CN114938250B - 基于自编码网络的端到端水声fbmc通信方法及系统 - Google Patents
基于自编码网络的端到端水声fbmc通信方法及系统 Download PDFInfo
- Publication number
- CN114938250B CN114938250B CN202210364607.2A CN202210364607A CN114938250B CN 114938250 B CN114938250 B CN 114938250B CN 202210364607 A CN202210364607 A CN 202210364607A CN 114938250 B CN114938250 B CN 114938250B
- Authority
- CN
- China
- Prior art keywords
- fbmc
- network
- underwater acoustic
- autoencoder
- symbol
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims description 30
- 210000002569 neuron Anatomy 0.000 claims description 30
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 230000001934 delay Effects 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000005457 optimization Methods 0.000 abstract description 6
- 230000007246 mechanism Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B13/00—Transmission systems characterised by the medium used for transmission, not provided for in groups H04B3/00 - H04B11/00
- H04B13/02—Transmission systems in which the medium consists of the earth or a large mass of water thereon, e.g. earth telegraphy
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- 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
- H04L27/2697—Multicarrier modulation systems in combination with other modulation techniques
- H04L27/2698—Multicarrier modulation systems in combination with other modulation techniques double density OFDM/OQAM system, e.g. OFDM/OQAM-IOTA system
-
- 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)
- 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)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于自编码网络的端到端水声FBMC通信方法及系统,属于水声通信技术领域。首先将自编码网络的思想引入滤波器组多载波调制通信系统,构建Autoencoder‑FBMC水声通信系统网络,这其中包括发送子网和接收子网;然后采用端到端的训练方式以达到对整个系统联合优化的目的;最后将训练好的Autoencoder‑FBMC水声通信网络应用于真实水声环境中,测试当前网络的性能。本发明所提出Autoencoder‑FBMC水声通信系统网络,区别于传统FBMC水声通信系统,不再依赖于各个独立模块的优化,而是以提高系统整体性能为目标,进行全局联合优化。这种调制解调机制兼顾到信道的参数变化与物理特征,从而提高了系统的性能上限。
Description
技术领域
本发明属于水声通信技术领域,具体是基于自编码网络的端到端水声FBMC通信方法及系统。
背景技术
水声通信作为目前可靠性最高的水下通信方式之一,正在被广泛应用于军事、民用和商用领域。然而水声信道相比于陆上信道存在严重的强多径、大时延、可利用带宽窄等物理特性,是最为复杂的无线信道之一。因此寻找适合水声环境的抗干扰水声通信技术成为水声通信领域的研究热点之一。近年来,深度学习在信道估计、信号检测等方面的研究取得了一定进展,比如针对水声OFDM通信系统的信道估计,提出用深度神经网络直接取代接收端的信道估计与均衡模块,克服水声信道复杂的多径与衰落的影响,大大提高了系统的可靠性。与此同时,自编码网络也因其输入输出一致性的特性逐渐成为研究热点。自编码网络是一种无监督的深度神经网络,其编码网络与译码网络与通信系统中的发送设备和接收设备相对应,将自编码网络与通信系统相结合,通过端到端整体联合优化的训练方式,从而达到提升系统性能上限的目的。因此,将自编码网络与通信系统的结合,实现可靠性更高的水声通信将成为未来发展的趋势。
发明内容
发明目的:本发明的目的在于通过端到端的方式对系统整体进行联合优化,以提高系统整体性能为目标,将自编码的思想融入FBMC结构中,提出了一种基于自编码网络的端到端水声FBMC通信系统与方法。
技术方案:一种基于自编码网络的端到端水声FBMC通信方法,包括如下步骤:
(1)将自编码网络的思想引入滤波器组多载波调制通信系统中,搭建Autoencoder-FBMC水声通信网络信道模型;所述的Autoencoder-FBMC水声通信网络信道模型选用稀疏水声信道模型,信道冲激响应可表示为多个路径增益与相对时延不同的单位冲激相应δ之和,即:
其中,Np表示多径数目;τp(t)表示相对时延;Ap(t)表示路径增益;τp(t)和Ap(t)均为衡量水声信道脉冲响应h(τ)的主要参数;
(2)对Autoencoder-FBMC水声通信系统网络以端到端的方式进行训练,调整网络参数,使得输入与输出的差别最小化,直到确定性能最佳的网络结构;具体过程如下:
(2.1)在离线训练阶段,将随机生成的原始二进制比特流s经过串/并转换后输入Autoencoder-FBMC水声通信系统发送端子网进行映射,对映射后得到的符号x进行OQAM调制,即将映射好的符号的实虚部偏移半个符号;随后在指定位置添加导频,再进行FBMC调制,经过IFFT变换多相网络处理后得到FBMC符号xFBMC后,再经过并/串转换后送入水声信道;
(2.2)将经过信道传输后的FBMC符号yFBMC进行FBMC解调,经过多相网络和FFT逆变换后去除导频,将其输入Autoencoder-FBMC水声通信系统接收端子网,得到接收端的输出其中,原始生成的随机数据s与经水声信道传输后接收到的数据/>作为一组训练数据;
(2.3)通过在训练过程中调整神经元的权重系数来最小化s与之差,其损失函数选用均方误差损失函数:
(3)将训练好的Autoencoder-FBMC水声通信网络应用于真实水声环境中进行检测。
所述的Autoencoder-FBMC水声通信网络模型发送端子网由1个输入层、2个隐藏层和1个输出层组成,其中输出层的神经元个数与输入的复数符号的长度相同,隐藏层1的神经元个数为N1,隐藏层2的神经元个数为N2,隐藏层以全连接的方式连接到输入层和输出层,激活函数均选用Leaky ReLU函数:
fleaky-ReLU(x)=max{μx,x}
其中,μ为固定参数,取值范围在(0,1)之间。
所述的Autoencoder-FBMC水声通信网络模型接受端子网由1个输入层、2个隐藏层和1个输出层组成,其中,隐藏层1的神经元个数为M1,隐藏层2的神经元个数为M2,隐藏层以全连接的方式连接到输入层和输出层,输出层的激活函数选择sigmoid函数,将变量映射到[0,1],符合输出数据为比特的实际物理意义。
所述的步骤(2)训练过程中,使用Adam随机梯度下降方法来对Autoencoder-FBMC水声通信系统网络中的参数进行更新。
一种基于自编码网络的端到端水声FBMC通信系统,包括发送端,接收端,网络通信模块;
发送端:包含串/并转换,将输入的串行二进制比特流转化为多路并行的比特序列,以便对数据进行进一步处理;Autoencoder发送子网将输入序列映射为符号后,经过OQAM调制模块,即将映射好的符号的实虚部偏移半个符号,使其在经过FBMC调制后仍在实数域保持正交;然后在指定位置插入块状导频,输入FBMC调制模块,即对处理后的数据进行IFFT运算,再通过不同偏移量的滤波器组进行滤波,得到FBMC符号xFBMC,最后将调制后的序列经过并/串转换后输入水声信道;
接收端:包括串/并转换,将经过水声信道传输的串行数据转化为多路并行的FBMC符号序列;然后将其输入FBMC解调模块,经过多相网络和FFT运算处理后去除导频,得到不含到导频的符号;最后经过Autoencoder接收子网恢复出原始比特信息;
网络通信模块:包括Autoencoder-FBMC水声通信网络信道模型搭建,Autoencoder-FBMC水声通信网络信道模型训练,Autoencoder-FBMC水声通信网络信道模型检测;
所述的Autoencoder-FBMC水声通信网络信道模型搭建,选用稀疏水声信道模型,信道冲激响应可表示为多个路径增益与相对时延不同的单位冲激相应δ之和,即:
其中,Np表示多径数目;τp(t)表示相对时延;Ap(t)表示路径增益;τp(t)和Ap(t)均为衡量水声信道脉冲响应h(τ)的主要参数;
所述的Autoencoder-FBMC水声通信网络信道模型训练,具体过程如下:
在离线训练阶段,将随机生成的原始二进制比特流s经过串/并转换后输入Autoencoder-FBMC水声通信系统发送端子网进行映射,对映射后得到的符号x进行OQAM调制,即将映射好的符号的实虚部偏移半个符号;随后在指定位置添加导频,再进行FBMC调制,经过IFFT变换多相网络处理后得到FBMC符号xFBMC后,再经过并/串转换后送入水声信道;
将经过信道传输后的FBMC符号yFBMC进行FBMC解调,经过多相网络和FFT逆变换后去除导频,将其输入Autoencoder-FBMC水声通信系统接收端子网,得到接收端的输出其中,原始生成的随机数据s与经水声信道传输后接收到的数据/>作为一组训练数据;
通过在训练过程中调整神经元的权重系数来最小化s与之差,其损失函数选用均方误差损失函数:
所述的Autoencoder-FBMC水声通信网络信道模型检测为,将训练好的Autoencoder-FBMC水声通信网络应用于真实水声环境中进行检测。
所述的Autoencoder-FBMC水声通信网络模型发送端子网由1个输入层、2个隐藏层和1个输出层组成,其中输出层的神经元个数与输入的复数符号的长度相同,隐藏层1的神经元个数为N1,隐藏层2的神经元个数为N2,隐藏层以全连接的方式连接到输入层和输出层,激活函数均选用Leaky ReLU函数:
fleaky-ReLU(x)=max{μx,x}
其中,μ为固定参数,取值范围在(0,1)之间。
所述的Autoencoder-FBMC水声通信网络模型接受端子网由1个输入层、2个隐藏层和1个输出层组成,其中,隐藏层1的神经元个数为M1,隐藏层2的神经元个数为M2,隐藏层以全连接的方式连接到输入层和输出层,输出层的激活函数选择sigmoid函数,将变量映射到[0,1],符合输出数据为比特的实际物理意义。
所述的步骤(2)训练过程中,使用Adam随机梯度下降方法来对Autoencoder-FBMC水声通信系统网络中的参数进行更新。
有益效果:本发明所提出的一种基于自编码网络的水声FBMC信号检测方法,首先区别于传统FBMC水声通信接收模块,减小了水声信道窄带宽、大时延、强多途等固有物理特性对信号检测的影响;其次区别于目前仅在接受端进行智能检测的方法,不再依赖于各个独立模块的训练优化,而是通过端到端的方式对系统整体进行联合优化,以提高系统整体性能为目标,立足于整个系统。这种调制解调机制兼顾到信道的参数变化与物理特征,提高了系统的可靠性。
附图说明
图1为本发明中Autoencoder-FBMC水声通信系统模型图;
图2为本发明中Autoencoder发送子网及接收子网结构示意图;
图3为本发明一种基于自编码网络的端到端水声FBMC通信方法流程图;
图4为本发明中Autoencoder-FBMC水声通信系统发送端示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
本发明提供了一种基于自编码网络的端到端水声FBMC通信系统与方法,其系统模型如图1所示,包括:
发送端:包含串/并转换,将输入的串行二进制比特流转化为多路并行的比特序列,以便对数据进行进一步处理;Autoencoder发送子网将输入序列映射为符号后,经过OQAM调制模块,即将映射好的符号的实虚部偏移半个符号,使其在经过FBMC调制后仍在实数域保持正交;然后在指定位置插入IAM块状导频,输入FBMC调制模块,即对处理后的数据进行IFFT运算,再通过不同偏移量的滤波器组进行滤波,得到FBMC符号xFBMC。最后将调制后的序列经过并/串转换后输入水声信道。图4为本发明中Autoencoder-FBMC水声通信系统发送端示意图。
接收端:在结构上与发送端具有一定的对称性。包括串/并转换,将经过水声信道传输的串行数据转化为多路并行的FBMC符号序列;然后将其输入FBMC解调模块,经过多相网络和FFT运算处理后去除导频,得到不含到导频的符号;最后经过Autoencoder接收子网恢复出原始比特信息。
图2展示了本发明中Autoencoder发送子网及接收子网结构示意图。
其中,Autoencoder-FBMC水声通信网络信道模型选用稀疏水声信道模型,信道冲激响应可表示为多个路径增益与相对时延不同的单位冲激相应δ之和,即:
其中,Np表示多径数目;τp(t)表示相对时延;Ap(t)表示路径增益;τp(t)和Ap(t)均为衡量水声信道脉冲响应h(τ)的主要参数。
本发明所述的基于自编码网络的端到端水声FBMC通信方法的具体步骤如图3所示,具体细节如下:
步骤1:将自编码网络的思想引入滤波器组多载波调制通信系统中,搭建Autoencoder-FBMC水声通信网络模型。包括将Autoencoder发送子网与输出子网分别接入FBMC水声通信系统的发送端与接收端。其中,发送端子网由输入层、两个隐藏层和输出层组成,其中输出层的神经元个数与输入的复数符号的长度相同。隐藏层1的神经元个数为N1,隐藏层2的神经元个数为N2,隐藏层以全连接的方式连接到输入层和输出层,激活函数均选用Leaky ReLU函数:
fleaky-ReLU(x)=max{μx,x}
其中,μ为固定参数,取值范围在(0,1)之间。
接受端子网由输入层、两个隐藏层和输出层组成。其中,隐藏层1的神经元个数为M1,隐藏层2的神经元个数为M2,隐藏层以全连接的方式连接到输入层和输出层,输出层的激活函数选择sigmoid函数,将变量映射到[0,1],符合输出数据为比特的实际物理意义。
发送端子网与接受端子网在结构上具有一定的对称性。其中发送端子网可以从输入数据中给学习到数据特征,接收端子网将学习到的特征重构出原始数据,从而达到最大程度恢复输入数据的目标。
步骤2:对Autoencoder-FBMC水声通信系统网络以端到端的方式进行训练,调整网络参数,使得输入与输出的差别最小化,确定最佳网络架构。具体训练过程如下:
首先,在离线训练阶段,假设子载波个数为N,随机生成的二进制比特流s为一组独立同分布的数据序列,可表示为:
s={s0,s1,…,sk,...,sN-1}
其中,sk表示Mbit数据向量。经过串/并转换后输入Autoencoder-FBMC水声通信系统发送端子网进行映射,这一操作可用f(sk)表示,映射后的符号xk=f(sk)。对映射后得到的符号xk进行OQAM调制,即将映射好的符号的实虚部偏移半个符号;随后经过导频插入模块,在指定位置添加IAM块状导频;再进行FBMC调制,包括快速傅里叶逆变换(IFFT)和多相网络调制两部分。经过IFFT变换后可得时域信号x(n),可由下式表示:
其中,0≤n≤N-1。将经过变换处理后的数据与不同偏移量的原型滤波器组进行滤波,即经过多相网络处理后,得到FBMC符号xFBMC,经过并/串转换后在水声信道进行传输。
由于在结构上接收端与发送端具有一定的对称性。故将经过信道传输后的FBMC符号yFBMC进行FBMC解调,经过多相网络和FFT逆变换后去除导频,将其输入Autoencoder-FBMC水声通信系统接收端子网,得到接收端的输出其中,原始生成的随机数据s与经水声信道传输后接收到的数据/>作为一组训练数据。训练集和验证机样本个数分别为8×104和2×104。
最后,通过在训练过程中调整神经元的权重系数来最小化s与之差,其损失函数选用均方误差损失函数:
使用Adam随机梯度下降方法来对Autoencoder-FBMC水声通信系统网络中的参数进行更新。初始学习率设为0.001。
步骤3:将训练好的Autoencoder-FBMC水声通信网络应用于真实水声环境中进行检测。接受端子网输出数据应为原始传输数据s的预测值。
Claims (8)
1.基于自编码网络的端到端水声FBMC通信方法,其特征在于,包括如下步骤:
(1)将自编码网络的思想引入滤波器组多载波调制通信系统中,搭建Autoencoder-FBMC水声通信网络信道模型;所述的Autoencoder-FBMC水声通信网络信道模型选用稀疏水声信道模型,信道冲激响应可表示为多个路径增益与相对时延不同的单位冲激响应δ之和,即:
其中,Np表示多径数目;tp(t)表示相对时延;Ap(t)表示路径增益;tp(t)和Ap(t)均为衡量水声信道脉冲响应h(t)的主要参数;
(2)对Autoencoder-FBMC水声通信网络信道模型以端到端的方式进行训练,调整网络参数,使得输入与输出的差别最小化,直到确定性能最佳的网络结构;具体过程如下:
(2.1)在离线训练阶段,将随机生成的原始二进制比特流s经过串/并转换后输入Autoencoder-FBMC水声通信网络信道模型发送端子网进行映射,对映射后得到的符号x进行OQAM调制,即将映射好的符号的实虚部偏移半个符号;随后在指定位置添加导频,再进行FBMC调制,经过IFFT变换多相网络处理后得到FBMC符号xFBMC后,再经过并/串转换后送入水声信道;
(2.2)将经过信道传输后的FBMC符号yFBMC进行FBMC解调,经过多相网络和FFT逆变换后去除导频,将其输入Autoencoder-FBMC水声通信网络信道模型接收端子网,得到接收端的输出其中,原始生成的随机数据s与经水声信道传输后接收到的数据/>作为一组训练数据;
(2.3)通过在训练过程中调整神经元的权重系数来最小化s与之差,其损失函数选用均方误差损失函数:
(3)将训练好的Autoencoder-FBMC水声通信网络信道模型应用于真实水声环境中进行检测。
2.根据权利要求1所述的基于自编码网络的端到端水声FBMC通信方法,其特征在于,所述的Autoencoder-FBMC水声通信网络信道模型发送端子网由1个输入层、2个隐藏层和1个输出层组成,其中输出层的神经元个数与输入的复数符号的长度相同,隐藏层1的神经元个数为N1,隐藏层2的神经元个数为N2,隐藏层以全连接的方式连接到输入层和输出层,激活函数均选用Leaky ReLU函数:
fleaky-ReLU(x)=max{μx,x}
其中,μ为固定参数,取值范围在(0,1)之间。
3.根据权利要求1所述的基于自编码网络的端到端水声FBMC通信方法,其特征在于,所述的Autoencoder-FBMC水声通信网络信道模型接受端子网由1个输入层、2个隐藏层和1个输出层组成,其中,隐藏层1的神经元个数为M1,隐藏层2的神经元个数为M2,隐藏层以全连接的方式连接到输入层和输出层,输出层的激活函数选择sigmoid函数,将变量映射到[0,1],符合输出数据为比特的实际物理意义。
4.根据权利要求1所述的基于自编码网络的端到端水声FBMC通信方法,其特征在于,所述的步骤(2)训练过程中,使用Adam随机梯度下降方法来对Autoencoder-FBMC水声通信网络信道模型中的参数进行更新。
5.基于自编码网络的端到端水声FBMC通信系统,其特征在于,包括发送端,接收端,网络通信模块;
发送端:包含串/并转换,将输入的串行二进制比特流转化为多路并行的比特序列,以便对数据进行进一步处理;Autoencoder发送子网将输入序列映射为符号后,经过OQAM调制模块,即将映射好的符号的实虚部偏移半个符号,使其在经过FBMC调制后仍在实数域保持正交;然后在指定位置插入块状导频,输入FBMC调制模块,即对处理后的数据进行IFFT运算,再通过不同偏移量的滤波器组进行滤波,得到FBMC符号xFBMC,最后将调制后的序列经过并/串转换后输入水声信道;
接收端:包括串/并转换,将经过水声信道传输的串行数据转化为多路并行的FBMC符号序列;然后将其输入FBMC解调模块,经过多相网络和FFT运算处理后去除导频,得到不含到导频的符号;最后经过Autoencoder接收子网恢复出原始比特信息;
网络通信模块:包括Autoencoder-FBMC水声通信网络信道模型搭建,Autoencoder-FBMC水声通信网络信道模型训练,Autoencoder-FBMC水声通信网络信道模型检测;
所述的Autoencoder-FBMC水声通信网络信道模型搭建,选用稀疏水声信道模型,信道冲激响应可表示为多个路径增益与相对时延不同的单位冲激响应δ之和,即:
其中,Np表示多径数目;tp(t)表示相对时延;Ap(t)表示路径增益;tp(t)和Ap(t)均为衡量水声信道脉冲响应h(t)的主要参数;
所述的Autoencoder-FBMC水声通信网络信道模型训练,具体过程如下:
在离线训练阶段,将随机生成的原始二进制比特流s经过串/并转换后输入Autoencoder-FBMC水声通信网络信道模型发送端子网进行映射,对映射后得到的符号x进行OQAM调制,即将映射好的符号的实虚部偏移半个符号;随后在指定位置添加导频,再进行FBMC调制,经过IFFT变换多相网络处理后得到FBMC符号xFBMC后,再经过并/串转换后送入水声信道;
将经过信道传输后的FBMC符号yFBMC进行FBMC解调,经过多相网络和FFT逆变换后去除导频,将其输入Autoencoder-FBMC水声通信网络信道模型接收端子网,得到接收端的输出其中,原始生成的随机数据s与经水声信道传输后接收到的数据/>作为一组训练数据;
通过在训练过程中调整神经元的权重系数来最小化s与之差,其损失函数选用均方误差损失函数:
所述的Autoencoder-FBMC水声通信网络信道模型检测为,将训练好的Autoencoder-FBMC水声通信网络信道模型应用于真实水声环境中进行检测。
6.根据权利要求5所述的基于自编码网络的端到端水声FBMC通信系统,其特征在于,所述的Autoencoder-FBMC水声通信网络信道模型发送端子网由1个输入层、2个隐藏层和1个输出层组成,其中输出层的神经元个数与输入的复数符号的长度相同,隐藏层1的神经元个数为N1,隐藏层2的神经元个数为N2,隐藏层以全连接的方式连接到输入层和输出层,激活函数均选用Leaky ReLU函数:
fleaky-ReLU(x)=max{μx,x}
其中,μ为固定参数,取值范围在(0,1)之间。
7.根据权利要求5所述的基于自编码网络的端到端水声FBMC通信系统,其特征在于,所述的Autoencoder-FBMC水声通信网络信道模型接受端子网由1个输入层、2个隐藏层和1个输出层组成,其中,隐藏层1的神经元个数为M1,隐藏层2的神经元个数为M2,隐藏层以全连接的方式连接到输入层和输出层,输出层的激活函数选择sigmoid函数,将变量映射到[0,1],符合输出数据为比特的实际物理意义。
8.根据权利要求5所述的基于自编码网络的端到端水声FBMC通信系统,其特征在于,使用Adam随机梯度下降方法来对Autoencoder-FBMC水声通信网络信道模型中的参数进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210364607.2A CN114938250B (zh) | 2022-04-08 | 2022-04-08 | 基于自编码网络的端到端水声fbmc通信方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210364607.2A CN114938250B (zh) | 2022-04-08 | 2022-04-08 | 基于自编码网络的端到端水声fbmc通信方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114938250A CN114938250A (zh) | 2022-08-23 |
CN114938250B true CN114938250B (zh) | 2024-04-02 |
Family
ID=82863268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210364607.2A Active CN114938250B (zh) | 2022-04-08 | 2022-04-08 | 基于自编码网络的端到端水声fbmc通信方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114938250B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109474352A (zh) * | 2018-12-24 | 2019-03-15 | 哈尔滨工程大学 | 一种基于深度学习的水声正交频分复用通信方法 |
CN111740934A (zh) * | 2020-05-21 | 2020-10-02 | 江苏科技大学 | 一种基于深度学习的水声fbmc通信信号检测方法 |
CN112464837A (zh) * | 2020-12-03 | 2021-03-09 | 中国人民解放军战略支援部队信息工程大学 | 基于小数据样本的浅海水声通信信号调制识别方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3038184A1 (fr) * | 2015-06-24 | 2016-12-30 | Orange | Procede de transmission multi services avec selection de la modulation multi porteuse en fonction du service |
-
2022
- 2022-04-08 CN CN202210364607.2A patent/CN114938250B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109474352A (zh) * | 2018-12-24 | 2019-03-15 | 哈尔滨工程大学 | 一种基于深度学习的水声正交频分复用通信方法 |
CN111740934A (zh) * | 2020-05-21 | 2020-10-02 | 江苏科技大学 | 一种基于深度学习的水声fbmc通信信号检测方法 |
CN112464837A (zh) * | 2020-12-03 | 2021-03-09 | 中国人民解放军战略支援部队信息工程大学 | 基于小数据样本的浅海水声通信信号调制识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114938250A (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111404849B (zh) | 一种基于深度学习的ofdm信道估计与信号检测方法 | |
CN111683024B (zh) | 一种基于深度学习的时变ofdm系统信道估计方法 | |
CN109617847B (zh) | 一种基于模型驱动深度学习的无循环前缀ofdm接收方法 | |
CN111510402B (zh) | 基于深度学习的ofdm信道估计方法 | |
Ma et al. | Learning assisted estimation for time-varying channels | |
CN111669344B (zh) | 一种基于深度学习的时变ofdm系统信号检测方法 | |
Zhang et al. | Deep learning based on orthogonal approximate message passing for CP-free OFDM | |
CN111865863B (zh) | 一种基于rnn神经网络的ofdm信号检测方法 | |
CN110311876A (zh) | 基于深度神经网络的水声正交频分复用接收机的实现方法 | |
CN114745230A (zh) | 基于深度神经网络结构的otfs信号接收恢复方法 | |
CN111368979A (zh) | Mimo-ofdm系统papr抑制方法 | |
CN114745246B (zh) | 基于正交空间调制的正交时频空间调制系统的工作方法 | |
CN116132239A (zh) | 采用预激活残差单元和超分辨网络的ofdm信道估计方法 | |
Qiao et al. | A novel signal detection scheme based on adaptive ensemble deep learning algorithm in SC-FDE systems | |
CN111555990A (zh) | 基于长短时记忆残差网络的信道插值估计方法 | |
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 | |
CN112636855A (zh) | 一种ofdm信号检测方法 | |
CN114938250B (zh) | 基于自编码网络的端到端水声fbmc通信方法及系统 | |
Liu et al. | RecNet: Deep learning-based OFDM receiver with semi-blind channel estimation | |
Wong et al. | Deep Learning for Channel Estimation and Signal Detection in OFDM-Based Communication Systems | |
CN113709075B (zh) | 一种利用水声信道多径效应的水声通信接收机的实现方法 | |
Zhao et al. | Model-driven based deep unfolding equalizer for underwater acoustic OFDM communications | |
Yıldırım et al. | Deep receiver design for multi-carrier waveforms using cnns | |
Aziz et al. | Deep Recurrent Neural Network Based Detector for OFDM With Index Modulation | |
CN114528925B (zh) | 一种基于深层分类网络的时变信道ofdm信号均衡方法 |
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 |