[发明专利]基于深度神经网络的水声正交频分复用接收机的实现方法

说明书

本发明公开了一种基于深度神经网络的水声正交频分复用接收机的实现方法，所述方法包括以下步骤：发送端；由信息比特和导频比特共同组成的串行比特流经过星座图映射为符号，符号经串并变换后经傅里叶逆变换从频域变换到时域；时域信号经并串变换后转换成串行数据；接收端；接收到的信号移除循环前缀，经过串并变换转换成并行数据，并行数据被输入到深度神经网络模型中获得输出比特。本发明简化了现有的基于神经网络的接收机的结构，比较准确地估计信道。

技术领域

本发明涉及数字多载波传输技术领域，尤其涉及一种基于深度神经网络的水声正交频分复用接收机的实现方法，在正交频分复用多载波技术的基础上，将深度神经网络模型应用于通信系统的接收端。

背景技术

目前，由于有效的抗多径能力和较高的频谱效率，正交频分复用技术已经被广泛应用于无线通信系统，尤其是水声通信系统。水声信道是迄今为止最复杂的无线信道之一。它固有的时变效应，有限带宽，多径效应和长传输时延使水声通信很难满足现有的水下应用的要求。

在通信系统的接收端，信道估计是减小信道失真和干扰的必要技术。在传统的正交频分复用接收机中，信道估计主要基于两种算法：最小二乘法和最小均方差法。其中，基于最小二乘法的信道估计容易实施，不需要提前知道信道和噪声的先验信息。然而，也因此对信道和噪声的统计特性更敏感。基于最小均方差法的信道估计算法需要提前知道信道和噪声的先验信息，估计效果优于基于最小二乘法的信道估计算法。然而，基于传统信道估计算法的接收机仍然不能比较准确地估计信道状态。

尽管深度神经网络模型是在近几年才被应用于无线通信，尤其是物理层相关研究中，已经实现了比传统通信机制更好的性能并展现出了巨大的潜力，比如：调制识别、信道编码、信号检测和信道估计功能等。研究者使用神经网络代替上述某一个或两个模块的功能以提高传统正交频分复用接收端的性能。

但是，现存的这些接收机除了需要神经网络之外，还需要其他很多接收端的信号处理模块，比如：某系统用深度神经网络代替信号检测模块，则接收机除神经网络模型之外还需要信道估计，信道补偿，信号解调制和星座图解映射等模块。接收机的结构比较复杂。尤其在水声通信中还主要应用于调试方式的识别中。

发明内容

本发明提供了一种基于深度神经网络的水声正交频分复用接收机的实现方法，本发明简化了现有的基于神经网络的接收机的结构，比较准确地估计信道，详见下文描述：

一种基于深度神经网络的水声正交频分复用接收机的实现方法，所述方法包括以下步骤：

1)发送端；

由信息比特和导频比特共同组成的串行比特流经过星座图映射为符号，符号经串并变换后经傅里叶逆变换从频域变换到时域；时域信号经并串变换后转换成串行数据；

2)接收端；

接收到的信号移除循环前缀，经过串并变换转换成并行数据，并行数据被输入到深度神经网络模型中获得输出比特。

其中，所述深度神经网络模型基于TensorFlow框架实现。

进一步地，所述深度神经网络模型有三个隐藏层，一个输入层，一个输出层；

所述输入层包含输入数据的实部和虚部，输出层一次预测16个比特。

进一步地，所述隐藏层的激活函数采用ReLU函数，输出层的激活函数采用Sigmoid函数，函数优化器选择RMSProp算法更新网络参数。

其中，所述深度神经网络模型中的损失函数具体为：

其中，Y(k)为输出比特；X(k)为串行比特流。

本发明提供的技术方案的有益效果是：