[发明专利]非线性失真条件下基于深度学习的无线通信方法及其系统

权利要求书

1.一种非线性失真条件下基于深度学习的无线通信方法，其特征在于，包括：

通过LS算法或MMSE算法对接收信号等效信道进行信道估计，得到估计信号；

通过深度卷积神经网络对所述估计信号进行信号解调，得到解调信号；

通过深度学习模型对所述解调信号进行训练，输出所述接收信号的估计值；

通过LS算法进行信道估计的实现过程为：

其中，R_p表示导频位置上的接收信号向量，表示导频位置上发送的原始信号矩阵；

通过MMSE算法进行信道估计的实现过程为：

其中，R_hh表示接收信号的协方差矩阵，σ²表示噪声功率。

2.根据权利要求1所述的非线性失真条件下基于深度学习的无线通信方法，其特征在于，通过深度卷积神经网络对所述估计信号进行信号解调，得到解调信号，包括：

根据深度卷积神经网络对所述估计信号进行离线训练；

根据定义的损失函数不断调整所述离线训练过程中深度卷积神经网络的参数，得到解调信号；

所述损失函数为估计值与原始值之间的误差均方差：

其中，所述估计信号包括信道估计以及信号向量r，，解调信号为原始发射信号向量的估计值或，

所述损失函数为估计值与原始值之间的交叉熵函数：：

其中，x_c表示对每个可能的候选元素估计的示性函数，当估计正确时为1，否则为0；p_c表示对每个可能的候选元素估计的概率值。

3.根据权利要求1所述的非线性失真条件下基于深度学习的无线通信方法，其特征在于，

所述深度学习模型采用卷积神经网络或全连接神经网络，所述模型训练方法采用梯度优化算法；所述模型训练的损失函数采用估计值与准确值之间的误差均方差；所述模型的深度配置为8－10层中的任意一种。

4.根据权利要求1所述的非线性失真条件下基于深度学习的无线通信方法，其特征在于，

在所述通过LS算法或MMSE算法对接收信号等效信道进行信道估计，得到估计信号前，还包括：

根据非线性失真特性定义的畸变函数对发射原始信号进行信号预处理，以得到接收信号；所述定义的畸变函数为：

其中，表示经非线性失真畸变后的数据，α_i表示i阶分量的增益，P表示最高分量对应的阶数；

此时，接收端的接收信号为：

其中，发射端天线数目为N_T；接收端天线数目为N_R；；发射端到接收端的无线信道衰落矩阵为H，发射端向接收端的发射向量为x，接收机的加性高斯白噪声为n，

5.一种非线性失真条件下基于深度学习的无线通信系统，其特征在于，包括：

初始信道估计模块，用于通过LS算法或MMSE算法对接收信号等效信道进行信道估计，得到估计信号；

信号解调模块，用于通过深度卷积神经网络对所述估计信号进行信号解调，得到解调信号

深度学习训练模块，用于通过深度学习模型对所述解调信号进行训练，输出所述接收信号的估计值；

通过LS算法进行信道估计的实现过程为：

其中，R_p表示导频位置上的接收信号向量，表示导频位置上发送的原始信号矩阵；

通过MMSE算法进行信道估计的实现过程为：

其中，R_hh表示接收信号的协方差矩阵，σ²表示噪声功率。