【技术实现步骤摘要】
本专利技术涉及水声通信领域，特别涉及一种基于深度学习的时变水声信道估计方法。
技术介绍
1、随着海洋军事的发展及海洋资源的开发，海洋环境监测数据等工程需求日益增加，因此水声通信在今年来引起广泛关注。但水声信道不仅受到海洋环境噪声的影响，同时具有复杂多变的特性，例如多径传播、严重衰减及时变等等，故提高水声信道估计的精度具有重要意义。
2、目前，水声信道一般采用最小二乘法(ls)和最小均方误差法(mmse)进行信道估计，但由于水声信道的复杂特性及海洋环境的影响，传统的ls和mmse方法需插入大量导频以维持较好的性能，严重浪费有限的频域资源。深度学习具有强大的学习能力和特征映射能力，所以有部分学者利用神经网络学习水声信道的特性，从而提高水声信道估计的精度。
3、专利技术专利cn112511469a提出一种基于全连接神经网络的稀疏水声信道估计方法，但在深海环境下或导频较少时，该方法难以达到较高的估计精度，同时全连接神经网络参数较多，复杂度较高。
4、专利技术专利cn110048972a提出一种基于广义回归神经网络的水声信道估计方法，无需导频和信道统计信息，提高了带宽效率。但是广义回归神经网络采用的是单通道学习，这使得网络学习水声信道的复杂特性的时间较长，同时无法捕捉较长序列的上文特性。
技术实现思路
1、针对上述问题，本专利技术提出一种基于深度学习的时变水声信道估计方法，该方法集成了卷积神经网络(cnn)、双向门控循环单元(bigru)、自归一化网络(s
2、本专利技术提供如下技术方案：一种基于深度学习的时变水声信道估计方法,包括如下步骤，
3、步骤1：生成调制前经过星座映射的原始码元；
4、步骤2：将直流子载波(dc)嵌入到原始码元中并置零；
5、步骤3：对并行数据进行调制；
6、步骤4：经过多径信道；
7、步骤5：去除多径信道传来的ofdm信号的循环前缀，再进行解调，用于信道均衡；
8、步骤6：搭建基于深度学习的信道估计网络，并设定超参数；
9、步骤7：将原始码元和经过信道估计并均衡后的ofdm信号数据进行匹配,统计误符号率(ser)和误码率(ber)。
10、所述步骤1中，共生成480000个四进制码元，每个数据码元均匀分布，且为0至3中的一个。
11、所述步骤2中，在原始码元中插入11个置零子载波，并按5:6的比例分布在原始码元的首端和尾端；在下标为10、24、38、52的子载波处插入梳状导频。
12、所述步骤3中，并行的数据先经过快速傅里叶逆变换，再添加循环前缀，生成复包络的采样值。其中循环前缀有16点，长度为30ms，调制方式为4qam。
13、所述步骤4中，经过的信道为基于bellhop的水声信道，具有多径效应，并在该信道中加入了高斯白噪声，均方根时延扩展为7ms。
14、所述步骤6中，信道估计网络集成了卷积神经网络(cnn)、双向门控循环单元(bigru)、自归一化网络(snn)、深度神经网络(dnn)和注意力机制(attention)。
15、其中cnn的超参数为：前3层cnn的神经元为128，卷积核为2，后1层的cnn神经元为8，卷积核为3，激活函数为:
16、mish＝x·tanh(ln(1+ex))；
17、bigru的超参数为：神经元为64，激活函数为:
18、
19、snn的超参数为：神经元为128，激活函数为:
20、
21、dnn由64个全连接网络并联组成，每个全连接的超参数为：神经元为4，激活函数为：
22、
23、其中，cnn提取水声信道的序列特性，同时对水声信道进行降噪；bigru通过双通道捕捉当前时刻的输出与前后时刻的状态的信息；snn进行自归一化，防止梯度爆炸；attention无需依赖数据间的顺序，通过信号间的相似度来挖掘信息，避免信号丢失，同时并行计算前一时刻与下一时刻的信息。
24、所述基于深度学习的时变水声信道估计方法与传统的最小二乘法(ls)、最小均方误差法(mmse)及理想情况下的理论值进行比较，统计ser和ber曲线。
25、通过上述描述，可以看出本方案采用创新性的逻辑设计，首先通过水声正交频分复用系统生成原始码元，在原始码元中插入置零的直流子载波；通过4aqm方式对并行数据进行调制；信号经过引入高斯白噪声的时变水声信道；对信号进行解调；利用卷积神经网络、双向门控单元、自归一化网络、全连接网络构建信道估计模块，并引入注意力机制；最后采用nadm优化器和多分类交叉熵损失函数对网络进行训练。本专利技术有效解决了时变水声信道下ofdm系统中存在的误符号率和误码率性能失真的问题。仿真结果表示，此方法表现出的性能优于传统的最小二乘法和最小均方误差，提高了水声信道估计的精度。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的时变水声信道估计方法,其特征在于包括如下步骤，
2.根据权利要求1所述的基于深度学习的时变水声信道估计方法，其特征在于,
3.根据权利要求1所述的基于深度学习的时变水声信道估计方法，其特征在于,
4.根据权利要求1所述的基于深度学习的时变水声信道估计方法，其特征在于,
5.根据权利要求1所述的基于深度学习的时变水声信道估计方法，其特征在于,
6.根据权利要求1所述的基于深度学习的时变水声信道估计方法，其特征在于,
【技术特征摘要】
1.一种基于深度学习的时变水声信道估计方法,其特征在于包括如下步骤，
2.根据权利要求1所述的基于深度学习的时变水声信道估计方法，其特征在于,
3.根据权利要求1所述的基于深度学习的时变水声信道估计方法，其特征在于,
<...【专利技术属性】
技术研发人员：何波，张志晨，高鹤，牟珊珊，王德强，许宏吉，郑来波，李军，
申请(专利权)人：山东大学，
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。