信道下优于传统LS方法，在QPSK、8QAM和16QAM调制方式下，DMDL接收机的BER曲线接近理想信道估计的BER曲线，而BPSK调制方式的DMDL接收机的BER曲线与理想的信道估计有一定的差距，从性能结果分析，深度学习更适合复杂的调制方式。
c.无循环前缀
当多径衰落信道的最大信道脉冲响应长度不超过循环前缀时，循环前缀能有效抵抗符号间干扰和载波干扰，但循环前缀的长度缩短时会直接影响传统信道估计和均衡方案，造成严重的性能衰减。在瑞利信道上测试DMDL接收器，信道延迟为100微秒。DMDL接收器的无循环前缀实验结果如图9所示。在无循环前缀时，传统接收器的性能严重下降，无法执行恢复信息比特流能力，而无循环前缀的DMDL接收器的性能对比传统方法提升明显。
d.恢复不同调制符号
图10中显示了网络模型恢复不同调制符号实验结果，当恢复符号数增加时，时间和空间开销减少，性能略有下降，恢复信息流的准确性无法得到保证。表6-8表示了SNR＝0dB、4dB、8dB时DMDL接收器恢复不同符号的性能，恢复1、4、8、16和32个符号时，误码率性能相差不大。从图10可以看出，恢复46符号与其他符号实验结果之间存在一定差距，当信噪比增加时，误码率之间的误差缩小。
e.频率偏差影响
常见的通信系统中，发射机和接收机之间存在相对运动导致多普勒频移现象出现，实验结果如图11所示。BPSK、QPSK、8QAM和16QAM调制方式中，DMDL接收器对比传统OFDM接收器性能提升明显，证明它在一定程度上可以克服对抗载频偏差的影响。
f.对比FC-DNN网络模型
FC-DNN是基于深度学习的OFDM接收器，是深度学习和OFDM系统的首次结合尝试。图12显示FC-DNN和DMDL模型接收性能对比，在相同条件下，DMDL性能比FC-DNN提升0.5dB至1dB。
g.导频的影响
信道估计和信道均衡作为接收OFDM信号的必要步骤，导频辅助的信道估计和信道均衡依赖导频平复信道衰落的影响，因此导频在OFDM系统占有重要地位。DMDL盲接收器支持接收无导频信号，提升频带利用率，具有高泛化性能。图13表示了无导频的DMDL接收机性能，实验结果证明无导频的深度学习接收机可靠、可实现。
表1 数据集设置表
表2 DMDL网络的重要节点表
表3 DMDL接收机二分类器数量表
表4 DMDL网络超参数设置表
表5 模型误差表
表6 SNR＝0dB时DMDL恢复不同符号BER比较
表7 SNR＝4dB时DMDL恢复不同符号BER比较
表8 SNR＝8dB时DMDL恢复不同符号BER比较
Claims (4)
1.一种双通道混合深度神经网络OFDM无线通信盲接收方法，其特征在于，包括如下步骤：
1)构建OFDM系统，OFDM系统包括符号调制、导频插入、IDFT、并串转换、循环前缀插入、仿真衰落信道、去除循环前缀、串并转换、FFT、信道估计、信道均衡以及信号解调；
2)建立样本数据集：样本数据集包括对二进制数据输入OFDM系统进行OFDM调制及经过信道衰落后得到的IQ复数信号，以及对应的原始二进制数据比特标签；
3)从样本数据集划分出训练集、验证集和测试集；
4)构造盲OFDM接收器双路径混合深度学习DMDL神经网络框架，利用样本数据集的训练集和验证集训练并验证DMDL神经网络框架，得到训练好的DMDL神经网络框架；
所述的DMDL神经网络框架，由Matlab2020深度学习工具箱搭建，其搭建方法包括如下步骤：
4-1)首先采用多维度卷积方法提取IQ数据样本特征；
4-2)提取的特征通过DMDL模型上下分支，上分支包含四个级联ResNet单元；下分支包含四个级联DenseNet单元；
4-3)通过一层卷积核数为m、卷积核张量为k×l的卷积层提取多样特征，复制多份输入到n-1个批量标准化BN层中，每个BN层后串联一个卷积核数为m、卷积核张量为k×l的卷积层，利用add操作执行n-1个卷积层输出相加，构成ResNet单元；
4-4)间隔串联n个卷积核数为m、卷积核张量为k×l的卷积层和n个BN层，利用跳跃连接将第1至第n-1个卷积层的输出连接到第n个卷积层输入中，通过Concatenate操作执行多个卷积层输出通道合并，构成DenseNet单元；
4-5)DMDL模型上分支包含ResNet1、ResNet2、ResNet3、ResNet4单元，ResNet1～ResNet4单元分别包含3、4、5和4个卷积CNN模块，CNN神经元数量分别为128、64、64和64，通过卷积网络提取IQ数据信号序列特征，抑制特征消失；
4-6)DMDL模型下分支包含DenseNet1、DenseNet2、DenseNet3、DenseNet4单元，DenseNet1～DenseNet4单元各包含3、4、5和4个CNN模块，CNN神经元数量分别为128、64、64和64，利用多维度卷积核分析提取不同特征，丰富特征维度，解决网络训练中的梯度爆炸；
4-7)将ResNet1～ResNet4网络单元级联，DenseNet1～DenseNet4网络单元级联，级联后特征并联输出至K个二元分类器；每分类器输出一位比特，所有二元分类器输出位的连接作为网络模型的输出；
所述的训练并验证DMDL神经网络框架，是在GPU加速模式下训练测试，利用Adam优化算法训练模型；网络模型初始学习率大小为0.001，小批量大小为256，网络输入80×1×64，学习率衰减因子0.1，验证频率为1000次；网络超参数设置如表4所示；网络模型损失函数定义为：
其中cimp是当第i个样本作为输入时第m个分类器在第p个类别上的输出概率，dimk是第i个样本的第m位对应的第p个真标签；当调制方式为BPSK、QPSK、8QAM、16QAM时，对应P取值分别为2、4、8、16；
5)输出预测结果：将样本数据集的测试集输入到训练好的DMDL神经网络框架中，DMDL神经网络框架输出预测结果，即完成信号的盲接收；输出预测比特信息，与输入OFDM系统中的原始二进制数据对比测算误码率；
6)进行仿真实验，以训练表现、接收性能为评价指标对模型的精度进行评价，通过在不同信道环境的接收精度对模型的鲁棒性进行评价。
2.根据权利要求1所述的一种双通道混合深度神经网络OFDM无线通信盲接收方法，其特征在于，步骤1)中，所述OFDM系统，该系统生成包含循环前缀的OFDM信号，包括OFDM信号对应的采样信号实部和虚部，具体包括如下流程：
1-1)随机产生基带信号序列b，输入到调制模块后插入导频和保护频带，传输的信息流在发送端进行串并转换，通过离散傅立叶逆变换将信号从频域转换成时域，最后将循环前缀插入帧头；
1-2)符号调制包括BPSK、QPSK、8QAM、16QAM调制方式；
1-3)导频插入方式分为有导频插入方式或无导频插入方式，有导频插入方式的导频符号根据间隔距离跨子载波信号分布，间隔适度均匀，节约时频资源块资源，提升接收信号准确性；无导频插入方式导频长度为0，导频符号不占用频带，数据传输效率达到最大；
1-4)每OFDM帧包括8个OFDM符号，64个子载波，共512个时频资源块；其中，数据符号占据368个时频资源块，上下保护频带各占据4个子载波，64个时频资源块；空子载波占据第31、32子载波，16个时频资源块；导频以距离为7个时频资源块距离分散插入OFDM帧，占据64个时频资源块；循环前缀长度为16；
1-5)仿真衰落信道包括高斯白噪声信道、瑞利衰落信道、不同多普勒频移的瑞利衰落信道。
3.根据权利要求1所述的一种双通道混合深度神经网络OFDM无线通信盲接收方法，其特征在于，步骤2)中，所述样本数据集，包括二进制基带信号经过独热编码预处理、OFDM调制及经过信道衰落后得到的IQ信号；该样本数据集包括不同信噪比的IQ样本、不同信道的IQ样本和不同信道参数下的IQ样本。
4.根据权利要求1所述的一种双通道混合深度神经网络OFDM无线通信盲接收方法，其特征在于，步骤3)中，训练集、验证集和测试集的IQ样本数量分别为180万、18万和170万。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111220619.XA CN113965440A (zh) | 2021-10-20 | 2021-10-20 | 一种双通道混合深度神经网络ofdm无线通信盲接收方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111220619.XA CN113965440A (zh) | 2021-10-20 | 2021-10-20 | 一种双通道混合深度神经网络ofdm无线通信盲接收方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113965440A true CN113965440A (zh) | 2022-01-21 |
Family
ID=79465618
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111220619.XA Withdrawn CN113965440A (zh) | 2021-10-20 | 2021-10-20 | 一种双通道混合深度神经网络ofdm无线通信盲接收方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113965440A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114679363A (zh) * | 2022-04-11 | 2022-06-28 | 浙江工业大学 | 人工智能辅助ofdm接收机的离线学习方法 |
| CN114697183A (zh) * | 2022-03-31 | 2022-07-01 | 中国人民解放军国防科技大学 | 一种基于深度学习的信道同步方法 |
| CN114745230A (zh) * | 2022-03-10 | 2022-07-12 | 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 |
| 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 |
| CN115086134A (zh) * | 2022-04-29 | 2022-09-20 | 深圳市国电科技通信有限公司 | 通信方法、发送设备、接收设备、通信系统和存储介质 |
| CN116055273A (zh) * | 2023-01-19 | 2023-05-02 | 浙江工业大学 | 一种神经网络级联的qpsk接收机及其辅助模型训练方法 |
| CN116155392A (zh) * | 2023-04-13 | 2023-05-23 | 成都信息工程大学 | 一种双路qpsk信号的单探测器直接检测方法 |
| CN116599800A (zh) * | 2023-05-30 | 2023-08-15 | 北京航空航天大学 | 一种基于深度卷积网络的ofdm信道估计方法 |
-
2021
- 2021-10-20 CN CN202111220619.XA patent/CN113965440A/zh not_active Withdrawn
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114745230A (zh) * | 2022-03-10 | 2022-07-12 | 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 |
| 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 |
| CN114697183A (zh) * | 2022-03-31 | 2022-07-01 | 中国人民解放军国防科技大学 | 一种基于深度学习的信道同步方法 |
| CN114697183B (zh) * | 2022-03-31 | 2023-11-17 | 中国人民解放军国防科技大学 | 一种基于深度学习的信道同步方法 |
| CN114679363A (zh) * | 2022-04-11 | 2022-06-28 | 浙江工业大学 | 人工智能辅助ofdm接收机的离线学习方法 |
| CN115086134A (zh) * | 2022-04-29 | 2022-09-20 | 深圳市国电科技通信有限公司 | 通信方法、发送设备、接收设备、通信系统和存储介质 |
| CN115086134B (zh) * | 2022-04-29 | 2024-01-26 | 深圳市国电科技通信有限公司 | 通信方法、发送设备、接收设备、通信系统和存储介质 |
| 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 |
| CN116055273A (zh) * | 2023-01-19 | 2023-05-02 | 浙江工业大学 | 一种神经网络级联的qpsk接收机及其辅助模型训练方法 |
| CN116155392A (zh) * | 2023-04-13 | 2023-05-23 | 成都信息工程大学 | 一种双路qpsk信号的单探测器直接检测方法 |
| CN116599800A (zh) * | 2023-05-30 | 2023-08-15 | 北京航空航天大学 | 一种基于深度卷积网络的ofdm信道估计方法 |
| CN116599800B (zh) * | 2023-05-30 | 2023-09-26 | 北京航空航天大学 | 一种基于深度卷积网络的ofdm信道估计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113965440A (zh) | 一种双通道混合深度神经网络ofdm无线通信盲接收方法 | |
| Ye et al. | Power of deep learning for channel estimation and signal detection in OFDM systems | |
| Xu et al. | Deep learning for over-the-air non-orthogonal signal classification | |
| CN104506475B (zh) | 一种基于数据域的频偏估计校正方法及系统 | |
| US6990153B1 (en) | Method and apparatus for semi-blind communication channel estimation | |
| CN114745230B (zh) | 基于深度神经网络结构的otfs信号接收恢复方法 | |
| CN111865863B (zh) | 一种基于rnn神经网络的ofdm信号检测方法 | |
| CN102035767A (zh) | 信道估计方法和装置 | |
| CN104767587A (zh) | 基于ofdm系统下联合信道编译码的压缩感知信道估计方法 | |
| Qing et al. | Joint model and data-driven receiver design for data-dependent superimposed training scheme with imperfect hardware | |
| CN108650005B (zh) | 一种用于mimo-fbmc/oqam系统中的导频结构以及信道估计方法 | |
| CN111131108B (zh) | 一种非合作水声ofdm子载波调制方式识别方法 | |
| CN103297376B (zh) | 一种ofdm系统的符号同步方法 | |
| CN113971430A (zh) | 信号检测及模型训练方法、装置、设备及存储介质 | |
| CN103179059A (zh) | 子载波干扰ici消除方法及装置 | |
| 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 | |
| CN103139111B (zh) | 一种ofdm系统中的低复杂度信号检测方法和设备 | |
| CN112636855A (zh) | 一种ofdm信号检测方法 | |
| Liu et al. | RecNet: Deep learning-based OFDM receiver with semi-blind channel estimation | |
| CN101958866A (zh) | 导频插入方法和导频插入模块 | |
| CN107483376A (zh) | 一种用于mimo‑ofdm系统的信号检测方法 | |
| CN103067144B (zh) | 一种迭代接收方法和设备 | |
| CN111628953B (zh) | 降低ofdm信号峰均比值的方法 | |
| CN104468426A (zh) | Lte上行信道估计方法及系统 | |
| Dammann | On antenna diversity techniques for OFDM systems |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220121 |