【技术实现步骤摘要】
采用卷积神经网络信道簇检测的水声信道稀疏估计方法
[0001]本专利技术属于水声信号处理
,具体涉及采用卷积神经网络信道簇检测的水声信道稀疏估计方法。
技术介绍
[0002]声波是水下无线通信的重要载体,水声信道特性复杂多变,具有强多途、强噪声、大多普勒频移,明显的空间和时间起伏等特点,给水声通信带来了非常大的困难和挑战。水声信道估计是完成水下信息传输的重要步骤,对信道参数的准确估计是提高通信性能的重要手段。
[0003]水声信道通常呈现簇状稀疏特性,即大部分信道冲激响应为零或近似于零,信道能量主要集中在稀疏的非均匀分布的簇状结构内。传统的信道估计方法,如最小二乘(LS)算法,最小均方误差(MMSE)算法,会在零抽头处引入噪声估计误差,同时信道估计所需的高阶估计器也存在较大的运算复杂度。
[0004]针对水声信道的稀疏特性,稀疏估计类方法被用来提高信道估计性能,近年来,基于压缩感知的信道估计方法由于具有较好的估计效果,受到了广泛的关注和研究。其中,正交匹配追踪(OMP)算法被证实相比于传统算法具有明显的性能优势,在此基础上,利用缓慢变化的水声信道的稳定稀疏特性,同步正交匹配追踪(SOMP)算法被应用于求解一段时间内信道的联合稀疏重构问题。该方法利用时间增益进一步提高了算法性能,但该方法没有充分利用水声信道稀疏簇状结构这一特点,仍存在簇区域外的噪声估计误差,影响信道估计精度。
[0005]如何在利用水声信道稀疏特性的基础上,检测水声信道簇状结构并利用它是提升稀疏估计类方法性能的关键,现有一 ...
【技术保护点】
【技术特征摘要】
1.一种采用卷积神经网络信道簇检测的水声信道稀疏估计方法,用于OFDM水声通信系统,所述方法包括:步骤1)获取对应不同数据块基于导频信息的频域信号;步骤2)对上述频域信号进行信道粗估计;步骤3)将信道粗估计结果输入预先建立和训练好的簇检测模型进行簇检测,得到信道簇位置信息;步骤4)根据信道簇位置信息结合稀疏估计算法实现信道估计。2.根据权利要求1所述的采用卷积神经网络信道簇检测的水声信道稀疏估计方法,其特征在于,步骤1)的所述对应不同数据块基于导频信息的频域信号,满足下式:Y
p,l
=diag(X
p,l
)F
p
h
l
+W
p,l
其中,Y
p,l
为第l个数据块基于导频信息的频域接收信号,l=1,2,
…
,L,L为数据块总数,diag(X
p,l
)为对应的由导频符号X
p,l
组成的对角矩阵,F
p
为对应的傅里叶变换矩阵,W
p,l
为对应的频域加性噪声,h
l
∈N
×
1为第l个数据块对应的信道,N为信道长度。3.根据权利要求2所述的采用卷积神经网络信道簇检测的水声信道稀疏估计方法,其特征在于,所述步骤2)具体为:采用下式对不同数据块基于导频信息的频域信号Y
p,l
进行信道粗估计,得到第l个数据块的信道粗估计结果块的信道粗估计结果其中,(
·
)
H
表示共轭转置,K
p
表示导频个数。4.根据权利要求3所述的采用卷积神经网络信道簇检测的水声信道稀疏估计方法,其特征在于,所述簇检测模型的输入为信道粗估计结果,输出为信道簇位置信息;采用“U
‑
net”架构的卷积神经网络,包括收缩路径和扩展路径,两种路径构成对称结构,其中,所述收缩路径用于通过特征降维提取所需的特征;所述扩展路径用于对提取到的特征进行解码,将解码得到的向量内每个数值和设定门限进行比较,获得对应的簇位置信息Ψ
n
,n∈[1,N],进而得到信道长度为N的信道簇位置信息[Ψ1,
…
Ψ
n
,
…
Ψ
N
]。5.根据权利要求4所述的采用卷积神经网络信道簇检测的水声信道稀疏估计方法,其特征在于,对应的簇位置信息为Ψ
n
满足下式:其中,代表对应位置存在簇内信道冲激响应的概率,概率大于设定门限0.5,则认为...
【专利技术属性】
技术研发人员:王迪雅,台玉朋,王海斌,汪俊,吴立新,张永霖,
申请(专利权)人:中国科学院声学研究所,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。