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数字通信和深度学习交叉,特别是关于一种基于深度神经网络的信道译码辅助定时同步方法及系统。
技术介绍
1、定时同步是信号接收过程中的关键环节之一,当采样点出现偏差时,不仅接收符号的幅度出现衰减,而且由于符号间干扰的影响,造成采样点有效信噪比低于最佳采样点信噪比。目前经典的符号定时算法,如平方律定时误差检测算法、迟早门定时误差检测算法等,其主要缺点在于,随着信噪比降低,其定时估计方差迅速增大,无法在信噪比较低环境下工作,因此需要设计一种适用于低信噪比信号的定时同步算法。
2、信道译码辅助定时同步是目前针对低信噪比场景的主要解决方案,其基本原理是利用信道编码增益,克服信道噪声对于同步过程的干扰。然而现有的码辅助定时同步算法需要反复执行信道译码操作,计算复杂度较高,严重限制了接收机的数据吞吐率,且在定时偏差较大时,会呈现有偏估计。
技术实现思路
1、针对上述问题,本专利技术的目的是提供一种基于深度神经网络的信道译码辅助定时同步方法及系统,其能降低传统码辅助定时同步算法的多次译码过程,降低计算开销。
2、为实现上述目的,本专利技术采取以下技术方案:一种基于深度神经网络的信道译码辅助定时同步方法,其包括:对含有定时偏差的接收信号进行预处理,得到帧同步后的接收信号;对帧同步后的接收信号一部分添加固定定时偏置,另一部分不添加固定定时偏置,对添加定时偏置和未添加定时偏置的两组接收信号分别进行解调和译码,得到两组译码对数似然比向量;对两组译码对数似然比向量进行
3、进一步,神经网络采用深度学习神经网络,包括:一个输入层、一个隐藏层和一个回归输出层;
4、输入层和回归输出层对输入输出进行归一化和反归一化;
5、隐藏层对输入特征进行提取。
6、进一步,预设条件为:定时补偿值若小于给定阈值,则声明信号同步建立。
7、进一步,对含有定时偏差的接收信号进行预处理,包括:
8、对接收信号进行匹配滤波,并对匹配滤波后的信号进行帧同步。
9、一种基于深度神经网络的信道译码辅助定时同步系统,其包括:预处理模块,对含有定时偏差的接收信号进行预处理,得到帧同步后的接收信号;解调和译码模块,对帧同步后的接收信号一部分添加固定定时偏置,另一部分不添加固定定时偏置,对添加定时偏置和未添加定时偏置的两组接收信号分别进行解调和译码,得到两组译码对数似然比向量;预测模块,对两组译码对数似然比向量进行特征提取,得到译码反馈特征向量,将译码反馈特征向量输入到神经网络中,得到定时参数的回归预测结果,由回归预测结果得到接收信号的定时补偿值;若定时补偿值满足预设条件,则声明信号同步建立。
10、进一步,预处理模块包括:
11、匹配滤波模块,用于对接收信号进行匹配滤波;
12、帧同步模块,用于对匹配滤波后的信号进行帧同步。
13、进一步,解调和译码模块包括:
14、定时补偿模块,保存原始接收信号,在预测模块反馈回的预测值为零时,定时补偿模块不工作;在初次迭代不满足预设条件时,定时补偿模块通过预测值对输入信号进行补偿,将补偿后信号视作接收信号,一部分直接输入到第二解调模块,另一部分输入附加定时偏置模块;
15、附加定时偏置模块,对接收信号添加固定定时偏置;
16、第一解调模块,添加固定定时偏置后信号进行解调;
17、第二解调模块,对未添加固定定时偏置的信号进行解调;
18、第一信道译码模块,对由第一解调模块解调后的信号进行译码,得到一组译码对数似然比向量;
19、第二信道译码模块,对由第二解调模块解调后的信号进行译码,得到另一组译码对数似然比向量。
20、进一步,预测模块,包括:
21、似然概率特征计算模块,对两组译码对数似然比向量进行特征提取,得到译码反馈特征向量;
22、dnn预测模块,将译码反馈特征向量作为输入,得到定时参数的回归预测结果,由回归预测结果得到接收信号的定时补偿值。
23、一种存储一个或多个程序的计算机可读存储介质,其特征在于,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行上述方法中的任一方法。
24、一种计算设备,其包括:一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行上述方法中的任一方法的指令。
25、本专利技术由于采取以上技术方案,其具有以下优点:
26、1、本专利技术通过对接收信号进行匹配滤波、帧同步等预处理;将预处理后信号输入到译码器中,得到一组对数似然比;同时对信号添加固定定时偏置,输入到译码器中,得到另一组对数似然比(llr);通过对两组对数似然比进行特征提取得到译码特征向量;该译码特征向量与定时偏置存在稳定映射关系。深度神经网络(dnn)提取该映射关系,估计接收信号定时偏置,以实现定时粗同步。将定时粗同步信号输入到插值器、定时误差估计器、信道译码器组成的迭代循环中,实现定时信号的精同步。
27、2、本专利技术通过深度神经网络加速信道译码迭代过程,其收敛速度更快,计算开销降为1/12;当信噪比大于译码门限时,同步精度严格逼近修正克拉美罗界。
本文档来自技高网...【技术保护点】
1.一种基于深度神经网络的信道译码辅助定时同步方法,其特征在于,包括:
2.如权利要求1所述基于深度神经网络的信道译码辅助定时同步方法,其特征在于,神经网络采用深度学习神经网络,包括:一个输入层、一个隐藏层和一个回归输出层;
3.如权利要求1所述基于深度神经网络的信道译码辅助定时同步方法,其特征在于,预设条件为:定时补偿值若小于给定阈值,则声明信号同步建立。
4.如权利要求1所述基于深度神经网络的信道译码辅助定时同步方法,其特征在于,对含有定时偏差的接收信号进行预处理,包括:
5.一种基于深度神经网络的信道译码辅助定时同步系统,其特征在于,包括:
6.如权利要求5所述基于深度神经网络的信道译码辅助定时同步系统,其特征在于,预处理模块包括:
7.如权利要求5所述基于深度神经网络的信道译码辅助定时同步系统,其特征在于,解调和译码模块包括:
8.如权利要求5所述基于深度神经网络的信道译码辅助定时同步系统,其特征在于,预测模块,包括:
9.一种存储一个或多个程序的计算机可读存储介质,其特征在于
10.一种计算设备,其特征在于,包括:一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行如权利要求1至4所述方法中的任一方法的指令。
...【技术特征摘要】
1.一种基于深度神经网络的信道译码辅助定时同步方法,其特征在于,包括:
2.如权利要求1所述基于深度神经网络的信道译码辅助定时同步方法,其特征在于,神经网络采用深度学习神经网络,包括:一个输入层、一个隐藏层和一个回归输出层;
3.如权利要求1所述基于深度神经网络的信道译码辅助定时同步方法,其特征在于,预设条件为:定时补偿值若小于给定阈值,则声明信号同步建立。
4.如权利要求1所述基于深度神经网络的信道译码辅助定时同步方法,其特征在于,对含有定时偏差的接收信号进行预处理,包括:
5.一种基于深度神经网络的信道译码辅助定时同步系统,其特征在于,包括:
6.如权利要求5所述基于深度神经网络的信道译码辅助定时同步系统...
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。