一种基于深度学习的水声OFDM联合信道估计和信号检测方法技术

本发明专利技术公开了一种基于深度学习的水声OFDM联合信道估计和信号检测方法，获取发送导频信号和接收导频信号得到导频子载波的信道频率响应，并采用信道估计网络估计对应的数据子载波信道频率响应；获取接收频域信号，根据数据子载波信道频率响应对接收频域信号进行矫正；以矫正前的接收频域信号、矫正后的接收频域信号和数据子载波信道频率响应为输入数据，采用信号检测网络确定信息比特序列；本发明专利技术通过建立水声OFDM系统，在实测水声信道环境下生成训练样本，构建具有可解释性的专家知识结合深度学习的神经网络，联合优化信道估计子网和信号检测子网，进而提高数据恢复精度。进而提高数据恢复精度。进而提高数据恢复精度。

【技术实现步骤摘要】
一种基于深度学习的水声OFDM联合信道估计和信号检测方法


[0001]本专利技术属于水声通信
，尤其涉及一种基于深度学习的水声OFDM正交频分复用联合信道估计和信号检测方法。

技术介绍

[0002]水声信道(UWA)被认为是最具挑战性的通信介质之一，与一般的无线信道相比，具有快时变、多噪声、显著多径效应和多普勒频移等特性，导致对水声信道的建模和预测变得十分困难，从而加大求解难度；且水声信道带宽有限，同时存在毫秒量级的时延扩展，严重降低信号接收性能和限制水声通信的速率，对实现UWA通信高效和可靠传输提出了更高的要求和更大的挑战。OFDM技术是一种高频带利用率的通信方式，由于具有良好的抗符号间干扰(Inter Symbol Interference，ISI)和多径衰落效应的性能而被应用于UWA通信中。
[0003]在无线信道中，通常根据获取的数据先验概率分布或信道的某些特征，采用检测器模型从失真的接收符号中恢复发射符号。然而，由于在某些UWA环境中，信道和传输数据会受到频率选择性衰落和时变因素的影响，难以准确获得信道特征和数据分布的先验知识从而增大符号检测的误差。因此，为了在接收端能够解调出正确的原始信号，采用合适的信道估计算法对UWA
‑
OFDM系统的性能至关重要，目前通常采用导频辅助的信道估计算法，利用时频域的导频信息获取传输数据处的信道频率响应，并对失真信号进行矫正后使得数据检测更加准确。
[0004]然而，在快速时变的复杂UWA信道中，特别是实际UWA环境中，上述基于传统算法的接收机存在导频开销大、复杂度高、鲁棒性差等问题，同时不能很好地匹配信道，从而降低数据恢复的准确度。

技术实现思路

[0005]本专利技术的目的是提供一种基于深度学习的水声OFDM联合信道估计和信号检测方法，以提升数据恢复精度。
[0006]本专利技术采用以下技术方案：一种基于深度学习的水声OFDM联合信道估计和信号检测方法，包括以下步骤：
[0007]获取发送导频信号和接收导频信号，并采用信道估计网络估计对应的数据子载波信道频率响应；
[0008]获取接收频域信号，根据数据子载波信道频率响应对接收频域信号进行矫正；
[0009]以矫正前的接收频域信号、矫正后的接收频域信号和数据子载波信道频率响应为输入数据，采用信号检测网络确定信息比特序列。
[0010]进一步地，信号检测网络包括四个级联的长短期记忆网络，四个级联的长短期记忆网络的隐藏单元个数依次减小；
[0011]其中，前三个级联的长短期记忆网络为双向长短期记忆网络、第四个长短期记忆网络为单向长短期记忆网络；
[0012]第一个双向长短期记忆网络之前连接有注意力机制层，第四个长短期记忆网络之后连接全连接层。
[0013]进一步地，采用信号检测网络确定信息比特序列包括：
[0014]将矫正前的接收频域信号、矫正后的接收频域信号和数据子载波信道频率响应的实部和虚部拆分后再进行拼接。
[0015]进一步地，信号检测网络的训练方法为：
[0016]建立水声OFDM通信系统并进行数据传输；其中，水声OFDM通信系统包括发射机和接收机；
[0017]提取数据传输过程中的发送导频信号、接收导频信号、接收频域信号和发送信息比特序列，并生成训练样本集；
[0018]基于训练样本集对信号检测网络进行训练。
[0019]进一步地，对信号检测网络进行训练时的损失函数为
[0020][0021]其中，L2为损失函数，M为训练样本集中的训练样本数量，{b}为发送信息比特序列，为信号检测网络确定的信息比特序列。
[0022]进一步地，估计对应的数据子载波信道频率响应包括：
[0023][0024]其中，为第K个导频子载波处的导频子载波信道频率响应，Y
P
(K)为第K个导频子载波在频域中的接收导频信号，X
P
(K)为第K个导频子载波在频域中的发送导频信号。
[0025]进一步地，估计对应的数据子载波信道频率响应还包括：
[0026]基于信道估计网络对导频子载波信道频率响应进行估计，得到数据子载波信道频率响应；
[0027]其中，信道估计网络由两个一维卷积神经网络层和两个一维反卷积神经网络层依次级联组成；前两个级联的一维卷积神经网络层的滤波器个数依次增加、卷积核和步长相同；后两个级联的一维反卷积神经网络层的滤波器个数依次减少、卷积核和步长相同；并且在一维卷积神经网络层和一维反卷积神经网络层间加入跳跃连接。
[0028]进一步地，基于信道估计网络根据导频子载波信道频率响应进行信道估计之前包括：
[0029]将导频子载波信道频率响应的实部和虚部拆分后进行拼接，作为信道估计网络的输入信息。
[0030]进一步地，根据数据子载波信道频率响应对接收频域信号进行矫正包括：
[0031][0032]其中，为第K个数据子载波处矫正后的接收频域信号，Y
D
(K)为第K个数据子载波处矫正前的接收频域信号，为第K个数据子载波处的数据子载波信道频率响
应。
[0033]本专利技术的另一种技术方案：一种基于深度学习的水声OFDM联合信道估计和信号检测装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的一种基于深度学习的水声OFDM联合信道估计和信号检测方法。
[0034]本专利技术的有益效果是：本专利技术通过建立水声OFDM系统，在实测水声信道环境下生成训练样本，构建具有可解释性的专家知识结合深度学习的神经网络，联合优化信道估计子网和信号检测子网，进而提高数据恢复精度。
附图说明
[0035]图1为本专利技术实施例中的原理图；
[0036]图2为图1中的信道估计子网的结构示意图；
[0037]图3为图1中的信号检测子网的结构示意图；
[0038]图4为基于本专利技术实施例方法进行联合信道估计和信号检测的流程图；
[0039]图5为本专利技术验证实施例中在理想情况下与传统方法、FC
‑
DNN和ComNet的BER对比图；
[0040]图6为本专利技术验证实施例中在无循环前缀的情况下与传统方法、FC
‑
DNN和ComNet的BER对比图；
[0041]图7为本专利技术验证实施例中在存在载波频率偏移时与传统方法、FC
‑
DNN和ComNet的BER对比图；
具体实施方式
[0042]下面结合附图和具体实施方式对本专利技术进行详细说明。
[0043]近年来，深度学习已经应用到无线通信领域，意味着底层基础的信号处理与通信机制将可能突破传统经典的通信理论框架。现有的基于深度学习的无线通信接收方法大致可以分为两类，分别为全连接深度神经网络(FC
‑
DNN)的信道估计和信号检测方法以及专家领域知识结合深度学习的信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的水声OFDM联合信道估计和信号检测方法，其特征在于，包括以下步骤：获取发送导频信号和接收导频信号，并采用信道估计网络估计对应的数据子载波信道频率响应；获取接收频域信号，根据所述数据子载波信道频率响应对所述接收频域信号进行矫正；以矫正前的接收频域信号、矫正后的接收频域信号和所述数据子载波信道频率响应为输入数据，采用信号检测网络确定信息比特序列。2.如权利要求1所述的一种基于深度学习的水声OFDM联合信道估计和信号检测方法，其特征在于，所述信号检测网络包括四个级联的长短期记忆网络，四个级联的长短期记忆网络的隐藏单元个数依次减小；其中，前三个级联的长短期记忆网络为双向长短期记忆网络、第四个长短期记忆网络为单向长短期记忆网络；第一个双向长短期记忆网络之前连接有注意力机制层，第四个长短期记忆网络之后连接全连接层。3.如权利要求2所述的一种基于深度学习的水声OFDM联合信道估计和信号检测方法，其特征在于，采用信号检测网络确定信息比特序列包括：将矫正前的接收频域信号、矫正后的接收频域信号和所述数据子载波信道频率响应的实部和虚部拆分后再进行拼接。4.如权利要求2或3所述的一种基于深度学习的水声OFDM联合信道估计和信号检测方法，其特征在于，所述信号检测网络的训练方法为：建立水声OFDM通信系统并进行数据传输；其中，所述水声OFDM通信系统包括发射机和接收机；提取所述数据传输过程中的发送导频信号、接收导频信号、接收频域信号和发送信息比特序列，并生成训练样本集；基于所述训练样本集对所述信号检测网络进行训练。5.如权利要求4所述的一种基于深度学习的水声OFDM联合信道估计和信号检测方法，其特征在于，对所述信号检测网络进行训练时的损失函数为其中，L2为损失函数，M为训练样本集中的训练样本数量，{b}为发送信息比特序列，为所述信号检测网络确定的信息比特序列。6.如权利要求1或5所述的一种基于深度学习的水声OFDM联合信道估计和信号检测方法...

【专利技术属性】
技术研发人员：张育芝，常嘉政，王斌，刘洋，张舒敏，柏然，邢六一，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：