【技术实现步骤摘要】
本专利技术属于通信网络，尤其涉及一种基于深度学习的优化导频位置和信道估计的端到端系统及设计方法。
技术介绍
1、当前，通信系统的设计通常采用模块化方法，其中涉及多个模块和复杂的信号处理算法。信号处理过程被划分为多个子模块，包括信源编码、信道编码、调制、信道估计以及信道均衡等。每个子模块都需要独立的处理函数，并且它们之间必须进行复杂的协同工作。因此，使用传统方法实现端到端一体化系统变得非常复杂。随着深度学习的迅猛发展，基于自编码器的通信系统设计为我们提供了一种崭新的思路。基于深度学习的端到端通信系统旨在将整个信号处理过程整合到一个统一的模型中，从而极大地简化通信系统的设计和实现过程。这种方法的关键在于利用深度学习模型的强大学习能力，以替代传统通信系统中繁琐的手动设计。通过将信号处理的各个环节融合到一个模型中，不仅降低了系统的复杂性，还提高了系统的整体性能。这种端到端的设计理念为通信技术的创新开辟了新的性，为未来通信系统的发展提供了更加灵活和高效的解决方案。
2、近年来，端到端系统得到了广泛关注，尤其是自动编码器(autoencoder)的引入。自动编码器采用端到端深度学习方法，将发射机、信道和接收机整合到一个神经网络(nn)中，形成一个整体。然而，自动编码器在仅适用于awgn信道或静态环境(如实验室)的情况下才能充分发挥作用。在信道动态变化、信道信息不足的情况下，其有效性显著减弱。无论通信技术的特性如何，获取全面的信道知识用于数据恢复变得至关重要。为解决这一挑战，考虑引入导频策略并设计相应的接收器网络架构，以使系统能够
3、在通信系统中，将导频嵌入数据流的目的是进行接收端的信道估计和相位补偿。导频通常是已知的信号，可在接收端用于检测信道的变化和失真。导频插入方案一般有数据流头部插入和固定间隔插入两种方式。在接收端的信道估计中，最小二乘(ls)和最小均方误差(mmse)是常用的算法。随着机器学习的引入，基于ls和mmse算法的深度卷积网络和全连接神经网络在信道估计方面取得了显著的性能提升。然而，这些方法忽略了数据流中导频插入位置的影响，没有将导频插入位置与信道信息的收集相结合。
4、通过上述分析，现有技术存在的问题及缺陷为：不能消除传统信道估计算法带来的复杂度，不能减轻接入系统的协同调整负担，无法满足未来无线通信端到端整体化的构想。
技术实现思路
1、针对现有技术存在的问题，本专利技术提供了一种基于深度学习的优化导频位置和信道估计的端到端系统及设计方法。
2、本专利技术是这样实现的，基于深度学习的优化导频位置和信道估计的端到端系统，该系统包括：
3、通信系统模块，用于构建通信系统模型，实现端到端通信系统流程；
4、神经网络模块，用于设计基于深度学习的调制解调模块，设计基于深度学习的导频插入位置模块；
5、导频插入位置选择模块，用于选择导频插入数据流中的最佳位置。
6、本专利技术的另一目的在于提供一种基于深度学习的优化导频位置和信道估计的端到端系统的设计方法，所述基于深度学习的优化导频位置和信道估计的端到端系统的设计方法包括以下步骤：
7、s1，构建通信系统模型；
8、s2，构建神经网络模块；
9、s3，导频插入位置分析。
10、进一步，步骤s1包括以下分步骤：
11、s11，构建通信系统模型；
12、s12，端到端通信系统流程。
13、进一步，s11中通信系统模型为：
14、
15、其中，表示接收信号，表示信道矩阵，表示传输符号矩阵，表示加性高斯白噪声，每个元素的方差为符号表示矩阵相乘；其中，x的部分元素被赋予为导频符号，其余的元素指调制好的数据符号。
16、进一步，信道矩阵h利用3gpp信道模型生成，从3gpp模型中得到两个不同的信道数据集：一个用于模型训练，另一个用于验证。
17、进一步，s12中由调制模块对传输数据进行调制，导频插入位置选择模块生成导频插入数据流方案并以此将导频数据插入数据流中得到传输符号x，x经过信道后，由解调模块还原出传输数据。
18、进一步，步骤s2包括以下分步骤：
19、s21，设计基于深度学习的调制解调模块；
20、s22，设计基于深度学习的导频插入位置模块；
21、s23，设置损失函数。
22、进一步，s21中采用多层感知器(mlps)作为调制和解调模块的神经网络。
23、进一步，s22设计基于深度学习的导频插入位置模块具体包括：
24、(1)采用随机融合模块将导频数据随即插入数据流之中，其中导频符号和数据位置是随机的；
25、(2)将随机融合后的数据输入到mlp，输出为然后通过一个softmax操作将该输出转换为一个概率向量
26、
27、其中每个pi表示选择第i个位置进行导频插入的可能性；
28、(3)利用p确定导频符号的插入位置：
29、is＝argtopmt{p}
30、其中，mt表示导频符号的数量，而is是p中最大的mt个元素的索引集；
31、按照这种插入策略将导频插入到调制好的数据中，表示为：
32、
33、其中，表示p内除了is的其余位置，p表示导频符号，b表示数据符号；最后再通过一个能量归一化过程，即得到待传输数据x。
34、进一步，s23中损失函数的定义如下：
35、
36、其中，表示损失函数，b表示传输数据符号，表示接收并解调好的数据符号。
37、结合上述的技术方案和解决的技术问题，本专利技术所要保护的技术方案所具备的优点及积极效果为：
38、第一，本专利技术采用导频插入位置预测模块，结合信道环境变化，设计出最优的导频插入方案。通过与接收器协同工作，提升了对信道环境的把握。同时，这种端到端一体化的设计不仅消除了传统信道估计算法带来的复杂度，还减轻了接入系统的协同调整负担，从而显著简化了整个系统的复杂性。
39、本专利技术开发了一种基于深度学习的同步导频插入位置选择和信道信息采集集成系统，基于信道环境动态分配导频插入，利用导频信号进行信道信息检索和数据调制重建，与传统的导频头部和固定间隔插入方法相比有显著的性能增强；同时能够为不同信道条件下的导频插入位置提供最佳方案。
40、通过分配自适应信道变化的导频插入数据流位置方案，本专利技术提升了在动态多变的信道环境中，信息传输的准确率。
41、将通过神将网络训练出来的导频插入位置方案与传统的导频头部插入和固定间隔插入模式进行误码率(ber)性能对比，在神经网络训练出的导频插入方案中，ber性能比导频头部插入提升2db，比导频周期性插入提升高于1db。
42、第二本文档来自技高网...
【技术保护点】
1.一种基于深度学习的优化导频位置和信道估计的端到端系统，其特征在于，该系统包括：
2.如权利要求1所述的基于深度神经网络的动态通信环境下优化导频插入位置和信道估计的端到端系统的设计方法，其特征在于，所述基于深度神经网络的动态通信环境下优化导频插入位置和信道估计的端到端系统的设计方法包括以下步骤：
3.如权利要求2所述的基于深度神经网络的动态通信环境下优化导频插入位置和信道估计的端到端系统的设计方法，其特征在于，步骤S1包括以下分步骤：
4.如权利要求3所述的基于深度神经网络的动态通信环境下优化导频插入位置和信道估计的端到端系统的设计方法，其特征在于，S11中通信系统模型为：
5.如权利要求4所述的基于深度神经网络的动态通信环境下优化导频插入位置和信道估计的端到端系统的设计方法，其特征在于，信道矩阵H利用3GPP信道模型生成，从3GPP模型中得到两个不同的信道数据集：一个用于模型训练，另一个用于验证。
6.如权利要求3所述的基于深度神经网络的动态通信环境下优化导频插入位置和信道估计的端到端系统的设计方法，其特征在于，S1
7.如权利要求2所述的基于深度神经网络的动态通信环境下优化导频插入位置和信道估计的端到端系统的设计方法，其特征在于，步骤S2包括以下分步骤：
8.如权利要求7所述的基于深度神经网络的动态通信环境下优化导频插入位置和信道估计的端到端系统的设计方法，其特征在于，S21中采用多层感知器作为调制和解调模块的神经网络。
9.如权利要求7所述的基于深度神经网络的动态通信环境下优化导频插入位置和信道估计的端到端系统的设计方法，其特征在于，S22设计基于深度学习的导频插入位置模块具体包括：
10.如权利要求7所述的基于深度神经网络的动态通信环境下优化导频插入位置和信道估计的端到端系统的设计方法，其特征在于，S23中损失函数的定义如下：
...【技术特征摘要】
1.一种基于深度学习的优化导频位置和信道估计的端到端系统，其特征在于，该系统包括：
2.如权利要求1所述的基于深度神经网络的动态通信环境下优化导频插入位置和信道估计的端到端系统的设计方法，其特征在于，所述基于深度神经网络的动态通信环境下优化导频插入位置和信道估计的端到端系统的设计方法包括以下步骤：
3.如权利要求2所述的基于深度神经网络的动态通信环境下优化导频插入位置和信道估计的端到端系统的设计方法，其特征在于，步骤s1包括以下分步骤：
4.如权利要求3所述的基于深度神经网络的动态通信环境下优化导频插入位置和信道估计的端到端系统的设计方法，其特征在于，s11中通信系统模型为：
5.如权利要求4所述的基于深度神经网络的动态通信环境下优化导频插入位置和信道估计的端到端系统的设计方法，其特征在于，信道矩阵h利用3gpp信道模型生成，从3gpp模型中得到两个不同的信道数据集：一个用于模型训练，另一个用于验证。
6.如权利要求3所述的基于深度神经网络的动...
【专利技术属性】
技术研发人员：胡杰，卓娜娜，向路平，王洋，于秦，
申请(专利权)人：电子科技大学长三角研究院湖州，
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。