[发明专利]一种基于模型驱动深度学习的无循环前缀OFDM接收方法有效

专利信息
申请号: 201811417172.3 申请日: 2018-11-26
公开(公告)号: CN109617847B 公开(公告)日: 2021-04-06
发明(设计)人: 金石;张静;何恒涛;高璇璇;温朝凯 申请(专利权)人: 东南大学
主分类号: H04L27/26 分类号: H04L27/26
代理公司: 南京苏高专利商标事务所(普通合伙) 32204 代理人: 冯艳芬
地址: 210000 江*** 国省代码: 江苏;32
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 模型 驱动 深度 学习 循环 前缀 ofdm 接收 方法
【权利要求书】:

1.一种基于模型驱动深度学习的无循环前缀OFDM接收方法,其特征在于包括:

(1)将接收信号y中的导频信号yp进行变换得到频域导频信号,并与本地频域导频信号进行最小二乘估计初始化,得到最小二乘信道估计结果,再输入至全连接的第一深度神经网络进行改进,将改进结果进行傅里叶反变换得到时域信道估计信号

(2)将接收信号y消除符号间干扰后转换为实数域接收信号

(3)将实数域接收信号作为输入,根据时域信道估计信号采用将OAMP算法展开的第二深度神经网络进行迭代求解,得到最终估计的调制信号

(4)将调制信号解调后获得发送信息比特

2.根据权利要求1所述的基于模型驱动深度学习的无循环前缀OFDM接收方法,其特征在于:步骤(1)具体包括:

(1.1)将接收信号y中的导频信号yp进行傅里叶变换得到频域导频信号Yp

(1.2)将频域导频信号Yp与本地频域导频信号Xp进行最小二乘估计初始化,得到最小二乘信道估计结果其中,第k个子载波的最小二乘信道估计结果为:

式中,Yp(k)、Xp(k)分别为第k个子载波的接收频域导频信号、本地频域导频信号,N为子载波个数;

(1.3)将最小二乘信道估计结果的实部和虚部串联成一个向量输入至全连接的第一深度神经网络进行改进,其中,所述第一深度神经网络包括一层网络,用于执行以下计算:

式中,WLMMSE为采用线性最小均方误差信道估计的权重矩阵,为WLMMSE的实值矩阵,且Re{}、Im{}分别表示取实部和虚部,为第一深度神经网络的输出改进结果;

(1.4)将改进结果进行傅里叶反变换得到时域信道估计信号

3.根据权利要求2所述的基于模型驱动深度学习的无循环前缀OFDM接收方法,其特征在于:所述权重矩阵WLMMSE通过训练得到,训练过程为:

获取多个样本,每个样本包括一个真实的频域信道H和对应的最小二乘信道估计结果将作为待训练参数,采用Adam优化器,小批量梯度下降法,进行多轮训练,并动态调整学习速率,得到参数的最优值;损失函数采用平方误差损失H(k)表示k个子载波的H值,表示k个子载波的值。

4.根据权利要求1所述的基于模型驱动深度学习的无循环前缀OFDM接收方法,其特征在于:步骤(2)具体包括:

(2.1)将接收信号y按照下式消除符号间干扰:

式中,为消除符号间干扰的接收信号,A为载波间干扰和符号间干扰矩阵,表达式为

为A的估计值,q-1为导频OFDM符号,N为子载波个数;hi表示形成N×N的循环信道矩阵H的第i个时域冲击响应;

(2.2)将消除符号间干扰的接收信号按照下式转换为实数域接收信号

5.根据权利要求1所述的基于模型驱动深度学习的无循环前缀OFDM接收方法,其特征在于:步骤(3)中所述第二深度神经网络由LS层网络层串联而成,每层结构相同,第l层网络层的输入为第l-1层的输出和实数域接收信号输出为执行的运算为:

式中,为线性MMSE矩阵,A为载波间干扰和符号间干扰矩阵,为A的估计值,为时域信道估计信号的频域信号,F为归一化的傅里叶变换矩阵,为噪声方差,I为单位矩阵,β为更新参数,λl、γl为训练参数,N为载波个数,ε为小于预设阈值的正数,初始化u1=0,调制信号u来自于实数调制集合表示调制符号被判为am的概率,un为第n个子载波调制符号,为第l层接收的第n个子载波符号。

6.根据权利要求5所述的基于模型驱动深度学习的无循环前缀OFDM接收方法,其特征在于:所述训练参数λl、γl通过训练得到,训练过程为:

获取多个样本,每个样本包括一个的调制信号u和对应的实数域接收信号将λl、γl作为待训练参数,采用Adam优化器,小批量梯度下降法,进行多轮训练,并动态调整学习速率,得到参数λl、γl的最优值;损失函数采用平方误差损失u(k)表示k个子载波的u值,表示k个子载波的值。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于东南大学,未经东南大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201811417172.3/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top