【技术实现步骤摘要】
本专利技术涉及通信，具体涉及一种基于深度学习的信道估计与数据检测联合处理方法。
技术介绍
1、信道估计与数据检测是数据链接收机信号处理的重要部分，传统的信道估计技术有：最小二乘(ls)估计、最小均方误差(mmse)估计、正交匹配追踪(omp)等。其中mmse估计由于需要较多的先验知识以及较大的计算复杂度，对目前的水声设备而言无法实现实时通信。而ls估计较为简单，且不需要先验信息，但是在信噪比较低的情况下性能较差。
2、而现有的ofdm信道估计与数据检测方法，存在径时延扩展信道下性能不佳，对导频数量、循环前缀长度等依赖性较大的问题。
技术实现思路
1、本专利技术的目的是为了提供一种基于深度学习的信道估计与数据检测联合处理方法，能够在导频数量较少、不使用循环前缀的条件下，对时延扩展较大的无线信道具有良好的解码性能，从而提高数据链系统的通信性能。
2、为达到上述目的，本专利技术通过以下技术方案实现：
3、本专利技术提供了一种基于深度学习的信道估计与数据检测联合处理方法，其用于数据链系统，包括：
4、基于符号数学系统框架，建立神经网络算法模型；
5、基于深度学习，设计正交频分复用技术水声信道估计系统；
6、基于深度神经网络，建立联合信道估计与数据检测的框架；
7、对所述神经网络算法模型进行超参数优化，得到超参数优化后的所述神经网络算法模型；
8、采用所述正交频分复用技术水声信道估计系统作为仿真系
9、优选的，所述设计正交频分复用技术水声信道估计系统，其具体包括：
10、计算通带传输的循环前缀正交频分复用；
11、根据所述通带传输的循环前缀正交频分复用，得到通带信号；
12、根据所述通带信号，经过下变频降采样后，得到简化后的接收端的通带信号。
13、优选的，所述神经网络算法模型中神经元的权值与偏差需要在训练时进行最优化。
14、优选的，所述联合信道估计与数据检测的框架对所述正交频分复用技术水声信道估计系统的接收端进行处理，得到接收信号，以使得所述神经网络算法模型输入为快速傅里叶变换后的接收子载波，输出为数据子载波上的原始比特。
15、优选的，所述对所述神经网络算法模型进行超参数优化具体包括：采用随机寻优方法，得到超参数的范围，采用手动调参方法对所述超参数的范围的精度进行优化，得到最优化超参数。
16、优选的，所述随机寻优方法包括：将神经网络层数、隐藏层神经元数与学习率作为超参数，设定所述超参数的范围、步进、模型评价标准。
17、优选的，所述采用手动调参方法对所述超参数的范围的精度进行优化，得到最优化超参数，其具体包括：
18、函数将在所述超参数的范围中随机抽取超参数值，评估出采用当前超参数下模型的性能，在完成设定的随机次数后，输出具有最佳性能的模型的超参数组合，手动进行超参数微调，得到所述最优化超参数。
19、优选的，采用原始比特作为标签值，对所述神经网络算法模型进行训练，以使神经网络输出和标签值之间的差异最小化。
20、优选的，所述神经网络输出和标签值之间的差异最小化，通过使用损失函数衡量，所述损失函数的表达式为：
21、
22、其中，是神经网络的输出，x(k)是标签值。
23、优选的，所述训练后解码得到比特值，其具体包括：通过训练集对所述神经网络模型进行训练，接收数据进行解调，解调后通过硬判决得到比特值。
24、与现有技术相比，本专利技术具有以下有益效果：
25、本专利技术提供的一种基于深度学习的信道估计与数据检测联合处理方法，不仅具有优异的原始误码率性能，对导频数量有一定的鲁棒性，对数据链系统的可靠性与稳定性的提高有显著效果，实际使用中将节省很大的信号成本。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的信道估计与数据检测联合处理方法，其特征在于，其用于数据链系统，包括：
2.如权利要求1所述的基于深度学习的信道估计与数据检测联合处理方法，其特征在于，所述设计正交频分复用技术水声信道估计系统，其具体包括：
3.如权利要求2所述的基于深度学习的信道估计与数据检测联合处理方法，其特征在于，所述神经网络算法模型中神经元的权值与偏差需要在训练时进行最优化。
4.如权利要求3所述的基于深度学习的信道估计与数据检测联合处理方法，其特征在于，所述联合信道估计与数据检测的框架对所述正交频分复用技术水声信道估计系统的接收端进行处理，得到接收信号，以使得所述神经网络算法模型输入为快速傅里叶变换后的接收子载波，输出为数据子载波上的原始比特。
5.如权利要求4所述的基于深度学习的信道估计与数据检测联合处理方法，其特征在于，所述对所述神经网络算法模型进行超参数优化具体包括：采用随机寻优方法，得到超参数的范围，采用手动调参方法对所述超参数的范围的精度进行优化，得到最优化超参数。
6.如权利要求5所述的基于深度学习的信道估计与数
7.如权利要求6所述的基于深度学习的信道估计与数据检测联合处理方法，其特征在于，所述采用手动调参方法对所述超参数的范围的精度进行优化，得到最优化超参数，其具体包括：
8.如权利要求7所述的基于深度学习的信道估计与数据检测联合处理方法，其特征在于，采用原始比特作为标签值，对所述神经网络算法模型进行训练，以使神经网络输出和标签值之间的差异最小化。
9.如权利要求8所述的基于深度学习的信道估计与数据检测联合处理方法，其特征在于，所述神经网络输出和标签值之间的差异最小化，通过使用损失函数衡量，所述损失函数的表达式为：
10.如权利要求9所述的基于深度学习的信道估计与数据检测联合处理方法，其特征在于，所述训练后解码得到比特值，其具体包括：通过训练集对所述神经网络模型进行训练，接收数据进行解调，解调后通过硬判决得到比特值。
...【技术特征摘要】
1.一种基于深度学习的信道估计与数据检测联合处理方法，其特征在于，其用于数据链系统，包括：
2.如权利要求1所述的基于深度学习的信道估计与数据检测联合处理方法，其特征在于，所述设计正交频分复用技术水声信道估计系统，其具体包括：
3.如权利要求2所述的基于深度学习的信道估计与数据检测联合处理方法，其特征在于，所述神经网络算法模型中神经元的权值与偏差需要在训练时进行最优化。
4.如权利要求3所述的基于深度学习的信道估计与数据检测联合处理方法，其特征在于，所述联合信道估计与数据检测的框架对所述正交频分复用技术水声信道估计系统的接收端进行处理，得到接收信号，以使得所述神经网络算法模型输入为快速傅里叶变换后的接收子载波，输出为数据子载波上的原始比特。
5.如权利要求4所述的基于深度学习的信道估计与数据检测联合处理方法，其特征在于，所述对所述神经网络算法模型进行超参数优化具体包括：采用随机寻优方法，得到超参数的范围，采用手动调参方法对所述超参数的范围的精度进行优化，得到最优化超参数。
6.如权利...
【专利技术属性】
技术研发人员：欧鹏，费聚锋，李名祺，马少飞，肖群力，
申请(专利权)人：上海无线电设备研究所，
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。