CN115118557B - 基于深度学习的水声ofdm通信信道反馈方法及系统 - Google Patents
基于深度学习的水声ofdm通信信道反馈方法及系统 Download PDFInfo
- Publication number
- CN115118557B CN115118557B CN202210746806.XA CN202210746806A CN115118557B CN 115118557 B CN115118557 B CN 115118557B CN 202210746806 A CN202210746806 A CN 202210746806A CN 115118557 B CN115118557 B CN 115118557B
- Authority
- CN
- China
- Prior art keywords
- channel information
- underwater
- sound channel
- underwater sound
- training
- 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
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
-
- 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
- H04B11/00—Transmission systems employing sonic, ultrasonic or infrasonic waves
-
- 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
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
- Circuit For Audible Band Transducer (AREA)
Abstract
本发明涉及一种基于深度学习的水声OFDM通信信道反馈方法及系统,具体涉及通信技术领域。所述方法包括:接收端根据水声信道信息、导频子载波信号和导频子载波接收的信号确定估计水声信道信息;将估计水声信道信息输入训练好的autoencoder网络中的encoder网络得到压缩水声信道信息;训练好的autoencoder网络为以含噪水声信道信息为输入,以训练水声信道信息为输出对基于autoencoder的深度神经网络进行训练得到的;发送端将接收到的压缩水声信道信息输入训练好的autoencoder网络中的decoder网络得到近似水声信道信息。本发明使得恢复的近似水声信道信息更接近水声信道信息。
Description
技术领域
本发明涉及水声通信技术领域,特别是涉及一种基于深度学习的水声OFDM通信信道反馈方法及系统。
背景技术
现有针对水声信道反馈压缩的系统性研究较少,大多数采用启发式算法,例如:平均多个相邻子载波的信道SNR并发送,此类方法的压缩不足且信道恢复能力不强;还有利用水声信道的稀疏性,采用反馈稀疏通信路径的幅值与时延,来进一步压缩信道反馈,此方法虽然在信噪比高的情况下,压缩比高,恢复能力强,但水声信道一般噪声较多,该方法在低信噪比的情况下恢复的信道信息含有较多噪声。
发明内容
本发明的目的是提供一种基于深度学习的水声OFDM通信信道反馈方法及系统,使得恢复的近似水声信道信息更接近原始水声信道信息。
为实现上述目的,本发明提供了如下方案:
一种基于深度学习的水声OFDM通信信道反馈方法,包括:
接收端根据发送端发送的导频子载波信号和导频子载波接收的信号计算估计水声信道信息;
将所述估计水声信道信息输入训练好的autoencoder网络中的encoder网络得到压缩水声信道信息;所述训练好的autoencoder网络为以含噪水声信道信息为输入,以训练水声信道信息为输出对基于autoencoder的深度神经网络进行训练得到的;所述含噪声水声信道信息为对所述训练水声信道信息加入高斯噪声得到的;
将所述压缩水声信道信息反馈至所述发送端;
所述发送端将接收到的所述压缩水声信道信息输入所述训练好的autoencoder网络中的decoder网络得到近似水声信道信息。
可选的,所述训练好的autoencoder网络的确定过程为:
构建训练集;所述训练集包括N组水声信道集合;所述水声信道集合包括训练水声信道信息和含噪水声信道信息;
以所述训练集中的含噪水声信道信息为输入,以所述训练集中的训练水声信道信息为输出对基于autoencoder的深度神经网络进行训练得到训练好的autoencoder网络。
可选的,所述构建训练集具体包括:
利用Bellhop水声信道仿真软件或者基于稀疏水声信道传播路径方法生成N组训练水声信道信息;
将各组训练水声信道分别加入高斯噪声得到N组含噪水声信道信息。
可选的,所述将所述压缩水声信道信息反馈至所述发送端,具体包括:
将所述压缩水声信道信息依次进行编码和调制得到发射信号;
将所述发射信号反馈至所述发送端。
可选的,所述发送端将接收到的所述压缩水声信道信息输入所述训练好的autoencoder网络中的decoder网络得到近似水声信道信息,具体包括:
所述发送端接收所述接收端反馈的发射信号并将接收到的发射信号依次进行解调和解码操作;
将解调和解码后的发射信号输入所述训练好的autoencoder网络中的decoder网络得到近似水声信道信息。
可选的,所述encoder网络包括依次连接的卷积模块和全连接linear层;所述卷积模块包括多个依次连接的卷积层。
可选的,所述decoder网络包括依次连接的Attention和RefineNet模块;所述RefineNet模块包括多个依次连接的RefineNet网络。
一种基于深度学习的水声OFDM通信信道反馈系统,包括:发送端和接收端;
所述发送端包括:通信信号发送模块和近似水声信道信息确定模块;所述接收端包括:信道估计模块、压缩模块和反馈模块;
所述通信信号发送模块,用于发送导频子载波信号;
所述信道估计模块,用于根据所述导频子载波信号和导频子载波接收的信号确定估计水声信道信息;
所述压缩模块,用于将所述估计水声信道信息输入训练好的autoencoder网络中的encoder网络得到压缩水声信道信息;所述训练好的autoencoder网络为以含噪水声信道信息为输入,以训练水声信道信息为输出对基于autoencoder的深度神经网络进行训练得到的;所述含噪水声信道信息为对所述训练水声信道信息加入高斯噪声得到的;
所述反馈模块,用于将所述压缩水声信道信息反馈至所述发送端;
所述近似水声信道信息确定模块,用于将接收到的所述压缩水声信道信息输入所述训练好的autoencoder网络中的decoder网络得到近似水声信道信息。
可选的,所述基于深度学习的水声OFDM通信信道反馈系统,还包括:
训练集构建模块,用于构建训练集;所述训练集包括N组水声信道集合;所述水声信道集合包括训练水声信道信息和含噪水声信道信息;
训练模块,用于以所述训练集中的含噪水声信道信息为输入,以所述训练集中的训练水声信道信息为输出对基于autoencoder的深度神经网络进行训练得到训练好的autoencoder网络。
可选的,所述训练集构建模块包括:
训练水声信道信息确定单元,用于利用Bellhop水声信道仿真软件或者基于稀疏水声信道传播路径方法生成N组训练水声信道信息;
含噪水声信道信息确定单元,用于将各组训练水声信道分别加入高斯噪声得到N组含噪水声信道信息。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明接收端根据导频子载波信号和导频子载波接收的信号确定估计水声信道信息;将估计水声信道信息输入训练好的autoencoder网络中的encoder网络得到压缩水声信道信息;训练好的autoencoder网络为以含噪水声信道信息为输入,以训练水声信道信息为输出对基于autoencoder的深度神经网络进行训练得到的;含噪水声信道信息为对训练水声信道信息加入高斯噪声得到的;将压缩水声信道信息反馈至发送端;发送端将接收到的压缩水声信道信息输入训练好的autoencoder网络中的decoder网络得到近似水声信道信息,本发明在训练autoencoder网络时以含噪水声信道信息为输入,以训练水声信道信息为输出,构造含噪水声信道信息至水声信道信息的映射,使得深度网络具有良好的抗噪能力,可以利用压缩后的信息,较好的恢复原始信道信息。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于深度学习的水声OFDM通信信道反馈系统的原理图;
图2为本发明实施例提供的一种基于深度学习的水声OFDM通信信道反馈方法的示意图;
图3为本发明实施例提供的网络训练过程示意图;
图4为本发明实施例提供的encoder网络的结构图;
图5为本发明实施例提供的decoder网络的结构图。
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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明实施例提供了一种基于深度学习的水声OFDM通信信道反馈方法,如图2所示,水声信道信息依次输入encoder网络和decoder网络得到近似水声信道信息,具体步骤如下:
接收端根据发送端发送的导频子载波信号和导频子载波接收的信号确定估计水声信道信息。
将所述估计水声信道信息输入训练好的autoencoder网络中的encoder网络得到压缩水声信道信息;所述训练好的autoencoder网络为以含噪水声信道信息为输入,以训练水声信道信息为输出对基于autoencoder的深度神经网络进行训练得到的;所述含噪水声信道信息为对所述训练水声信道信息加入高斯噪声得到的。
将所述压缩水声信道信息反馈至所述发送端。
所述发送端将接收到的所述压缩水声信道信息输入所述训练好的autoencoder网络中的decoder网络得到近似水声信道信息。
在实际应用中,所述训练好的autoencoder网络的确定过程为:
构建训练集;所述训练集包括N组水声信道集合;所述水声信道集合包括训练水声信道信息和含噪水声信道信息。
如图3所示,以所述训练集中的含噪水声信道信息为输入,以所述训练集中的训练水声信道信息为输出对基于autoencoder的深度神经网络进行训练得到训练好的autoencoder网络。
在实际应用中,所述构建训练集具体包括:
利用Bellhop水声信道仿真软件或者基于稀疏水声信道传播路径方法生成N组训练水声信道信息。
将各组训练水声信道分别加入高斯噪声得到N组含噪水声信道信息。
在实际应用中,所述将所述压缩水声信道信息反馈至所述发送端,具体包括:
将所述压缩水声信道信息依次进行编码和调制操作得到发射信号。
将所述发射信号反馈至所述发送端。
在实际应用中,所述发送端将接收到的所述压缩水声信道信息输入所述训练好的autoencoder网络中的decoder网络得到近似水声信道信息,具体包括:
所述发送端接收所述接收端反馈的发射信号并将接收到的发射信号依次进行解调和解码操作。
将解调和解码后的发射信号输入所述训练好的autoencoder网络中的decoder网络得到近似水声信道信息。
在实际应用中,encoder可以由一组卷积神经网络构成,decoder由另一组卷积神经网络构成;encoder的输出尺寸必须远小于含噪信道数据的尺寸,以实现信息的压缩。如图4所示,所述encoder网络包括依次连接的卷积模块和全连接linear层;所述卷积模块包括多个依次连接的卷积层(1-d Conv层)。如图5所示,所述decoder网络包括依次连接的Attention和RefineNet模块;所述RefineNet模块包括多个依次连接的RefineNet网络。
本发明实施例提供了一种更加具体的基于深度学习的水声OFDM通信信道反馈方法:
步骤0:发送端发送通信信号(包含数据信号与导频子载波信号)至接收端。
步骤1:在接收端,假设在导频子载波接收的信号为yp,而发送的已知导频子载波信号为xp,则可以根据信道估计优化问题获得估计的信道其中Xp为以xp为对角线元素且非对角线元素为0的矩阵,hp为真实水声信道信息。所述信道估计问题可以利用各种信道估计算法如最小二乘法与OMP等算法求解,从而获得发送端至接收端的估计水声信道信息/>
步骤2:预先训练好的autoencoder分为encoder与decoder,encoder部署于接收端,decoder部署于发送端。encoder与decoder可以看作是两个函数fen(·)与fde(·)。
步骤3:将估计水声信道信息输入至encoder,可以获得压缩水声信道信息c,即c即为/>的压缩信息。c的尺寸远小于/>所以相比于直接反馈/>反馈压缩信息c可大大节省信道带宽。
步骤4:将压缩水声信道信息c在物理层编码成二进制数字并经过调制转化为发射信号,再由接收端将信号反馈至发送端。
步骤5:发送端接收到反馈信号后,首先在系统物理层解调并解码信号,可获得恢复压缩水声信道信息c。
步骤6:将压缩水声信道信息c输入decoder,获得步骤0中发送端至接收端的近似水声信道信息即/>由于利用了预训练深度网络,近似水声信道信息/>与真实水声信道信息误差较小。
训练步骤为:
步骤101:利用Bellhop水声信道仿真软件或者基于稀疏水声信道传播路径方法生成N组准确水声信道信息{hp (i)}i=1,2,…,N
步骤102:将各组水声信道加入高斯噪声形成含噪水声信道信息,即 其中n(i)为高斯噪声,服从同一高斯分布N(0,σ2)、/>为含噪水声信道信息。σ2根据实际应用场景进行选择。
步骤103:将含噪水声信道信息为输入、准确水声信道信息{hp (i)}i=1,2,…,N为输出构建回归训练集。
步骤104:构建基于autoencoder的深度网络g,其由encoder与decoder复合组成,即g(·)=fde(fen(·))。
步骤105:利用与{hp (i)}i=1,2,…,N训练深度网络g,使网络输出逼近准确水声信道信息,即求解优化问题/>获得最优的深度网络g,采用的优化方法为随机梯度法。
步骤106:当损失函数小于预设阈值或是超过训练次数,停止训练。
步骤107:完成训练后,并将encoder部署于接收端,decoder部署于发送端。
本发明实施例还提供了与上述方法对应的基于深度学习的水声OFDM通信信道反馈系统,如图1所示,包括:发送端和接收端,接收端将信道信息输入encoder网络进行压缩然后反馈给发送端的decoder网络得到信道信息。
所述发送端包括:通信信号发送模块和近似水声信道信息确定模块;所述接收端包括:信道估计模块、压缩模块和反馈模块。
所述通信信号发送模块,用于发送导频子载波信号。
所述信道估计模块,用于根据所述导频子载波信号和导频子载波接收的信号确定估计水声信道信息。
所述压缩模块,用于将所述估计水声信道信息输入训练好的autoencoder网络中的encoder网络得到压缩水声信道信息;所述训练好的autoencoder网络为以含噪水声信道信息为输入,以训练水声信道信息为输出对基于autoencoder的深度神经网络进行训练得到的;所述含噪水声信道信息为对所述训练水声信道信息加入高斯噪声得到的。
所述反馈模块,用于将所述压缩水声信道信息反馈至所述发送端。
所述近似水声信道信息确定模块,用于将接收到的所述压缩水声信道信息输入所述训练好的autoencoder网络中的decoder网络得到近似水声信道信息。
作为一种可选的实施方式,基于深度学习的水声OFDM通信信道反馈系统,还包括:
训练集构建模块,用于构建训练集;所述训练集包括N组水声信道集合;所述水声信道集合包括训练水声信道信息和含噪水声信道信息。
训练模块,用于以所述训练集中的含噪水声信道信息为输入,以所述训练集中的训练水声信道信息为输出对基于autoencoder的深度神经网络进行训练得到训练好的autoencoder网络。
作为一种可选的实施方式,所述训练集构建模块包括:
训练水声信道信息确定单元,用于利用Bellhop水声信道仿真软件或者基于稀疏水声信道传播路径方法生成N组训练水声信道信息。
含噪水声信道信息确定单元,用于将各组训练水声信道分别加入高斯噪声得到N组含噪水声信道信息。
相对于现有技术,本方法有以下技术效果:
针对水声信道构造的基于autoencoder的信道压缩深度学习网络结构,encoder将复杂的信道信息压缩成尺寸更小的向量,然后利用decoder将压缩的信息解码,可以更高效的压缩水声通信中的信道反馈信息,较传统反馈技术如CSINet和反馈稀疏路径等方法,实现了更高的信道反馈压缩比,减小了系统开销。
反馈后恢复的信道信息与真实水声信道信息的误差更小,这得益于本发明将含噪信道信息作为输入、准确信道信息作为输出,构建含噪噪声信道信息至准确信道信息的映射。即相比于传统方法假设需反馈信道信息不包含噪声,本发明充分考虑水声通信中信道易受噪声污染,并在训练集中包含噪信道信息,使得深度网络具有良好的抗噪能力,可以利用压缩后的信息,较好的恢复原始信道信息,向准确信道信息逼近。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于深度学习的水声OFDM通信信道反馈方法,其特征在于,包括:
接收端根据发送端发送的导频子载波信号和导频子载波接收的信号计算估计水声信道信息;
将所述估计水声信道信息输入训练好的autoencoder网络中的encoder网络得到压缩水声信道信息;所述训练好的autoencoder网络为以含噪水声信道信息为输入,以训练水声信道信息为输出对基于autoencoder的深度神经网络进行训练得到的;所述含噪水声信道信息为对所述训练水声信道信息加入高斯噪声得到的;
将所述压缩水声信道信息反馈至所述发送端;
所述发送端将接收到的所述压缩水声信道信息输入所述训练好的autoencoder网络中的decoder网络得到近似水声信道信息。
2.根据权利要求1所述的一种基于深度学习的水声OFDM通信信道反馈方法,其特征在于,所述训练好的autoencoder网络的确定过程为:
构建训练集;所述训练集包括N组水声信道集合;所述水声信道集合包括训练水声信道信息和含噪水声信道信息;
以所述训练集中的含噪水声信道信息为输入,以所述训练集中的训练水声信道信息为输出对基于autoencoder的深度神经网络进行训练得到训练好的autoencoder网络。
3.根据权利要求2所述的一种基于深度学习的水声OFDM通信信道反馈方法,其特征在于,所述构建训练集具体包括:
利用Bellhop水声信道仿真软件或者基于稀疏水声信道传播路径方法生成N组训练水声信道信息;
将各组训练水声信道分别加入高斯噪声得到N组含噪水声信道信息。
4.根据权利要求1所述的一种基于深度学习的水声OFDM通信信道反馈方法,其特征在于,所述将所述压缩水声信道信息反馈至所述发送端,具体包括:
将所述压缩水声信道信息依次进行编码和调制得到发射信号;
将所述发射信号反馈至所述发送端。
5.根据权利要求4所述的一种基于深度学习的水声OFDM通信信道反馈方法,其特征在于,所述发送端将接收到的所述压缩水声信道信息输入所述训练好的autoencoder网络中的decoder网络得到近似水声信道信息,具体包括:
所述发送端接收所述接收端反馈的发射信号并将接收到的发射信号依次进行解调和解码操作;
将解调和解码后的发射信号输入所述训练好的autoencoder网络中的decoder网络得到近似水声信道信息。
6.根据权利要求1所述的一种基于深度学习的水声OFDM通信信道反馈方法,其特征在于,所述encoder网络包括依次连接的卷积模块和全连接linear层;所述卷积模块包括多个依次连接的卷积层。
7.根据权利要求1所述的一种基于深度学习的水声OFDM通信信道反馈方法,其特征在于,所述decoder网络包括依次连接的Attention和RefineNet模块;所述RefineNet模块包括多个依次连接的RefineNet网络。
8.一种基于深度学习的水声OFDM通信信道反馈系统,其特征在于,包括:发送端和接收端;
所述发送端包括:通信信号发送模块和近似水声信道信息确定模块;所述接收端包括:信道估计模块、压缩模块和反馈模块;
所述通信信号发送模块,用于发送导频子载波信号;
所述信道估计模块,用于根据所述导频子载波信号和导频子载波接收的信号确定估计水声信道信息;
所述压缩模块,用于将所述估计水声信道信息输入训练好的autoencoder网络中的encoder网络得到压缩水声信道信息;所述训练好的autoencoder网络为以含噪水声信道信息为输入,以训练水声信道信息为输出对基于autoencoder的深度神经网络进行训练得到的;所述含噪水声信道信息为对所述训练水声信道信息加入高斯噪声得到的;
所述反馈模块,用于将所述压缩水声信道信息反馈至所述发送端;
所述近似水声信道信息确定模块,用于将接收到的所述压缩水声信道信息输入所述训练好的autoencoder网络中的decoder网络得到近似水声信道信息。
9.根据权利要求8所述的一种基于深度学习的水声OFDM通信信道反馈系统,其特征在于,还包括:
训练集构建模块,用于构建训练集;所述训练集包括N组水声信道集合;所述水声信道集合包括训练水声信道信息和含噪水声信道信息;
训练模块,用于以所述训练集中的含噪水声信道信息为输入,以所述训练集中的训练水声信道信息为输出对基于autoencoder的深度神经网络进行训练进行训练得到训练好的autoencoder网络。
10.根据权利要求9所述的一种基于深度学习的水声OFDM通信信道反馈系统,其特征在于,所述训练集构建模块包括:
训练水声信道信息确定单元,用于利用Bellhop水声信道仿真软件或者基于稀疏水声信道传播路径方法生成N组训练水声信道信息;
含噪水声信道信息确定单元,用于将各组训练水声信道分别加入高斯噪声得到N组含噪水声信道信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210746806.XA CN115118557B (zh) | 2022-06-28 | 2022-06-28 | 基于深度学习的水声ofdm通信信道反馈方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210746806.XA CN115118557B (zh) | 2022-06-28 | 2022-06-28 | 基于深度学习的水声ofdm通信信道反馈方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115118557A CN115118557A (zh) | 2022-09-27 |
CN115118557B true CN115118557B (zh) | 2023-07-25 |
Family
ID=83331090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210746806.XA Active CN115118557B (zh) | 2022-06-28 | 2022-06-28 | 基于深度学习的水声ofdm通信信道反馈方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115118557B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011156322A2 (en) * | 2010-06-07 | 2011-12-15 | University Of Delaware | Underwater acoustic multiple-input/multiple-output (mimo) communication systems and methods |
CN103701749A (zh) * | 2014-01-10 | 2014-04-02 | 厦门大学 | 一种利用压缩感知获得水声信道互易性的方法 |
CN106302298A (zh) * | 2016-09-27 | 2017-01-04 | 哈尔滨工程大学 | 一种消除正交频分复用水声通信系统限幅噪声的方法 |
CN109412993A (zh) * | 2018-11-27 | 2019-03-01 | 天津理工大学 | 一种基于深度学习的具有抑制自干扰的全双工认知水声通信信号检测方法 |
CN110048972A (zh) * | 2019-04-24 | 2019-07-23 | 燕山大学 | 一种水声正交频分复用信道估计方法及系统 |
CN110456332A (zh) * | 2019-08-12 | 2019-11-15 | 哈尔滨工程大学 | 一种基于自动编码器的水声信号增强方法 |
WO2020253690A1 (zh) * | 2019-06-17 | 2020-12-24 | 浙江大学 | 一种基于近似消息传递算法的深度学习波束域信道估计方法 |
CN112511469A (zh) * | 2020-11-27 | 2021-03-16 | 厦门大学 | 一种基于深度学习的稀疏水声信道估计方法 |
CN113709075A (zh) * | 2021-07-27 | 2021-11-26 | 天津大学 | 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 |
WO2022088563A1 (zh) * | 2020-10-28 | 2022-05-05 | 鹏城实验室 | 一种基于ofdm的水声通信同步方法、智能终端及存储介质 |
-
2022
- 2022-06-28 CN CN202210746806.XA patent/CN115118557B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011156322A2 (en) * | 2010-06-07 | 2011-12-15 | University Of Delaware | Underwater acoustic multiple-input/multiple-output (mimo) communication systems and methods |
CN103701749A (zh) * | 2014-01-10 | 2014-04-02 | 厦门大学 | 一种利用压缩感知获得水声信道互易性的方法 |
CN106302298A (zh) * | 2016-09-27 | 2017-01-04 | 哈尔滨工程大学 | 一种消除正交频分复用水声通信系统限幅噪声的方法 |
CN109412993A (zh) * | 2018-11-27 | 2019-03-01 | 天津理工大学 | 一种基于深度学习的具有抑制自干扰的全双工认知水声通信信号检测方法 |
CN110048972A (zh) * | 2019-04-24 | 2019-07-23 | 燕山大学 | 一种水声正交频分复用信道估计方法及系统 |
WO2020253690A1 (zh) * | 2019-06-17 | 2020-12-24 | 浙江大学 | 一种基于近似消息传递算法的深度学习波束域信道估计方法 |
CN110456332A (zh) * | 2019-08-12 | 2019-11-15 | 哈尔滨工程大学 | 一种基于自动编码器的水声信号增强方法 |
WO2022088563A1 (zh) * | 2020-10-28 | 2022-05-05 | 鹏城实验室 | 一种基于ofdm的水声通信同步方法、智能终端及存储介质 |
CN112511469A (zh) * | 2020-11-27 | 2021-03-16 | 厦门大学 | 一种基于深度学习的稀疏水声信道估计方法 |
CN113709075A (zh) * | 2021-07-27 | 2021-11-26 | 天津大学 | 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 |
Non-Patent Citations (4)
Title |
---|
OFDM水声通信中基于压缩传感的稀疏信道估计;冉茂华;黄建国;付辉敬;;系统工程与电子技术(05);全文 * |
Research on Underwater Acoustic Channel Denoising Algorithm based on Auto-Encoder;Zhenxing Liu等;《2019 IEEE 3rd Advanced Information Management, Communicates, Electronic and Automation Control Conference (IMCEC)》;全文 * |
基于压缩感知的OFDM水声通信信道二次估计算法;乔钢;王巍;王;邢思宇;;声学技术(05);全文 * |
水声信号调制方式智能识别技术;张威龙等;《移动通信》;第46卷(第502期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115118557A (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210319286A1 (en) | Joint source channel coding for noisy channels using neural networks | |
Goldenbaum et al. | Nomographic functions: Efficient computation in clustered Gaussian sensor networks | |
US20210351863A1 (en) | Joint source channel coding based on channel capacity using neural networks | |
US9020029B2 (en) | Arbitrary precision multiple description coding | |
Kurka et al. | Successive refinement of images with deep joint source-channel coding | |
CN107231158B (zh) | 一种极化码迭代接收机、系统和极化码迭代译码方法 | |
Soundararajan et al. | Communicating linear functions of correlated Gaussian sources over a MAC | |
US7743309B2 (en) | Distributed source coding with context | |
CN110086610B (zh) | 一种基于初始密钥不一致率的生成密钥自适应调和方法 | |
CN109194425A (zh) | 一种基于人工智能端到端信息传输系统及方法 | |
CN114337933B (zh) | 基于scma的高速可见光通信系统及自适应编解码方法 | |
CN110311755B (zh) | 一种利用线性分组码传输额外信息的方法 | |
Chakraborty et al. | The Poisson fading channel | |
CN116436567A (zh) | 一种基于深度神经网络的语义通信方法 | |
CN1113499C (zh) | 解码信道编码信号的接收机解码器电路及其方法 | |
CN101119177A (zh) | 一种相干通信机用的比特-符号信号处理方法 | |
CN115694518A (zh) | 基于gmm-hmm的卷积码解码方法和系统 | |
CN1149775C (zh) | 数据信号的校正并译码的方法和设备 | |
WO2024067178A1 (zh) | 基于蒙特卡罗极化码的译码级联迭代的水声通信系统 | |
CN115118557B (zh) | 基于深度学习的水声ofdm通信信道反馈方法及系统 | |
CN107911152B (zh) | 适用于任意发送天线数量的空间编码调制系统和方法 | |
Wu et al. | Transformer-aided wireless image transmission with channel feedback | |
JP2005175645A (ja) | 送信装置、受信装置、データ送信方法及びデータ受信方法 | |
CN110601699B (zh) | 码率动态可变的多元ldpc码实现方法 | |
WO2020177216A1 (zh) | 一种新型缩短极化码方法和通信方法及系统 |
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 |