一种基于深度学习的OTFS调制系统的频偏估计方法技术方案

本发明专利技术公开了一种基于深度学习的OTFS调制系统的频偏估计方法，其特征在于，包括：在正交时频空间调制过程中获取经过信道后的待补偿原始信号；将待补偿原始信号输入预先训练的神经网络模型，输出待补偿原始信号的频偏估计值；基于频偏补偿表达式，对待补偿原始信号进行频偏补偿，获得原始信号。本发明专利技术对调制模块的OTFS信号插入两个导频序列并在经过信道后的OTFS信号加上相应速度的频偏值，在解调模块通过神经网络对于OTFS信号和相应的频偏目标值进行训练，得出最终的频偏估计值，基于这样的方式可以在后续检测模块具有更好的效果，并且与频偏估计的传统算法相比具有更优的性能。且与频偏估计的传统算法相比具有更优的性能。且与频偏估计的传统算法相比具有更优的性能。

【技术实现步骤摘要】
一种基于深度学习的OTFS调制系统的频偏估计方法


[0001]本专利技术涉及一种基于深度学习的OTFS调制系统的频偏估计方法，属于频偏估计


技术介绍

[0002]在正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统中因其允许重叠的正交子载波作为子信道，而不是传统的利用保护频带分离子信道的方式，提高了频率利用效率，但其对各个子载波之间的正交性要求格外严格，任何一点小的载波频偏都会破坏子载波之间的正交性，OFDM在高速场景下由于多普勒频移的影响从而造成严重的载波间干扰(Inter
‑
Carrier Interference，ICI)，这会大大降低OFDM的性能。

技术实现思路

[0003]本专利技术所要解决的技术问题是克服现有技术的缺陷，提供一种基于深度学习的OTFS调制系统的频偏估计方法，相对于传统的基于CP的频偏估计和插入导频序列的频偏估计有着更优的性能。
[0004]为达到上述目的，本专利技术提供一种基于深度学习的OTFS调制系统的频偏估计方法，包括：在正交时频空间调制过程中获取经过信道后的待补偿原始信号；
[0005]将待补偿原始信号输入预先训练的神经网络模型，输出待补偿原始信号的频偏估计值；
[0006]基于频偏补偿表达式，对待补偿原始信号进行频偏补偿，获得原始信号。
[0007]优先地，频偏补偿表达式为：
[0008][0009]其中，y
(x)
为频偏补偿后的原始信号，y为待补偿原始信号，F
ms
为神经网络模型输出的待补偿原始信号的频偏估计值，d
t
为采样周期，j为虚数单位，π为圆周率。
[0010]优先地，预先训练神经网络模型，通过以下步骤实现：
[0011]对经过信道后的原始OTFS信号数据添加最大多普勒频率；
[0012]基于添加最大多普勒频率的原始OTFS信号数据，扩充生成多条数据样本，数据样本包含最大多普勒频率和添加最大多普勒频率的原始OTFS信号数据；
[0013]构建神经网络模型；
[0014]将添加最大多普勒频率原始OTFS信号数据作为神经网络模型的输入数据，最大多普勒频率作为神经网络模型的输出数据，构建最大多普勒频率和添加最大多普勒频率的原始OTFS信号数据之间的映射关系；
[0015]迭代更新神经网络模型的参数，直到损失函数收敛于一定值，结束迭代更新，获得最终的神经网络模型。
[0016]优先地，获取原始OTFS信号数据，通过以下步骤实现：
[0017]在正交时频空间调制过程中给预先获取的原始信号的末尾插入至少两个导频，获
得原始OTFS信号数据。
[0018]优先地，损失函数采用最小化MSE损失函数，最小化MSE损失函数的表达式为：L
MSE
(F
m
，f
0ff
)＝∑
i
(F
m
‑
f
0ff
)2，
[0019]其中，L
MSE
(F
m
，f
0ff
)为损失函数值，F
m
为最大多普勒频率，f
0ff
为神经网络模型输出的预测值。
[0020]优先地，输入数据y
n
为：
[0021][0022]其中，Y1[k]为原始OTFS信号数据的频域表达形式，Y2[k]为添加最大多普勒频率的原始OTFS信号数据的频域表达形式；最大多普勒频率为与输入数据相同维度的单位矩阵，N为原始OTFS信号数据的长度，为Y1[k]的共轭和Y2[k]相乘后的虚部，为Y1[k]的共轭和Y2[k]相乘后的实部。
[0023]优先地，神经网络模型采用DNN神经网络；
[0024]DNN神经网络包括输入层、第一隐藏层、第二隐藏层、第三隐藏层、第四隐藏层和输出层，输入层、第一隐藏层、第二隐藏层、第三隐藏层、第四隐藏层和输出层依次连接，输入层、第一隐藏层、第二隐藏层、第三隐藏层、第四隐藏层和输出层的线性关系z如下：
[0025]z＝∑W
i
x
i
+B
i
，
[0026]其中，i＝1表示输入层，i＝2表示第一隐藏层，i＝3表示第二隐藏层，i＝4表示第三隐藏层，i＝5表示第四隐藏层，i＝6表示输出层，W
i
表示权值，x
i
为输入数据，B
i
为偏移值。
[0027]一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述方法的步骤。
[0028]一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项所述方法的步骤。
[0029]本专利技术所达到的有益效果：
[0030]本专利技术提供的一种基于深度学习的OTFS调制系统的频偏估计方法，对调制模块的OTFS信号插入两个导频序列并在经过信道后的OTFS信号加上相应速度的频偏值，在解调模块通过神经网络对于OTFS信号和相应的频偏目标值进行训练，得出最终的频偏估计值，基于这样的方式可以在后续检测模块具有更好的效果，并且与频偏估计的传统算法相比具有更优的性能；
[0031]本专利技术在采用OTFS调制方式的场景中，使用深度学习算法对其进行频偏估计及纠正，可以使得后续检测模块能有更好性能；
[0032]本专利技术提出的正交时频空间调制(Orthogonal time
‑
frequency spatial modulation，OTFS)，解决了时变多径信道下高多普勒频移问题。
附图说明
[0033]图1为本专利技术的流程图；
[0034]图2为本专利技术实施例二中神经网络模型的训练次数和训练误差的收敛图；
[0035]图3为本专利技术实施例二中没有频偏影响、不进行频偏补偿、CP频偏补偿算法、训练序列的频偏估计算法和本专利技术的对比图。
具体实施方式
[0036]以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。
[0037]实施例一
[0038]本专利技术提供一种基于深度学习的OTFS调制系统的频偏估计方法，包括：
[0039]在正交时频空间调制过程中获取经过信道后的待补偿原始信号；
[0040]将待补偿原始信号输入预先训练的神经网络模型，输出待补偿原始信号的频偏估计值；
[0041]基于频偏补偿表达式，对待补偿原始信号进行频偏补偿，获得原始信号。
[0042]进一步地，本实施例中频偏补偿表达式为：
[0043][0044]其中，y
(x)
为频偏补偿后的原始信号，y为待补偿原始信号，F
ms
为神本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的OTFS调制系统的频偏估计方法，其特征在于，包括：在正交时频空间调制过程中获取经过信道后的待补偿原始信号；将待补偿原始信号输入预先训练的神经网络模型，输出待补偿原始信号的频偏估计值；基于频偏补偿表达式，对待补偿原始信号进行频偏补偿，获得原始信号。2.根据权利要求1所述的一种基于深度学习的OTFS调制系统的频偏估计方法，其特征在于，频偏补偿表达式为：其中，y
(x)
为频偏补偿后的原始信号，y为待补偿原始信号，F
ms
为神经网络模型输出的待补偿原始信号的频偏估计值，d
t
为采样周期，j为虚数单位，π为圆周率。3.根据权利要求1所述的一种基于深度学习的OTFS调制系统的频偏估计方法，其特征在于，预先训练神经网络模型，通过以下步骤实现：对经过信道后的原始OTFS信号数据添加最大多普勒频率；基于添加最大多普勒频率的原始OTFS信号数据，扩充生成多条数据样本，数据样本包含最大多普勒频率和添加最大多普勒频率的原始OTFS信号数据；构建神经网络模型；将添加最大多普勒频率的原始OTFS信号数据作为神经网络模型的输入数据，最大多普勒频率作为神经网络模型的输出数据，构建最大多普勒频率和添加最大多普勒频率的原始OTFS信号数据之间的映射关系；迭代更新神经网络模型的参数，直到损失函数收敛于一定值，结束迭代更新，获得最终的神经网络模型。4.根据权利要求3所述的一种基于深度学习的OTFS调制系统的频偏估计方法，其特征在于，获取原始OTFS信号数据，通过以下步骤实现：在正交时频空间调制过程中给预先获取的原始信号的末尾插入至少两个导频，获得原始OTFS信号数据。5.根据权利要求3所述的一种基于深度学习的OTFS调制系统的频偏估计方法，其特征在于，损失函数采用最小化MSE损失函数，最小化MSE损失函数的表达式为：L
MSE
(F
m
，f
0ff
)＝∑
i
(F
m<...

【专利技术属性】
技术研发人员：侯晓赟，龚云，朱艳，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：