CN114584448A - 基于深度神经网络的sm-ofdm信号分组检测方法 - Google Patents
基于深度神经网络的sm-ofdm信号分组检测方法 Download PDFInfo
- Publication number
- CN114584448A CN114584448A CN202210141327.5A CN202210141327A CN114584448A CN 114584448 A CN114584448 A CN 114584448A CN 202210141327 A CN202210141327 A CN 202210141327A CN 114584448 A CN114584448 A CN 114584448A
- Authority
- CN
- China
- Prior art keywords
- network
- ofdm
- vector
- data
- matrix
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 86
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000004088 simulation Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 24
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000005562 fading Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 239000000654 additive Substances 0.000 claims description 9
- 230000000996 additive effect Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 238000007476 Maximum Likelihood Methods 0.000 abstract description 9
- 238000004891 communication Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
-
- 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
-
- 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
-
- 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
- H04L1/0056—Systems characterized by the type of code used
- H04L1/0071—Use of interleaving
-
- 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)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Radio Transmission System (AREA)
Abstract
基于深度神经网络的SM‑OFDM信号分组检测方法,属于无线通信技术领域。该方法的实现过程主要分为三步:首先,基于SM‑OFDM系统仿真生成数据集,对数据进行预处理后生成特征向量;其次,搭建DNN网络,将特征向量与标签成对输入网络,采用监督学习方法进行离线训练;最后,在不同信噪比下,生成测试数据并输入训练好的网络,输出预测信息比特,进一步与发送信息比特比较,测试该网络的检测性能。本发明通过使用深度学习方法对SM‑OFDM信号按子载波分组进行检测,显著降低了网络复杂度。同时利用DNN强大的学习能力,能够以较低复杂度实现与传统最优最大似然(ML)检测方法相比拟的误比特率(BER)性能。
Description
技术领域
本发明涉及一种基于深度神经网络的SM-OFDM信号分组检测方法,属于无线通信技术领域。
背景技术
空间调制(SM)是一种具有较高频谱效率和能量利用率的新型多天线传输技术,它将数字调制二维映射扩展为三维映射,增加空间维度,利用激活天线的索引携带部分信息比特,在较低复杂度水平下有效提升系统的频谱利用率,是一类非常有发展前景的无线物理层传输技术。另一方面,正交频分复用(OFDM)被认为是一种成熟的、非常流行的多载波调制方案,通过频分复用实现高速串行数据的并行传输,可以消除码间串扰的影响,具有较好的抗多径衰落的能力。将两种方案结合在一起称为空间调制正交频分复用(SM-OFDM)技术,额外的信息比特由子载波的激活天线索引传输,以提高数据传输速率和对抗子载波内天线间干扰(IAI)的能力。针对该系统的信号检测问题,一般采用传统的最大似然(ML)、最小均方误差(MMSE)检测方法,其中最大似然是最优检测,但其复杂度会随着天线数、调制阶数的增加呈指数型增长。近年来,机器学习在无线通信领域得到了长足的发展,并得到了广泛的应用。尤其是深度神经网络(DNN),由于其强大的学习和适应能力,已在无线通信的信号检测领域显示出了良好的前景。
T.V.Luong等(参见T.V.Luong,Y.Ko,N.A.Vien,D.H.N.Nguyen andM.Matthaiou,"Deep Learning-Based Detector for OFDM-IM,"IEEE WirelessCommun.Lett.,vol.8,no.4,pp.1159-1162,Aug.2019.)介绍了利用深度学习在正交频分复用索引调制(OFDM-IM)系统信号检测中的首次尝试,提出一种新型的基于DNN的检测器,称为DeepIM,它使用一个具有全连接层的深度神经网络来恢复数据比特,仿真表明该方法可实现明显优于贪婪检测方法的性能,能够在较低运行时间下实现最优的误码率性能。上述检测方案利用了深度学习对信号检测进行处理,但复杂度的降低与性能的提升还有所欠缺,且未在SM-OFDM系统信号检测中得以应用。
发明内容
随着天线数和调制阶数的增加,传统最优ML检测方法的复杂度会呈指数型增长。为克服这一问题,本发明提出了一种基于深度神经网络的SM-OFDM信号分组检测方法,能够以较低复杂度实现与传统最优检测方法相比拟的性能。
本发明的技术方案如下:
一种基于深度神经网络的SM-OFDM即空间调制正交频分复用信号分组检测方法,由空间调制正交频分复用系统来实现,该系统包括发送端和接收端,发送端包括依次相连的SM模块、OFDM块生成器、OFDM调制模块和Nt根发射天线,接收端包括依次相连的Nr根接收天线、OFDM解调模块、特征向量生成器和G-DNN检测器;SM模块包括N组发射天线选择和调制符号选择;每根发射天线发送的OFDM符号包含N个子载波,设系统收发端天线间链路均经历独立瑞利衰落,噪声为加性高斯白噪声,接收端已知完美信道状态信息,信号调制阶数为M;首先,基于SM-OFDM系统仿真生成数据集,并对数据进行预处理后生成特征向量;其次,搭建DNN网络,将特征向量与标签成对输入网络,采用监督学习方法进行离线训练;最后,在不同信噪比下,生成测试数据并输入训练好的网络,输出预测信息比特,进一步与发送信息比特比较,测试该网络的检测性能,该方法利用DNN对SM-OFDM信号按子载波分组进行检测,其具体步骤如下:
1)基于SM-OFDM系统仿真生成数据集,对数据集进行预处理,生成特征向量:
在SM-OFDM系统中,信息比特流用一个N×P维的二元矩阵B表示,将其按行分为N组送入SM模块中,每组包含P=log2Nt+log2M个比特,前项log2Nt个比特进入发射天线选择后选择一根激活天线,其索引记为g;后项log2M个比特进入调制符号选择后选择M阶调制星座符号,记为xs;对第n组比特,经过SM映射后的发送符号向量表示为其中n∈{1,2,...,N},[]表示矩阵符号,T表示矢量转置,表示复数集,表示Nt×1维的复数向量,xs位于向量Xn的第g行,即第g个位置处为非零元素xs,其余元素均为零,对N组比特流完成SM映射后,得到N个调制符号向量,通过OFDM块生成器将其分配到Nt×N个子载波上,进入OFDM调制模块对每根天线上待发送的符号进行OFDM调制,即通过Nt个并行的归一化N点逆快速傅里叶变换生成Nt个OFDM符号;然后,对每个OFDM符号添加循环前缀,经过数模转换后同时从Nt根发射天线上发射;
该信号矩阵由发射天线经瑞利衰落信道发送到接收端,接收天线接收的符号输入到OFDM解调模块,对接收的Nr路数据进行与发送端相反的操作,即模数转换、去循环前缀,随后再进行归一化快速傅里叶变换得到一个Nr×N维的频域接收信号矩阵Y,其表达式为Y=HX+V,表示瑞利衰落信道矩阵,其各元素是独立的复高斯随机变量,服从均值为0,方差为1的复高斯分布,表示发送信号矩阵,表示加性高斯白噪声向量,其元素服从均值为0,方差为σ2的复高斯分布,第n列接收符号向量Yn可表示为:
基于SM-OFDM系统仿真生成数据集,令其大小为2×105,其中70%用于训练,30%用于验证;使用特征向量生成器对原始数据进行预处理,将其从复数数据转变为实向量,对第n组接收符号向量Yn和信道矩阵H进行数据预处理,生成网络的输入矢量其中 表示实数集,表示(2Nr+2NrNt)×1维的实数向量,符号Re和Im分别表示复数的实部和虚部;
2)搭建DNN网络,将特征向量与标签成对输入网络,采用监督学习方法进行离线训练:
DNN网络包括输入层及L个全连接层,其中隐藏层个数为L-1个,根据输入特征矢量及标签即信息比特组的尺寸,设置输入层神经元个数为2(Nr+NrNt),输出层神经元个数为P个,隐藏层层数及神经元个数可视实际系统大小而定,使用λ表示深度神经网络的网络参数,λ={λ1,...,λl,...,λL},l=1,2,...,L,第l层的参数可以表示为λl={Wl,bl},Wl和bl分别表示该层的权重矩阵和偏置矢量,那么第l层的输出可表示为Zl=f(WlZl-1+bl),其中f(·)表示激活函数符号;设置隐藏层激活函数为ReLU函数,其表达式为fRelu(x)=max(0,x),设置输出层激活函数为Sigmoid函数,其表达式为深度神经网络的检测结果即第L层的输出表示为ZL=fSig(WL(fRelu(WL-1(...fRelu(W1Z0+b1)...)+bL-1))+bL),其中,Z0是网络的输入向量,等价于dn,WL、WL-1和W1分别表示第L,L-1和1层的权重矩阵,bL、bL-1和b1分别表示第L,L-1和1层的偏置矢量;选择交叉熵作为损失函数,其中zi为实际的比特,为预测的比特;在损失函数后加入L2正则项优化目标函数,得到平滑的解,其中L2正则项为权重向量的L2范数,即对权重向量各元素的平方和求平方根;设置学习率为0.001,采用高效自适应动量优化算法加快网络收敛速度,实现轻量化DNN设计;所提方案对信号按子载波分组进行检测,仅需用某组比特流对应的接收信号和信道状态信息训练网络,可实现对所有分组比特流的解调与恢复,将第n组特征向量与标签成对输入上述的网络模型,采用监督学习的方法进行离线训练;
3)在不同信噪比下,生成测试数据并输入训练好的网络,输出预测信息比特,进一步与发送信息比特比较,测试该网络的检测性能:
网络离线训练完成后,实现在线部署,首先,基于SM-OFDM系统在不同信噪比下生成测试数据,针对每条数据,通过特征向量生成器分别对N组比特对应的接收信号和信道矩阵进行数据预处理并提取特征,生成特征向量,然后将其输入到G-DNN检测器,输出N组信息比特,随后拼接N组比特得到最终检测信息比特矩阵然后,对比原始发送的信息比特矩阵B和检测信息比特矩阵测试该网络的检测性能。
所述G-DNN为英文Group-Deep Neural Network的缩写,意思为分组深度神经网络。
本发明提出了一种基于深度神经网络的SM-OFDM信号分组检测方法,使用深度学习对SM-OFDM信号按子载波分组进行检测,显著降低了网络复杂度,同时利用DNN强大的学习能力,能够以较低复杂度实现与传统最优检测方法相比拟的性能。
附图说明
图1是本发明方法的系统结构示意框图。
图2是本发明方法的检测网络结构示意图。
图3是在发射天线Nt=2,接收天线Nr=2,子载波数N=128,调制方式为BPSK的配置下,本发明方法与最大似然(ML)、最大比合并(MRC)等传统检测方法的系统误比特率性能仿真对比图。由图3可以看出,该方法的误比特率性能远好于MRC检测,且能达到与ML最优检测方法相比拟的性能。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,但不限于此。
实施例:
一种基于深度神经网络的SM-OFDM即空间调制正交频分复用信号分组检测方法,由空间调制正交频分复用系统来实现,如图1所示,该系统包括发送端和接收端,发送端包括依次相连的SM模块、OFDM块生成器、OFDM调制模块和Nt根发射天线,接收端包括依次相连的Nr根接收天线、OFDM解调模块、特征向量生成器和G-DNN检测器;SM模块包括N组发射天线选择和调制符号选择;每根发射天线发送的OFDM符号包含N个子载波,设系统收发端天线间链路均经历独立瑞利衰落,噪声为加性高斯白噪声,接收端已知完美信道状态信息,信号调制阶数为M;首先,基于SM-OFDM系统仿真生成数据集,并对数据进行预处理后生成特征向量;其次,搭建DNN网络,将特征向量与标签成对输入网络,采用监督学习方法进行离线训练;最后,在不同信噪比下,生成测试数据并输入训练好的网络,输出预测信息比特,进一步与发送信息比特比较,测试该网络的检测性能,该方法利用DNN对SM-OFDM信号按子载波分组进行检测,其具体步骤如下:
1)基于SM-OFDM系统仿真生成数据集,对数据集进行预处理,生成特征向量:
在SM-OFDM系统中,信息比特流用一个N×P维的二元矩阵B表示,将其按行分为N组送入SM模块中,每组包含P=log2Nt+log2M个比特,前项log2Nt个比特进入发射天线选择后选择一根激活天线,其索引记为g;后项log2M个比特进入调制符号选择后选择M阶调制星座符号,记为xs;对第n组比特,经过SM映射后的发送符号向量表示为其中n∈{1,2,...,N},[]表示矩阵符号,T表示矢量转置,表示复数集,表示Nt×1维的复数向量,xs位于向量Xn的第g行,即第g个位置处为非零元素xs,其余元素均为零,对N组比特流完成SM映射后,得到N个调制符号向量,通过OFDM块生成器将其分配到Nt×N个子载波上,进入OFDM调制模块对每根天线上待发送的符号进行OFDM调制,即通过Nt个并行的归一化N点逆快速傅里叶变换生成Nt个OFDM符号;然后,对每个OFDM符号添加循环前缀,经过数模转换后同时从Nt根发射天线上发射;
该信号矩阵由发射天线经瑞利衰落信道发送到接收端,接收天线接收的符号输入到OFDM解调模块,对接收的Nr路数据进行与发送端相反的操作,即模数转换、去循环前缀,随后再进行归一化快速傅里叶变换得到一个Nr×N维的频域接收信号矩阵Y,其表达式为Y=HX+V,表示瑞利衰落信道矩阵,其各元素是独立的复高斯随机变量,服从均值为0,方差为1的复高斯分布,表示发送信号矩阵,表示加性高斯白噪声向量,其元素服从均值为0,方差为σ2的复高斯分布,第n列接收符号向量Yn可表示为:
基于SM-OFDM系统仿真生成数据集,令其大小为2×105,其中70%用于训练,30%用于验证;使用特征向量生成器对原始数据进行预处理,将其从复数数据转变为实向量,对第n组接收符号向量Yn和信道矩阵H进行数据预处理,生成网络的输入矢量其中 表示实数集,表示(2Nr+2NrNt)×1维的实数向量,符号Re和Im分别表示复数的实部和虚部;
2)搭建DNN网络,将特征向量与标签成对输入网络,采用监督学习方法进行离线训练:
DNN网络包括输入层及L个全连接层,其中隐藏层个数为L-1个,根据输入特征矢量及标签即信息比特组的尺寸,设置输入层神经元个数为2(Nr+NrNt),输出层神经元个数为P个,隐藏层层数及神经元个数可视实际系统大小而定,使用λ表示深度神经网络的网络参数,λ={λ1,...,λl,...,λL},l=1,2,...,L,第l层的参数可以表示为λl={Wl,bl},Wl和bl分别表示该层的权重矩阵和偏置矢量,那么第l层的输出可表示为Zl=f(WlZl-1+bl),其中f(·)表示激活函数符号;设置隐藏层激活函数为ReLU函数,其表达式为fRelu(x)=max(0,x),设置输出层激活函数为Sigmoid函数,其表达式为深度神经网络的检测结果即第L层的输出表示为ZL=fSig(WL(fRelu(WL-1(...fRelu(W1Z0+b1)...)+bL-1))+bL),其中,Z0是网络的输入向量,等价于dn,WL、WL-1和W1分别表示第L,L-1和1层的权重矩阵,bL、bL-1和b1分别表示第L,L-1和1层的偏置矢量;选择交叉熵作为损失函数,其中zi为实际的比特,为预测的比特;在损失函数后加入L2正则项优化目标函数,得到平滑的解,其中L2正则项为权重向量的L2范数,即对权重向量各元素的平方和求平方根;设置学习率为0.001,采用高效自适应动量优化算法加快网络收敛速度,实现轻量化DNN设计;所提方案对信号按子载波分组进行检测,仅需用某组比特流对应的接收信号和信道状态信息训练网络,可实现对所有分组比特流的解调与恢复,将第n组特征向量与标签成对输入上述的网络模型,采用监督学习的方法进行离线训练;
3)在不同信噪比下,生成测试数据并输入训练好的网络,输出预测信息比特,进一步与发送信息比特比较,测试该网络的检测性能:
Claims (1)
1.一种基于深度神经网络的SM-OFDM即空间调制正交频分复用信号分组检测方法,由空间调制正交频分复用系统来实现,该系统包括发送端和接收端,发送端包括依次相连的SM模块、OFDM块生成器、OFDM调制模块和Nt根发射天线,接收端包括依次相连的Nr根接收天线、OFDM解调模块、特征向量生成器和G-DNN检测器;SM模块包括N组发射天线选择和调制符号选择;每根发射天线发送的OFDM符号包含N个子载波,设系统收发端天线间链路均经历独立瑞利衰落,噪声为加性高斯白噪声,接收端已知完美信道状态信息,信号调制阶数为M;首先,基于SM-OFDM系统仿真生成数据集,并对数据进行预处理后生成特征向量;其次,搭建DNN网络,将特征向量与标签成对输入网络,采用监督学习方法进行离线训练;最后,在不同信噪比下,生成测试数据并输入训练好的网络,输出预测信息比特,进一步与发送信息比特比较,测试该网络的检测性能,该方法利用DNN对SM-OFDM信号按子载波分组进行检测,其具体步骤如下:
1)基于SM-OFDM系统仿真生成数据集,对数据集进行预处理,生成特征向量:
在SM-OFDM系统中,信息比特流用一个N×P维的二元矩阵B表示,将其按行分为N组送入SM模块中,每组包含P=log2Nt+log2M个比特,前项log2Nt个比特进入发射天线选择后选择一根激活天线,其索引记为g;后项log2M个比特进入调制符号选择后选择M阶调制星座符号,记为xs;对第n组比特,经过SM映射后的发送符号向量表示为其中n∈{1,2,...,N},[]表示矩阵符号,T表示矢量转置,表示复数集,表示Nt×1维的复数向量,xs位于向量Xn的第g行,即第g个位置处为非零元素xs,其余元素均为零,对N组比特流完成SM映射后,得到N个调制符号向量,通过OFDM块生成器将其分配到Nt×N个子载波上,进入OFDM调制模块对每根天线上待发送的符号进行OFDM调制,即通过Nt个并行的归一化N点逆快速傅里叶变换生成Nt个OFDM符号;然后,对每个OFDM符号添加循环前缀,经过数模转换后同时从Nt根发射天线上发射;
该信号矩阵由发射天线经瑞利衰落信道发送到接收端,接收天线接收的符号输入到OFDM解调模块,对接收的Nr路数据进行与发送端相反的操作,即模数转换、去循环前缀,随后再进行归一化快速傅里叶变换得到一个Nr×N维的频域接收信号矩阵Y,其表达式为Y=HX+V,表示瑞利衰落信道矩阵,其各元素是独立的复高斯随机变量,服从均值为0,方差为1的复高斯分布,表示发送信号矩阵,表示加性高斯白噪声向量,其元素服从均值为0,方差为σ2的复高斯分布,第n列接收符号向量Yn可表示为:
基于SM-OFDM系统仿真生成数据集,令其大小为2×105,其中70%用于训练,30%用于验证;使用特征向量生成器对原始数据进行预处理,将其从复数数据转变为实向量,对第n组接收符号向量Yn和信道矩阵H进行数据预处理,生成网络的输入矢量其中 表示实数集,表示(2Nr+2NrNt)×1维的实数向量,符号Re和Im分别表示复数的实部和虚部;
2)搭建DNN网络,将特征向量与标签成对输入网络,采用监督学习方法进行离线训练:
DNN网络包括输入层及L个全连接层,其中隐藏层个数为L-1个,根据输入特征矢量及标签即信息比特组的尺寸,设置输入层神经元个数为2(Nr+NrNt),输出层神经元个数为P个,隐藏层层数及神经元个数可视实际系统大小而定,使用λ表示深度神经网络的网络参数,λ={λ1,...,λl,...,λL},l=1,2,...,L,第l层的参数可以表示为λl={Wl,bl},Wl和bl分别表示该层的权重矩阵和偏置矢量,那么第l层的输出可表示为Zl=f(WlZl-1+bl),其中f(·)表示激活函数符号;设置隐藏层激活函数为ReLU函数,其表达式为fRelu(x)=max(0,x),设置输出层激活函数为Sigmoid函数,其表达式为深度神经网络的检测结果即第L层的输出表示为ZL=fSig(WL(fRelu(WL-1(...fRelu(W1Z0+b1)...)+bL-1))+bL),其中,Z0是网络的输入向量,等价于dn,WL、WL-1和W1分别表示第L,L-1和1层的权重矩阵,bL、bL-1和b1分别表示第L,L-1和1层的偏置矢量;选择交叉熵作为损失函数,其中zi为实际的比特,为预测的比特;在损失函数后加入L2正则项优化目标函数,得到平滑的解,其中L2正则项为权重向量的L2范数,即对权重向量各元素的平方和求平方根;设置学习率为0.001,采用高效自适应动量优化算法加快网络收敛速度,实现轻量化DNN设计;所提方案对信号按子载波分组进行检测,仅需用某组比特流对应的接收信号和信道状态信息训练网络,可实现对所有分组比特流的解调与恢复,将第n组特征向量与标签成对输入上述的网络模型,采用监督学习的方法进行离线训练;
3)在不同信噪比下,生成测试数据并输入训练好的网络,输出预测信息比特,进一步与发送信息比特比较,测试该网络的检测性能:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210141327.5A CN114584448B (zh) | 2022-02-16 | 2022-02-16 | 基于深度神经网络的sm-ofdm信号分组检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210141327.5A CN114584448B (zh) | 2022-02-16 | 2022-02-16 | 基于深度神经网络的sm-ofdm信号分组检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114584448A true CN114584448A (zh) | 2022-06-03 |
CN114584448B CN114584448B (zh) | 2023-09-22 |
Family
ID=81770846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210141327.5A Active CN114584448B (zh) | 2022-02-16 | 2022-02-16 | 基于深度神经网络的sm-ofdm信号分组检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114584448B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115865593A (zh) * | 2022-11-18 | 2023-03-28 | 重庆邮电大学 | 一种基于降噪网路的ofdm-im信号检测方法 |
CN116318311A (zh) * | 2023-05-15 | 2023-06-23 | 浙江香农通信科技有限公司 | 一种基于可重构智能表面反相位索引调制的传输方法 |
CN116973736A (zh) * | 2023-09-22 | 2023-10-31 | 悦芯科技股份有限公司 | 一种基于fail周期的ATE测试方法及系统 |
CN117194962A (zh) * | 2023-09-13 | 2023-12-08 | 安徽国麒科技有限公司 | 一种基于DeepIM深度学习算法的光伏发电量预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106453190A (zh) * | 2016-10-10 | 2017-02-22 | 东南大学 | 一种多用户子载波索引调制正交频分复用传输方法 |
CN110099016A (zh) * | 2019-05-14 | 2019-08-06 | 东南大学 | 一种基于深度学习网络的毫米波稀疏阵面信道估计方法 |
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 |
CN112737987A (zh) * | 2020-12-28 | 2021-04-30 | 南京邮电大学 | 一种新型的基于深度学习的时变信道预测方法 |
US20220014398A1 (en) * | 2018-10-29 | 2022-01-13 | Board Of Regents, The University Of Texas System | Low resolution ofdm receivers via deep learning |
-
2022
- 2022-02-16 CN CN202210141327.5A patent/CN114584448B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106453190A (zh) * | 2016-10-10 | 2017-02-22 | 东南大学 | 一种多用户子载波索引调制正交频分复用传输方法 |
US20220014398A1 (en) * | 2018-10-29 | 2022-01-13 | Board Of Regents, The University Of Texas System | Low resolution ofdm receivers via deep learning |
CN110099016A (zh) * | 2019-05-14 | 2019-08-06 | 东南大学 | 一种基于深度学习网络的毫米波稀疏阵面信道估计方法 |
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 |
CN112737987A (zh) * | 2020-12-28 | 2021-04-30 | 南京邮电大学 | 一种新型的基于深度学习的时变信道预测方法 |
Non-Patent Citations (1)
Title |
---|
程露;杨丽花;王增浩;张捷;梁彦;: "基于历史信息的软卡尔曼滤波迭代时变信道估计方法", 电信科学, no. 09, pages 23 - 31 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115865593A (zh) * | 2022-11-18 | 2023-03-28 | 重庆邮电大学 | 一种基于降噪网路的ofdm-im信号检测方法 |
CN116318311A (zh) * | 2023-05-15 | 2023-06-23 | 浙江香农通信科技有限公司 | 一种基于可重构智能表面反相位索引调制的传输方法 |
CN116318311B (zh) * | 2023-05-15 | 2023-08-22 | 浙江香农通信科技有限公司 | 一种基于可重构智能表面反相位索引调制的传输方法 |
CN117194962A (zh) * | 2023-09-13 | 2023-12-08 | 安徽国麒科技有限公司 | 一种基于DeepIM深度学习算法的光伏发电量预测方法 |
CN116973736A (zh) * | 2023-09-22 | 2023-10-31 | 悦芯科技股份有限公司 | 一种基于fail周期的ATE测试方法及系统 |
CN116973736B (zh) * | 2023-09-22 | 2023-12-19 | 悦芯科技股份有限公司 | 一种基于fail周期的ATE测试方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114584448B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | Model-driven deep learning for physical layer communications | |
CN114584448B (zh) | 基于深度神经网络的sm-ofdm信号分组检测方法 | |
CN111630787B (zh) | 基于深度学习的mimo多天线信号传输与检测技术 | |
CN113472706B (zh) | 一种基于深度神经网络的mimo-ofdm系统信道估计方法 | |
O'Shea et al. | Physical layer deep learning of encodings for the MIMO fading channel | |
CN112600772B (zh) | 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法 | |
CN111669344B (zh) | 一种基于深度学习的时变ofdm系统信号检测方法 | |
Wang et al. | A deep learning-based intelligent receiver for improving the reliability of the MIMO wireless communication system | |
CN114745248B (zh) | 基于卷积神经网络的dm-gsm信号检测方法 | |
CN113452420A (zh) | 一种基于深度神经网络的mimo信号检测方法 | |
CN111628833A (zh) | 基于卷积神经网络的mimo天线数目估计方法 | |
CN114745230A (zh) | 基于深度神经网络结构的otfs信号接收恢复方法 | |
KR102064301B1 (ko) | Mimo 시스템 기반의 앙상블 기계 학습을 이용한 신호 검출 장치 및 그 방법 | |
Enku et al. | Deep-learning based signal detection for MIMO-OTFS systems | |
Ye et al. | Bilinear convolutional auto-encoder based pilot-free end-to-end communication systems | |
Hua et al. | Signal detection in uplink pilot-assisted multi-user MIMO systems with deep learning | |
CN116318311A (zh) | 一种基于可重构智能表面反相位索引调制的传输方法 | |
Altın et al. | Joint transmit and receive antenna selection for spatial modulation systems using deep learning | |
Liu et al. | IMNet: A learning based detector for index modulation aided MIMO-OFDM systems | |
Alawad et al. | A deep learning-based detector for IM-MIMO-OFDM | |
CN112564830B (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 | |
Chen et al. | Neural network-based symbol detection in high-speed ofdm underwater acoustic communication | |
CN114759997B (zh) | 一种基于数据模型双驱动的mimo系统信号检测方法 | |
Huang et al. | Deep learning based parallel detector for MIMO systems | |
Du et al. | Broad learning system-based detector for OFDM with index modulation |
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 |