一种信道估计与信号检测方法技术

本发明专利技术公开了一种信道估计与信号检测方法，建立OFDM系统数学模型；建立自动演化DNN信道估计与信号检测模型；初始化量子蜉蝣种群位置和量子速度并设定参数；对初代量子蜉蝣种群位置进行适应度评价，得到量子雄性种群的最优位置，以及量子蜉蝣种群的全局最优位置；进行量子速度的更新，并通过更新后的量子速度完成量子蜉蝣位置的更新；对量子蜉蝣进行交配与变异操作，完成量子蜉蝣种群的淘汰与更新；迭代更新至最大迭代次数，把全局最优结果带入模型中，将接收的时频信号序列输入DNN模型恢复出码元并输出。本发明专利技术通过量子演化机制与蜉蝣种群原理结合，自动求解DNN模型所需最优参数，提高了DNN模型的信道估计与信号检测效果。高了DNN模型的信道估计与信号检测效果。高了DNN模型的信道估计与信号检测效果。

【技术实现步骤摘要】
一种信道估计与信号检测方法


[0001]本专利技术属于无线通信领域，涉及一种信道估计与信号检测方法，特别是一种基于量子蜉蝣机制自动演化DNN的信道估计与信号检测方法，用该方法完成了多种无线信道下的信道估计与信号检测。

技术介绍

[0002]信道估计与信号检测是无线通信领域中较为重要的研究方向，现实中的信号在传输过程中会受到大尺度衰落、小尺度衰落以及噪声的干扰影响，接收信号会被被污染，而信道估计和信号检测的目的就是在尽可能的保留信号关键信息的条件下，完成传输信号的基带码元的恢复。目前，经典的信道估计与信号检测方法有很多，如最小二乘法、最小均方误差法等，但这些方法都是先估计信道，再进行信号检测，因此会损失一些信号的关键细节。
[0003]深度神经网络是上世纪60年代提出的神经网络模型，可以看成是更深层次的人工神经网络模型。深度神经网络与传统的人工神经网络的区别就是其网络结构层次更多、更复杂，因而对事物的建模或抽象表现能力更强，也能模拟更复杂的模型。在信道估计与信号检测上，深度神经网络将传统的信道估计与信号检测方法合二为一，克服了传统方法下信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信道估计与信号检测方法，其特征在于，包括以下步骤：步骤一，建立OFDM系统数学模型，用来生成DNN模型所需的训练集和测试集；步骤二，建立自动演化DNN信道估计与信号检测模型；步骤三，初始化量子蜉蝣种群位置和量子速度并设定参数；步骤四，对初代量子蜉蝣种群位置进行适应度评价，得到量子雄性种群的最优位置，以及量子蜉蝣种群的全局最优位置；步骤五，进行量子速度的更新，并通过更新后的量子速度完成量子蜉蝣位置的更新；步骤六，对量子蜉蝣进行交配与变异操作，完成量子蜉蝣种群的淘汰与更新；步骤七，判断是否达到最大迭代次数G，若未达到，令g＝g+1，返回步骤五；若达到则终止迭代循环，把全局最优结果带入DNN信道估计与信号检测模型中，将接收的时频信号序列输入DNN模型恢复出码元并输出。2.根据权利要求1所述的一种信道估计与信号检测方法，其特征在于：步骤一所述建立OFDM系统数学模型，用来生成DNN模型所需的训练集和测试集具体为：在信号发射机端，将插入导频后的发射符号转换成并行数据流，数据经过调制后用离散傅里叶逆变换将信号从频域转换到时域，之后插入循环前缀以降低码间干扰，再将并行的数据流转换成串行数据流进行发送；在信号接收机端，接收的时域信号可以表示为其中，表示卷积，x表示发射信号，h表示不同环境下的多径信道，w表示加性高斯白噪声。在去除循环前缀并进行离散傅里叶变换变换后，接收到的频域信号可以表示为Y＝XH+W，其中，Y、X、H、W分别是y、x、h、w的离散傅里叶变换。3.根据权利要求1所述的一种信道估计与信号检测方法，其特征在于：步骤二所述建立自动演化DNN信道估计与信号检测模型具体为：采用M个并行DNN模型，每个DNN模型输出码元数为N，即整个并行DNN模型一次可以进行MN个码元的检测，采取将复信号的实部和虚部分开再合并成实数串的方法作为神经网络的输入，即并行网络中每个DNN模型的输入均为2MN；单个DNN模型的网络架构采用的是全连接神经网络，共由5层神经网络全连接层构成，其中每层分别有2MN、C1、C2、C3、N个神经元，隐藏层的激活函数采用的是Relu函数，输出层的激活函数采用的是Sigmoid函数。DNN模型选用均方误差作为训练的损失函数，即其中B＝[B(1),B(2),
…
,B(MN)]为网络训练集的标签码元时序序列，B(k)是B的第k维，k＝1,2,...,MN，为网络每次训练后的输出码元时序序列，是的第k维；将由OFDM系统数学模型生成的训练集依次输入DNN信道估计与信号检测模型进行训练；对完成训练的DNN信道估计与信号检测模型进行测试，对模型的输出结果进行码元[0,1]的判决，计算完成判决后的测试集输出码元的误码率，并将误码率作为量子蜉蝣演化机
制的目标函数其中S为测试集的码元总数，B
test
＝[B
test
(1),B
test
(2),
…
,B
test
(MN)]为测试集标签码元时序序列，B
test
(k)是B
test
的第k维，为模型完成判决后的输出码元时序序列，是的第k维。4.根据权利要求1所述的一种信道估计与信号检测方法，其特征在于：步骤三所述初始化量子蜉蝣种群位置和量子速度并设定参数具体为：设置种群规模为n，其中雄性蜉蝣种群规模为雌性蜉蝣种群规模为最大迭代次数为G，迭代数标号为g，g∈[1,G]，在第g次迭代中，第i个量子雄性蜉蝣位置为第i个量子雄性蜉蝣的量子速度为至第g代为止最优量子雄性蜉蝣位置记为第j个量子雌性蜉蝣位置为第j个量子雌性蜉蝣的量子速度为至第g代为止全局最优量子蜉蝣位置记为当g＝1时，量子雄性蜉蝣位置和量子雌性蜉蝣位置的每一维随机初始化为0或1，量子雄性蜉蝣量子速度和量子雌性蜉蝣量子速度的每一维随机初始化为[0,1]之间的随机数，设定量子蜉蝣种群的个体学习系数a1，量子雄性蜉蝣种群全局学习系数a2，量子雌性蜉蝣种群全局学...

【专利技术属性】
技术研发人员：高洪元，张震宇，陈梦晗，苏雨萌，赵海军，刘亚鹏，李慧爽，周晓琦，刘家威，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：