CN114866391A - Siso-ofdm系统及其基于端到端神经网络的信号传输方法 - Google Patents
Siso-ofdm系统及其基于端到端神经网络的信号传输方法 Download PDFInfo
- Publication number
- CN114866391A CN114866391A CN202210466156.3A CN202210466156A CN114866391A CN 114866391 A CN114866391 A CN 114866391A CN 202210466156 A CN202210466156 A CN 202210466156A CN 114866391 A CN114866391 A CN 114866391A
- Authority
- CN
- China
- Prior art keywords
- signal
- module
- neural network
- receiving end
- ofdm
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000008054 signal transmission Effects 0.000 title claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 62
- 230000003993 interaction Effects 0.000 claims abstract description 42
- 230000001629 suppression Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 16
- 125000004122 cyclic group Chemical group 0.000 claims description 24
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 15
- 238000005457 optimization Methods 0.000 abstract description 3
- 239000008358 core component Substances 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 26
- 230000004913 activation Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 5
- 238000005562 fading Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 239000000969 carrier Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 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
- H04L27/2614—Peak power aspects
- H04L27/2615—Reduction thereof using coding
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- 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)
- 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)
- Detection And Prevention Of Errors In Transmission (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了SISO‑OFDM系统及其基于端到端神经网络的信号传输方法,其技术方案包为:结合端到端神经网络构建系统模型,建立以分组处理模块和数据交互模块为核心组成部分的网络结构,以系统传输误码率性能和PAPR抑制作为优化目标构建损失函数,同时添加功率阈值控制训练,最终得到满足传输需求的时域发射信号。本发明在保证系统传输误码率的前提下最大限度的抑制了PAPR,同时相比现有方案大幅度降低复杂度,减小开销,适合于实际系统应用。
Description
技术领域
本发明属于无线通信技术领域,具体涉及SISO-OFDM系统及其基于分组处理和数据交互的端到端神经网络的信号传输方法。
背景技术
正交频分复用技术(Orthogonal Frequency Division Multiplexing,OFDM)由于其优秀的抗多径能力和频谱效率,已成为了移动通信系统的关键技术之一,它作为一种正交多载波调制技术,带来了许多优势:
1.很强的抗频率选择性衰落能力。其通过多载波调制把宽带信道分成了多个窄带子信道,因此具有很强的抗频率选择性衰落能力。
2.较高的频谱利用率。OFDM调制的子载波相互正交,其相邻子载波的频谱相互交叠,因此有效提高了频谱的利用率。
3.较强的自适应能力。OFDM调制的各个子信道相互独立,可以根据信道衰落情况给每个子载波分配不同的用户、调制方式或者发射能量。
4.较强的抗码间干扰能力。OFDM调制采用了循环前缀(Cyclic Prefix,CP)技术,能够有效地消除符号间干扰。
然而,OFDM信号一直存在一个明显的问题:很高的峰均功率比(Peak-to-AveragePower Ratio,PAPR)。高PAPR的OFDM信号的幅度变化范围非常大,非线性的HPA会引起信号失真和子载波间干扰,这同时会降低系统的BER性能;高PAPR信号对于数模转换器(digital-to-analog converter,DAC)也提出了更高的要求。
目前,针对PAPR抑制问题学者专家已经讨论提出了多种解决方案,方案大致可分为三类:预失真类技术直接针对传输前的OFDM信号进行抑制和失真来降低PAPR,然而这会带来带内和带外失真以及误码率BER增加;概率类技术从数学角度降低高PAPR出现的概率,存在的主要问题是方案的复杂度普遍较高,方案的过程大多涉及搜寻最优的相位叠加组合,这带来了沉重的计算负担,同时也会带来额外的边信息的传输;编码类技术作为一种非失真技术,性能稳定,但是具体编码方式和系统的调制方式相关,同时对于大载波的情形下,搜寻最优的码字难度较大,运算复杂度也会较高。近些年,机器学习的引入产生了解决传统通信问题的新方式,例如一种应用于PAPR抑制的可行方案PAPR降低网络(PAPRreducing network,PRnet)。其思想是将发端和收端利用深度全连接网络实现编码和解码,对比传统方案实现了性能的提升,但存在的问题是方案的网络参数量随OFDM系统的载波数的变化关系较大,深度全连接网络参数量较多,训练开销较大。
发明内容
本发明的目的在于针对上述已有技术的不足,结合机器学习和神经网络,提出一种SISO-OFDM系统及其基于端到端神经网络的信号传输方法,在相比于传统方案,实现PAPR抑制的同时降低网络参数量和开销,便于训练和应用部署,同时无需在时域阶段做额外的PAPR抑制操作。
为达到上述目的,本发明所述SISO-OFDM系统中基于端到端神经网络的信号传输方法,包括以下步骤:
步骤1,在频域构建发端分组处理模块和收端分组处理模块以简化神经网络参数;
步骤2,在频域构建发端数据交互模块和收端数据交互模块以提升对时域PAPR性能的控制能力;
步骤3,构建损失函数,并用损失函数对SISO-OFDM系统进行训练,确定发端分组处理模块、发端数据交互模块、收端分组处理模块、和收端数据交互模块的节点权重和偏置;
步骤4,将输入的二进制比特流进行独热码映射生成独热码信号;将待处理的独热码信号S重新排列得到输入分组处理模块,实现基于载波的分组独立处理,分组独立处理后得到的信号经过数据交互模块进行PAPR抑制,输出OFDM信号;
步骤5,将OFDM信号进行实虚部提取、合并、过采样、平均功率归一化、快速傅里叶逆变换、添加循环前缀和数模转换,得到发射信号;收端对接收到发射信号做快速傅里叶变换操作,去采样,随后经过收端的数据交互模块和分组处理模块,恢复独热码信号,再经过独热码解映射得到二进制比特流。
进一步的,步骤3中,通过引入阈值,将损失函数分为两种状态,避免过度的优化时域信号的最大功率部分而大幅度损失系统的误码性能。
进一步的,步骤3中,构建损失函数的过程包括以下步骤:
S1、取发端当前发送的OFDM信号中的最大功率点与阈值Pthreshold做比较;
进一步的,步骤3中,损失函数为:
一种SISO-OFDM系统,包括发端、信道和收端;所述信道用于连接发端和收端;
所述发端包括依次连接的独热码映射模块、发端神经网络、快速傅里叶逆变换模块和添加循环前缀模块;发端神经网络包括分组处理模块和数据交互模块;
所述独热码映射模块用于将输入的二进制比特流映射为独热码信号,所述发端神经网络用于对独热码信号进行数据处理,得到频域信号;所述快速傅里叶逆变换模块用于将得到的频域信号进行快速傅里叶逆变换,得到对应的时域信号,所述添加循环前缀模块用于对时域信号进行循环前缀添加,得到发射信号,并将发射信号通过信道发送至收端;
所述收端由依次连接的去除循环前缀模块、快速傅里叶变换模块、收端神经网络和独热码解映射模块;
所述去除循环前缀模块用于去除发射信号的循环前缀,所述快速傅里叶变换模块用于对去除循环前缀的发射信号进行OFDM解调并发送至收端神经网络,所述收端神经网络其进行数据处理,得到独热码信号;所述独热码解映射模块用于对独热码信号进行解映射得到输出二进制比特流。
进一步的,分组处理模块由多个级联的一维卷积层或并行的多组全连接层构成,其中每个卷积层包含多个卷积核。
进一步的,数据交互模块由全连接层构成。
进一步的,收端神经网络采用和发端神经网络对称的设置。
与现有技术相比,本发明至少具有以下有益的技术效果:
本发明所述的方法,通过引入分组处理思想,并用损失函数对一维卷积层或并行的全连接层通过训练,确定发端分组处理模块、发端数据交互模块、收端分组处理模块、和收端数据交互模块的参数,用训练后的分组处理模块、发端数据交互模块、收端分组处理模块、和收端数据交互模块处理每个正交子信道上的独热码信号,学习数据的表征,各子信道互不干扰,降低了网络的参数量,降低了为抑制PAPR产生的训练和部署开销。
进一步的,本发明利用端到端神经网络,通过系统误码率和发端OFDM信号的PAPR性能两项加权共同设计损失函数,同时在损失函数中加入功率阈值以控制PAPR性能抑制水平,权重和阈值的设置能够最大限度的平衡PAPR性能与误码率,同时在频域设计的网络能够避免在时域阶段做额外的PAPR抑制操作。
本发明所述的SISO-OFDM系统,在收端和发端均设置分组处理模块和数据交互模块,分组处理模块和数据交互模对待处理数据进行重排,使其在传递过程中可并行处理,利用了OFDM系统本身的正交特性,大幅度减少了待训练的参数,具有更低的训练开销与更好的应用前景,可以在误码率性能与传统削波滤波方案(C&F)相近的条件下更有效地降低PAPR,同时相比PRnet方案具有更低的复杂度。
附图说明
图1是本发明使用的基于端到端神经网络的SISO-OFDM系统收发过程;
图2a是本发明的网络结构示例一;
图2b是本发明的网络结构示例二;
图3是本发明的误码率性能与现有技术对比结果;
图4是本发明的PAPR性能与现有技术对比结果。
具体实施方式
为了使本发明的目的和技术方案更加清晰和便于理解。以下结合附图和实施例,对本发明进行进一步的详细说明,此处所描述的具体实施例仅用于解释本发明,并非用于限定本发明。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
下面结合附图对本发明的具体实施方式和效果作进一步描述。
本发明结合端到端神经网络构建SISO(Single-Input Single-Output,单入单出)-OFDM系统的收发端模型,建立以分组处理模块和数据交互模块为核心组成部分的网络结构,以系统传输误码率性能和PAPR抑制作为优化目标构建损失函数,最终得到满足传输需求的时域发射信号。本发明在系统传输误码率的前提下最大限度的抑制了PAPR,同时相比现有方案大幅度降低复杂度,减小开销,适合于实际系统应用。
实施例1
参照图1,SISO-OFDM系统由发端、信道和收端三部分构成。
发端由依次连接的独热码映射模块、串并转换(S/P)模块、发端神经网络、快速傅里叶逆变换(IFFT)模块、添加循环前缀(CP)模块、并串转换(P/S)模块和数模转换模块(D/A)几部分组成;其中发端神经网络部分由分组处理模块与数据交互模块构成,发端发送低PAPR的OFDM信号,信号经信道传递到收端,收端首先进行模数转换,再去除循环前缀并进行串并转换,再经过快速傅里叶变换(FFT)、收端神经网络、并串转换,最后通过独热码解映射完成检测和解码。
收端由依次连接的模数转换模块(D/A)、并串转换(P/S)模块、去除循环前缀(CP)模块、快速傅里叶变换(IFFT)模块、收端神经网络、并串转换(P/S)模块和独热码解映射模块;模数转换模块(D/A)与信道的输出端连接。
发端首先输入二进制比特流d,经独热码映射模块映射为独热码信号S,将独热码信号进行重新排列得到发端神经网络对其进行数据处理,得到频域信号X=[x1,x2,…,xN],将得到的频域信号进行快速傅里叶逆变换(IFFT),也即OFDM调制,得到对应的时域信号Z=[z1,z2,…,zN],时域信号Z进行循环前缀添加与并串变换,最后经过数模转换得到SISO-OFDM系统的发射信号,发射信号经历信道衰落与噪声干扰后进入收端,收端依次进行模数转换,串并转换并去除循环前缀得到信号R=[r1,r2,…,rN],之后再对信号R进行OFDM解调得到信号Y=[y1,y2,…,yN],收端神经网络对其进行数据处理,得到独热码信号S,再经过独热码解映射模块得到输出二进制比特流d';
发端神经网络由发端分组处理模块与发端数据交互模块构成,发端分组处理模块的输出端与发端数据交互模块的输入端连接。首先将待处理的独热码信号S重新排列得到输入分组处理模块,分组处理模块实现基于载波的分组独立处理,独立处理后得到的信号经过数据交互模块以提升系统对PAPR的抑制能力,发端产生的信号经过信道传输后到达收端,收端神经网络采用和发端神经网络对称的设置以恢复独热码信号
典型的分组处理模块由多个级联的一维卷积层或并行的多组全连接层构成,其中每个卷积层包含多个卷积核,典型的数据交互模块由全连接层构成,其输入为分组处理模块输出的数据,这使得数据交互模块能够共同考虑所有被分组的数据,并通过损失函数训练调整全连接层各节点的权重和偏置,进而调整模块输出的频域信号X=[x1,x2,…,xN],以提升网络对于时域信号PAPR的抑制能力;
发端神经网络和收端神经网络以端到端的形式实现共同训练,系统目标为误码率与时域信号PAPR性能的共同优化。
实施例2
SISO-OFDM系统的收、发端模型如图2a和图2b所示,假设系统具有N个子载波,发端调制阶数M,本发明所述的具有PAPR抑制功能的信号传输方法的示例实现方式如下:
步骤1,输入随机生成的二进制比特流,根据所设置的调制阶数和载波数进行独热码映射生成独热码信号S:当调制阶数为M时,每个独热码信号携带的比特数为将二进制比特流按分组,每组二进制比特信号生成一组M位的独热码,独热码可保证M位中仅有一位为1,其余位均为零。
步骤2,考虑OFDM正交频分复用机制所带来的子载波相互正交的特点,在频域构建分组处理模块以寻求简化神经网络参数。
输入分组处理模块的数据需要特定的排列以实现和特定分组处理模块的对应;
以分组处理模块采用一维卷积层为例,独热码信号S的原始数据维度为[batch,N*M],式中batch为独热码信号样本的个数,N为SISO-OFDM系统子载波数,M为独热码的位数,重新排列独热码信号S得到 的数据维度为[batch,N,M],一维卷积层具有L个卷积核通道,设置每个卷积核的长度kernel_size为1,宽度与单一样本数据相同,即为[1,M],步长stride为1,重排后的输入数据经过一维卷积层后得到数据维度为[N,1],则L个卷积核处理得到的输出数据大小为[N,L],其中卷积核的操作保证了对于一个样本中各子载波的独立处理。
以分组处理模块采用并行的多组全连接层为例,独热码信号S同样需要重新排列,设全连接层的并行组数为K,则经过裁切得到原始数据维度为[batch,N*M],裁切后的各组数据的维度为[batch,N*M/K],经裁切后的K组数据各自输入到对应的K组并行全连接层中的输入层。全连接层包括输入层、隐藏层与输出层,输入全连接层的数据在隐藏层进行批归一化处理以缓解深度网络普遍存在的梯度消失与神经元未激活的问题,这能够使网络有更加稳定的学习过程,从而学习到更优的节点权重和偏置,数据还需在隐藏层经过激活函数以提供非线性拟合能力,隐藏层的激活函数采用整流线性单元ReLU,最后输出层的激活函数采用线性激活单元,以对数据作线性输出,最终得到中间信号An,n=1,2,...,K,K组中间信号An合并后得到A=[A1,A2,…AK],随后信号A进入后续的数据交互模块。
通过引入分组处理思想,将一维卷积层或并行的全连接层通过设置节点权重和偏置用于处理每个正交子信道上的独热码信号,学习数据的表征,各子信道互不干扰,降低了网络的参数量,降低了方案的训练和部署开销。
步骤3,由于最终的时域发送信号与当前各载波的频域数据均相关,因此在频域构建数据交互模块以寻求提升方案对时域PAPR性能的控制能力;
以典型的全连接层为例,分组处理模块输出的数据需先进行合并整形以匹配数据交互模块全连接层的输入要求,数据交互模块以分组处理模块的输出A为输入,且采用只包含一层隐藏节点的全连接层,只包含一层隐藏节点的全连接层能够在网络参数量增加较少的条件下实现对所有频域数据的调整和优化。输入数据交互模块的数据A在隐藏层中进行批归一化处理与激活函数整流线性单元ReLU激活,随后在输出层进行线性激活单元输出,得到频域信号X=[x1,x2,…,xN]。
全连接层通过改变层中各节点的权重和偏置进而改变最终数据交互模块的输出,能够在各正交子载波间引入关联,统筹优化最终的频域数据,以达成系统传输要求。
分组处理模块与数据交互模块均为频域阶段工作的网络,频域网络的设计和使用能够将传统在时域阶段抑制PAPR的方案简化,方案智能的生成频域信号,通过快速傅里叶逆变换(IFFT)操作产生低PAPR的时域信号。
步骤4,将频域信号X进行实虚部提取、合并、过采样、平均功率归一化,快速傅里叶逆变换,添加循环前缀,数模转换等处理,得到发射信号。首先做实部和虚部提取,由于神经网络处理实数数据,因此对于网络的输出进行实部和虚部的提取,并合并生成复数,以便后续在传统信号层面的操作。将得到的复数信号进行过采样,平均功率归一化,快速傅里叶逆变换,添加循环前缀与数模转换后作为SISO-OFDM系统的发射信号。
收端的处理采用与发端对称的设置,即对于信道失真的接收信号Y做快速傅里叶变换操作,去采样,随后经过收端的数据交互模块和分组处理模块,恢复独热码信号再经过独热码解映射得到二进制比特流。其中收端的数据交互模块和分组处理模块采用与发端近似或相同的网络设计,便于网络训练。
步骤5,构建SISO-OFDM系统下抑制PAPR的损失函数的表达式,并用损失函数对SISO-OFDM系统进行训练,以确定发端分组处理模块、发端数据交互模块、收端分组处理模块和发端数据交互模块的节点权重和偏置。
如下所示:
(1)考虑系统误码率问题,误码率即用户接收并解码后得到的信号的正确率。误码率与传输信道的信噪比有紧密联系,同时在PAPR抑制问题中也与PAPR抑制程度有关。具体而言,信噪比越大,系统误码率性能越优秀;PAPR抑制程度越小,系统误码率性能越优秀。
为了保证系统的误码率性能,将误码率以收端和发端信号之差的二范数加入损失函数中。误码率以收端和发端信号之差的二范数具体形式可以表示为:
(2)考虑发射信号的PAPR性能,即发送的时域信号的功率波动。OFDM信号的PAPR定义为信号峰值功率与平均功率的比值:
式中x(n)为时域信号。为了保证发射信号的PAPR性能,将PAPR限制加入到损失函数中,由于网络中包含平均功率归一化层,因此将时域信号的功率峰值作为PAPR限制加入损失函数。信号功率峰值具体形式可以表示为:
其中Z为发端发送的时域信号。
(3)通过引入功率阈值Pthreshold,将训练过程中的损失函数形式分为两种状态,避免过度的优化时域信号的最大功率部分而大幅度损失系统的误码性能。损失函数具体形式表示为:
其中λ为第二部分的加权系数,Pthreshold为预设的功率阈值,当发送OFDM信号的功率峰值小于此阈值时,实时的损失函数将只包含系统误码的部分而去掉最大功率部分,反之,损失函数将保持误码与时域最大功率的组合。功率阈值的设定能够依据优化的实时状态即时的改变损失函数的形式,进而使得方案的训练阶段更有效率。
本发明的效果可通过以下仿真做进一步的说明:
1.仿真条件与网络参数
仿真在jupyter notebook软件上进行,验证网络的有效性。计算机的处理器为Intel(R)Core(TM)i7-8700 3.20GHz,图形处理器为GTX 1070Ti,运行内存为16G。仿真环境为python3.6.2,tensorflow-gpu 1.14.0,numpy 1.19.0。
本仿真实现调制阶数为4,OFDM调制子载波数N=128。系统工作在复高斯建模的信道状态下,对比技术方案为Clipping方案与PRnet方案。在这里本方案网络参数如表1所示
表1.网络参数
2.结果分析
在上述系统设置下应用本发明和Clipping算法,现有技术PRnet方案进行对比。误码率性能结果如图3所示,PAPR性能如图4所示。其中PAPR性能是比较发送信号峰均比的互补累积分布函数(CCDF)曲线。
表2.参数数量
从图3中可以看出,本发明的误码率性能与Clipping方案和现有技术PRnet方案接近。从图4中可以看出,本发明的PAPR性能能够相比于Clipping方案获得较大提升,同时相比于现有技术PRnet方案也有更优的PAPR抑制性能。虽然现有技术PRnet方案与本发明的性能均较为接近,但现有技术PRnet方案待优化的参数数量过多,参数量对比如表2所示,这对于实际硬件系统的性能和存储空间均造成了挑战。纵览全结果可知,本发明相比于Clipping方案在有效的保证系统传输误码率的条件下提升PAPR抑制效果,同时仅有现有技术PRnet方案参数量的5%,大幅度降低了训练和运行开销。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (8)
1.一种SISO-OFDM系统中基于端到端神经网络的信号传输方法,其特征在于,包括以下步骤:
步骤1,在频域构建发端分组处理模块和收端分组处理模块以简化神经网络参数;
步骤2,在频域构建发端数据交互模块和收端数据交互模块以提升对OFDM信号的PAPR性能的控制能力;
步骤3,构建损失函数,并用损失函数对SISO-OFDM系统进行训练,确定发端分组处理模块、发端数据交互模块、收端分组处理模块、和收端数据交互模块的节点权重和偏置;
步骤4,将输入的二进制比特流进行独热码映射生成独热码信号;将待处理的独热码信号S重新排列得到输入分组处理模块,实现基于载波的分组独立处理,分组独立处理后得到的信号经过数据交互模块进行PAPR抑制,输出OFDM信号;
步骤5,将OFDM信号进行实虚部提取、合并、过采样、平均功率归一化、快速傅里叶逆变换、添加循环前缀和数模转换,得到发射信号;收端对接收到发射信号做快速傅里叶变换操作,去采样,随后经过收端的数据交互模块和分组处理模块,恢复独热码信号,再经过独热码解映射得到二进制比特流。
2.根据权利要求1所述的基于端到端神经网络的信号传输方法,其特征在于:所述步骤3中,通过引入阈值,将损失函数分为两种状态,避免过度的优化时域信号的最大功率部分而大幅度损失系统的误码性能。
5.一种SISO-OFDM系统,其特征在于,包括发端、信道和收端;所述信道用于连接发端和收端;
所述发端包括依次连接的独热码映射模块、发端神经网络、快速傅里叶逆变换模块和添加循环前缀模块;发端神经网络包括分组处理模块和数据交互模块;
所述独热码映射模块用于将输入的二进制比特流映射为独热码信号,所述发端神经网络用于对独热码信号进行数据处理,得到频域信号;所述快速傅里叶逆变换模块用于将得到的频域信号进行快速傅里叶逆变换,得到对应的时域信号,所述添加循环前缀模块用于对时域信号进行循环前缀添加,得到发射信号,并将发射信号通过信道发送至收端;
所述收端由依次连接的去除循环前缀模块、快速傅里叶变换模块、收端神经网络和独热码解映射模块;
所述去除循环前缀模块用于去除发射信号的循环前缀,所述快速傅里叶变换模块用于对去除循环前缀的发射信号进行OFDM解调并发送至收端神经网络,所述收端神经网络其进行数据处理,得到独热码信号;所述独热码解映射模块用于对独热码信号进行解映射得到输出二进制比特流。
6.根据权利要求5所述的SISO-OFDM系统,其特征在于,所述分组处理模块由多个级联的一维卷积层或并行的多组全连接层构成,其中每个卷积层包含多个卷积核。
7.根据权利要求5所述的SISO-OFDM系统,其特征在于,所述数据交互模块由全连接层构成。
8.根据权利要求5所述的SISO-OFDM系统,其特征在于,所述收端神经网络采用和发端神经网络对称的设置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210466156.3A CN114866391B (zh) | 2022-04-29 | 2022-04-29 | Siso-ofdm系统及其基于端到端神经网络的信号传输方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210466156.3A CN114866391B (zh) | 2022-04-29 | 2022-04-29 | Siso-ofdm系统及其基于端到端神经网络的信号传输方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114866391A true CN114866391A (zh) | 2022-08-05 |
CN114866391B CN114866391B (zh) | 2023-08-08 |
Family
ID=82636194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210466156.3A Active CN114866391B (zh) | 2022-04-29 | 2022-04-29 | Siso-ofdm系统及其基于端到端神经网络的信号传输方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114866391B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6952394B1 (en) * | 1999-05-25 | 2005-10-04 | Samsung Electronics Co., Ltd. | Method for transmitting and receiving orthogonal frequency division multiplexing signal and apparatus therefor |
KR20180100837A (ko) * | 2017-03-02 | 2018-09-12 | 충북대학교 산학협력단 | 윈도윙과 사이클릭 프리픽스와 사이클릭 포스트픽스를 이용한 직교 주파수 분할 멀티플렉싱 시스템 |
CN109547381A (zh) * | 2019-01-17 | 2019-03-29 | 山东建筑大学 | 一种基于自编码器的dco-ofdm系统papr抑制方法及系统 |
CN109600335A (zh) * | 2019-01-17 | 2019-04-09 | 山东建筑大学 | 基于神经网络的aco-ofdm系统综合papr抑制方法及系统 |
CN111064512A (zh) * | 2019-12-06 | 2020-04-24 | 中山大学 | 基于深度学习的光正交频分复用调制方法与系统 |
US20210111936A1 (en) * | 2019-10-11 | 2021-04-15 | University Of South Carolina | Method for non-linear distortion immune end-to-end learning with autoencoder - ofdm |
-
2022
- 2022-04-29 CN CN202210466156.3A patent/CN114866391B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6952394B1 (en) * | 1999-05-25 | 2005-10-04 | Samsung Electronics Co., Ltd. | Method for transmitting and receiving orthogonal frequency division multiplexing signal and apparatus therefor |
KR20180100837A (ko) * | 2017-03-02 | 2018-09-12 | 충북대학교 산학협력단 | 윈도윙과 사이클릭 프리픽스와 사이클릭 포스트픽스를 이용한 직교 주파수 분할 멀티플렉싱 시스템 |
CN109547381A (zh) * | 2019-01-17 | 2019-03-29 | 山东建筑大学 | 一种基于自编码器的dco-ofdm系统papr抑制方法及系统 |
CN109600335A (zh) * | 2019-01-17 | 2019-04-09 | 山东建筑大学 | 基于神经网络的aco-ofdm系统综合papr抑制方法及系统 |
US20210111936A1 (en) * | 2019-10-11 | 2021-04-15 | University Of South Carolina | Method for non-linear distortion immune end-to-end learning with autoencoder - ofdm |
CN111064512A (zh) * | 2019-12-06 | 2020-04-24 | 中山大学 | 基于深度学习的光正交频分复用调制方法与系统 |
Non-Patent Citations (2)
Title |
---|
YIFEI YANG、等: "FLEXIBLE MULTI-GROUP SINGLE-CARRIER MODULATION: OPTIMAL SUBCARRIER GROUPING AND RATE MAXIMIZATION", 《2018 IEEE INTERNATIONAL CONFERENCE ON ACOUSTIC,SPEECH AND SIGNAL PROCESSING(ICASSP)》 * |
王旭东;林彬;张凯尧;吴楠;: "一种改进的CNN端到端自编码器通信系统", 电讯技术, no. 02 * |
Also Published As
Publication number | Publication date |
---|---|
CN114866391B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106357311B (zh) | 一种基于载波索引调制的mimo-ofdm系统的检测方法 | |
US11671151B2 (en) | Efficient peak-to-average-power reduction for OFDM and MIMO-OFDM | |
CN101682592B (zh) | 用于sc-fdma数据传输的方法以及ofdm装置 | |
KR101053556B1 (ko) | Mmse 연속적 간섭 제거를 가지는 업링크mc-cdma에 대한 동등 ber 파워 컨트롤 | |
CN107181712A (zh) | 一种基于预编码矩阵的gfdm信号papr抑制方法 | |
CN113206813B (zh) | 一种基于改进选择映射法的ofdm系统峰均比抑制方法 | |
CN110138700B (zh) | 一种基于门限判决的连续相位调制低复杂度解调方法 | |
CN105049397B (zh) | 一种用于sim-ofdm系统的功率分配方法 | |
CN111431617A (zh) | 一种无线光通信的非对称限幅光ofdm-im调制方法 | |
CN108847917B (zh) | 一种导频图案调制的正交频分复用传输方法 | |
CN111600826A (zh) | 通信网络中一种非正交的接入-传输通信方法 | |
CN107222446A (zh) | 一种大规模mimo‑ofdm的峰均功率比降低系统及其方法 | |
Zhong et al. | Bit error rate analysis of a MIMO-generalized frequency division multiplexing scheme for 5th generation cellular systems | |
CN111884980B (zh) | 一种无线光通信的广义索引调制光ofdm调制方法 | |
CN106789820B (zh) | 联合正交变换与非正交的高效频分复用传输峰均比抑制方法 | |
Heydari et al. | Iterative detection with soft decision in spectrally efficient FDM systems | |
CN111641576B (zh) | 一种基于索引调制的降低ofdm信号峰均比值的方法 | |
CN100377515C (zh) | 用于mimo-ofdm系统的自适应传输方法 | |
CN112636855A (zh) | 一种ofdm信号检测方法 | |
CN105119861B (zh) | 一种交织载波索引调制n阶连续ofdm系统ber改善方法 | |
CN114866391B (zh) | Siso-ofdm系统及其基于端到端神经网络的信号传输方法 | |
CN108234368B (zh) | 一种高谱效安全截短正交频分复用传输方法 | |
Pereira et al. | Tibwb-ofdm: A promising modulation technique for mimo 5g transmissions | |
Zhang et al. | A novel PAPR reduction algorithm based on SLM technique in UFMC systems | |
Aboharba et al. | On the performance of ofdm index modulation over nakagami fading channels |
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 |