一种数据模型双驱动的GFDM接收机及方法技术

本发明专利技术公开了一种数据模型双驱动的GFDM接收机及方法，方法包括分别得到信道估计和信号检测神经网络；将包含发射导频信息的矩阵和接收的时域导频向量实数化后的结果作为信道估计神经网络的输入，并输出频域信道状态信息的估计；得到等效信道矩阵，并将其和接收的时域信号向量实数化后的结果作为信号检测神经网络的输入并输出为一个GFDM符号的估计；建立解映射神经网络，将信号检测神经网络所输出一个GFDM符号的估计作为输入，输出就作为原始比特信息的估计；将解映射网络的输出与设定门限的大小进行判决，根据判决结果输出原始比特信息的检测结果。本发明专利技术具有训练参数不随数据维度变化、训练速度快并且对不同信道环境适应能力强的优点。

【技术实现步骤摘要】
一种数据模型双驱动的GFDM接收机及方法
本专利技术涉及一种数据模型双驱动的GFDM接收机及方法，属于无线通信

技术介绍
深度学习是人工神经网络的一个分支，最初的模型就是具有深度网络结构的人工神经网络。深度学习在2006年之后获得了学术界和工业界的高度关注，应用领域从最初的图像和语音识别扩展到自然语言处理、计算机视觉、大数据特征提取和搜索等领域。而长期以来，通信系统的设计和分析都依赖于建立起的各种数学模型。但是在一些场景中，建模的困难性和复杂性使得从业者开始寻找全新的替代方法。近年来，深度学习逐渐应用到无线通信物理层领域，帮助解决通信系统中的一些问题。该领域的研究处于探索阶段，研究的重点主要停留在将神经网络当做黑盒子，训练难度大，难以实际使用。4G时代，OFDM是应用最广泛最成功的多载波调制技术。但是，OFDM无法应对5G时代的各种典型场景提出的挑战。OFDM需要的严格同步使得要求低功耗的机器类型通信(MTC)无法负担，高带外泄露使得动态频谱接入面临巨大挑战，不灵活的波形无法根据不同场景进行调整。为了应对这些挑战，广义频分复用(GFDM)作为一种非正交多载波调制方法获得了广泛的关注。
技术实现思路
本专利技术所要解决的技术问题在于克服现有技术的不足，提供一种数据模型双驱动的GFDM接收机及方法，解决现有GFDM接收机单一的数据驱动网络训练难度大和适应性差的问题，将通信领域先进的迭代算法应用在基于深度学习的GFDM接收机设计中，实现数据模型双驱动。本专利技术具体采用以下技术方案解决上述技术问题：一种数据模型双驱动的GFDM接收机，包括：信道估计模块，用于利用深度学习的神经网络对正交消息传递算法作为基础的通信知识模型中的迭代参数进行优化训练，得到信道估计神经网络；及将包含发射导频信息的矩阵Xp和接收的时域导频向量yp实数化后的结果作为信道估计神经网络的输入，并由信道估计神经网络输出频域信道状态信息的估计信号检测模块，用于利用深度学习的神经网络对正交消息传递算法作为基础的通信知识模型中的迭代参数进行优化训练，得到信号检测神经网络；及根据频域信道状态信息的估计得到复数时域循环信道矩阵及结合GFDM调制矩阵G得到等效信道矩阵Hequ，并将等效信道矩阵Hequ和接收的时域信号向量yd实数化后的结果作为信号检测神经网络的输入并输出为一个GFDM符号的估计建立解映射神经网络，将信号检测神经网络所输出一个GFDM符号的估计作为输入，输出就作为原始比特信息的估计将解映射神经网络的输出与设定门限的大小进行判决，根据判决结果输出原始比特信息的检测结果进一步地，作为本专利技术的一种优选技术方案：所述信道估计神经网络和解映射神经网络的损失函数均定义为均方误差损失函数。进一步地，作为本专利技术的一种优选技术方案：所述信道估计神经网络中，平方误差损失函数为：其中，N是一个GFDM数据块中总符号数，h是真实的频域信道向量；是频域信道状态信息的估计对应的复数向量。进一步地，作为本专利技术的一种优选技术方案：所述解映射神经网络中，平方误差损失函数为：其中，N是一个GFDM数据块中总符号数，b是真实的比特向量；是原始比特信息的估计。进一步地，作为本专利技术的一种优选技术方案：所述信号检测模块中解映射网络由若干个层数为两层的全连接网络串联组成。进一步地，作为本专利技术的一种优选技术方案：所述信号检测模块中设定门限为0.5。本专利技术提出的一种数据模型双驱动的GFDM接收方法，包括以下步骤：分别利用深度学习的神经网络对正交消息传递算法作为基础的通信知识模型中的迭代参数进行优化训练，得到信道估计神经网络和信号检测神经网络；将包含发射导频信息的矩阵Xp和接收的时域导频向量yp实数化后的结果作为信道估计神经网络的输入，并由信道估计神经网络输出频域信道状态信息的估计及根据频域信道状态信息的估计得到复数时域循环信道矩阵及结合GFDM调制矩阵G得到等效信道矩阵Hequ，并将等效信道矩阵Hequ和接收的时域信号向量yd实数化后的结果作为信号检测神经网络的输入并输出为一个GFDM符号的估计建立解映射神经网络，将信号检测神经网络所输出一个GFDM符号的估计作为输入，输出就作为原始比特信息的估计将解映射神经网络的输出与设定门限的大小进行判决，根据判决结果输出原始比特信息的检测结果本专利技术采用上述技术方案，能产生如下技术效果：本专利技术的接收机及方法，结合了通信领域先进算法和深度学习两方面的优势，线下用大数据训练网络模型优化参数，线上部署于接收端，本专利技术的信道估计和信号检测两个模块均采用深度学习方法来训练正交消息传递算法OAMP中的重要迭代参数，完成对传统方法的优化。本专利技术提出基于OAMP算法和深度学习神经网络的GFDM接收机，相比传统算法BER性能有较大提升，具有训练参数不随数据维度变化、训练速度快并且对不同信道环境适应能力强的优点。本专利技术完成了GFDM系统的信道估计和信号检测，BER性能相比传统通信模型有明显提升。相比不结合通信知识的神经网络，训练参数大大减小，训练周期变短。附图说明图1为本专利技术的数据模型双驱动的GFDM接收机结构框图。图2为本专利技术的信道估计模块OAMP算法原理图。图3为本专利技术的信号检测模块OAMP算法展开图。具体实施方式下面结合说明书附图对本专利技术的实施方式进行描述。本专利技术结合附图以32子载波3子符号的GFDM系统实施实例详细描述，具体如下：该GFDM接收机系统一个数据块d的维度N＝96，一个数据帧中有一个导频块和一些数据块。规定一个数据帧的时间内，信道状态不发生改变，即可用导频块估计出的信道作为其余数据块的信道状态信息。导频放置的方式为全铺满，星座调制方式均为QPSK。传统的GFDM系统发射端的工作流程是，先随机产生2N比特b，经过数字调制映射成一个GFDM数据块d，数据块经过GFDM调制产生GFDM符号x＝Ad，符号通过多径衰落信道时受到加性高斯白噪声(AWGN)的干扰。接收端收到信号y后不需要做均衡，而是把信道矩阵H和GFDM调制矩阵G组合成等效信道矩阵Hequ＝HG。通过OAMP迭代算法，根据等效信道矩阵和接收信号检测出发送的数据块再对信号数据块解映射得到原始比特信息的估计本专利技术采用的数据模型双驱动的接收方法，在OAMP检测环节采用对关键迭代参数进行训练的深度学习神经网络，在解映射环节采用的是全连接的网络。每个全连接的网络输出的是连续32子载波上的符号对应的比特信息的估计，分别训练3个这样的全连接网络即可得到所有的2N比特信息。如图1所示，本专利技术设计的一种数据模型双驱动的GFDM接收机，包括：信道估计模块和信号检测模块，其中信道估计模块利用深度学习的神经网络对正交消息传递算法作为基础的通信知识模型中的迭代参数进行优化训练，得到信道估计神经网络；信号检测模块中，利用深度学习的神经网络对正交消息传递算法作为基础的通信知识模型中的迭代参数进行优化训练，得到信号检测神经网络，并构建解映射网络且进行优化训练。先是训练OAMP信道估计神经网络，由此得到估计的信道状态信息送入OAMP信号检测神经网络，再利用发射和接收的数据信息训练信号检测神经网络；利用训练好的OAMP信道估计神经网络、信号检测神经网络和解映射神经网络代替传统通信系统中GFDM信道估计、信号检测和QAM解调功本文档来自技高网...

【技术保护点】
1.一种数据模型双驱动的GFDM接收机，其特征在于，包括：信道估计模块，用于利用深度学习的神经网络对正交消息传递算法作为基础的通信知识模型中的迭代参数进行优化训练，得到信道估计神经网络；及将包含发射导频信息的矩阵Xp和接收的时域导频向量yp实数化后的结果作为信道估计神经网络的输入，并由信道估计神经网络输出频域信道状态信息的估计

【技术特征摘要】
1.一种数据模型双驱动的GFDM接收机，其特征在于，包括：信道估计模块，用于利用深度学习的神经网络对正交消息传递算法作为基础的通信知识模型中的迭代参数进行优化训练，得到信道估计神经网络；及将包含发射导频信息的矩阵Xp和接收的时域导频向量yp实数化后的结果作为信道估计神经网络的输入，并由信道估计神经网络输出频域信道状态信息的估计信号检测模块，用于利用深度学习的神经网络对正交消息传递算法作为基础的通信知识模型中的迭代参数进行优化训练，得到信号检测神经网络；及根据频域信道状态信息的估计得到复数时域循环信道矩阵及结合GFDM调制矩阵G得到等效信道矩阵Hequ，并将等效信道矩阵Hequ和接收的时域信号向量yd实数化后的结果作为信号检测神经网络的输入并输出为一个GFDM符号的估计建立解映射神经网络，将信号检测神经网络所输出一个GFDM符号的估计作为输入，输出就作为原始比特信息的估计将解映射神经网络的输出与设定门限的大小进行判决，根据判决结果输出原始比特信息的检测结果2.根据权利要求1所述数据模型双驱动的GFDM接收机，其特征在于，所述信道估计神经网络和解映射神经网络的损失函数均定义为均方误差损失函数。3.根据权利要求2所述数据模型双驱动的GFDM接收机，其特征在于，所述信道估计神经网络中，平方误差损失函数为：其中，N是一个GFDM数据块中总符号数，h是真实的频域信道向量；为频域信道状态信息的估计对应的复数向量。4.根据权利要求2所述数据模型双驱动的GFDM接收机，其特征在于：所述解映射神经网络中，平方误差损失函数为：其中，N是一个GFDM数据块中总符号数，b是真实的比特向量；是原始比特信息的估计...

【专利技术属性】
技术研发人员：金石，张梦娇，高璇璇，温朝凯，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32