隨著人工智能領(lǐng)域理論與技術(shù)的發(fā)展以及硬件水平的不斷提高,近年來(lái),深度學(xué)習(xí)逐步應(yīng)用于無(wú)線通信系統(tǒng)的各個(gè)層面。基于深度學(xué)習(xí)的無(wú)線通信接收系統(tǒng),能夠直接從大量給定樣本與標(biāo)簽中,學(xué)習(xí)到樣本的分布,從接收到的信號(hào)中提取信道特征,通過逐層的特征變化最終恢復(fù)出發(fā)送符號(hào)。避免了復(fù)雜的參數(shù)估計(jì)過程,并且從傳統(tǒng)的通信收發(fā)過程中逐模塊的局部?jī)?yōu)化轉(zhuǎn)向系統(tǒng)全局優(yōu)化,體現(xiàn)出了極大的潛力。在很多通信場(chǎng)景中,信號(hào)在經(jīng)過無(wú)線通信信道時(shí),不僅受到高斯白噪聲的影響,還會(huì)伴隨很強(qiáng)的脈沖干擾,如低頻/甚低頻通信系統(tǒng)中的大氣（天電）噪聲、無(wú)線通信網(wǎng)絡(luò)中的共道干擾、雷達(dá)雜波等。以往脈沖噪聲下的信號(hào)接收研究主要針對(duì)純脈沖噪聲的場(chǎng)景,而在真實(shí)的通信場(chǎng)景中不可避免地存在高斯噪聲。針對(duì)脈沖與高斯混合噪聲信道下,噪聲模型復(fù)雜、參數(shù)估計(jì)困難的問題,本論文研究了脈沖與高斯混合噪聲下基于深度學(xué)習(xí)的無(wú)線通信信號(hào)接收技術(shù),通過網(wǎng)絡(luò)訓(xùn)練,回避噪聲建模與參數(shù)估計(jì)過程。論文第一章給出了研究背景和意義,總結(jié)了脈沖噪聲及脈沖與高斯混合噪聲下無(wú)線通信信號(hào)接收技術(shù)的研究現(xiàn)狀,以及深度學(xué)習(xí)在通信領(lǐng)域的應(yīng)用,并對(duì)論文研究?jī)?nèi)容與結(jié)構(gòu)安排進(jìn)行了介紹。論文第二章主要研究混合... 

【文章來(lái)源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：87 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－１不同特征指數(shù)下ＳａＳ分布ＰＤＦ?（ｙ？?＝?０，?，?＝?１，ａ?＝?〇）??７??

?第二拿混合噪聲下蒸寧傳統(tǒng)方法的無(wú)線通信信芎接收???１０°??＇?＇??－??、??ｇ（ｖ）??＼??ｆ（ｖ）??１０＇１?ｒ?Ｖ??１０－２?：?＼??＾?：?Ｖ??１０＇３?ｒ??１〇＇４?：??１〇－５??１?１?１???０?５?１０?１５?２０??ｖ??（ｃ）?ｇ（ｖ）?ｖｓ?ｆ（ｖ）??圖２－３混合噪聲擬合ＰＤＦ與．真實(shí)ＰＤＦ對(duì)比（ｒｓ?＝?ｒｇ?＝０．３７５?＾?＝?１．５?４?＝?０．８１，？＝０．７）??圖２－３展示了?ａ?＝?ｌ．５，廣＝＆?＝０．３７５時(shí)，基于式（２－８）擬合的混合噪聲ＰＤＦ??ｇ（ｖ）與式（２－７沖混合嗓聲＇真實(shí)ＰＤＦ／（ｖ）�？蓽缈闯觯涸诤线m的經(jīng)驗(yàn)參數(shù)ｑ、＆??下，可以很好的擬合／卜）。??２．１．３混合噪聲參數(shù)估計(jì)??■實(shí)際的通信系統(tǒng)中．．，混合噪：聲參數(shù)是未知的．．＊首先要估計(jì)式（２－６）中的參數(shù)ａ、??廠、＆?ｑ?文獻(xiàn)［５１?］提出?了議于經(jīng)驗(yàn)特征函數(shù)（Ｅｍｐｉｒｉｃａｌ?Ｃｈａｒａｃｔｅｒｉｓｔｉｃ?Ｆｕｎｃｔｉｏｎ，?ＥＣＦ?）??的ＳａＳ混合分布糊喿聲參數(shù)估計(jì)方法。由于：贏斯噪聲是《?＝?２時(shí)，ＳａＳ分布．噪聲的??一個(gè)特例，本論文研究的ＳａＳ與畜斯混合噪聲也可以視為《＜０，２；）與《?＝?２的兩個(gè)??ＳａＳ分布混合噪聲，因此可以使用［５０］中的方法進(jìn)行餛合噪聲參數(shù)估計(jì)。??假設(shè)訓(xùn)練數(shù)據(jù)集Ｐ是長(zhǎng)度為ｉ的混合噪聲采樣，定義ＥＣＦ為：??Ｕ－）?＝?＾Ｐ＾?（２－１５）??對(duì)乎對(duì)稱噪聲：＝?估計(jì)的精確度隨著Ｉ的增大而提高，隨＾丨??的增大而降低。式（２－６）可進(jìn)一歩寫成??￥ｖ?（＾）＝ｌｎ?［ｋ?（？

??Ｘ?＝?ｙ—＾——＾?（２－２１）??（Ｃ〇ＳＦ）Ｖ葉?Ｗ??其中，廠在（－；ｒ／２，；ｒ／２；）上服從均勻分布，不是均值為１的指數(shù)分布隨機(jī)數(shù)。??２０?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ??ｆ?９ｎ??邀－２０?＿?＿??－３０?－?－??－４０?－?－??－５０??１?１?１?１?１?１?１?１?１???０?５０?１００?１５０?２００?２５０?３００?３５０?４００?４５０?５００??采樣??圖２－４混合噪聲示例（ａ＝１．５，?／ｓ＝ｌ，??１２??

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的多天線Polar碼聯(lián)合解調(diào)-解碼方案[J]. 楊夢(mèng),侯永宏.  重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(03)
[2]Deep Learning for Wireless Physical Layer: Opportunities and Challenges[J]. Tianqi Wang,Chao-Kai Wen,Hanqing Wang,Feifei Gao,Tao Jiang,Shi Jin.  中國(guó)通信. 2017(11)
[3]水下甚低頻MSK信號(hào)最大似然多符號(hào)差分解調(diào)算法[J]. 岳光榮,劉志特,楊國(guó)勝,王軍.  電子科技大學(xué)學(xué)報(bào). 2016(04)

博士論文
[1]非高斯噪聲下通信信號(hào)接收關(guān)鍵技術(shù)研究[D]. 楊國(guó)勝.電子科技大學(xué) 2018

碩士論文
[1]基于深度神經(jīng)網(wǎng)絡(luò)的無(wú)線通信信號(hào)檢測(cè)算法研究[D]. 嚴(yán)欣.貴州大學(xué) 2018
[2]QPSK神經(jīng)網(wǎng)絡(luò)解調(diào)算法的FPGA實(shí)現(xiàn)研究[D]. 沈越.西安電子科技大學(xué) 2018
[3]基于一維卷積神經(jīng)網(wǎng)絡(luò)的PSK解調(diào)算法研究[D]. 劉宗延.西安電子科技大學(xué) 2018
[4]基于SAE深度學(xué)習(xí)網(wǎng)絡(luò)的MPPSK調(diào)制解調(diào)研究[D]. 張佩云.東南大學(xué) 2017
[5]超奈奎斯特（FTN）速率傳輸?shù)倪f歸神經(jīng)網(wǎng)絡(luò)解調(diào)方法[D]. 左崇彥.東南大學(xué) 2017



本文編號(hào)：2899024