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。