An underwater acoustic orthogonal frequency division multiplexing communication method based on deep learning belongs to the field of underwater acoustic communication technology. The invention is divided into two stages. Firstly, in the training stage based on a large number of training data, the loss function is minimized and the parameters of the deep neural network are adjusted to obtain an effective receiving system model. Secondly, in the on-line test phase, the received system model trained effectively is put into actual test, and the transmitted signal is recovered directly without explicit channel estimation and equalization. Unlike the traditional underwater acoustic communication, which requires clear channel estimation and equalization, the deep neural network can learn to process the complex distortion caused by the underwater acoustic channel by training, and directly recover the original transmitted signal from the received signal; the present invention can reduce the design complexity of the underwater acoustic communication system and effectively realize underwater data transmission; compared with the traditional underwater acoustic communication method, the present invention is applicable to the underwater acoustic communication system. Aquatic communication with less pilot data and missing cyclic prefix has better robustness.
【技术实现步骤摘要】
一种基于深度学习的水声正交频分复用通信方法
本专利技术属于水声通信
,具体涉及一种基于深度学习的水声正交频分复用通信方法。
技术介绍
正交频分复用技术是将信道分成若干正交子信道,将高速数据信号转化为并行的低速子数据流,调制到每个子信道上进行传输。可以有效的抑制和消除由于信道的时延拓展引起的选择性衰落,易实现调制解调。但是由于水下通信的多途传播及多普勒效应等因素,大大增加了水声正交频分复用接收系统的设计难度。为了简化通信接收系统的设计复杂度,本文提出基于深度学习的水声正交频分复用通信方法。该方法无需传统接收系统要求明确的信道估计及均衡,采用深度神经网络于接收端直接恢复原始发射信号。近年来,机器学习被认为是解决目标检测与识别、语音识别等复杂问题的有效的解决方法。在2006年,多伦多大学教授GeoffreyHinton首次提出了深度学习的模型以及训练方法。一般的深度学习模型有多层网络构成,每一层又由多个神经元组成,通过基于大量标记与未标记数据整合而成的训练集的有效训练而获取参数配置合理的深度学习模型。
技术实现思路
本专利技术的目的是为了降低传统水声正交频分复用通信接收系统设计复杂度较高的问题,提出了一种基于深度学习的水声正交频分复用通信方法。本专利技术的目的是这样实现的:一种基于深度学习的水声正交频分复用通信方法,包括下述步骤:步骤1、训练阶段:通过建立深度神经网络并进行有效训练,得到有效训练的水声正交频分复用通信接收系统的深度学习模型;步骤2、测试阶段:将步骤1所得到的有效训练的深度学习模型投入实际测试,直到恢复原始发射信号。步骤1所述的有效训练的水声正交 ...
【技术保护点】
1.一种基于深度学习的水声正交频分复用通信方法,其特征在于,包括下述步骤:步骤1、训练阶段:通过建立深度神经网络并进行有效训练,得到有效训练的水声正交频分复用通信接收系统的深度学习模型;步骤2、测试阶段:将步骤1所得到的有效训练的深度学习模型投入实际测试,直到恢复原始发射信号。
【技术特征摘要】
1.一种基于深度学习的水声正交频分复用通信方法,其特征在于,包括下述步骤:步骤1、训练阶段:通过建立深度神经网络并进行有效训练,得到有效训练的水声正交频分复用通信接收系统的深度学习模型;步骤2、测试阶段:将步骤1所得到的有效训练的深度学习模型投入实际测试,直到恢复原始发射信号。2.根据权利要求1所述的一种基于深度学习的水声正交频分复用通信方法,其特征在于,步骤1所述的有效训练的水声正交频分复用通信接收系统的深度学习模型是这样得到的:步骤1.1、在通信系统输入端产生已知随机二进制比特流b,并将此数据序列进行符号映射得到频域信号s;对该频域信号进行多载波正交频分复用调制,即依次进行串并转换、插入导频、逆傅里叶变换、插入循环前缀及并串转换;调制后信号的数学表达式为xCP(n),其中n为离散时间索引;步骤1.2、步骤1.1的调制信号xCP(n)经过信道后到达通信接收端,长度为N的接收信号yCP(n)为:其中,h(n)为信道的冲激响应函数,w(n)为加性高斯白噪声;步骤1.3、对接收数据进行预处理,依次做串并转换、移除循环前缀及傅里叶变换,得到输出数据其中k为载波序号;步骤1.4、搭建包含输入层、多层隐藏层、输出层,且每层由多个代表数据特征的神经元构成的深度神经网络并进行训练;训练过程中,深度神经网络输入数据集为步骤1.3的输出数据数据于神经网络中在权重、偏置和激活函数的共同作用下前向传播进而得到神经网络输出则第q层神经网络的第j个神经元的输入aj(q)和输出bj(q)分别为:其中,J(q-1)和J(q)分别代表第q-1和第q层神经网络所包含的神经元个数,uij(q-1)为第q-1层第i个神经元与第q层...
【专利技术属性】
技术研发人员:张友文,李俊轩,郭嘉城,黄福鹏,
申请(专利权)人:哈尔滨工程大学,
类型:发明
国别省市:黑龙江,23
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。