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医疗健康、机器视觉、图像处理、目标检测等众多领域表现突出。与此同时，深度学习也在逐步与无线通信领域进行结合，已应用于大规模多输入多输出毫米波结合、信道估计、信号检测、非正交多址等领域，且表现出优于传统技术的性能，证明深度学习中一些特定方法可以在无线通信领域中提高对信号传输的准确性和高效率性。
[0005]专利技术专利CN111865863A提出了一种基于循环神经网络的OFDM检测方法，利用长短时记忆网络强悍的记忆能力，使OFDM检测能力达到高于传统的最小均方误差算法(LS)。但此专利仅与LS算法进行对比，设定的RNN网络层数较多，计算复杂度较大。
[0006]专利技术专利CN107317783A提出了一种基于索引信息的单载波自适应调制方法和多个子载波块联合的自适应调制方法，利用自适应技术根据信道条件的优劣设定不同的调制方法。但此专利技术引入的最小欧氏距离使得程序可读性差，且在误码率性能方面相比ML算法提升不是很明显。
[0007]专利技术专利CN112564830A提出一种基于深度学习的双模正交频分复用索引调制检测方法，此专利在隐藏层采用的relu激活函数，丢失掉x＜0的信息，MSE损失函数在信号检测方面表现一般。此专利提出的方法与ML算法相比，在误码率方面并没有提升。

技术实现思路

[0008]针对上述问题，本专利技术提出一种基于深度学习与索引调制结合的OFDM信号检测方法，利用全连接神经网络，结合Leaky_relu激活函数和自定义损失函数减少计算复杂度，提高误码率性能。
[0009]本专利技术提供如下技术方案：一种模基于深度学习与索引调制结合的OFDM信号检测方法,包括如下步骤，
[0010]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
参数及迭代次数等；
[0011]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；
[0012]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；
[0013]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；
[0014]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；
[0015]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。
[0016]基于深度学习与索引调制结合的OFDM信号检测模型使用PyCharm2020.1深度学习工具搭建而成。模型训练的参数如下：learning_rate＝0.001、traing_ep ochs＝1000、batch_size＝1000、优化器为Adam,每完成100次训练进行一次验证。
[0017]数据集搭建过程如下：随机生成序列以获得对应的传输向量。这些传输向量在经过瑞利衰落信道和加性高斯白噪声处理后被发送到接收器。其中，信道向量和噪声向量是随机生成的。对收集到的接收信号y和信道向量h进行预处理，即对接收信号y划分为实部与虚部，并与信道向量h组成的信号能量组成数据集。
[0018]所述模型包括4层全连接层，其中，隐藏层层数为3，输出层层数为1，第一层隐藏层包含32个节点，第二层隐藏层包含256个节点，第三层隐藏层包含120个节点；隐藏层使用leaky_relu函数作为激活函数，其数学表达式如式(5)所示：
[0019]leaky(x)＝max(0,x)+α
×
min(0,x)
ꢀꢀꢀ
(5)
[0020]其中，α是极小的常数，其作用为保留负半轴的部分值，使得x＜0的信息不会完全丢失。
[0021]输出层使用Sigmoid函数作为激活函数，其数学表达式如式(6)所示：
[0022][0023]基于深度学习与索引调制结合的OFDM信号检测模型输出为式(9)：
[0024]o＝Sig[ω4leaky(ω3leaky(ω2leaky(ω1×
input+β1)+β2)+β3)+β4]ꢀꢀꢀ
(9)
[0025]其中，ω1、ω2、ω3、ω4为所述隐藏层和输出层的权重，β1、β2、β3、β4为所述隐藏层和输出层的偏置。
[0026]作为本专利技术进一步的技术方案，采用的损失函数为自定义损失函数，其数学表达式为式(7)：
[0027][0028]其中，y代表标签，f(x)代表预测值。此损失函数缓解了针对离群点的较敏感性，达到每处均可导的目的。当|y
‑
f(x)|≤1时，会逐步降低梯度，从而达到寻找到的全局最优点的精确性较高的目的；在|y
‑
f(x)|＞1时，函数梯度可等效为1，从而提高更新网络参数的速
度。
[0029]基于深度学习与索引调制结合的OFDM信号检测模型在4QAM、8QAM、16QAM方式下进行离线训练和在线测试。
[0030]与现有技术相比，本专利技术具有以下技术效果：本专利技术基于传统OFDM索引调制技术，将深度学习应用到信号检测中，通过神经网络强大的学习能力使OFDM
‑
IM信号检测能力达到最优效果，同时仅设有4层全连接网络，相比传统算法而言，大大降低了计算复杂度。对预处理后的数据集进行离线训练，依靠leaky_relu激活函数和自定义损失函数使系统的误码率性能达到最优化，并在瑞利衰落信道下通过4QAM、8QAM、16QAM方式进行在线检测。实验结果表明，本专利技术提出的基于深度学习与索引调制结合的OFDM信号检测模型在较短时间内可达到低于最大似然检测(ML)、贪婪检测(GD)和低复杂度对数似然比检测(LLR)算法的误码率。
附图说明
[0031]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：