一种基于深度学习的无线通信解调器的设计及解调方法技术

本发明专利技术公开了一种基于深度学习的无线通信解调器的设计及解调方法。在该解调器的设计方法中：首先，建立无线通信系统；然后，根据无线通信系统构建基于深度学习的无线通信解调器，无线通信解调器为基于DBN和SVM级联的解调器或者基于AdaBoost的解调器；最后，测试和优化无线通信解调器，获取测试解调结果。所提出的基于DBN和SVM级联的解调器或者基于AdaBoost的解调器的解调准确度均优于现有的无线通信解调器。

【技术实现步骤摘要】
一种基于深度学习的无线通信解调器的设计及解调方法
本申请涉及无线通信领域，尤其涉及一种基于深度学习的无线通信解调器的设计及解调方法。
技术介绍
传统的无线通信系统通常是根据严格的数学理论和精确的系统模型设计的(参考文献[1])。然而，由于不同领域中对无线通信服务的要求日益增加，例如在智能手机、虚拟现实和物联网等高速发展的领域中，难以通过易处理的数学模型或系统模型精确地表征未来复杂的无线通信网络(参考文献[2])。最近，深度学习(DeepLearning,DL)(参考文献[3])作为一种处理复杂问题的有效方法，吸引了越来越多学术界和工业界的关注。目前，DL已被广泛应用于图像识别(参考文献[4][5])、计算机视觉(参考文献[6])、自然语言处理(参考文献[7])和频谱预测(参考文献[8])等领域。在最近的研究中，(参考文献[9][10])端到端无线通信系统被解释为自动编码器，这对于将DL应用于无线通信大有利处。无线信号的调制与解调是无线通信系统的基本模块之一。理论上，传统无线通信系统的最佳解调器是基于加性高斯白噪声(WhiteGaussianNoise,AWGN)信道设计的(参考文献[本文档来自技高网...

【技术保护点】
1.一种基于深度学习的无线通信解调器的设计方法，其特征在于，包括：步骤1，建立无线通信系统；步骤2，根据所述无线通信系统构建基于深度学习的无线通信解调器，所述无线通信解调器为基于DBN和SVM级联的解调器或者基于AdaBoost的解调器；步骤3，测试和优化所述无线通信解调器，获取测试解调结果。

【技术特征摘要】
1.一种基于深度学习的无线通信解调器的设计方法，其特征在于，包括：步骤1，建立无线通信系统；步骤2，根据所述无线通信系统构建基于深度学习的无线通信解调器，所述无线通信解调器为基于DBN和SVM级联的解调器或者基于AdaBoost的解调器；步骤3，测试和优化所述无线通信解调器，获取测试解调结果。2.根据权利要求1所述的方法，其特征在于，所述步骤1，包括：建立无线通信系统，所述无线通信系统包括发送机和接收机；在所述发送机处，根据以下公式计算发送信号x(t)：x(t)＝Vmcos(2πfct+θm),m＝1,...,M,1≤t≤T,(1)其中，t是时间，单位为秒，Vm、fc和θm分别是m-QAM调制信号的幅度、载波频率和相位，T是信号周期；在所述接收机处，根据以下公式计算接收信号y(t)：y(t)＝g(t)x(t)+nr(t)(2)其中，t是时间，单位为秒，g(t)是发送天线和接收天线之间的多径信道，x(t)是发送信号，nr(t)是接收的噪声。3.根据权利要求1所述的方法，其特征在于，所述步骤2，包括：建立调制数据集，所述调制数据集包括训练数据集和测试数据集，所述训练数据集为所述调制数据集的80％，所述测试数据集为所述调制数据集的20％。4.根据权利要求2所述的方法，其特征在于，所述步骤2，包括：通过数字模拟转换器，将所述接收信号y(t)由模拟信号转换到数字信号：即为总采样数字信号序列y，其中，是第n个采样点，n取值为1～N，N是一个周期内的采样点数，l取值为1～L，L为训练信号周期数。5.根据权利要求3或4所述的方法，其特征在于，所述步骤2，包括：设定所述训练数据集包含L个接收到的采样数据周期，将所述总采样数字信号序列根据以下公式归一化到[0，1]区间：其中，表示归一化后的第i个采样点的值，表示采样序列的最小值，表示采样序列的最大值；对所述归一化后的第i个采样点的值设定其对应标签zi，是标记的训练数据集，其中L为训练信号周期数，令Φ是所有标签的集合，且zi∈Φ。6.根据权利要求1所述的方法，其特征在于，当采用基于DBN和SVM级联的解调器时，所述步骤2，包括：步骤a1，建立三个受限玻尔兹曼机RBM的DBN，所述RBM由可见层v＝[v1,v2,...,vm]T和隐藏层h＝[h1,h2,...,hn]T构成，其中，vk是可见层v的第k个单元的值，hj是隐藏层h的第j个单元的值，k取值为1～m，j取值为1～n；步骤a2，根据以下公式获得一个所述RBM的能量函数E(v,h)：E(v,h)＝-aTv-bTh-hTWv,(4)其中，W＝[w1,w2,...,wn]T是v和h之间的连接权矩阵，wj＝[wj1,wj2,...,wjm]T，wjk是vk和hj之间的连接权重，a＝[a1,a2,...,am]T是可见层v的偏置，ak是vk的偏置，b＝[b1,b2,...,bn]T是隐藏层h的偏置，bj是hj的偏置；根据所述RBM的能量函数及以下公式，计算所述可见层v的边缘分布p(v)：其中，是归一化因子；步骤a3，根据所述可见层v的边缘分布p(v)及以下公式，获得所述可见层v的边缘分布的最优参数W，a，b：步骤a4，采用梯度下降法，根据以下公式更新所述最优参数W，a，b：其中，η是学习率，ΔW，Δa和Δb分别是目标函数对W的偏导、对a的偏导和对b的偏导；步骤a5，根据以下公式计算更新后的所述最优参数W，a，b的偏导数近似值：给定所述可见层v，根据以下公式获得所述隐藏层h的条件概率的分布：依据公...

【专利技术属性】
技术研发人员：马帅，杜淳，李世银，吴珍珍，张凡，贺阳，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：江苏,32