為了提高正交頻分復(fù)用(OFDM)無(wú)線通信系統(tǒng)的信號(hào)檢測(cè)能力,提出了一種基于深度學(xué)習(xí)(DL)算法的信號(hào)檢測(cè)框架來(lái)代替系統(tǒng)信號(hào)檢測(cè)模塊.首先利用迫零(ZF)均衡器重構(gòu)深度神經(jīng)網(wǎng)絡(luò)(DNN)的輸入;然后在離線訓(xùn)練中增加預(yù)訓(xùn)練階段,以導(dǎo)頻符號(hào)和數(shù)據(jù)符號(hào)作為訓(xùn)練數(shù)據(jù),為訓(xùn)練階段提供良好的初始參數(shù);最后在線信號(hào)檢測(cè)通過(guò)加載離線訓(xùn)練獲得的最優(yōu)參數(shù)進(jìn)行信號(hào)檢測(cè).實(shí)驗(yàn)結(jié)果表明:當(dāng)信噪比(SNR)為25 dB時(shí),無(wú)預(yù)訓(xùn)練階段和無(wú)ZF均衡器的框架性能相對(duì)于完整的DL信號(hào)檢測(cè)框架性能分別損失了2和4 dB;在導(dǎo)頻符號(hào)數(shù)目減少和無(wú)循環(huán)前綴(CP)的情況下,DL框架的誤碼率相比傳統(tǒng)方法均明顯下降;在不同信道參數(shù)下,DL框架的性能損失比傳統(tǒng)方法更小.ZF均衡器和預(yù)訓(xùn)練階段均可提高DL框架性能,DL框架能更好地檢測(cè)信號(hào)并具有較強(qiáng)的魯棒性.

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

圖1 OFDM發(fā)送符號(hào)結(jié)構(gòu)

在OFDM無(wú)線通信系統(tǒng)中,發(fā)送端插入導(dǎo)頻符號(hào)形成完整的OFDM發(fā)送符號(hào),符號(hào)經(jīng)過(guò)離散傅里葉逆變換轉(zhuǎn)換為時(shí)域信號(hào),接著加入CP形成完整的時(shí)域OFDM信號(hào).接收端的信號(hào)被去除CP后進(jìn)行離散傅里葉變換得到頻域信號(hào),信號(hào)檢測(cè)模塊從衰落失真的接收信號(hào)中進(jìn)行信號(hào)檢測(cè),最后經(jīng)過(guò)解調(diào)恢復(fù)出信息比....

圖2 DNN的基本結(jié)構(gòu)

DNN由一個(gè)輸入層、L-2個(gè)隱層和一個(gè)輸出層組成,如圖2所示,每一層由多個(gè)神經(jīng)元組成,每個(gè)神經(jīng)元將各個(gè)輸入與相應(yīng)權(quán)重相乘,再加上偏置,最后通過(guò)非線性激活函數(shù)輸出.本文中,隱層使用整流線性單元(rectifiedlinearunit,ReLU)函數(shù)fReLU(a)=max(0,....

圖3 基于DNN的信號(hào)檢測(cè)框架

如圖3所示,在預(yù)訓(xùn)練階段,首先利用信道仿真收集OFDM的1幀中包含導(dǎo)頻符號(hào)和數(shù)據(jù)符號(hào)在內(nèi)的所有OFDM系統(tǒng)信息,將接收信號(hào)Y、插入導(dǎo)頻后的發(fā)送信號(hào)XDP和待復(fù)原的原始發(fā)送信號(hào)XD作為框架的訓(xùn)練數(shù)據(jù).為了彌補(bǔ)信道的影響以及減少DNN的輸入數(shù)量,利用ZF均衡器[13]將Y和XDP進(jìn)行....

圖4 不同層數(shù)下的DNN模型性能比較

圖4比較了選擇不同的層數(shù)對(duì)DNN模型性能的影響.可以看出在不同層數(shù)情況下,DNN模型的性能均能得到提高,尤其當(dāng)層數(shù)為5時(shí)性能最佳.雖然神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力從理論上講是隨著層數(shù)的增加而提高,但事實(shí)上隨著神經(jīng)網(wǎng)絡(luò)的深入,梯度消失和模型退化等問(wèn)題使得訓(xùn)練DNN變得更具挑戰(zhàn)性.此外,當(dāng)SN....

本文編號(hào)：4014340