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 PDF

Info

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
Application number
CN202210141327.5A
Other languages
English (en)
Other versions
CN114584448B (zh
Inventor
白智全
张金梅
庞珂
杨凯越
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN202210141327.5A priority Critical patent/CN114584448B/zh
Publication of CN114584448A publication Critical patent/CN114584448A/zh
Application granted granted Critical
Publication of CN114584448B publication Critical patent/CN114584448B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00Modulated-carrier systems
    • H04L27/26Systems using multi-frequency codes
    • H04L27/2601Multicarrier modulation systems
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00Arrangements for detecting or preventing errors in the information received
    • H04L1/004Arrangements for detecting or preventing errors in the information received by using forward error control
    • H04L1/0045Arrangements at the receiver end
    • H04L1/0047Decoding adapted to other signal detection operation
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00Arrangements for detecting or preventing errors in the information received
    • H04L1/004Arrangements for detecting or preventing errors in the information received by using forward error control
    • H04L1/0056Systems characterized by the type of code used
    • H04L1/0071Use of interleaving
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00Reducing energy consumption in communication networks
    • Y02D30/70Reducing 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

基于深度神经网络的SM-OFDM信号分组检测方法
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
Figure BDA0003507095890000021
其中n∈{1,2,...,N},[]表示矩阵符号,T表示矢量转置,
Figure BDA0003507095890000022
表示复数集,
Figure BDA0003507095890000023
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,
Figure BDA0003507095890000024
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,
Figure BDA0003507095890000025
表示发送信号矩阵,
Figure BDA0003507095890000026
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:
Figure BDA0003507095890000027
其中,
Figure BDA0003507095890000028
为第n组发送符号向量,
Figure BDA0003507095890000029
为第n组加性复高斯白噪声向量;
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
Figure BDA00035070958900000210
其中
Figure BDA00035070958900000211
Figure BDA00035070958900000212
Figure BDA00035070958900000213
表示实数集,
Figure BDA00035070958900000214
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
Figure BDA0003507095890000031
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
Figure BDA0003507095890000032
作为损失函数,其中zi为实际的比特,
Figure BDA0003507095890000033
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
Figure BDA0003507095890000034
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
Figure BDA0003507095890000035
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
Figure BDA0003507095890000041
其中n∈{1,2,...,N},[]表示矩阵符号,T表示矢量转置,
Figure BDA0003507095890000042
表示复数集,
Figure BDA0003507095890000043
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,
Figure BDA0003507095890000044
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,
Figure BDA0003507095890000045
表示发送信号矩阵,
Figure BDA0003507095890000046
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:
Figure BDA0003507095890000047
其中,
Figure BDA0003507095890000048
为第n组发送符号向量,
Figure BDA0003507095890000049
为第n组加性复高斯白噪声向量;
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
Figure BDA00035070958900000410
其中
Figure BDA00035070958900000411
Figure BDA0003507095890000051
Figure BDA0003507095890000052
表示实数集,
Figure BDA0003507095890000053
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
Figure BDA0003507095890000054
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
Figure BDA0003507095890000055
作为损失函数,其中zi为实际的比特,
Figure BDA0003507095890000056
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
Figure BDA0003507095890000057
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
Figure BDA0003507095890000058
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
Figure FDA0003507095880000011
其中n∈{1,2,...,N},[]表示矩阵符号,T表示矢量转置,
Figure FDA0003507095880000012
表示复数集,
Figure FDA0003507095880000013
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,
Figure FDA0003507095880000014
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,
Figure FDA0003507095880000015
表示发送信号矩阵,
Figure FDA0003507095880000016
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:
Figure FDA0003507095880000017
其中,
Figure FDA0003507095880000018
为第n组发送符号向量,
Figure FDA0003507095880000019
为第n组加性复高斯白噪声向量;
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
Figure FDA00035070958800000110
其中
Figure FDA00035070958800000111
Figure FDA0003507095880000028
Figure FDA0003507095880000021
表示实数集,
Figure FDA0003507095880000022
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
Figure FDA0003507095880000023
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
Figure FDA0003507095880000024
作为损失函数,其中zi为实际的比特,
Figure FDA0003507095880000025
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
Figure FDA0003507095880000026
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
Figure FDA0003507095880000027
测试该网络的检测性能。
CN202210141327.5A 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 Active CN114584448B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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