CN115865593A - 一种基于降噪网路的ofdm-im信号检测方法 - Google Patents
一种基于降噪网路的ofdm-im信号检测方法 Download PDFInfo
- Publication number
- CN115865593A CN115865593A CN202211444691.5A CN202211444691A CN115865593A CN 115865593 A CN115865593 A CN 115865593A CN 202211444691 A CN202211444691 A CN 202211444691A CN 115865593 A CN115865593 A CN 115865593A
- Authority
- CN
- China
- Prior art keywords
- signal
- noise reduction
- noise
- representing
- network
- 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.)
- Pending
Links
- 230000009467 reduction Effects 0.000 title claims abstract description 56
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 29
- 230000004913 activation Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 7
- 238000005728 strengthening Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Landscapes
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明属于无线通信的信号检测领域，具体涉及一种基于降噪网路的OFDM‑IM信号检测方法，包括：利用降噪网路对预处理后的信号进行降噪，利用降噪后信号能量分布和接收信号的能量分布重构能量分布，利用重构能量分布和降噪信号进行信号检测。本发明考虑到降噪后信号的IQ信号可能改变原信号分布象限，为更好判决激活载波位置，通过降噪信号与接收信号的联合判决，通过模型训练阶段强化静默子载波的方法来增强模型的泛化能力，降低均衡信号的噪声，并改善接收信号的能量分布，进而提升OFDM‑IM信号的检测效率。
Description
技术领域
本发明属于无线通信的信号检测领域，具体涉及一种基于降噪网路的OFDM-IM信号检测方法。
背景技术
正交频分复用技术，由于其具有较高的频谱利用率，良好的抗多径衰落等优点，在4G和5G领域成为了关键的技术之一。近年来，索引调制OFDM(OFDM-Index Modulation,OFDM-IM)的出现已经成为一种取代或者补充现有OFDM系统的一种调制方式，在OFDM-IM系统中，将OFDM的调制维度从一个扩展到两个。OFDM-IM将所有的子载波分为两部分，一部分为静默子载波，另一部分是激活子载波，激活子载波上放置调制好的星座点信息，静默和非静默的载波当然也可以携带额外的信息。索引调制OFDM和传统的OFDM相比有许多优点，首先，OFDM-IM调制可以在频谱效率和传输性能上进行折衷。其次，在发送OFDM-IM信号时相比于OFDM信号有更低的峰均比。最后，OFDM-IM信号大大减少了载波间干扰，提升了系统的鲁棒性。总之，OFDM-IM技术有着很好的应用前景，值得我们去深入探究。
在OFDM-IM系统中，针对信号检测研究，学者们利用机器学习对OFDM-IM信号进行检测，同时降噪技术发展极大地促进了通信的发展。
Soltani等人(M.Soltani,V.Pourahmadi,A.Mirzaei and H.Sheikhzadeh,"DeepLearning-Based Channel Estimation,"in IEEE Communications Letters,vol.23,no.4,pp.652-655,April 2019,doi:10.1109/LCOMM.2019.2898944.)提出了一种两级级联的网络ChannelNet，该网络将导频等效为低分辨率的图像，通过超分辨率算法提升分辨率并通过DNCNN网络(K.Zhang,W.Zuo,Y.Chen,D.Meng and L.Zhang,"Beyond a GaussianDenoiser:Residual Learning of Deep CNN for Image Denoising,"in IEEETransactions on Image Processing,vol.26,no.7,pp.3142-3155,July 2017,doi:10.1109/TIP.2017.2662206.)的降噪，最终实现信道的估计。这一研究表明，降噪技术对提升通信的性能有着重要的研究价值，尤其是深度学习降噪技术的发展对通信领域的研究起着越来越重要的作用。
T.V.Luong等人(T.V.Luong,Y.Ko,N.A.Vien,D.H.N.Nguyen,and M.Matthaiou,“Deep learning-based detector for OFDM-IM,”IEEE Wireless Commun.Lett.,vol.8,no.4,pp.1159–1162,Aug.2019.)提出了一种基于机器学习的OFDM-IM检测器，该论文利用深度学习的方法对OFDM-IM系统进行信号检测，可以用非常低的模型训练时间来达到接近最佳的误码率性能。虽然该方法可以在用低复杂度的网络来有效的恢复出信息，但是在降低误码率性能方面却没有明显的提升。
综合当前OFDM-IM信号检测的研究情况，发现在利用降噪网络和检测网络进行信号检测的过程中仍存在一些挑战：
1.降噪信号虽然噪声减小，但是其能量分布也有可能对激活载波的位置产生错误判决，能量分布对判断激活子载波的位置起到辅助作用，对信号的检测至关重要；
2.针对预处理后信号样本的多样性不够等问题，有限的噪声分布会限制模型的学习范围，这样就无法应对更加复杂的噪声环境，因此在模型训练阶段丰富信号的噪声对提升网络的泛化能力至关重要。
发明内容
为解决上述技术问题，本发明提出一种基于降噪网路的OFDM-IM信号检测方法，包括：
S1：获取接收信号Y和发送信号X和信道信息H，通过信道信息H对接收信号Y进行预处理，得到二维格式的均衡信号
S2：对二维格式的均衡信号的静默子载波上的信号进行数据增强,得到的增强后的均衡信号
S3：构建降噪网络，通过增强后的均衡信号
和以发送信号X为标签对降噪网络进行训练。
S4：将二维格式的均衡信号
输入训练好的降噪网络进行数据降噪，得到降噪后的信号和降噪后的信号的能量分布；
S5：对降噪后的信号的能量分布进行重构；
S6：构建检测网络，并对检测网络进行训练；
S7：利用训练好的检测网络对降噪后的信号进行检测，并通过重构能量分布判断激活载波的位置，得到信号估计的值
对信号估计的值/>
进行判决，得到到估计的比特流
本发明的有益效果：
本发明考虑到降噪后信号的IQ信号可能改变原信号分布象限，为更好判决激活载波位置，设计了一种降噪信号与接收信号的联合判决方法，针对预处理后信号样本的多样性不够等问题，考虑到数据增强可以丰富信号的噪声，通过模型训练阶段强化静默子载波的方法来增强模型的泛化能力，进一步提升降噪的性能。
附图说明
图1为本发明的基于降噪网路的OFDM-IM信号检测方法示意图；
图2为本发明的基于降噪网路的OFDM-IM信号检测模型示意图。
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。
一种基于降噪网路的OFDM-IM信号检测方法，如图1所示，包括：
S1：获取接收信号号Y和发送信号X和信道信息H，通过信道信息H对接收信号Y进行预处理，得到二维格式的均衡信号
S2：对二维格式的均衡信号的静默子载波上的信号进行数据增强,得到的增强后的均衡信号
S3：构建降噪网络，通过增强后的均衡信号
和以发送信号X为标签对降噪网络进行训练；
S4：将二维格式的均衡信号
输入训练好的降噪网络进行数据降噪，得到降噪后的信号和降噪后的信号的能量分布；
S5：对降噪后的信号的能量分布进行重构；
S6：构建检测网络，并对检测网络进行训练；
S7：利用训练好的检测网络对降噪后的信号进行检测，并通过重构能量分布判断激活载波的位置，得到信号估计的值
对信号估计的值/>
进行判决，得到估计的比特流/>
如图2所示，假设信道信息H在接收端是已知的，接收到的OFDM-IM信号为Y，发送的信号为X；对于单输入单输出通信链路(SISO),OFDM-IM系统由NC个子载波组成，其中NC个子载波被分为L组，每组的子载波数量为NL,那么可以知道NL＝NC/L，对于一组接收到的信号,若考虑只激活1个子载波的情况，可以假设
其中，YM是激活载波位置的接收信号。
为了简化训练过程，定义常量Θ＝{ΘDE,ΘIM}，其中ΘDE为降噪网络的常量，ΘIM为检测网络的常量，fIM和fDE分别为降噪函数和检测函数，在训练网络之前，需要随机的生成数据比特流b，通过OFDM-IM调制可以得到我们的发送信号X。
对二维格式的均衡信号的静默子载波上的信号进行数据增强，包括：
其中，
表示增强后的均衡信号，n1、/>
分别表示静默载波位置1、NL的噪声分布,/>
为均衡信号的实部,/>
为均衡信号的虚部。
在静默子载波上我们继续增加复杂的噪声，使得静默载波的符号变大，或者使得激活载波的符号变小，在训练阶段，这样模型就可以学习更加复杂的噪声环境，模型将更加具有稳健性，表现出更加良好的性能。
所述降噪网络，包括：由20个卷积层组成的CNN结构，第一层使用64个大小为3x3x1的过滤器，后面是一个Relu激活函数，随后的18个卷积层都使用64个大小为3x3x64的滤波器，然后进行批处理归一化，激活函数同样为Relu函数，最后一层使用一个3x3x64滤波器重建输出。
通过增强后的均衡信号
和以发送信号X为标签对降噪网络进行训练，包括：
其中，Loss1表示降噪网络的损失函数，M1表示降噪网络的训练集大小，Ψ表示降噪网络的输出，X表示发送信号，||||表示求范数操作。
将二维格式的均衡信号
输入训练好的降噪网络进行数据降噪，包括：
降噪后的信号：
Yde＝fDE(θDE；Y/H)
其中，Yde表示降噪后的信号，fDE表示降噪函数，θDE表示降噪网路的常量，Y表示接收信号，H表示信道信息；
降噪后的信号的能量分布：
其中，Ede表示降噪后的信号的能量分布，Yde表示降噪后的信号，
和/>
分别表示对应载波位置上的降噪信号。
通过降噪网路，可以得到降噪后的信号，降噪后的信号具有较清晰的能量分布，但是也会出现误判的可能性，这样就会误判激活载波的位置。为了得到更加有效的能量分布，采用降噪的均衡信号的能量分布和接收信号的能量分布的结合ESum来判断激活的位置。
对降噪后的信号的能量分布进行重构，包括：
其中，Esum表示重构后的信号的能量分布，Yde表示降噪后的信号，Y表示接收信号，γ表示能量分布系数，
SNR表示实际信道环境中的信噪比。
所述检测网络，包括：由2层全连接网络构成的DNN结构，第一层为128个神经元，激活函数为Tanh函数，第二层为S个神经元，激活函数为Sigmoid函数，其中，S表示输出的比特位数。
对检测网络进行训练，包括：
其中，Loss2表示检测网络的损失函数，M2表示检测网络的训练集大小，L表示检测网络的输出，b表示随机的生成数据比特流，||||表示求范数操作。
利用训练好的检测网络对降噪后的信号进行检测，并通过重构能量分布判断激活载波的位置，得到信号估计的值
包括：
其中，fIM和fDE分别表示检测函数和降噪函数，θIM和θDE分别表示检测函数的常数和降噪函数的常数，Y表示接收信号，H表示信道信息。
对信号估计的值
进行判决，得到估计的比特流/>
包括：计算所估计的信号/>
同发送比特0和1的欧氏距离，将最短欧氏距离对应的比特值作为最终的比特流/>
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于降噪网路的OFDM-IM信号检测方法，其特征在于，包括：
S1：获取接收信号Y和发送信号X和信道信息H，通过信道信息H对接收信号Y进行预处理，得到二维格式的均衡信号
S2：对二维格式的均衡信号的静默子载波上的信号进行数据增强,得到的增强后的均衡信号
S3：构建降噪网络，通过增强后的均衡信号
和以发送信号X为标签对降噪网络进行训练；
S4：将二维格式的均衡信号
输入训练好的降噪网络进行数据降噪，得到降噪后的信号和降噪后的信号的能量分布；
S5：对降噪后的信号的能量分布进行重构；
S6：构建检测网络，并对检测网络进行训练；
S7：利用训练好的检测网络对降噪后的信号进行检测，并通过重构能量分布判断激活载波的位置，得到信号估计的值
对信号估计的值/>
进行判决，得到估计的比特流/>
2.根据权利要求1所述的一种基于降噪网路的OFDM-IM信号检测方法，其特征在于，对二维格式的均衡信号的静默子载波上的信号进行数据增强，包括：
其中，
表示增强后的均衡信号，n1、/>
分别表示静默载波位置1、NL的噪声分布,/>
为均衡信号的实部,/>
为均衡信号的虚部。
3.根据权利要求1所述的一种基于降噪网路的OFDM-IM信号检测方法，其特征在于，所述降噪网络，包括：由20个卷积层组成的CNN结构，第一层使用64个大小为3x3x1的过滤器，后面是一个Relu激活函数，随后的18个卷积层都使用64个大小为3x3x64的滤波器，然后进行批处理归一化，激活函数同样为Relu函数，最后一层使用一个3x3x64滤波器重建输出。
4.根据权利要求1所述的一种基于降噪网路的OFDM-IM信号检测方法，其特征在于，通过增强后的均衡信号
和以发送信号X为标签对降噪网络进行训练，包括：
其中，Loss1表示降噪网络的损失函数，M1表示降噪网络的训练集大小，Ψ表示降噪网络的输出，X表示发送信号，|| ||表示求范数操作。
5.根据权利要求1所述的一种基于降噪网路的OFDM-IM信号检测方法，其特征在于，将二维格式的均衡信号
输入训练好的降噪网络进行数据降噪，包括：
降噪后的信号：
Yde＝fDE(θDE；Y/H)
其中，Yde表示降噪后的信号，fDE表示降噪函数，θDE表示降噪网路的常量，Y表示接收信号，H表示信道信息；
降噪后的信号的能量分布：
其中，Ede表示降噪后的信号的能量分布，Yde表示降噪后的信号，
和/>
分别表示对应载波位置上的降噪信号。
6.根据权利要求1所述的一种基于降噪网路的OFDM-IM信号检测方法，其特征在于，对降噪后的信号的能量分布进行重构，包括：
其中，Esum表示重构后的信号的能量分布，Yde表示降噪后的信号，Y表示接收信号，γ表示能量分布系数，
SNR表示实际信道环境中的信噪比。
7.根据权利要求1所述的一种基于降噪网路的OFDM-IM信号检测方法，其特征在于，所述检测网络，包括：由2层全连接网络构成的DNN结构，第一层为128个神经元，激活函数为Tanh函数，第二层为S个神经元，激活函数为Sigmoid函数，其中，S表示输出的比特位数。
8.根据权利要求1所述的一种基于降噪网路的OFDM-IM信号检测方法，其特征在于，对检测网络进行训练，包括：
其中，Loss2表示检测网络的损失函数，M2表示检测网络的训练集大小，L表示检测网络的输出，b表示随机的生成数据比特流，|| ||表示求范数操作。
9.根据权利要求1所述的一种基于降噪网路的OFDM-IM信号检测方法，其特征在于，利用训练好的检测网络对降噪后的信号进行检测，并通过重构能量分布判断激活载波的位置，得到信号估计的值
包括：
其中，fIM和fDE分别表示检测函数和降噪函数，θIM和θDE分别表示检测函数的常数和降噪函数的常数，Y表示接收信号，H表示信道信息。
10.根据权利要求1所述的一种基于降噪网路的OFDM-IM信号检测方法，其特征在于，对信号估计的值
进行判决，得到估计的比特流/>
包括：计算所估计的信号/>
同发送比特0和1的欧氏距离，将最短欧氏距离对应的比特值作为最终的比特流/>
/>
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211444691.5A CN115865593A (zh) | 2022-11-18 | 2022-11-18 | 一种基于降噪网路的ofdm-im信号检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211444691.5A CN115865593A (zh) | 2022-11-18 | 2022-11-18 | 一种基于降噪网路的ofdm-im信号检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115865593A true CN115865593A (zh) | 2023-03-28 |
Family
ID=85664043
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211444691.5A Pending CN115865593A (zh) | 2022-11-18 | 2022-11-18 | 一种基于降噪网路的ofdm-im信号检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115865593A (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104767587A (zh) * | 2015-03-10 | 2015-07-08 | 重庆邮电大学 | 基于ofdm系统下联合信道编译码的压缩感知信道估计方法 |
| CN104796374A (zh) * | 2015-04-27 | 2015-07-22 | 电子科技大学 | 一种用于载波索引调制ofdm系统的信号检测方法 |
| US20170180032A1 (en) * | 2015-08-12 | 2017-06-22 | Istanbul Teknik Universitesi Rektorlugu | Multiple input multiple output orthogonal frequency division multiplexing with index modulation, mimo-ofdm-im, communications system |
| US20180309481A1 (en) * | 2017-04-21 | 2018-10-25 | National Taiwan University | Methods of beam-indexed spatial modulation |
| CN109347781A (zh) * | 2018-11-28 | 2019-02-15 | 广州海格通信集团股份有限公司 | 基于子载波树搜索的mimo-ofdm-im检测方法 |
| CN110942100A (zh) * | 2019-11-29 | 2020-03-31 | 山东大学 | 一种基于深度去噪神经网络的空间调制系统的工作方法 |
| 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 |
| CN112564830A (zh) * | 2020-12-04 | 2021-03-26 | 山东大学 | 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 |
| US20210288782A1 (en) * | 2020-03-11 | 2021-09-16 | Qualcomm Incorporated | Full-duplex index modulation |
| US20210336716A1 (en) * | 2020-04-27 | 2021-10-28 | Qualcomm Incorporated | Boosted index modulation for noncoherent modulation |
| CN114584448A (zh) * | 2022-02-16 | 2022-06-03 | 山东大学 | 基于深度神经网络的sm-ofdm信号分组检测方法 |
| KR20220078823A (ko) * | 2020-12-04 | 2022-06-13 | 울산대학교 산학협력단 | 가시광 통신에서 일반적인 led 인덱스 기반 변조 방식용 딥 러닝 기반의 인덱스 추정기 |
| CN114745248A (zh) * | 2022-04-06 | 2022-07-12 | 山东大学 | 基于卷积神经网络的dm-gsm信号检测方法 |
-
2022
- 2022-11-18 CN CN202211444691.5A patent/CN115865593A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104767587A (zh) * | 2015-03-10 | 2015-07-08 | 重庆邮电大学 | 基于ofdm系统下联合信道编译码的压缩感知信道估计方法 |
| CN104796374A (zh) * | 2015-04-27 | 2015-07-22 | 电子科技大学 | 一种用于载波索引调制ofdm系统的信号检测方法 |
| US20170180032A1 (en) * | 2015-08-12 | 2017-06-22 | Istanbul Teknik Universitesi Rektorlugu | Multiple input multiple output orthogonal frequency division multiplexing with index modulation, mimo-ofdm-im, communications system |
| US20180309481A1 (en) * | 2017-04-21 | 2018-10-25 | National Taiwan University | Methods of beam-indexed spatial modulation |
| CN109347781A (zh) * | 2018-11-28 | 2019-02-15 | 广州海格通信集团股份有限公司 | 基于子载波树搜索的mimo-ofdm-im检测方法 |
| CN110942100A (zh) * | 2019-11-29 | 2020-03-31 | 山东大学 | 一种基于深度去噪神经网络的空间调制系统的工作方法 |
| 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 |
| US20210288782A1 (en) * | 2020-03-11 | 2021-09-16 | Qualcomm Incorporated | Full-duplex index modulation |
| US20210336716A1 (en) * | 2020-04-27 | 2021-10-28 | Qualcomm Incorporated | Boosted index modulation for noncoherent modulation |
| CN112564830A (zh) * | 2020-12-04 | 2021-03-26 | 山东大学 | 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 |
| KR20220078823A (ko) * | 2020-12-04 | 2022-06-13 | 울산대학교 산학협력단 | 가시광 통신에서 일반적인 led 인덱스 기반 변조 방식용 딥 러닝 기반의 인덱스 추정기 |
| CN114584448A (zh) * | 2022-02-16 | 2022-06-03 | 山东大学 | 基于深度神经网络的sm-ofdm信号分组检测方法 |
| CN114745248A (zh) * | 2022-04-06 | 2022-07-12 | 山东大学 | 基于卷积神经网络的dm-gsm信号检测方法 |
Non-Patent Citations (6)
| Title |
|---|
| RUIYAN DU ET.AL: "Broad Learning System-Based Detector for OFDM With Index Modulation", IEEE COMMUNICATIONS LETTERS, 21 October 2022 (2022-10-21) * |
| SIRUI DUAN ET.AL: "A joint denoising and deep learning detector for OFDM-IM", IET COMMUNICATIONS VOLUME 17, ISSUE 13, 5 June 2023 (2023-06-05) * |
| TENGJIAO WANG ET.AL: "Deep_Convolutional_Neural_Network-Based_Detector_for_Index_Modulation", IEEE WIRELESS COMMUNICATIONS LETTERS, 11 June 2020 (2020-06-11) * |
| 周煜: "基于深度学习的无线信号调制方式识别技术研究", 中国优秀硕士学位论文全文数据库, 15 August 2019 (2019-08-15) * |
| 常代娜;周杰;: "基于深度学习算法的OFDM信号检测", 东南大学学报(自然科学版), no. 05, 20 September 2020 (2020-09-20) * |
| 郭征: "正交频分复用索引调制系统检测算法的研究", 中国优秀硕士学位论文全文数据库, 15 May 2022 (2022-05-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ye et al. | Power of deep learning for channel estimation and signal detection in OFDM systems | |
| Lin et al. | A novel OFDM autoencoder featuring CNN-based channel estimation for internet of vessels | |
| CN101958873B (zh) | 一种降低ofdm信号峰均功率比的信息传输方法 | |
| CN106357311B (zh) | 一种基于载波索引调制的mimo-ofdm系统的检测方法 | |
| US8488684B2 (en) | Methods and systems for hybrid MIMO decoding | |
| CN111884975B (zh) | 基于时延-多普勒域的索引调制解调方法和系统 | |
| CN111756664B (zh) | 短参考载波索引差分混沌移位键控调制解调方法及系统 | |
| CN111368979B (zh) | Mimo-ofdm系统papr抑制方法 | |
| CN107070838B (zh) | 一种基于g3-plc频域robo编码调制解调方法 | |
| CN111614587A (zh) | 一种基于自适应集成深度学习模型的sc-fde系统信号检测方法 | |
| CN111431617A (zh) | 一种无线光通信的非对称限幅光ofdm-im调制方法 | |
| CN114745230A (zh) | 基于深度神经网络结构的otfs信号接收恢复方法 | |
| CN112215335A (zh) | 一种基于深度学习的系统检测方法 | |
| CN104580058B (zh) | 一种ofdm系统子载波间干扰自消除方法 | |
| CN103237001B (zh) | Ami系统载波通信模块自适应调制和编码方法 | |
| CN111277530A (zh) | 一种载波体制键控的调制解调方法 | |
| Liu et al. | CNN-based underwater acoustic OFDM communications over doubly-selective channels | |
| Badi et al. | Channel estimation based on machine learning paradigm for spatial modulation OFDM | |
| CN115250217B (zh) | 差分编码与神经网络辅助的ofdm系统信道估计方法及装置 | |
| CN115865593A (zh) | 一种基于降噪网路的ofdm-im信号检测方法 | |
| CN109167748B (zh) | 一种基于能量排序的部分最大似然检测方法 | |
| CN111641576A (zh) | 一种基于索引调制的降低ofdm信号峰均比值的方法 | |
| CN113556305B (zh) | 适用于高频率选择性衰落的fbmc迭代信道均衡方法及系统 | |
| CN112350971B (zh) | 一种用于隐蔽通信的码域索引调制方法 | |
| 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 |