[发明专利]一种基于深度学习的太赫兹信号检测方法

说明书

本发明属于太赫兹通信系统中的信号检测技术领域，具体来说是一种基于深度学习的太赫兹信号检测方法。本发明涉及深度学习、信号检测、太赫兹系统通信等理论框架。本发明研究了太赫兹系统中利用深度学习的DNN网络替代传统信号检测模块后的误码率(BER)性能，其中DNN可以通过线下训练学习通信数据中的特征，最终得到一个较好的模型，并对信号进行检测。本发明考虑了太赫兹通信系统中硬件损伤对信号检测的影响，并通过仿真证明本发明具有较好的检测性能。

技术领域

本发明属于无线通信技术领域，具体涉及一种基于深度学习的太赫兹信号检测方法。

背景技术

太赫兹通信系统(Terahertz Communication Systems)是未来移动通信技术发展中的一个非常具有前景的方向，它将目前通信系统中所使用的频率提升到了太赫兹频段，极大地提高了频谱效率(Spectrum Efficient，SE)以及数据的传输速率。但太赫兹通信技术带来这些增益的同时也会面临一些新的问题。比如，在传统的无线通信的信道建模中，通常不需要考虑硬件损伤对通信质量的影响。然而在太赫兹通信系统中，太赫兹频率的特性使得硬件损伤对通信性能的影响不容忽视，并且，太赫兹信号在传播过程中也容易被水分子吸收，造成很高的路径损失。因此，一些传统通信系统中的信号检测算法例如最大似然检测(ML)、最小均方误差(MMSE)、迫零算法(ZF)等将不再适用于太赫兹通信系统，我们需要一些新的检测技术对太赫兹通信系统中的信号进行检测，提升系统的性能。

近年来，深度学习(Deep Learning，DL)技术在图像以及语音信号处理等领域获得了空前的成功，并极大地引起了人们的关注，许多研究者也开始思考将深度学习技术融入到无线通信系统中。由于深度神经网络具有很强的学习能力，因此，它们在处理一些拟合和分类任务时能产生较好的效果。因为通信系统中的信号检测从本质上来说可以看做是一种对调制符号进行分类的技术，因此，深度学习理论上也可以应用在通信系统的信号检测领域。

发明内容

本发明的目的，就是针对上述传统信号检测方法在太赫兹通信系统中的不足，提出一种基于深度学习的信号检测方案。即在太赫兹通信系统的接收端采用基于深度学习的信号检测技术，对接收信号进行检测，最大程度还原原始信号，从而使得系统误码率大大降低。

本发明的技术方案是：一种基于深度学习的太赫兹信号检测方法，如图1所示，太赫兹通信系统包括1个基站和1个用户终端设备，基站具有N_r根天线，用户终端设备具有N_t根天线，以平坦瑞利信道为信道模型，发送和接收设备的硬件损伤及噪声均服从高斯分布，系统的调制方案为空间调制(Spatial Modulation，SM)，系统的检测部分使用(deep neuronnetwork)DNN网络结构。则本发明包括以下步骤：

S1、对太赫兹通信系统进行数学建模，接收信号y的公式如下公式1：

y＝h_i(x_i+n_t)+n_r+n_noise (公式1)

公式1中，为第i根发射天线到接收机的信道衰落系数，x_i为空间调制后第i根天线上传输的调制信号，n_t和n_r分别表示发射机和接收机处的硬件损伤，其中，n_t～CN(0,ξ_t²P)，n_r～CN(0,ξ_r²PH_i)，ξ_t²和ξ_r²分别为发射机和接收机的硬件损伤水平，P为发射信号的功率，为高斯白噪声，σ_n²为噪声的功率；