System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种noma(non-orthogonal multiple access,非正交多址)技术,尤其是涉及一种noma系统中基于深度学习的压缩感知脉冲噪声抑制方法。
技术介绍
1、非正交多址(non-orthogonal multiple access,noma)技术是一种新兴的5g技术,提出的叠加编码传输方案,大大提高了频谱效率,可有效地满足5g场景下低延迟、高频谱效率和高连通性的要求。然而,在一些场景中,如智能电网、智能家居、物联网等新兴网络采用noma技术来连接大量的设备,这些设备包括智能电表、传感器、执行器等在使用电力线通信时不仅有高斯白噪声的存在,而且还有破坏性更强的脉冲噪声,汽车点火、电线、工业设备、家用电器、电子设备、医疗设备的开关都会产生脉冲噪声,通常具有高幅值和随机性的特点。由于noma采用功率域多址,脉冲噪声会改变信号的功率电平,严重影响noma通信系统的性能。因此,有效的脉冲噪声抑制方法是noma通信系统的重要保证。
2、在实际中,由于信道中的脉冲噪声具有随机性与不确定性,因此在抑制脉冲噪声时不能搬用高斯噪声模型下的方法。目前抑制脉冲噪声主要有三种方法:一是基于阈值的脉冲噪声抑制方法,这类方法的基本原理是设定一个阈值来判断接收到的noma信号是否被脉冲噪声严重干扰,如果被干扰则将该信号置为0或将该信号的幅值限制为阈值,这类方法需要估计脉冲噪声的统计模型,较小或较大的阈值都会导致脉冲噪声的抑制性能严重下降;二是基于深度学习的方法,这类方法利用了深度学习来学习脉冲噪声稀疏且幅度高的特征,
技术实现思路
1、本专利技术所要解决的技术问题是提供一种noma系统中基于深度学习的压缩感知脉冲噪声抑制方法,其脉冲噪声抑制效果好,且具有压缩感知重构速度快和重构精度高等优点。
2、本专利技术解决上述技术问题所采用的技术方案为:一种noma系统中基于深度学习的压缩感知脉冲噪声抑制方法,其特征在于包括以下步骤:
3、步骤1:在noma系统中,设定存在两个用户,且第1个用户距离基站更远,称为远距离用户,第2个用户距离基站更近,称为近距离用户;在noma系统的下行链路的发送端,对于任一个用户,信号源产生的二进制信号经过信道编码和正交振幅调制后得到调制符号x=(x0,x1,…xn-1)t,x为任一个用户的调制符号;将第1个用户的调制符号记为x1,将第2个用户的调制符号记为x2,将基站处的叠加编码信号记为xsc,xsc为频域符号;xsc经过调制器后转变成时域noma信号,记为xsc,xsc=fhxsc;在xsc的头部插入长度大于信道时延扩展长度的循环前缀;
4、上述,n表示noma系统中子载波的总数目,x0表示第1个子载波上的调制符号,x1表示第2个子载波上的调制符号,xn-1表示第n个子载波上的调制符号,(·)t表示向量或矩阵的转置,表示第1个用户的功率分配系数,表示第2个用户的功率分配系数,p表示基站的发射功率,f表示归一化后的离散傅里叶变换矩阵,f的维数为n×n,fh为f的厄米特变换;
5、步骤2:在noma系统的下行链路的接收端,将接收到的时域noma信号在去掉循环前缀后得到的信号记为r,r=hxsc+e+g;r经过离散傅里叶变换运算后转变为频域符号y,y=fr=fhfhxsc+fe+fg=λxsc+fe+gback;
6、上述,h表示维数为n×n的信道循环卷积矩阵,e表示时域脉冲噪声向量,脉冲噪声模型为伯努利高斯模型,具体形式为符号是阿达玛运算符,b为二进制伯努利序列,其出现1的概率为p,出现0的概率为1-p,ng为服从高斯分布的随机变量,g表示时域高斯白噪声,λ是一个对角矩阵,其对角元素为信道频域响应,gback表示频域背景噪声,gback=fg,gback和g服从相同的高斯分布;
7、步骤3:对r中包含的时域脉冲噪声向量e进行估计,具体过程为:将频域符号y分成在数据子载波上的信号和在空子载波上的信号,对应记为ydata和yempty,ydata=(λxsc)data+fdatae+gdata,yempty=(λxsc)empty+femptye+gempty;在(λxsc)empty=0的前提下,将yempty=(λxsc)empty+femptye+gempty转换为yempty=femptye+gempty;
8、上述,ydata和yempty为y的两个子向量,(λxsc)data表示数据子载波中的数据,fdata表示数据子载波中的正交矩阵,gdata表示数据子载波中的频域背景噪声,(λxsc)empty表示空子载波中的数据,fempty表示空子载波中的正交矩阵,gempty表示空子载波中的频域背景噪声,(λxsc)data和(λxsc)empty为λxsc的两个子向量,gdata和gempty为gback的两个子向量,gdata服从高斯分布,gempty服从高斯分布;
9、步骤4:将yempty的实部作为第一列且yempty的虚部作为第二列构成的实虚部矩阵记为
10、步骤5:搭建一个神经网络,它包括线性映射网络和卷积神经网络,卷积神经网络由七个依次连接的卷积层组成,线性映射网络的输入端作为整个神经网络的输入端接收一个输入矩阵,第1个卷积层的输入端接收线性映射网络的输出端输出的输出矩阵,第2个卷积层的输入端接收第1个卷积层的输出端输出的64张特征图,第3个卷积层的输入端接收第2个卷积层的输出端输出的32张特征图,第4个卷积层的输入端接收第3个卷积层的输出端输出的16张特征图,第5个卷积层的输入端接收第4个卷积层的输出端输出的64张特征图,第6个卷积层的输入端接收第5个卷积层的输出端输出的32张特征图,第7个卷积层的输入端接收第6个卷积层的输出端输出的16张特征图,第7个卷积层的输出端作为整个神经网络的输出端输出2张特征图;
11、其中,第1个卷积层和第4个卷积层的卷积核大小为11×11、激活函数为relu,第2个卷积层和第5个卷积层的卷积核大小为1×1、激活函数为relu,第3个卷积层和第6个卷积层的卷积核大小为7×7、激本文档来自技高网...
【技术保护点】
1.一种NOMA系统中基于深度学习的压缩感知脉冲噪声抑制方法,其特征在于包括以下步骤:
【技术特征摘要】
1.一种noma系统中基于深度学习的压缩感知...
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。