一种基于深度学习的时变OFDM系统信号检测方法技术方案

本发明专利技术提供了一种基于深度学习的时变OFDM系统信号检测方法，生成信号检测网络模型输入数据集，构建一个信号检测网络模型，在网络训练前需预设好训练和测试参数，采用在线生成训练数据和测试数据的方式训练网络，测试数据喂入信号检测网络，信号检测网络模型根据喂入的特征向量，产生预测出的发送数据比特，与真实的发送数据比特进行对比，测试网络当前的性能。本发明专利技术于针对快速时变OFDM系统，结合深度学习方法，利用循环神经网络处理时间序列的优势，简化了接收机架构，成功实现信号的解调，改进了快速时变OFDM系统中的信号检测性能，本发明专利技术有效减小了系统实现复杂度，同时也提升了系统整体的误比特率性能。

【技术实现步骤摘要】
一种基于深度学习的时变OFDM系统信号检测方法
本专利技术涉及无线通信
，针对具有快速时变信道的OFDM系统，结合深度学习技术，提出了一种基于循环神经网络的信号检测方案，从而使系统具有更低的实现复杂度和更好的误比特率性能。
技术介绍
正交频分复用(OrthogonalFrequency-DivisionMultiplexing，OFDM)技术是无线通信的一项重要技术，具有较好的抗多径衰弱能力和更高的频谱利用率，在未来移动通信中具有广泛应用前景。但由于OFDM系统采用正交子载波进行并行传输，其对无线传输中引入的频率偏移尤为敏感，一旦子载波间的正交性被破坏，系统的性能会急剧下降。随着现代交通工具移动速度的急剧提升，无线信道的变化速率变得越来越大，现有针对静态信道或缓慢变化信道的信道估计技术在快速时变信道下往往不能适用，导致接收端信号检测性能的下降。目前，已有众多算法研究如何在时变OFDM系统中获得准确的信道估计，从而提高信号检测性能。误比特率是衡量数字通信系统可靠性和信道质量的主要指标，为了适应现代交通工具的发展趋势，研究快速时变信道下OFD本文档来自技高网...

【技术保护点】
1.一种基于深度学习的时变OFDM系统信号检测方法，其特征在于包括下述步骤：/n步骤一：信号检测网络模型输入数据集的生成/n信号检测网络模型的输入数据的参数设置和生成方式如下：/n导频训练符号设为

【技术特征摘要】
1.一种基于深度学习的时变OFDM系统信号检测方法，其特征在于包括下述步骤：
步骤一：信号检测网络模型输入数据集的生成
信号检测网络模型的输入数据的参数设置和生成方式如下：
导频训练符号设为其中，xn表示频域训练符号，n表示子载波所在频点的索引号；Python仿真时先随机产生信道参数多普勒频移ν和复幅度h；信道参数的设置如下：L径归一化多普勒大小ν＝{v1,…,vi，…,vL}，其中，根据实际应用场景，vi满足0.1≤vi≤0.2，i＝1,2,…,L；L径复幅度h＝{a1+jb1,a2+jb2,…,ai+jbi,…,aL+jbL}，其中ai和bi是独立同分布正态分布随机数；
一帧包括一个训练符号和一个数据符号，帧结构推广至一个训练符号和紧随多个数据符号；信号检测网络输入数据的流程如下：
系统先随机产生发送数据信号比特流，与导频训练符号组成发送帧，再进行二进制相移键控调制，经过快速傅里叶逆变换后，添加循环前缀以克服符号间干扰；进行并串转换后，经过快速时变OFDM信道和加噪，得到接收信号，将接收信号的实部和虚部连接构成向量，并将向量作为信号检测网络模型的输入特征向量，标签向量为对应真实的发送数据信号比特；
步骤二：构建信号检测网络模型
利用RNN处理和预测序列数据的功能，将按步骤一生成的数据集，送入RNN模型训练，使其对数据进行特征提取和学习，经过调参对比，构建基于五层RNN的信...

【专利技术属性】
技术研发人员：姚如贵，王圣尧，秦倩楠，徐娟，左晓亚，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61