一种深度学习与索引调制结合的OFDM信号检测方法技术

本发明专利技术涉及通信领域，公开了一种深度学习与索引调制结合的OFDM信号检测方法，应用在基于索引调制的信号检测技术中，减少了OFDM系统中的ICI和PAPR，提高了接收端解调信号的性能，有效增强信号检测的能力。本发明专利技术首先搭建了OFDM

【技术实现步骤摘要】
一种深度学习与索引调制结合的OFDM信号检测方法


[0001]本专利技术涉及人工智能与通信领域，特别在一种基于深度学习与索引调制结合的OFDM信号检测方法。

技术介绍

[0002]随着无线通信技术的快速发展，OFDM技术在缓解由多普勒频偏引起的子载波间干扰等方面的问题扮演着不可替代的角色，同时OFDM技术也衍生出各种更为先进的技术。Hass和Abu.Alhiga于2009年提出了基于索引调制的OFDM技术—OFDM
‑
IM。具有索引调制的OFDM技术相比经典OFDM技术而言，其可以通过子载波的索引比特和信号星座来传递信息，索引的资源是天线、子载波等物理信息或天线激活顺序、信号星座等虚拟信息，索引位通过信道传输，因此在传输速率和发射功率方面的表现明显优于传统OFDM技术。
[0003]在信号检测方面，OFDM技术常用的算法有ML、LLR、GD等算法，但较好的误码率性能和较低的计算复杂度往往无法同时拥有。
[0004]近些年，深度学习的发展越发成熟，已成为当今热门技术，其凭借着强大的提取数据特征能力和学习数据能力在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度学习与索引调制结合的OFDM信号检测方法,其特征在于包括如下步骤，步骤1：搭建基于深度学习和索引调制方法的OFDM信号检测模型，设定好网络所需参数及迭代次数；步骤2：收集数据集，数据集是由搭建好的OFDN信号检测系统随机产生的接收信号和信道向量组成的；步骤3：基于步骤2所述数据集，将其作为神经网络的输入，进行前向传播训练并利用损失函数计算网络损失值loss；步骤4：反向传播，更新神经网络参数至训练完成，其中反向传播是利用梯度下降算法完成；步骤5：绘制损失函数曲线，若收敛则进行步骤6，若不收敛则重新设定神经网络超参数，重复步骤3；步骤6：通过完成训练的OFDM
‑
IM模型对新的随机产生的信号进行在线调制，并将信噪比和误码率的关系曲线图进行输出。2.根据权利要求1所述的基于深度学习与索引调制结合的OFDM信号检测方法，其特征在于,所述OFDM信号检测模型使用PyCharm2020.1深度学习工具搭建而成的模型。3.根据权利要求1所述的基于深度学习与索引调制结合的OFDM信号检测方法，其特征在于,步骤1中，所需参数如下：learning_rate＝0.001、traing_epochs＝1000、batch_size＝1000、优化器为Adam,每完成100次训练进行一次验证，设定OFDM
‑
IM系统具有N
d
个子载波，且分成I个组，每个组有N个子载波，在发射端，每个OFDM
‑
IM的信号处理都是相同的，并且彼此独立。在每组的每次传输中，激活其中的q个子载波，则由q个复数数据符号携带的数据比特k1为：k1＝qlog2M(1)其中M为进制数，M＝4时对应的星座集为{1+1j,1
‑
1j,
‑
1+1j,
‑1‑
1j}；M＝8时对应的星座集为{1,1+j,
‑
1+j,j,1
‑
j,
‑
1j,
‑
1,
‑1‑
j}；M＝16时对应的星座集为{
‑
3+3j,
‑
3+1j,
‑3‑
3j,
‑3‑
1j,
‑
1+3j,
‑
1+1j,
‑1‑
3j,
‑1‑
1j,3+3j,3+1j,3
‑
3j,3
‑
1j,1+3j,1+1j,1
‑
3j,1
‑
1j}，由激活子载波的索引携带的数据比特k2为：式(2)中表示向下取整，故总共发送的比特数为：k＝k1+k2(3)OFDM
‑
IM系统接收端接收到的信号为...

【专利技术属性】
技术研发人员：李军，张志晨，高鹤，郑学汉，何波，王昱凯，吴保航，付文文，孙昊天，王靖晗，杨天赐，
申请(专利权)人：山东正晨科技股份有限公司，
类型：发明
国别省市：