為了提高正交頻分復(fù)用(OFDM)無線通信系統(tǒng)的信號檢測能力,提出了一種基于深度學(xué)習(xí)(DL)算法的信號檢測框架來代替系統(tǒng)信號檢測模塊.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)頻符號和數(shù)據(jù)符號作為訓(xùn)練數(shù)據(jù),為訓(xùn)練階段提供良好的初始參數(shù);最后在線信號檢測通過加載離線訓(xùn)練獲得的最優(yōu)參數(shù)進(jìn)行信號檢測.實驗結(jié)果表明:當(dāng)信噪比(SNR)為25 dB時,無預(yù)訓(xùn)練階段和無ZF均衡器的框架性能相對于完整的DL信號檢測框架性能分別損失了2和4 dB;在導(dǎo)頻符號數(shù)目減少和無循環(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框架能更好地檢測信號并具有較強的魯棒性.

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1 OFDM發(fā)送符號結(jié)構(gòu)

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

圖2 DNN的基本結(jié)構(gòu)

DNN由一個輸入層、L-2個隱層和一個輸出層組成,如圖2所示,每一層由多個神經(jīng)元組成,每個神經(jīng)元將各個輸入與相應(yīng)權(quán)重相乘,再加上偏置,最后通過非線性激活函數(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的信號檢測框架

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)頻符號和數(shù)據(jù)符號在內(nèi)的所有OFDM系統(tǒng)信息,將接收信號Y、插入導(dǎo)頻后的發(fā)送信號XDP和待復(fù)原的原始發(fā)送信號XD作為框架的訓(xùn)練數(shù)據(jù).為了彌補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,但事實上隨著神經(jīng)網(wǎng)絡(luò)的深入,梯度消失和模型退化等問題使得訓(xùn)練DNN變得更具挑戰(zhàn)性.此外,當(dāng)SN....

本文編號：4014340