CN118075075A - 一种基于非正交图像特征的cim-ofdm调制方法、解调方法及系统 - Google Patents
一种基于非正交图像特征的cim-ofdm调制方法、解调方法及系统 Download PDFInfo
- Publication number
- CN118075075A CN118075075A CN202410155921.9A CN202410155921A CN118075075A CN 118075075 A CN118075075 A CN 118075075A CN 202410155921 A CN202410155921 A CN 202410155921A CN 118075075 A CN118075075 A CN 118075075A
- Authority
- CN
- China
- Prior art keywords
- ofdm
- image
- layer
- cim
- propagation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000005540 biological transmission Effects 0.000 claims description 39
- 238000006243 chemical reaction Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 28
- 238000001514 detection method Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 22
- 238000010276 construction Methods 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 230000007480 spreading Effects 0.000 claims description 11
- 238000003892 spreading Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 230000006854 communication Effects 0.000 abstract description 28
- 238000004891 communication Methods 0.000 abstract description 26
- 238000001228 spectrum Methods 0.000 abstract description 9
- 238000013461 design Methods 0.000 abstract description 4
- 238000013507 mapping Methods 0.000 abstract description 4
- 230000001965 increasing effect Effects 0.000 abstract description 3
- 238000000411 transmission spectrum Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000003860 storage Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 5
- 230000000644 propagated effect Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000007306 functionalization reaction Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Landscapes
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
公开了一种基于非正交图像特征的CIM‑OFDM调制方法、解调方法及系统,该发明将非正交图像特征引入通信系统中,从而打破一般的通信系统对正交码本的依赖,提高通信频谱效率。通过建立图像索引设计和使用基于图像特征的非正交图像码本,消除了系统对正交码的需求,增加携带的信息量,提高传输频谱效率。端对端学习进行联合优化降低恢复数据和传输数据之间不一致性的端对端损失。通过自设计的端对端网络,自动学习输入到输出之间的映射关系而无需人工设计中间模块,简化网络复杂度,降低训练成本。
Description
技术领域
本发明涉及无线通信领域,具体涉及一种基于非正交图像特征的CIM-OFDM调制方法、解调方法及系统。
背景技术
随着信息技术的飞速发展,数字信息开始呈现爆炸式增长。我们能否满足对高速通信急剧增长的需求并将频谱资源最大化利用,将在无线通信的未来发展中发挥关键作用。
在目前的CIM系统中,为了方便接收端译码,扩频序列一般是相互正交的,这样的设置很大程度上限制了CIM-OFDM方案频谱效率(Spectrum Efficiency,SE)的提升。且在通信过程中,恶劣的信道条件往往会破坏信号间的正交性,对系统整体性能产生影响,因此寻求更适用于高谱效通信的非正交码本。
图像具有直观、形象和信息量大等特点,这也使得从丰富的图像信息中提取大量可分辨的实用特征成为可能。且计算机视觉和图像处理领域的大量成果,也为在通信过程中利用图像特征辅助信息传输打下了坚实的基础。
为了保证通信质量,合理的特征提取方案十分重要。在计算机视觉和图像处理领域,常见的图像特征提取方案有传统的尺度不变特征变换、方向梯度直方图等以及深度学习(Deep Learning,DL)。在此基础上进一步提高SE对提取出的特征长度有了一定的限制,考虑到这一点,DL以其简单且灵活的特征尺度变化脱颖而出。且基于DL的通信系统性能依赖于训练阶段学习到的数据特征,因此该方案对信道的敏感性也较低。此外,研究表明,基于DL的接收端检测器很好地解决检测复杂度问题,因此,非正交码本使用过程中固有的高检测复杂度问题也能够借助DL得以解决。
最近,基于DL的端对端框架正在重塑通信系统的设计。该框架在基于将发射端、信道和接收端作为一个完整的网络来实现,称为自编码器,并且通过学习算法实现尽可能高的传信率,适应日益复杂的通信环境。作为一种典型的无监督学习模型自编码器在无监督学习领域发挥着重要作用,它通过将输入压缩到低维空间,然后重构输入,迫使模型提取数据中的有效特征。发射端网络学习如何用一个较短的嵌入向量合理地表示需要发送的数据,而接收端网络则学习如何将数据从接收到的嵌入向量中恢复出来。位于发射端和接收端的两个网络在无监督的方式下进行联合训练,以最大限度地降低衡量恢复数据和传输数据之间不一致性的端对端损失,从而实现发射信号的重构。由于这是一种纯粹的数据驱动方法,没有预先设定的信道模型作为先决条件,因此潜在地为各种通信场景提供通用解决方案。
发明内容
针对现有CIM系统中的频谱效率低、信道条件恶劣影响通信效果的技术问题,本申请提出了一种基于非正交图像特征的CIM-OFDM调制方法及系统。
根据本发明的一方面,提出了一种基于非正交图像特征的CIM-OFDM调制方法,包括以下步骤:
S01,输入信息位,通过所述信息位与图像集的图像之间建立图像索引;
S02,构建传播码生成网络,对所述图像索引对应的图像进行特征提取,得到对应的传播码;
S03,将所述传播码进行OFDM构建,搭载到子载波上,进行P/S转换和离散傅里叶反变换IFFT,形成对应的OFDM信号,通过水声信道进行传播。
该调制方法利用端对端学习能够自动学习输入到输出之间的映射关系而无需人工设计中间模块的表示方式的特点,通过端对端的深度学习,对索引图像进行特征提取与压缩。所要传达的信息通过自设计的图像索引方式,通过深度学习转换为对应的非正交图像特征编码,相比较传统的通信方式,消除了系统对正交码的需求,更有很好的加密性能,同时非正交图像码本的设计与使用可以增加携带的信息量,提高传输频谱效率。
优选的,S01具体包括输入所述信息位Q=[BitsA,BitsB,BitsC]为所述图像集建立所述图像索引,所述信息位Q进一步分为BitsA=[t1,t2,…,ta]、BitsB=[t1,t2,…,tb]和BitsC=[t1,t2,...,tc]三部分,其中,a、b、c分别表示BitsA、BitsB、BitsC的长度,首先使用BitsA对所述图像集中的M张原始图像进行下标索引,每张原始图像切割为多张小图,使用BitsB进一步索引切割后的小图,每张切割后的小图进行旋转,使用BiteC索引旋转后的小图。通过建立图像索引,可以将所传达的比特信息转换为对应图像进行表达。
进一步优选的,所述传播码生成网络包括多层二维卷积层、最大池化层、特征展平层、全连接层。所述二维卷积层和全连接层后伴随着LeakyRelu激活函数层,所述二维卷积层的卷积核大小固定为3×3,所述最大池化层的池化尺寸为2×2,步长为2。建立索引后,将所传达的比特信息对应的图像输入传播码生成网络进行处理,提取对应图像的图像特征,把比特信息转换为图像特征信息进行表示。
更进一步优选的,由于所述传播码生成网络的输出为实数,而信号数据一般为复数,所述传播码生成网络对所述图像索引对应的图像进行特征提取后,特征提取的结果还进行R2C转换,转换为传播码所需尺寸Ns,所述R2C转换具体表示为:
其中,xi表示传播码x的第i个元素,则表示所述传播码生成网络的输出/>中的第i个元素,j表示虚数单位。
优选的,S03具体包括将所述传播码搭载x到N个子载波上,通过构建OFDM块产生一个OFDM频域信号xF,对所述OFDM频域信号xF进行P/S转换和IFFT便可得到对应的OFDM时域信号xT,所述OFDM时域信号xT通过水声信道进行传播。
根据本发明的一方面,提出了一种基于非正交图像特征的CIM-OFDM解调方法,包括以下步骤:
S11,接收端接收到OFDM信号,进行S/P转换和傅里叶变换FFT,通过OFDM解构得到传输码;
S12,构建检测网络,对通过OFDM解构得到的所述传输码进行还原,得到信息位。
该解调方法通过构造检测网络,在接收端检测非正交的传播码,把传播码恢复为发射端想传达的原始索引比特信息,通过多次训练,在一定的误差范围内,检测结果无限接近原始调制信息,从而达到高谱效通信的目的。
优选的,所述检测网络包括输入层、由多个卷积单元组成的中间处理层、输出层,所述卷积单元采用ResNet Block结构为骨干结构,每个ResNet Block结构后伴随着LeakyRelu激活函数层和采用BN函数的归一化层,所述ResNet Block结构包括卷积核为3×3,步长为1的卷积层和残差连接层,输出层包括Flatten层和全连接层。通过OFDM解构得到的所述传输码输入检测网络后,经过检测网络的处理,还原所述传输码所对应的所述信息位。
在训练阶段,形成所述图像集对应的图片特征码本,在测试及应用阶段,所述信息位根据所述图片特征码本转换为对应的传输码,进行OFDM构建,通过所述水声信道进行传播,被所述接收端接收,进行OFDM解构和还原。
测试阶段和应用阶段所得到的图片特征码本是一种非正交码本,如前所述,目前市面上所使用的技术基本是基于信号间的正交性,正交码本的使用受限于信道条件,非正交码本更适用于高谱效通信。
根据本发明的第三方面,提出了一种基于非正交图像特征的CIM-OFDM系统,包括如下模块:
图片索引模块:输入信息位,通过所述信息位与图像集的原始图像之间建立图像索引;
特征提取模块:构建传播码生成网络,对所述图像索引对应的图像进行特征提取,得到对应的传播码;
OFDM构建模块:将所述传播码进行OFDM构建,搭载到子载波上,进行P/S转换和离散傅里叶反变换IFFT,形成对应的OFDM信号,通过水声信道进行传播;
OFDM解构模块:接收端接收到所述OFDM信号,进行S/P转换和傅里叶变换FFT,通过OFDM解构得到所述传输码;
信号检测模块:构建检测网络,对通过OFDM解构得到的所述传输码进行还原,得到所述信息位。
根据本发明的第四方面,提出了一种计算机可读介质,其上存储有计算机程序,所述计算机程序在被处理器执行如第一和第二方面所述的方法。
根据本发明的第五方面,提出了一种计算系统,包括处理器和存储器,所述处理器被配置为执行如第一和第二方面所述的方法。
本发明通过建立图像索引构建了比特信息与图像之间的关联,用于从多张图像中指定一张图像,训练传播码生成网络从一系列转换后的图像数据中学习鲁棒的广义特征,将图像信息映射成一串数字特征,完成高维数据到低维数据之间的转换,合理地表示需要发送的数据形成有效且可分辨的信号进行传输,并通过接收端的检测网络进行还原。
本发明的有益之处在于:
1.通过建立图像索引设计和使用基于图像特征的非正交图像码本,消除了系统对正交码的需求,增加携带的信息量,提高传输频谱效率。
2.端对端学习进行联合优化降低恢复数据和传输数据之间不一致性的端对端损失。
3.通过自设计的端对端网络,自动学习输入到输出之间的映射关系而无需人工设计中间模块,简化网络复杂度,降低训练成本。
附图说明
包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本发明的原理。将容易认识到其它实施例和实施例的很多预期优点,因为通过引用以下详细描述,它们变得被更好地理解。附图的元件不一定是相互按照比例的。同样的附图标记指代对应的类似部件。
图1示出了根据本发明的一种基于非正交图像特征的CIM-OFDM调制方法的流程示意图;
图2示出了根据本发明的一种建立图像索引的流程示意图;
图3示出了信息位通过本发明中的一种基于非正交图像特征的CIM-OFDM调制方法和解调方法进行转换的流程示意图;
图4示出了根据本发明的CIM-OFDM通信网络发射端CGNEt的结构示意图;
图5示出了根据本发明的CIM-OFDM通信网络接收端DetNet的结构示意图;
图6示出了发射端进行OFDM构建的流程示意图;
图7示出了接收端进行OFDM解构的流程示意图;
图8示出了在训练阶段基于非正交图像特征的CIM-OFDM调制方法和解调方法的流程示意图;
图9示出了在测试及应用阶段基于非正交图像特征的CIM-OFDM调制方法和解调方法的流程示意图;
图10示出了不同索引方式的CIM-OFDM系统BER性能对比图;
图11示出了不同SNR情况的CIM-OFDM系统BER性能变化趋势;
图12示出了同谱效下不同系统性能对比图;
图13示出了根据本发明的一种基于非正交图像特征的CIM-OFDM系统的结构图;
图14是适于用来实现本发明实施例的电子设备的计算机装置的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了便于描述,下面对本发明所涉及到的概念进行描述。
1.端对端学习
深度学习中的端对端学习是一种非常有用的学习模型。
传统机器学习的流程往往由多个独立的模块组成,比如在一个典型的自然语言处理问题中,包括分词、词性标注、句法分析、语义分析等多个独立步骤,每个步骤是一个独立的任务,其结果的好坏会影响到下一步骤,从而影响整个训练的结果,这是非端到端的。
而端到端的深度学习模型在训练过程中,将多步骤/模块解决的任务使用单个模型来建模解决,模型的预测结果与真实结果相比较会得到一个误差,这个误差会在模型中的每一层传递(反向传播),每一层的表示都会根据这个误差来做调整,直到模型收敛或达到预期的效果才结束,这是端到端的。
两者相比,端到端的学习省去了在每一个独立学习任务执行之前所做的数据标注,为样本做标注的代价是昂贵的、易出错的。
在本发明所提出的方法中,发射端对由索引信息索引得到的图像数据进行编码,并要求接收端的输出与索引信息一致,从而实现索引图像特征的提取与检测,主要思想是借助卷积网络,使用提取后的高阶特征的重新组合来重构输入数据。因此,该网络的特点就是用输入数据的高阶特征来重构自己,期望输出与输入一致。
此外,我们通过在发射端与接收端之间加入信道和噪声,训练网络,使网络结构在一定程度上具有对抗原始数据的污染和损失。
2.OFDM
OFDM全称为Orthogonal Frequency Division Modulation(正交频分复用),是一种常见的多载波通信系统。它的基本原理是将传输的信号分解为若干个子信号,将需要传输的高速数据信号转换为并行模式,将子信号搭载在子载波上,进行传输,在接收端通过一定方式进行合并。
3.BER
全称Bit Error Ratio(比特出错概率),在数字传输中,比特误差的数量是由于噪声,干扰,失真或比特同步错误而被改变的通信信道上的数据流的接收比特数。
4.CIM
全称Coded Index Modulation(码索引调制),是将调制符号作为索引,从一组不相关的码字中选取特定码字进行数据传输的调制方式。
5.IM
全称Index Modulation(索引调制),是将调制符号作为索引,从一组子载波中选择特定子载波进行数据传输的调制方式。
6.P/S转换
全称Parallel/Serial转换(并行/串行转换),在OFDM系统中,发射符号在频域由并行序列转换成串行序列,然后才可进行快速傅里叶反变换,形成时域发射信号。
7.S/P转换
全称Serial/Parallel转换(串行/并行转换),在OFDM系统中,接收信号在频域由串行序列转换成并行序列,然后才可进行符号解调。
8.IM-OFDM-SS
全称Index modulated OFDM with Spread spectrum(扩频索引OFDM系统)是将调制符号作为索引,选择特定扩频码进行传输的通信系统。
9.CIM-OFDM
Coded Index Modulated OFDM(码索引的OFDM系统)包括但不限于IM-OFDM-SS,在本专利中指本专利基于非正交图像特征所提出的基于图片特征码字索引的OFDM系统。
10.OFDM-IM
全称OFDM with Index modulation,是一种子载波索引的OFDM系统。
图1出了根据本发明的一种基于非正交图像特征的CIM-OFDM调制方法,如图1所示,该方法具体包括:
根据本发明的一方面,提出了一种基于非正交图像特征的CIM-OFDM调制方法,包括以下步骤:
S01,输入信息位,通过所述信息位与图像集的原始图像之间建立图像索引;
S02,构建传播码生成网络,对所述图像索引对应的图像进行特征提取,得到对应的传播码;
S03,将所述传播码进行OFDM构建,搭载到子载波上,进行离散傅里叶反变换IFFT和P/S转换,形成对应的OFDM信号,通过水声信道进行传播。
如图2所示,S01具体包括输入所述信息位Q=[BitsA,BitsB,BitsC]为所述图像集建立所述图像索引,所述信息位Q进一步分为BitsA=[t1,t2,...,ta]、BitsB=[t1,t2,...,tb]和BitsC=[t1,t2,...,tc]三部分,其中,a、b、c分别表示BitsA、BitsB、BitsC的长度,首先使用BitsA对所述图像集中的M张原始图像进行下标索引,即:
iL=bi2dec(BitsA)
其中,iL表示原始图像的索引,bi2dec()表示将二进制序列转换为十进制数据。
由于,每张大图又被片切成多张小图,因此需要BitsB进一步索引切割后的小图,即:
is=bi2dec(BitsB)
其中,is表示大图切割后的小图的索引。
为了在选取出的图像上搭载更多的信息,这里将索引出来的小图进行旋转。旋转角度有R=log2(c)种选择,表示为:
如图3所示,依据图像索引对所述图像集的多张原始图像进行处理,指定对应的图像输入传播码生成网络(Code Generation Network,CGNet)进行特征提取。
索引出的图像中包含着大量的图像特征,为了实现高谱效通信,需要对其中的信息作出筛选和压缩,并寻求更适合于水声信道的表达方式。为了同时满足上述需求,将其输入传播码生成网络,将原始图像/>压缩编码成更加有效且简短的表示形式该转换通过CGNet网络完成,具体的映射过程表示可以表示为如下:
其中,fCGNet表示CGNet对应的编码函数,则对应CGNet中的可训练参数。由于网络的输出/>为实数,需要进行R2C转换。本发明中,R2C转换具体表示为:
其中,xi表示传播码x的第i个元素,则表示CGNet的输出/>中的第i个元素,j表示虚数单位。
传播码x通过OFDM构建,转为OFDM信号,通过水声信道进行传播。由于OFDM信号在水声信道中传输时会受到噪声的干扰,且在传输过程中会发生能量耗损,损失部分信号,被接收端接收后,进行OFDM解构,得到的传输码为接收端的检测网络(Detect Network,DetNet)根据/>得到的信息位为/>即:
其中,fDetNet表示DetNet所对应的译码函数,则对应DetNet中的可训练参数。
在具体实施例中,如图4所示,发射端的传播码生成网络CGNet包括多层二维卷积层Conv2D、最大池化层Max-Pooling、特征展平层Flatten、全连接层FC。所述二维卷积层和全连接层后伴随着LeakyRelu激活函数层,所述LeakyRelu函数能够增强网络的非线性表达能力。所述二维卷积层的卷积核大小固定为3×3,所述最大池化层的池化尺寸为2×2,步长为2。最大池化层的加入进一步增加卷积层的感受野,减小计算量和减少可训练参数,并提升网络的平移不变性、旋转不变性和尺度不变性。
当图像输入CGNet后,经过第一个Conv2D+LeakyRelu激活函数的处理,输出的通道数为16,经过第二个Conv2D+LeakyRelu激活函数的处理,输出的通道数为16,经过第三个Conv2D+LeakyRelu激活函数的处理,输出的通道数为64,经过第四个Conv2D+LeakyRelu激活函数的处理,输出的通道数为64,经过第五个Conv2D+LeakyRelu激活函数的处理,输出的通道数为16,经过第六个Conv2D+LeakyRelu激活函数的处理,输出的通道数为16。最后经过特征展平层Flatten和两层全连接层的处理,CGNet的输出特征维度与所需传播码的尺寸相关。由于网络的输出为实数,而信号数据一般为复数,最后设置CGNet的输出大小为(Ns×2),经R2C变换后即为传播码所需尺寸Ns。
根据本发明的一方面,提出了一种基于非正交图像特征的CIM-OFDM解调方法,包括以下步骤:
S11,接收端接收到OFDM信号,进行S/P转换和傅里叶变换FFT,通过OFDM解构得到传输码;
S12,构建检测网络,对通过OFDM解构得到的所述传输码进行还原,得到信息位。
在具体的实施例中,接收端的DetNet负责完成频域接收信号到信息比特之间的转换,具体的网络结构如图5。DetNet主要采用ResNet Block结构。所述ResNet Block+LeakyRelu的结构如图5所示,所采用的二维卷积层的步长为1,卷积核为3×3,通过残差学习使深层的网络发挥出作用。每个ResNet Block结构后伴随着LeakyRelu激活函数层和采用BN函数的归一化层,当接收到的传输码输入DetNet后,经过第一个ResNet Block结构、LeakyRelu激活函数和归一化层的处理,输出的通道数为16;经过第二个ResNet Block结构、LeakyRelu激活函数和归一化层的处理,输出的通道数为64;经过第三个ResNet Block结构、LeakyRelu激活函数和归一化层的处理,输出的通道数为128;经过第四个ResNetBlock结构、LeakyRelu激活函数和归一化层的处理,输出的通道数为256。最后的Flatten层和全连接层负责将网络的输出转换到所需维度上,输出大小等于所搭载的比特信息长度(a+b+c)。
图6示出了发射端如何通过OFDM构建将传播码转变为OFDM信号输入水声信道中进行传播的过程,如图6所示,所想要传播的信息位的大小为m bits,依照前面所述的图像索引方式进行索引后,经过CGNet处理的对应的传播码的尺寸为Ns。OFDM具有N个子载波,当传播码搭载到N个子载波上时,由于每个传播码需要使用Ns个子载波进行搭载,于是所有子载波被平均分割成块,每块所搭载的传播码的对应信息位大小为p bits,一个OFDM周期内同时传输g个传播码。当g个OFDM块都构造完成,将它们连接在一起,产生一个OFDM频域信号xF,具体表示为:
x(1)代表第一个OFDM块上所搭载的传输码以此类推,接下来的步骤与一般OFDM的步骤相同,对xF进行P/S转换和IFFT便可得到接收端发射的时域OFDM信号xT,即:
xT=[X1,…,XN]T
图7示出了接收端如何通过OFDM解构将从水声信道接收到的OFDM信号转变为传播码,然后还原成信息位的过程。如图7所示,。由于OFDM信号在水声信道中传输时会受到噪声的干扰,且在传输过程中会发生能量耗损,损失部分信号,被接收端接收后,所接收到的信号为对所接收到的OFDM信号进行FFT和S/P转换,便可得到N个子载波上所搭载的传播码,将传播码通过检测网络进行还原,再进行合并,得到发射端所想要传输的比特信息。
如图8所示,在训练阶段,信息位需要先建立图片索引,再进行特征提取才能转换为传播码进行传输。在训练阶段结束后,形成所述图像集对应的图片特征码本。
如图9所示,在测试及应用阶段,所述信息位根据所述图片特征码本直接转换为对应的传输码,进行OFDM构建,通过所述水声信道进行传播,被所述接收端接收,进行OFDM解构和还原。
在测试及应用阶段,最终的图像特征码本大小为2a+b+c,信息位与码本中传播码的索引的对应关系表示为:
iC=bi2dec(Q)
在不考虑循环前缀和导频的情况下,所提出的基于非正交图像特征码本的CIM-OFDM的频谱效率SE表示为:
ε=(a+b+c)/Ns
如图10所示,展现了不同索引方式的CIM-OFDM系统对应的BER性能,采用了四种CIM方式,其中,a的值分别为4和5,即原始图像集大小分别为16和32,b的值分别为2和3,对应的图像切割分数分别为4和8,其他的设置都相同。由图中看出,所提出的基于图像特征的CIM-OFDM系统随着传播码长Ns的缩短,SE逐渐提高,误码性能也会随之恶化,但依旧能够获得令人满意的BER。
如图11所示,一共使用了四种CIM方式,对应了四个不同的图片特征码本。看到,在不同SNR情况下,采用不同索引方式的系统之间都获得十分相似的BER变化趋势,即随着谱效的提高,BER逐渐收敛。对于a+b+c=9的两种CIM方式,整体的误码性能极其相似。相比之下,a+b+c=10的CIM方式所得到的BER则较高,而当a+b+c=8时BER则较低。这主要是由于网络拟合性能的好坏会随需要识别的图像样本数而变化。
如图12所示,图12展示了同谱效系统性能的对比,CIM-OFDM-1~5在本专利中指代采用5种不同的传播码本情况下的CIM-OFDM系统,看到,在SNR大于15dB的条件下,当ε=2bps/Hz时,优化后的CIM-OFDM系统能够获得极接近于OFDM-IM和OFDM的BER,而当ε=1bps/Hz时,CIM-OFDM系统的BER则明显低于其他三个系统。该结果进一步证实了所提出的基于图像特征的CIM-OFDM系统的有效性。
根据本发明的第三方面,提出了一种基于非正交图像特征的CIM-OFDM系统,包括如下模块:图片索引模块131,特征提取模块132,OFDM构建模块133,OFDM解构模块134,信号检测模块135。
图片索引模块131,用于输入信息位,与图像集的图像建立图像索引;特征提取模块132,用于构建传播码生成网络,对所述图像索引对应的图像进行特征提取,得到对应的传播码;OFDM构建模块133,用于将所述传播码进行OFDM构建,搭载到子载波上,进行P/S转换和离散傅里叶反变换IFFT,形成对应的OFDM时域信号,通过水声信道进行传播;OFDM解构模块134,用于接收端接收到所述OFDM信号,进行S/P转换和傅里叶变换FFT,通过OFDM解构得到所述传输码;信号检测模块135,用于构建检测网络,对通过OFDM解构得到的所述传输码进行还原,得到所述信息位。
下面参考图14,其示出了适于用来实现本申请实施例的电子设备的计算机系统1400的结构示意图。图14示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图14所示,计算机系统1400包括中央处理单元(CPU)1401,其根据存储在只读存储器(ROM)1402中的程序或者从存储部分1409加载到随机访问存储器(RAM)1404中的程序而执行各种适当的动作和处理。在RAM 1404中,还存储有系统1400操作所需的各种程序和数据。CPU 1401、ROM 1402以及RAM 1404通过总线1405彼此相连。输入/输出(I/O)接口1406也连接至总线1405。
以下部件连接至I/O接口1406:包括键盘、鼠标等的输入部分1407;包括诸如液晶显示器(LCD)等以及扬声器等的输出部分1408;包括硬盘等的存储部分1409;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1410。通信部分1410经由诸如因特网的网络执行通信处理。驱动器1411也根据需要连接至I/O接口1406。可拆卸介质1412,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1411上,以便于从其上读出的计算机程序根据需要被安装入存储部分1409。
特别地,根据本公开的实施例,上文参考流程图描述的过程被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序通过通信部分1410从网络上被下载和安装,和/或从可拆卸介质1412被安装。在该计算机程序被中央处理单元(CPU)1401执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请的计算机可读存储介质是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质是任何包含或存储程序的有形介质,该程序被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还是计算机可读存储介质以外的任何计算机可读存储介质,该计算机可读存储介质发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上基本并行地执行,它们有时也按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,用执行规定的功能或操作的专用的基于硬件的系统来实现,或者用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块通过软件的方式实现,也通过硬件的方式来实现。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质是上述实施例中描述的电子设备中所包含的;也是单独存在,而未装配入该电子设备中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:输入信息位,通过所述信息位与图像集的原始图像之间建立图像索引;构建传播码生成网络,对所述图像索引对应的图像进行特征提取,得到对应的传播码;将所述传播码进行OFDM构建,搭载到子载波上,进行P/S转换和离散傅里叶反变换IFFT,形成对应的OFDM信号,通过水声信道进行传播;接收端接收到所述OFDM信号,进行S/P转换和傅里叶变换FFT,通过OFDM解构得到所述传输码;构建检测网络,对通过OFDM解构得到的所述传输码进行还原,得到所述信息位。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (11)
1.一种基于非正交图像特征的CIM-OFDM调制方法,包括以下步骤:
S01,输入信息位,通过所述信息位与图像集的原始图像之间建立图像索引;
S02,构建传播码生成网络,对所述图像索引对应的图像进行特征提取,得到对应的传播码;
S03,将所述传播码进行OFDM构建,搭载到子载波上,进行P/S转换和离散傅里叶反变换IFFT,形成对应的OFDM信号,通过水声信道进行传播。
2.根据权利要求1所述的一种基于非正交图像特征的CIM-OFDM调制方法,其特征在于,S01具体包括输入所述信息位Q=[BitsA,BitsB,BitsC]为所述图像集建立所述图像索引,所述信息位Q进一步分为BitsA=[t1,t2,...,ta]、BitsB=[t1,t2,...,tb]和BitsC=[t1,t2,...,tc]三部分,其中,a、b、c分别表示BitsA、BitsB、BitsC的长度,首先使用BitsA对所述图像集中的M张原始图像进行下标索引,每张原始图像切割为多张小图,使用BitsB进一步索引切割后的小图,每张切割后的小图进行旋转,使用BiteC索引旋转后的小图。
3.根据权利要求1所述的一种基于非正交图像特征的CIM-OFDM调制方法,其特征在于,所述传播码生成网络包括多层二维卷积层、最大池化层、特征展平层、全连接层,
所述二维卷积层和全连接层后伴随着LeakyRelu激活函数层,所述二维卷积层的卷积核大小固定为3×3,所述最大池化层的池化尺寸为2×2,步长为2。
4.根据权利要求3所述的一种基于非正交图像特征的CIM-OFDM调制方法,其特征在于,所述传播码生成网络对所述图像索引对应的图像进行特征提取后,特征提取后的结果进行R2C转换,得到对应的传播码x,所述R2C转换具体表示为:
其中,xi表示传播码x的第i个元素,则表示所述传播码生成网络的输出/>中的第i个元素,j表示虚数单位。
5.根据权利要求4所述的一种基于非正交图像特征的CIM-OFDM调制方法,其特征在于,S03具体包括将所述传播码搭载x到N个子载波上,通过构建OFDM块产生一个OFDM频域信号xF,对所述OFDM频域信号xF进行P/S转换和IFFT便可得到对应的OFDM时域信号xT,所述OFDM时域信号xT通过水声信道进行传播。
6.一种基于非正交图像特征的CIM-OFDM解调方法,包括以下步骤:
S11,接收端接收到OFDM信号,进行S/P转换和傅里叶变换FFT,通过OFDM解构得到传输码;
S12,构建检测网络,对通过OFDM解构得到的所述传输码进行还原,得到信息位。
7.根据权利要求6所述的一种基于非正交图像特征的CIM-OFDM解调方法,其特征在于,所述检测网络包括输入层、由多个卷积单元组成的中间处理层、输出层,所述卷积单元采用ResNet Block结构为骨干结构,每个ResNet Block结构后伴随着LeakyRelu激活函数层和采用BN函数的归一化层,所述ResNet Block结构包括卷积核为3×3,步长为1的卷积层和残差连接层,所述输出层包括Flatten层和全连接层;
通过OFDM解构得到的所述传输码输入所述检测网络后,经过所述检测网络的处理,还原所述传输码所对应的信息位。
8.根据权利要求7所述的一种基于非正交图像特征的CIM-OFDM解调方法,其特征在于,在训练阶段,形成所述图像集对应的图片特征码本,在测试及应用阶段,所述信息位根据所述图片特征码本转换为对应的传输码,进行OFDM构建,通过所述水声信道进行传播,被所述接收端接收,进行OFDM解构和还原。
9.一种基于非正交图像特征的CIM-OFDM系统,其特征在于包括如下模块:
图片索引模块:输入信息位,通过所述信息位与图像集的图像之间建立图像索引;
特征提取模块:构建传播码生成网络,对所述图像索引对应的图像进行特征提取,得到对应的传播码;
OFDM构建模块:将所述传播码进行OFDM构建,搭载到子载波上,进行离散傅里叶反变换IFFT和P/S转换,形成对应的OFDM信号,通过水声信道进行传播;
OFDM解构模块:接收端接收到所述OFDM信号,进行S/P转换和傅里叶变换FFT,通过OFDM解构得到所述传输码;
信号检测模块:构建检测网络,对通过OFDM解构得到的所述传输码进行还原,得到所述信息位。
10.一种计算机可读介质,其上存储有计算机程序,所述计算机程序在被处理器执行时实施如权利要求1-8中任一项所述的方法。
11.一种计算系统,包括处理器和存储器,所述处理器被配置为执行如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410155921.9A CN118075075A (zh) | 2024-02-04 | 2024-02-04 | 一种基于非正交图像特征的cim-ofdm调制方法、解调方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410155921.9A CN118075075A (zh) | 2024-02-04 | 2024-02-04 | 一种基于非正交图像特征的cim-ofdm调制方法、解调方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118075075A true CN118075075A (zh) | 2024-05-24 |
Family
ID=91096419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410155921.9A Pending CN118075075A (zh) | 2024-02-04 | 2024-02-04 | 一种基于非正交图像特征的cim-ofdm调制方法、解调方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118075075A (zh) |
-
2024
- 2024-02-04 CN CN202410155921.9A patent/CN118075075A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109525292B (zh) | 一种采用比特级优化网络的信道信息压缩反馈方法 | |
US9020029B2 (en) | Arbitrary precision multiple description coding | |
Haneche et al. | New mobile communication system design for Rayleigh environments based on compressed sensing‐source coding | |
RU2007100349A (ru) | Матричнозначные способы и устройство для обработки сигналов | |
US20230015280A1 (en) | Single input single output (siso) physical layer key exchange | |
CN112464837A (zh) | 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 | |
CN111566673A (zh) | 通信系统中的端到端学习 | |
RU2341030C2 (ru) | Многомасштабная беспроводная связь | |
CN105322991B (zh) | 基于wfrft预编码的多输入多输出传输系统及传输方法 | |
CN110808824A (zh) | 低轨卫星星地链路的高谱效稀疏码多址接入方法 | |
Haneche et al. | Compressed sensing-speech coding scheme for mobile communications | |
CN114765568B (zh) | 一种面向语义通信系统的多址接入方法及装置 | |
CN116074414A (zh) | 基于深度学习的无线通信物理层结构 | |
CN113259283B (zh) | 一种基于循环神经网络的单通道时频混叠信号盲分离方法 | |
CN107852239B (zh) | 一种信号处理方法及发送端设备 | |
CN118075075A (zh) | 一种基于非正交图像特征的cim-ofdm调制方法、解调方法及系统 | |
Sharma et al. | Spectral efficient compressive transmission framework for wireless communication systems | |
CN113726710B (zh) | Ofdm信号的发送方法、接收方法、装置、存储介质及电子设备 | |
Haneche et al. | Compressed sensing investigation in an end-to-end rayleigh communication system: Speech compression | |
CN113098816B (zh) | 一种双模三维ofdm索引调制算法的系统及方法 | |
CN116760674B (zh) | 一种无线信号调制方式智能监测识别方法及系统 | |
CN117714244B (zh) | 基于神经网络的无线信号重建方法、装置、接收机及系统 | |
CN110830404A (zh) | 一种基于矢量线性预测的数字移动前传信号量化方法 | |
CN114006677A (zh) | 一种低压电力线载波通信系统资源编码方法及系统 | |
CN116318572A (zh) | 基于深度学习的scma检测方法及相关设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |