CN114465853B - 一种基于神经网络的多符号非相干检测方法 - Google Patents
一种基于神经网络的多符号非相干检测方法 Download PDFInfo
- Publication number
- CN114465853B CN114465853B CN202210272782.9A CN202210272782A CN114465853B CN 114465853 B CN114465853 B CN 114465853B CN 202210272782 A CN202210272782 A CN 202210272782A CN 114465853 B CN114465853 B CN 114465853B
- Authority
- CN
- China
- Prior art keywords
- neural network
- sequence
- bit
- symbol
- information
- 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
- 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
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
- H04L1/0045—Arrangements at the receiver end
- H04L1/0047—Decoding adapted to other signal detection operation
- H04L1/0048—Decoding adapted to other signal detection operation in conjunction with detection of multiuser or interfering signals, e.g. iteration between CDMA or MIMO detector and FEC decoder
-
- 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
- H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
- H04L1/0045—Arrangements at the receiver end
- H04L1/0054—Maximum-likelihood or sequential decoding, e.g. Viterbi, Fano, ZJ 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
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03178—Arrangements involving sequence estimation techniques
- H04L25/03331—Arrangements for the joint estimation of multiple sequences
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Neurology (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
- Error Detection And Correction (AREA)
Abstract
一种基于神经网络的多符号非相干检测方法,包括:步骤1、发送方使用LDPC编码信息序列后发送,接收方接收通过AWGN信道传输的发送信息序列;步骤2、接收方将接收序列输入神经网络中得到该接收序列的比特对数似然比;步骤3、接收方利用步骤2得出的比特对数似然比对发送序列进行译码得到信息。本发明在检测性能和资源消耗之间达到了更好的平衡匹配。
Description
技术领域
本发明涉及通信技术领域,具体的说是一种基于神经网络的多符号非相干检测方法。
背景技术
高速无线多媒体网络IEEE 802.15.3标准作为一种高速无线接入技术能够在较短的10米覆盖范围内为电子设备提供低功耗,低成本的高速无线数据传输。IEEE 802.15.3标准标准中给出的正交振幅调制(Quadrature Amplitude Modulation,QAM)和低密度奇偶校验(Low Density Parity Check,LDPC)码方案可以从根本上保证数据传输的高可靠性和高实时性。非相干检测无需载波获取和跟踪,且在信噪比较低时不存相位模糊现象。因此,基于IEEE802.15.3标准标准中LDPC编码的QAM信号,研究非相干检测方法,对无线多媒体网络物理层数据可靠传输具有重要理论意义和应用价值。
IEEE 802.15.3协议规定的毫米频段单载波物理层中,LDPC编码QAM信号的传统非相干检测方法需要从接收信号中提取对数似然比(Log-likelihood Ratio,LLR)用于译码。传统基于最大似然准则得出的最佳LLR中包含指数、对数和第一类零阶修正的贝塞尔函数等复杂数学运算,且此计算复杂度与观测区间长度呈指数级增长关系。此外,传统最佳LLR计算方法还需完美估计信道状态信息(Channel State Information,CSI),即加性高斯白噪声(Additive White Gaussian Noise,AWGN)的方差。一旦方差估计不准确,将极大降低检测性能,即传统方法对CSI的鲁棒性不足。
发明内容
为了解决现有技术中的上述不足,本发明提供一种基于神经网络的多符号非相干检测方法。在保证接收机性能的前提下,重点减低LLR的实现复杂度,进而降低接收机的实现复杂度,且具有强鲁棒性。
为了实现上述目的,本发明采用的具体方案为:一种基于神经网络的多符号非相干检测方法,其特征在于:包括如下步骤:
步骤1、发送方使用LDPC编码信息序列后发送,接收方接收经AWGN信道传输的发送信息序列;
步骤2、接收方将接收序列输入神经网络中得到该接收序列的比特对数似然比;
步骤3、接收方利用比特对数似然比对发送序列进行译码得到信息。
作为一种优选方案,所述步骤1的具体方法为:
步骤1.1、在发射端,LDPC码编码器将K位信息序列X=(x1,x2,…,xK)映射为N位码字C=(c1,c2,…,cN)输出;
步骤1.2、使用IEEE 802.15.3协议毫米频段单载波物理层规定的扩频方式将C扩频为其中,/>中每个符号/>包含64个码片;
步骤1.3、对经16QAM调制后得到复数形式码片序列S=(s1,s2,…,sN)后在AWGN信道传输,输出序列为Z=(z1,z2,…,zN),si和zi都包含16个复数元素;在第m个比特区间内接收的离散复基带信号为/>sm是第m个复数形式传输码片序列,θm是信道传输引入的随机相位偏移向量,并假设其每个元素在区间(-π,π)内服从均匀分布,/>表示θm对复数形式发送码片序列sm在相位上造成的偏移影响,nm为信道噪声向量,因此,θm={θm,1,θm,2,…,θm,16},nm={nm,1,nm,2,…,nm,16},sm={sm,1,sm,2,…,sm,16},zm={zm,1,zm,2,…,zm,16};
步骤1.4、θm,k=θ,则第k个接收符号在第m个比特区间内可表示为zm,k=sm,kejθ+nm,k。
作为一种优选方案,所述步骤2的具体方法为:
步骤2.1、构建前馈反向传播神经网络
前馈反向传播神经网络为三层神经网络,将每个比特周期接收序列zm={zm,1,zm,2,…,zm,16}分为实部虚部两部分作为神经网络输入层的输入,隐藏层神经元的输出为隐藏层的输出Y即输出层的输入,通过再一次进行非线性运算得到输出层输出为/>其中,D=[Re(zm)Im(zm)]为神经网络的输入矩阵,/>为每个比特周期接收序列zm对应的比特LLR信息,/>和/>分别为隐藏层神经元、输出层神经元的权重矩阵,b和β分别为隐藏层神经元、输出层神经元的偏置矩阵,f(·)为激活函数,隐藏层神经元和输出层神经元都由双曲正切激活函数/>实现;
步骤2.2、构建神经网络训练集
首先,量化随机相位空间(Quantizing Random Phase Space,QRPS),对信道传输引入的随机相位空间进行均匀量化,当量化阶数为M时的第d个量化区间为
其次,利用量化后的随机相位空间来建模信道传输引入的相位偏移,生成接收方样本信号,接收方利用接收的样本信号和传统Log-MAP算法生成LLR值,将此LLR值和利用量化后的随机相位空间生成的样本信号一起构成训练集;
步骤2.3、训练神经网络
利用步骤2.2构成的训练集,对步骤2.1构建的前馈反向传播神经网络进行有监督训练,用于估计比特LLR值。
步骤2.4、生成译码所需的LLR值
将每个比特周期接收序列zm={zm,1,zm,2,…,zm,16}分为实部虚部两部分输入步骤2.3中训练完成的前馈反向传播神经网络,经神经网络处理后即可得到接收序列zm的比特LLR信息。
作为一种优选方案,所述步骤3的具体方法包括:
步骤3.1、将步骤2中得出的比特LLR信息输入LDPC码的译码器进行译码得出比特信息X。
有益效果:
1、本发明采用神经网络代替传统比特LLR值计算模块,既能获得良好的性能增益,又能降低计算复杂度。经分析可得,基于神经网络的非相干检测接收机的复杂度大大减低。由于不需要对CSI进行估计,因此对CSI也具有较强鲁棒性。
2、本发明在对神经网络进行训练时,我们对信道传输引入的随机相位偏移进行如图4所示均匀量化,从而有效地采样了神经网络训练集。经分析可得,该方法在提高训练速率的同时也保证了神经网络模型预测的准确性,最终获得了良好的检测性能。
附图说明
图1是基于神经网络的非相干检测模型示意图;
图2是IEEE 802.15.3协议规定的毫米频段单载波物理层数据扩频方式图;
图3是接收机信号观测区间长度为1比特时的神经网络模型图;
图4是当量化阶数为8时,随机相位空间量化结果图;
图5是IEEE 802.15.3协议规定的毫米频段单载波物理层中,观测区间长度为1比特,发送端采用QAM信号时,接收端在本专利提出的多符号相干检测方法与传统多符号非相干检测方法下的BER性能比较,本专利提出的量化方法构建的训练集训练的神经网络与直接构建训练集训练的神经网络的非相干检测的BER性能比较;
图6是IEEE 802.15.3协议规定的毫米频段单载波物理层中,观测区间长度为1比特,发送端采用LDPC编码QAM信号时,接收端在本专利提出的多符号非相干检测方法与传统多符号非相干检测方法下的BER性能比较图;
图7是IEEE 802.15.3协议规定的毫米频段单载波物理层中,观测区间长度为1比特,发送端采用LDPC编码QAM信号时,接收端在本专利提出的多符号非相干检测方法与传统多符号非相干检测方法下的FER性能比较图;
图8是IEEE 802.15.3协议规定的毫米频段单载波物理层进行扩频时使用的长度为64的格雷序列图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,图1是本发明的模型示意图。
一种基于神经网络的多符号非相干检测方法,包括步骤1至3。
步骤1、发送方使用LDPC编码信息序列后发送,接收方接收通过AWGN信道传输的发送信息序列。
步骤1.1、在发射端,LDPC码编码器将K个比特信息X=(x1,x2,…,xK)映射为N位码字C=(c1,c2,…,cN)输出。
步骤1.2、如图2所示,使用IEEE 802.15.3协议毫米频段单载波物理层规定的扩频方式,根据图2每符号周期生成的伪随机序列的值对应图7中的格雷序列将C扩频为其中,/>中每个符号/>包含64个码片。
步骤1.3、对经16QAM调制后得到复数形式码片序列S=(s1,s2,…,sN)后在AWGN信道传输,输出序列为Z=(z1,z2,…,zN),这里si和zi都包含16个复数元素。特别地,在第m个比特区间内接收的离散复基带信号为/>sm是第m个复数形式的发送码片序列,θm是信道传输引入的随机相位偏移向量,每个元素在(-π,π)内服从均匀分布,/>用于表示θm对复数形式发送码片序列sm在相位上造成的偏移影响,nm为信道噪声向量。具体而言,θm={θ,m1θm,,2,}θ,nm={nm,1,nm,2,…,nm,16},sm={sm,1,sm,2,…,sm,16},zm={zm,1,zm,2,…,zm,16}。
步骤1.4、为分析方便,我们假设θm,k=θ,即我们假设信道状态信息变化速率远小于信息传输速率。则第k个接收符号在第m个比特区间内可表示为zm,k=sm,kejθ+nm,k。
步骤2、接收方将接收序列输入神经网络中得到该接收序列的比特对数似然比。
步骤2.1、构建前馈反向传播神经网络,如图3所示,该神经网络为三层神经网络,将每个比特周期接收序列zm={zm,1,zm,2,…,zm,16}分为实部虚部两部分作为神经网络输入层的输入,隐藏层神经元的输出为隐藏层的输出Y,即输出层的输入,通过再一次进行非线性运算得到输出层输出为/>其中,D=[Re(zm)Im(zm)]为神经网络的输入矩阵,神经网络的输入矩阵指的是最初输入神经网络的接收序列zm对其取实部和虚部后得到的数据,/>为每个比特周期接收序列zm对应的比特LLR信息,/>和/>分别为隐藏层神经元,输出层神经元的权重矩阵,b和β分别为隐藏层神经元,输出层神经元的偏置矩阵。f(·)为激活函数,隐藏层神经元和输出层神经元都由双曲正切激活函数/>实现,该函数的输出和输入能够保持非线性单调上升和下降关系,符合BP网络的梯度求解,容错性好,有界,值域为(-1,1),符合人脑神经饱和的规律。
步骤2.2、构建神经网络训练集,将接收的信号样本和样本对应的Log-MAP算法计算的LLR值构成训练集。
构建训练集的具体方法如下:
传统思维模式下,训练集的数据来源于相位相干信道下的接收信号。很显然,由于训练集数据的有限性,在获取训练集时所使用的相位偏移θ并不完全服从均匀分布,且训练集数据中包含的相位偏移特征也不足,不能彻底反映相位偏移θ对信号传输的真实影响。因此,为了获得更高质量的训练集,本专利考虑对随机相位空间进行量化,均匀量化实现复杂度低,是我们的首选方案。量化随机相位空间:对信道传输引入的随机相位空间进行均匀量化则当量化阶数为M时的第d个量化区间为
其次,利用量化后的随机相位空间来建模信道传输引入的相位偏移,以此来生成接收方样本信号,接收方利用接收的样本信号和传统Log-MAP算法生成LLR值,将此LLR值和利用量化后的随机相位空间生成的样本信号一起构成训练集。
当M=8时,量化后的相位值如图4所示。量化阶数越高,训练集中包含相位偏移特征量越多,从而提高了神经网络模型预测的准确性。这里利用离散形式的均匀分布对连续形式的均匀分布进行有效近似,从而提高了训练质量和效率。
步骤2.3、训练神经网络,利用步骤2.2的训练集,对步骤2.1中构建的神经网络进行有监督训练,使神经网络了解接收信号与目标LLR之间的复杂关系,从而估计比特LLR值。
步骤2.4、将每个比特周期接收序列zm={zm,1,zm,2,…,zm,16}分为实部虚部两部分输入步骤2.3训练完成的神经网络,,经神经网络处理后即可得到接收序列zm的比特LLR信息。
步骤3、接收方利用比特LLR值对发送序列进行译码得到信息。
步骤3.1、将步骤2中得出的比特LLR信息输入LDPC码的译码器进行译码得出比特信息
由图5可知,量化随机相位偏移后得到的神经网络训练集训练的神经网络模型精度更高。由图6,图7可知,基于神经网络的非相干检测接收机性能明显优于传统接收机性能。因此基于神经网络的非相干检测接收机在性能和复杂度之间达到了更好的平衡。
综上所述,本发明在检测性能和实现复杂度之间达到了更好的平衡匹配。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (3)
1.一种基于神经网络的多符号非相干检测方法,其特征在于:包括如下步骤:
步骤1、发送方使用LDPC编码信息序列后发送,接收方接收经AWGN信道传输的发送信息序列;
步骤2、接收方将接收序列输入神经网络中得到该接收序列的比特对数似然比;
所述步骤2的具体方法为:
步骤2.1、构建前馈反向传播神经网络
前馈反向传播神经网络为三层神经网络,将每个比特周期接收序列zm={zm,1,zm,2,…,zm,16}分为实部虚部两部分作为神经网络输入层的输入,隐藏层神经元的输出为隐藏层的输出Y即输出层的输入,通过再一次进行非线性运算得到输出层输出为其中,D=[Re(zm) Im(zm)]为神经网络的输入矩阵,/>为每个比特周期接收序列zm对应的比特LLR信息,/>和/>分别为隐藏层神经元、输出层神经元的权重矩阵,b和β分别为隐藏层神经元、输出层神经元的偏置矩阵,f(·)为激活函数,隐藏层神经元和输出层神经元都由双曲正切激活函数/>实现;
步骤2.2、构建神经网络训练集
首先,量化随机相位空间,对信道传输引入的随机相位空间进行均匀量化,当量化阶数为M时的第d个量化区间为
其次,利用量化后的随机相位空间来建模信道传输引入的相位偏移,生成接收方样本信号,接收方利用接收的样本信号和传统Log-MAP算法生成LLR值,将此LLR值和利用量化后的随机相位空间生成的样本信号一起构成训练集;
步骤2.3、训练神经网络
利用步骤2.2构成的训练集,对步骤2.1构建的前馈反向传播神经网络进行有监督训练,用于估计比特LLR值;
步骤2.4、生成译码所需的LLR值
将每个比特周期接收序列zm={zm,1,zm,2,…,zm,16}分为实部虚部两部分输入步骤2.3中训练完成的前馈反向传播神经网络,经神经网络处理后即可得到接收序列zm的比特LLR信息;
步骤3、接收方利用比特对数似然比对发送序列进行译码得到信息。
2.如权利要求1所述的一种基于神经网络的多符号非相干检测方法,其特征在于:所述步骤1的具体方法为:
步骤1.1、在发射端,LDPC码编码器将K位信息序列X=(x1,x2,…,xK)映射为N位码字C=(c1,c2,…,cN)输出;
步骤1.2、使用IEEE 802.15.3协议毫米频段单载波物理层规定的扩频方式将C扩频为其中,/>中每个符号/>包含64个码片;
步骤1.3、对经16QAM调制后得到复数形式码片序列S=(s1,s2,…,sN)后在AWGN信道传输,输出序列为Z=(z1,z2,…,zN),si和zi都包含16个复数元素;在第m个比特区间内接收的离散复基带信号为/>sm是第m个复数形式传输码片序列,θm是信道传输引入的随机相位偏移向量,并假设其每个元素在区间(-π,π)内服从均匀分布,/>表示θm对复数形式发送码片序列sm在相位上造成的偏移影响,nm为信道噪声向量,因此,θm={θm,1,θm,2,…,θm,16},nm={nm,1,nm,2,…,nm,16},sm={sm,1,sm,2,…,sm,16},zm={zm,1,zm,2,…,zm,16};
步骤1.4、θm,k=θ,则第k个接收符号在第m个比特区间内可表示为zm,k=sm,kejθ+nm,k。
3.如权利要求1所述的一种基于神经网络的多符号非相干检测方法,其特征在于:所述步骤3的具体方法为:
步骤3.1、利用步骤2中得出的比特LLR信息进行译码,将步骤2中得出的比特LLR信息输入LDPC码的译码器进行译码得出比特信息
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210272782.9A CN114465853B (zh) | 2022-03-18 | 2022-03-18 | 一种基于神经网络的多符号非相干检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210272782.9A CN114465853B (zh) | 2022-03-18 | 2022-03-18 | 一种基于神经网络的多符号非相干检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114465853A CN114465853A (zh) | 2022-05-10 |
CN114465853B true CN114465853B (zh) | 2023-09-08 |
Family
ID=81417895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210272782.9A Active CN114465853B (zh) | 2022-03-18 | 2022-03-18 | 一种基于神经网络的多符号非相干检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114465853B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109889462A (zh) * | 2019-01-21 | 2019-06-14 | 东南大学 | 一种适用于高速可见光通信的神经网络辅助的迭代接收方法 |
CN111106839A (zh) * | 2019-12-19 | 2020-05-05 | 北京邮电大学 | 一种基于神经网络的极化码译码方法及装置 |
CN111313914A (zh) * | 2019-11-05 | 2020-06-19 | 北京航空航天大学 | 一种基于神经网络分类器的scl简化译码方法 |
CN112039818A (zh) * | 2020-08-31 | 2020-12-04 | 中原工学院 | 基于频域移位平均周期图和神经网络译码的载波同步方法 |
CN113452420A (zh) * | 2021-06-25 | 2021-09-28 | 东南大学 | 一种基于深度神经网络的mimo信号检测方法 |
CN113726702A (zh) * | 2021-07-16 | 2021-11-30 | 河南科技大学 | 一种泛在感知网络编码mpsk信号的低复杂度检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130156139A1 (en) * | 2011-12-15 | 2013-06-20 | Samsung Electronics Co., Ltd. | Wireless communication system with interference filtering and method of operation thereof |
US11595155B2 (en) * | 2019-01-09 | 2023-02-28 | Lg Electronics Inc. | Method for decoding low density parity check (LDPC)-coded signal, and terminal therefor |
-
2022
- 2022-03-18 CN CN202210272782.9A patent/CN114465853B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109889462A (zh) * | 2019-01-21 | 2019-06-14 | 东南大学 | 一种适用于高速可见光通信的神经网络辅助的迭代接收方法 |
CN111313914A (zh) * | 2019-11-05 | 2020-06-19 | 北京航空航天大学 | 一种基于神经网络分类器的scl简化译码方法 |
CN111106839A (zh) * | 2019-12-19 | 2020-05-05 | 北京邮电大学 | 一种基于神经网络的极化码译码方法及装置 |
CN112039818A (zh) * | 2020-08-31 | 2020-12-04 | 中原工学院 | 基于频域移位平均周期图和神经网络译码的载波同步方法 |
CN113452420A (zh) * | 2021-06-25 | 2021-09-28 | 东南大学 | 一种基于深度神经网络的mimo信号检测方法 |
CN113726702A (zh) * | 2021-07-16 | 2021-11-30 | 河南科技大学 | 一种泛在感知网络编码mpsk信号的低复杂度检测方法 |
Non-Patent Citations (1)
Title |
---|
Gaoyuan Zhang , Haiqiong Li , Congzheng Han , Congyu Shi , Hong Wen,and Dan Wang.Multiple-Symbol Detection Scheme for IEEE 802.15.4c MPSK Receivers over Slow Rayleigh Fading Channels.《Security and Communication Networks》.2021,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114465853A (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sadeghi et al. | Finite-state Markov modeling of fading channels-a survey of principles and applications | |
CN110445581B (zh) | 基于卷积神经网络降低信道译码误码率的方法 | |
CN112713966B (zh) | 基于似然估计修正信噪比的编码调制切换方法 | |
WO2015086136A1 (en) | Pre-coding in a faster-than-nyquist transmission system | |
CN115694518A (zh) | 基于gmm-hmm的卷积码解码方法和系统 | |
EP4091274A1 (en) | Transmitting device, receiving device, and methods for random-access communication | |
US7587008B2 (en) | Decoding error correcting codes transmitted through multiple wire twisted pair cables with uneven noise on the wires | |
CN114465853B (zh) | 一种基于神经网络的多符号非相干检测方法 | |
US9954657B2 (en) | Method and apparatus for estimating channel information | |
JP3728171B2 (ja) | 信頼性情報計算方法 | |
CN115314163B (zh) | 基于蒙特卡罗极化码的译码级联迭代的水声通信系统 | |
CN109698706B (zh) | 基于判决反馈的极化码非相干迭代检测方法及装置 | |
CN114629595B (zh) | 适用于湍流信道的分布式整形极化码方法及系统 | |
CN108512580B (zh) | 适用于低精度量化的大规模多用户mimo迭代检测方法 | |
US20210320695A1 (en) | Base station and modulation method supporting lattice-partition-based non-orthogonal multiple access | |
CN113114421A (zh) | 一种面向色噪声环境的深度学习迭代接收方法及系统 | |
CN113726702A (zh) | 一种泛在感知网络编码mpsk信号的低复杂度检测方法 | |
CN112003626A (zh) | 一种基于导航电文已知比特的ldpc译码方法、系统和介质 | |
CN117478464A (zh) | 一种载波频偏影响下的编码qam信号部分相干检测方法 | |
WO2024057817A1 (ja) | 無線信号処理システム及び無線信号処理方法 | |
CN101682339B (zh) | 软判定装置和软判定方法 | |
Khan et al. | Link to system interfacing for multiple input and multiple output wireless system using maximum likelihood receiver | |
CN115426014B (zh) | 一种基于酉空时编码调制的水声mimo通信方法 | |
WO2018072480A1 (zh) | 重叠复用系统的译码方法和装置 | |
Rao et al. | Performance analysis of autoencoders in wireless communication systems with deep learning techniques |
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 |