CN115865579B - 一种基于深度学习的数字调制信号的滚降系数盲估计方法 - Google Patents
一种基于深度学习的数字调制信号的滚降系数盲估计方法 Download PDFInfo
- Publication number
- CN115865579B CN115865579B CN202310191920.5A CN202310191920A CN115865579B CN 115865579 B CN115865579 B CN 115865579B CN 202310191920 A CN202310191920 A CN 202310191920A CN 115865579 B CN115865579 B CN 115865579B
- Authority
- CN
- China
- Prior art keywords
- roll
- coefficient
- signal
- samples
- order
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000001228 spectrum Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 6
- 238000007493 shaping process Methods 0.000 abstract 1
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- 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
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
- Noise Elimination (AREA)
- Circuits Of Receivers In General (AREA)
Abstract
本发明涉及一种基于深度学习的数字调制信号的滚降系数盲估计方法,属于通信技术领域,本发明适用于任意类型的成形滤波器的滚降系数估计,本方法利用神经网络的方式具备较强的抗信道畸变能力,在低信噪比下利用少量的采样点即可得到准确的滚降系数估计,并且不依赖码元速率、频偏、调制类型的估计,具备使用单片机等进行低成本硬件实现,计算复杂度低,抗噪性能好,能广泛适用于非合作数字通信等应用场景中。
Description
技术领域
本发明属于通信技术领域,具体涉及一种基于深度学习的数字调制信号的滚降系数盲估计方法。
背景技术
在现代数字通信系统中,单载波数字调制技术应用十分广泛,采用单载波的PSK、APSK、QAM等类型调制技术在卫星、超短波、微波等通信系统中均有广泛的应用。单载波数字调制信号常在发送端、接收端使用相同参数的根升余弦滤波器实现对码间串扰的抑制以达到更优的解调效果,而发送端为了更好的兼顾频谱利用率和信号的质量会调整根升余弦滤波器的滚降系数,对于滚降系数相差不大(0.1以内)的根升余弦滤波器,解调性能一般不会恶化太大,但滚降系数相差太大(如0.3)则会对解调性能带来很大的恶化,此外,滚降系数的精确估计对于用于双星定位系统中旁瓣干扰信号的重构对消也有着重要的应用,这使得滚降系数的盲估计有了重要的应用基础。
至今,滚降系数的盲估计方法相对较少,大致可归纳为三种:一种是假定已知信号的调制类型、码元速率、载波频率,通过对原始信号进行解调获得信号码元,使用不同滚降系数重构出原始信号,以重构信号和原始信号的残差估计出最优滚降系数,这种方法需要已知原信号的多个参数,并且由于需要解调而对信噪比要求较高;第二种是通过基带信号波形和根升余弦滤波器冲击响应的关系构造出参数方程组,通过解方程组的方式估计出滚降系数,这种方法需要较长的信号进行计算以降低噪声对基带波形的影响,计算复杂度高,并且信噪比要求较高;第三种是通过基带信号的自相关函数和根升余弦滤波器滚降系数的关系构造多组判决阈值估计出滚降系数,显然,这种方法要求较长的信号长度才能获得稳定的统计特征,并且信道对阈值的取值影响较大,并且其严重依赖码元速率的精确估计。
因此,现阶段需设计一种基于深度学习的数字调制信号的滚降系数盲估计方法,来解决以上问题。
发明内容
本发明目的在于提供一种基于深度学习的数字调制信号的滚降系数盲估计方法,用于解决上述现有技术中存在的技术问题,得益于深度学习的巨大发展,本方法相较之前的方法的优点有:较强的抗信道畸变能力,低信噪比,不依赖码元速率和频偏及调制类型。我们使用全连接的神经网络使得此方法易于集成到低成本低功耗的设备中。
为实现上述目的,本发明的技术方案是:
设单载波经过数字下变频的数字信号为,
式中,是码元到星座图映射,是高斯白噪声,是根升余弦滤波器,其中滚降系数为待估计的参数,的频谱为,设码元周期,则有,
。
本专利实现滚降系数估计的具体过程如下:
步骤1.取单载波经过数字下变频的数字信号的10240个采样点进行Welch功率谱估计,窗函数选择hamming,窗长2048,每段重叠1024个采样点,得到的功率谱;
,
式中,
M为分段数,
N是每段长度,
L为交叠点数。
步骤2.对功率谱进行离散小波分解,小波基选择4阶的symlets小波,使用wthresh硬阈值去噪方法,小波分解阶数为9,小波重构阶数为5,得到功率谱的硬阈值小波去噪功率谱,从而得到了2048个频谱特征;
式中,
HD、
LD分别为symlets小波基的高通、低通滤波器,
DS为2倍下采样(取偶数下标点),
US为2倍上采样(奇数位置插0),,为小波分解的阶近似分量,为小波分别的阶细节分量,是取中位数操作,是的反函数,为噪声方差的估计量,为阶分解频谱长度,为法阶阈值,为分解阶数,为重构阶数,为第阶重构分量,,,为指示函数。
步骤3.取信号的任1024个采样点的模值,构成时域特征;
步骤4.拼接频域特征、时域特征,得到3072个联合特征。按照步骤1至步骤3的特征提取方法,提取随机生成的信号100000个样本,调制类型选择范围BPSK、QAM16、32APSK,,步进2,滚降系数,步进0.02,过采倍数,步进0.1(生成整数倍过采倍数的基带信号使用多项式插值到小数倍),归一化频偏范围为
,初始相位,此外,使用信号源SMU200A随机的选择以上的参数生成连续信号,将接收机的DDC数据按照10240个采样点随机裁剪数段数据提取联合特征,得到10000个信号源DDC样本,选取随机生成的样本数个进行突发拼接,使用SMU200A进行回放,使用接收机采集数个突发DDC数据样本,得到10000个回放样本,至此,我们得到了随机生成和采集的样本共计120000个,选取生成样本、信号源DDC样本、回放DDC样本各2000个构建测试集,剩余数据用作训练集,每个样本含有3072个联合特征以及滚降系数标签;
步骤5.设计一个全连接神经网络RolloffNet,输入层特征数量为3072,含有10层隐藏层,隐藏层每层神经元数量为100,每个隐藏层使用ReLU激活函数,输出层神经元数量为1,损失函数使用均方误差函数MSE,训练优化器使用Adam,初始学习率为0.001,batchsize为B设为128,每10000次迭代学习率降低10倍,共迭代40000次,将训练得到的RolloffNet的权重矩阵、偏置矩阵保存成神经网络模型;
式中,为第层神经元的输出,为联合特征,为第层权重矩阵,为第层偏置矩阵,是滚降系数回归值,是滚降系数真值标签。
步骤6. 对于输入进行测试的DDC数据,先进行步骤1至步骤3的联合特征提取,将提取得到的特征送入步骤5训练好的滚降系数估计网络RolloffNet,计算出值,即可得到神经网络的滚降系数预测值。
与现有技术相比,本发明所具有的有益效果为:
本方案其中一个有益效果在于,本发明适用于任意类型的成形滤波器的滚降系数估计,本方法利用神经网络的方式具备较强的抗信道畸变能力,在低信噪比下利用少量的采样点即可得到准确的滚降系数估计,并且不依赖码元速率、频偏、调制类型的估计,具备使用单片机等进行低成本硬件实现,计算复杂度低,抗噪性能好,能广泛适用于非合作数字通信等应用场景中。
附图说明
图1为本发明的具体实施例的主流程图。
具体实施方式
为了使本发明的目的,技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,即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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
设单载波经过数字下变频的数字信号为,
式中,是码元到星座图映射,是高斯白噪声,是根升余弦滤波器,其中滚降系数为待估计的参数,的频谱为,设码元周期,则有,
。
本专利实现滚降系数估计的具体过程如下:
步骤1.取单载波经过数字下变频的数字信号的10240个采样点进行Welch功率谱估计,窗函数选择hamming,窗长2048,每段重叠1024个采样点,得到的功率谱;
,
式中,
M为分段数,
N是每段长度,
L为交叠点数。
步骤2.对功率谱进行离散小波分解,小波基选择4阶的symlets小波,使用wthresh硬阈值去噪方法,小波分解阶数为9,小波重构阶数为5,得到功率谱的硬阈值小波去噪功率谱,从而得到了2048个频谱特征;
式中,
HD、
LD分别为symlets小波基的高通、低通滤波器,
DS为2倍下采样(取偶数下标点),
US为2倍上采样(奇数位置插0),,为小波分解的阶近似分量,为小波分别的阶细节分量,是取中位数操作,是的反函数,为噪声方差的估计量,为阶分解频谱长度,为法阶阈值,为分解阶数,为重构阶数,为第阶重构分量,,,为指示函数。
步骤3.取信号的任1024个采样点的模值,构成时域特征;
步骤4.拼接频域特征、时域特征,得到3072个联合特征。按照步骤1至步骤3的特征提取方法,提取随机生成的信号100000个样本,调制类型选择范围BPSK、QAM16、32APSK,,步进2,滚降系数,步进0.02,过采倍数,步进0.1(生成整数倍过采倍数的基带信号使用多项式插值到小数倍),归一化频偏范围为
,初始相位,此外,使用信号源SMU200A随机的选择以上的参数生成连续信号,将接收机的DDC数据按照10240个采样点随机裁剪数段数据提取联合特征,得到10000个信号源DDC样本,选取随机生成的样本数个进行突发拼接,使用SMU200A进行回放,使用接收机采集数个突发DDC数据样本,得到10000个回放样本,至此,我们得到了随机生成和采集的样本共计120000个,选取生成样本、信号源DDC样本、回放DDC样本各2000个构建测试集,剩余数据用作训练集,每个样本含有3072个联合特征以及滚降系数标签;
步骤5.设计一个全连接神经网络RolloffNet,输入层特征数量为3072,含有10层隐藏层,隐藏层每层神经元数量为100,每个隐藏层使用ReLU激活函数,输出层神经元数量为1,损失函数使用均方误差函数MSE,训练优化器使用Adam,初始学习率为0.001,batchsize为B设为128,每10000次迭代学习率降低10倍,共迭代40000次,将训练得到的RolloffNet的权重矩阵、偏置矩阵保存成神经网络模型;
式中,为第层神经元的输出,为联合特征,为第层权重矩阵,为第层偏置矩阵,是滚降系数回归值,是滚降系数真值标签。
步骤6. 对于输入进行测试的DDC数据,先进行步骤1至步骤3的联合特征提取,将提取得到的特征送入步骤5训练好的滚降系数估计网络RolloffNet,计算出值,即可得到神经网络的滚降系数预测值。
依据上述本发明的滚降系数估计方法,以BPSK、16QAM、32APSK为例对本发明的有效性进行说明。
信号参数为:DDC信号采样率20KHz,码元速率5KBaud/s,载波6KHz,取信号长度10240个采样点,信号EbN0为6dB,按照步骤1至步骤2求得频谱特征,按照步骤3取信号前1024个采样点的幅度作为时域特征,按照步骤6求得DDC信号的滚降系数估计值如下表所示。
为了验证本发明以BPSK、16QAM、32APSK训练得到的模型对其他调制类型具备泛化能力,分析了模型对QPSK、16QAM、16APSK在不同的EbN0下的滚降系数估计均方根误差,信号参数除EbN0外与以上一致,可看出模型具备优异的泛化能力,并且在EbN0大于4dB时,模型就能得到较好的滚降系数估计值,证明了本发明对滚降系数估计的优异性。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (8)
1.一种基于深度学习的数字调制信号的滚降系数盲估计方法,其特征在于,包括以下步骤:
步骤1.取单载波经过数字下变频的数字信号进行Welch 功率谱估计,得到的功率谱;
步骤2.对功率谱进行离散小波分解,得到功率谱的硬阈值小波去噪功率谱,从而得到频谱特征;
步骤3.取信号的模值,构成时域特征;
步骤4.拼接频域特征、时域特征,得到联合特征;
步骤5.设计一个全连接神经网络,记为RolloffNet,将训练得到的RolloffNet的权重矩阵、偏置矩阵保存成神经网络模型;
步骤6. 对于输入进行测试的DDC数据,先进行步骤1至步骤4的联合特征提取,将提取得到的特征送入步骤5训练好的RolloffNet,计算出值,即可得到神经网络的滚降系数预测值。
2.根据权利要求1所述的一种基于深度学习的数字调制信号的滚降系数盲估计方法,其特征在于,设单载波经过数字下变频的数字信号为,
式中,是码元到星座图映射,是高斯白噪声,是根升余弦滤波器,其中滚降系数为待估计的参数,的频谱为,设码元周期,则有,
。
3.根据权利要求2所述的一种基于深度学习的数字调制信号的滚降系数盲估计方法,其特征在于,步骤1具体如下:
取单载波经过数字下变频的数字信号的10240个采样点进行Welch 功率谱估计,窗函数选择hamming,窗长2048,每段重叠1024个采样点,得到的功率谱;
,
式中,M为分段数,N是每段长度,L为交叠点数。
4.根据权利要求3所述的一种基于深度学习的数字调制信号的滚降系数盲估计方法,其特征在于,步骤2具体如下:
对功率谱进行离散小波分解,小波基选择4阶的symlets小波,使用wthresh硬阈值去噪方法,小波分解阶数为9,小波重构阶数为5,得到功率谱的硬阈值小波去噪功率谱,从而得到了2048个频谱特征;
式中,HD、LD分别为symlets小波基的高通、低通滤波器,DS为2倍下采样,取偶数下标点,US为2倍上采样,奇数位置插0,,为小波分解的阶近似分量,为小波分解的阶细节分量,是取中位数操作,是的反函数,为噪声方差的估计量,为阶分解频谱长度,为法阶阈值,为分解阶数,为重构阶数,为第阶重构分量,,,为指示函数。
5.根据权利要求4所述的一种基于深度学习的数字调制信号的滚降系数盲估计方法,其特征在于,步骤3具体如下:
取信号的任1024个采样点的模值,构成时域特征。
6.根据权利要求5所述的一种基于深度学习的数字调制信号的滚降系数盲估计方法,其特征在于,步骤4具体如下:
拼接频域特征、时域特征,得到3072个联合特征。
7.根据权利要求6所述的一种基于深度学习的数字调制信号的滚降系数盲估计方法,其特征在于,按照步骤1至步骤4的特征提取方法,提取随机生成的信号100000个样本,调制类型选择范围BPSK、QAM16、32APSK,,步进2,滚降系数,步进0.02,过采倍数,步进0.1,其中,生成整数倍过采倍数的基带信号使用多项式插值到小数倍,归一化频偏范围为
,初始相位,此外,使用信号源SMU200A随机的选择以上的参数生成连续信号,将接收机的DDC数据按照10240个采样点随机裁剪数段数据提取联合特征,得到10000个信号源DDC样本,选取随机生成的样本数个进行突发拼接,使用SMU200A进行回放,使用接收机采集数个突发DDC数据样本,得到10000个回放样本,至此,我们得到了随机生成和采集的样本共计120000个,选取生成样本、信号源DDC样本、回放DDC样本各2000个构建测试集,剩余数据用作训练集,每个样本含有3072个联合特征以及滚降系数标签。
8.根据权利要求7所述的一种基于深度学习的数字调制信号的滚降系数盲估计方法,其特征在于,步骤5具体如下:
设计一个RolloffNet,输入层特征数量为3072,含有10层隐藏层,隐藏层每层神经元数量为100,每个隐藏层使用ReLU激活函数,输出层神经元数量为1,损失函数使用均方误差函数MSE,训练优化器使用Adam,初始学习率为0.001,batchsize为B,B设为128,每10000次迭代学习率降低10倍,共迭代40000次,将训练得到的RolloffNet的权重矩阵、偏置矩阵保存成神经网络模型;
式中,为第层神经元的输出,为联合特征,为第层权重矩阵,为第层偏置矩阵,是滚降系数回归值,是滚降系数真值标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310191920.5A CN115865579B (zh) | 2023-03-02 | 2023-03-02 | 一种基于深度学习的数字调制信号的滚降系数盲估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310191920.5A CN115865579B (zh) | 2023-03-02 | 2023-03-02 | 一种基于深度学习的数字调制信号的滚降系数盲估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115865579A CN115865579A (zh) | 2023-03-28 |
CN115865579B true CN115865579B (zh) | 2023-05-16 |
Family
ID=85659742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310191920.5A Active CN115865579B (zh) | 2023-03-02 | 2023-03-02 | 一种基于深度学习的数字调制信号的滚降系数盲估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115865579B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107426121A (zh) * | 2017-08-04 | 2017-12-01 | 南京仄普托信息科技有限公司 | 用于广义频分复用系统的训练序列设计及应用方法和装置 |
CN113630130A (zh) * | 2021-07-31 | 2021-11-09 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 端到端数字通信解调方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1619688A1 (en) * | 2004-07-21 | 2006-01-25 | Dialog Semiconductor GmbH | Dynamical biasing of memory sense amplifiers |
US8467438B2 (en) * | 2010-08-02 | 2013-06-18 | Bassel F. Beidas | System and method for iterative nonlinear compensation for intermodulation distortion in multicarrier communication systems |
CN101977169B (zh) * | 2010-11-09 | 2013-01-23 | 西安电子科技大学 | Ofdm信号的时域参数盲估计方法 |
CN102315835B (zh) * | 2011-05-06 | 2014-02-26 | 中国工程物理研究院电子工程研究所 | 一种成形滤波器滚降系数估计方法 |
US8837634B2 (en) * | 2012-10-05 | 2014-09-16 | Nokia Siemens Networks Oy | Methods and apparatus for signal filtering |
US9191250B2 (en) * | 2013-11-26 | 2015-11-17 | Blackberry Limited | Extended bandwidth adaptive digital pre-distortion with reconfigurable analog front-ends |
CN106059967B (zh) * | 2016-07-01 | 2020-06-05 | 晶晨半导体(上海)股份有限公司 | 一种单载波信道估计方法 |
WO2020092391A1 (en) * | 2018-10-29 | 2020-05-07 | Board Of Regents, The University Of Texas System | Low resolution ofdm receivers via deep learning |
CN109684995A (zh) * | 2018-12-22 | 2019-04-26 | 中国人民解放军战略支援部队信息工程大学 | 基于深度残差网络的特定辐射源识别方法及装置 |
-
2023
- 2023-03-02 CN CN202310191920.5A patent/CN115865579B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107426121A (zh) * | 2017-08-04 | 2017-12-01 | 南京仄普托信息科技有限公司 | 用于广义频分复用系统的训练序列设计及应用方法和装置 |
CN113630130A (zh) * | 2021-07-31 | 2021-11-09 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 端到端数字通信解调方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115865579A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108833311B (zh) | 联合时域聚类去噪与均衡判决的变换域二次估计方法 | |
CN106789764B (zh) | 联合加权阈值去噪与均衡判决的变换域二次估计方法 | |
Gupta et al. | Performance evaluation of conventional and wavelet based OFDM system | |
CN103457638B (zh) | 电力线通信信道突发脉冲噪声的抑制装置及其抑制方法 | |
CN106302298B (zh) | 一种消除正交频分复用水声通信系统限幅噪声的方法 | |
CN101227438B (zh) | 基于小波无偏风险阈值去噪的ofdm信道估计方法 | |
JP4272665B2 (ja) | Ofdm伝送システムのチャネルを推定する装置、方法、及びコンピュータプログラム | |
JP2009532957A (ja) | 急速な分散性フェージングチャンネルのためのチャンネル推定 | |
CN113381951B (zh) | 时变频选衰落信道下mftn联合信道估计与均衡方法 | |
CN101917355A (zh) | 一种信道估计方法及系统 | |
CN112003804B (zh) | 一种多路多元差分混沌移位键控迭代接收方法 | |
CN103200139A (zh) | 一种ofdm信号带宽盲估计方法 | |
CN112866152A (zh) | 一种ofdm系统中的迭代信道估计和脉冲噪声抑制方法 | |
Himeur et al. | OFDM-based power-line communication enhancement using a turbo coded adaptive impulsive noise compensator | |
CN110324271B (zh) | 一种基于压缩感知的限幅的f-ofdm系统收发机设计方法 | |
CN108600140B (zh) | 一种ofdm系统中抗脉冲干扰的信道估计方法 | |
Gupta et al. | Channel estimation for wavelet based OFDM system | |
CN109617840B (zh) | 一种基于重叠保留法的部分fft通信信号检测方法 | |
Liu et al. | Iterative frequency-domain channel estimation and equalization for single-carrier transmissions without cyclic-prefix | |
CN113923083A (zh) | 一种基于伪随机导频的等效时间采样太赫兹信道估计方法 | |
CN115865579B (zh) | 一种基于深度学习的数字调制信号的滚降系数盲估计方法 | |
CN117544457A (zh) | 一种cpm调制下的联合时域均衡方法 | |
CN111181891B (zh) | 一种改进的基于压缩感知的电力线脉冲噪声抑制方法 | |
CN109167744A (zh) | 一种相位噪声联合估计方法 | |
CN115150230A (zh) | 一种提升频谱效率的正交时频空间调制系统及方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A blind estimation method for roll off coefficients of digital modulation signals based on deep learning Granted publication date: 20230516 Pledgee: Wuhan Optics Valley Small and Medium Duty Venture Capital Co.,Ltd. Pledgor: WUHAN CPCTECH CO.,LTD. Registration number: Y2024980013945 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |