基于小波神經(jīng)網(wǎng)絡的物聯(lián)網(wǎng)主干光信道估計
發(fā)布時間：2021-08-07 15:41
傳統(tǒng)的正交頻分復用技術對正交性要求高且存在頻譜資源的浪費,不適合大規(guī)模物聯(lián)網(wǎng)接入5G網(wǎng)的應用場景,偏移正交幅度調(diào)制濾波器組多載波技術是該應用場景的一個解決方案,但該技術應用于40～100Gbps光纖主干網(wǎng)時存在固有干擾和光信道噪聲的問題,為此提出了基于小波神經(jīng)網(wǎng)絡的物聯(lián)網(wǎng)主干光信道估計方法。通過最小二乘法對光信道進行初步估計,基于估計的結(jié)果和布谷鳥搜索算法初始化小波神經(jīng)網(wǎng)絡的參數(shù);通過偽逆運算動態(tài)更新網(wǎng)絡的權(quán)重參數(shù),從而對信道狀態(tài)進行實時跟蹤,保持較高的估計準確性。實驗結(jié)果顯示,估計方法的效果好于傳統(tǒng)的最小二乘估計和最小均方誤差估計。
【文章來源】：光學技術. 2020,46(03)北大核心CSCD
【文章頁數(shù)】：7 頁
【部分圖文】：
濾波器組多載波系統(tǒng)的結(jié)構(gòu)圖
通常和位置(m, n)距離越遠的光信號對(m, n)信號的干擾越小。為了觀察相鄰信號對目標信號所產(chǎn)生干擾的差異,考慮從1到6的鄰居符號子集Ω′i,其中i=1～6。Ω′1為3×3方陣,Ω′2為5×5方陣,以此類推。圖2所示是固有干擾和i的關系曲線,圖中顯示在i=1～3的過程中,干擾的強度明顯提高,之后干擾強度幾乎不變,所以主要考慮7×7的方形區(qū)域?qū)ξ恢?m, n)的固有干擾。觀察式(4)可發(fā)現(xiàn)除了固有干擾,光信道也會引起信號的失真。為了還原OQAM符號的實數(shù)域,必須考慮固有失真和信道衰減、色散等因素。假設發(fā)端的前導碼為d(mp,np),收端的前導碼為y(mp,np),那么最小二乘對信道頻率響應的估計為
小波神經(jīng)網(wǎng)絡(Wavelet Neural Networks, WNN)結(jié)合了神經(jīng)網(wǎng)絡的學習能力和小波的局部化特性。WNN分為三層,分別為:輸入層、隱藏層和輸出層,如圖3所示。圖3中x=[x1, x2, …,xn]為前一時刻從光信道接收的光信號,輸入層的節(jié)點數(shù)量n等于光信道分析光纖模塊(Analysis Fiber Bank, AFB)的輸出數(shù)量。隱藏層的節(jié)點中嵌入小波函數(shù)作為隱藏層的非線性轉(zhuǎn)移函數(shù),根據(jù)許多研究人員的結(jié)論,Mexican Hat小波母函數(shù)適用于光學通信系統(tǒng)的小波濾波器[16],因此本文采用的小波函數(shù)為Mexican Hat(mexh)小波。每個隱藏層節(jié)點通過小波函數(shù)建立從輸入數(shù)據(jù)到輸出數(shù)據(jù)的非線性映射關系,每個隱藏層節(jié)點的連接表示為
【參考文獻】：
期刊論文
[1]高速移動環(huán)境下基于深度學習的信道估計方法[J]. 廖勇,花遠肖,姚海梅,楊馨怡. 電子學報. 2019(08)
[2]大數(shù)據(jù)分析技術在網(wǎng)絡領域中的研究綜述[J]. 馮貴蘭,李正楠,周文剛. 計算機科學. 2019(06)
[3]相干光OFDM系統(tǒng)中相位噪聲補償算法的研究進展[J]. 袁建國,南蜀崇,辛雪琪. 激光雜志. 2018(10)
[4]Short Term Wind Speed Prediction Using Multiple Kernel Pseudo Inverse Neural Network[J]. S.P.Mishra,P.K.Dash. International Journal of Automation and Computing. 2018(01)
[5]基于異構(gòu)導頻60GHz系統(tǒng)的壓縮感知信道估計[J]. 陳坤,趙迎新,吳虹,王曉敏,劉勇,王琦琦,唐然,慈騁. 計算機工程. 2016(04)
[6]高精度自適應小波神經(jīng)網(wǎng)絡人工智能方法探索[J]. 劉經(jīng)緯,趙輝,周瑞,王普. 計算機科學與探索. 2016(08)
[7]循環(huán)前綴長度對OFDM系統(tǒng)性能的影響[J]. 張曉光,王艷芬. 實驗室研究與探索. 2015(07)
[8]布谷鳥搜索算法研究綜述[J]. 蘭少峰,劉升. 計算機工程與設計. 2015(04)
[9]基于MMSE信道估計的VRVP-MQAM方法性能研究[J]. 郭淑霞,張寧,袁春娟. 紅外與激光工程. 2015(02)
[10]OFDM系統(tǒng)中基于功率延時譜的信道估計算法[J]. 王鋼,劉曉明,于迎新. 華中科技大學學報(自然科學版). 2014(02)
本文編號：3328069
【文章來源】：光學技術. 2020,46(03)北大核心CSCD
【文章頁數(shù)】：7 頁
【部分圖文】：
濾波器組多載波系統(tǒng)的結(jié)構(gòu)圖
通常和位置(m, n)距離越遠的光信號對(m, n)信號的干擾越小。為了觀察相鄰信號對目標信號所產(chǎn)生干擾的差異,考慮從1到6的鄰居符號子集Ω′i,其中i=1～6。Ω′1為3×3方陣,Ω′2為5×5方陣,以此類推。圖2所示是固有干擾和i的關系曲線,圖中顯示在i=1～3的過程中,干擾的強度明顯提高,之后干擾強度幾乎不變,所以主要考慮7×7的方形區(qū)域?qū)ξ恢?m, n)的固有干擾。觀察式(4)可發(fā)現(xiàn)除了固有干擾,光信道也會引起信號的失真。為了還原OQAM符號的實數(shù)域,必須考慮固有失真和信道衰減、色散等因素。假設發(fā)端的前導碼為d(mp,np),收端的前導碼為y(mp,np),那么最小二乘對信道頻率響應的估計為
小波神經(jīng)網(wǎng)絡(Wavelet Neural Networks, WNN)結(jié)合了神經(jīng)網(wǎng)絡的學習能力和小波的局部化特性。WNN分為三層,分別為:輸入層、隱藏層和輸出層,如圖3所示。圖3中x=[x1, x2, …,xn]為前一時刻從光信道接收的光信號,輸入層的節(jié)點數(shù)量n等于光信道分析光纖模塊(Analysis Fiber Bank, AFB)的輸出數(shù)量。隱藏層的節(jié)點中嵌入小波函數(shù)作為隱藏層的非線性轉(zhuǎn)移函數(shù),根據(jù)許多研究人員的結(jié)論,Mexican Hat小波母函數(shù)適用于光學通信系統(tǒng)的小波濾波器[16],因此本文采用的小波函數(shù)為Mexican Hat(mexh)小波。每個隱藏層節(jié)點通過小波函數(shù)建立從輸入數(shù)據(jù)到輸出數(shù)據(jù)的非線性映射關系,每個隱藏層節(jié)點的連接表示為
【參考文獻】：
期刊論文
[1]高速移動環(huán)境下基于深度學習的信道估計方法[J]. 廖勇,花遠肖,姚海梅,楊馨怡. 電子學報. 2019(08)
[2]大數(shù)據(jù)分析技術在網(wǎng)絡領域中的研究綜述[J]. 馮貴蘭,李正楠,周文剛. 計算機科學. 2019(06)
[3]相干光OFDM系統(tǒng)中相位噪聲補償算法的研究進展[J]. 袁建國,南蜀崇,辛雪琪. 激光雜志. 2018(10)
[4]Short Term Wind Speed Prediction Using Multiple Kernel Pseudo Inverse Neural Network[J]. S.P.Mishra,P.K.Dash. International Journal of Automation and Computing. 2018(01)
[5]基于異構(gòu)導頻60GHz系統(tǒng)的壓縮感知信道估計[J]. 陳坤,趙迎新,吳虹,王曉敏,劉勇,王琦琦,唐然,慈騁. 計算機工程. 2016(04)
[6]高精度自適應小波神經(jīng)網(wǎng)絡人工智能方法探索[J]. 劉經(jīng)緯,趙輝,周瑞,王普. 計算機科學與探索. 2016(08)
[7]循環(huán)前綴長度對OFDM系統(tǒng)性能的影響[J]. 張曉光,王艷芬. 實驗室研究與探索. 2015(07)
[8]布谷鳥搜索算法研究綜述[J]. 蘭少峰,劉升. 計算機工程與設計. 2015(04)
[9]基于MMSE信道估計的VRVP-MQAM方法性能研究[J]. 郭淑霞,張寧,袁春娟. 紅外與激光工程. 2015(02)
[10]OFDM系統(tǒng)中基于功率延時譜的信道估計算法[J]. 王鋼,劉曉明,于迎新. 華中科技大學學報(自然科學版). 2014(02)
本文編號：3328069
本文鏈接：http://sikaile.net/kejilunwen/xinxigongchenglunwen/3328069.html
最近更新
教材專著
