
本说明书的实施例涉及无线通信,尤其涉及一种ofdm系统接收机模型的训练方法。
背景技术:
1、无线通信是利用电磁波信号在自由空间中传播的特性进行信息交换的一种通信方式,在无线通信系统中发送机和接收机是至关重要的组成部分,发送机将基带信号转换为适合在无线信道中传输的射频信号,转化过程具体涉及到信号的调制、上变频、功率放大和滤波等操作;接收机接收无线信道中的射频信号,通过信号的接收、解调、下变频、滤波等还原发送机发送的信号。在实际的无线通信场景中,无线通信系统的性能可能受到多径信道衰落、多普勒频移、射频损伤和噪声等多种非理想因素影响,因此接收机需要对信号进行复杂的处理分析,尽可能去除干扰因素,恢复发送机发送的信号数据。传统的物理层接收机通常采用串行的信号处理方法,信号处理模块中的残差可能会影响后续模块的优化,导致误差积累,无法保证整个系统的性能;且传统的通过严格数学建模的信道模型无法自适应学习信道的变化来反应实际的通信环境,计算复杂度和计算量较大。
技术实现思路
1、本说明书的实施例提供了一种ofdm系统接收机模型的训练方法,旨在解决上述问题以及其他潜在的问题中的一个或多个。
2、为实现上述目的,提供以下技术方案:
3、本说明书提供了一种ofdm系统接收机模型的训练方法,方法包括:
4、获取参数初始化的信号检测模型和信道均衡模型,获取训练集数据和测试集数据;其中,所述训练集数据和所述测试集数据包括ofdm通信系统的发送信号和接收信号;所述信号检测模型用于恢复带噪声的畸变信号,所述信道均衡模型用于信道估计与均衡,所述信号检测模型和所述信道均衡模型均基于复值神经网络构建;
5、所述信号检测模型基于所述训练集数据进行训练,直到所述信号检测模型的损失函数收敛,所述信号检测模型训练完成;将训练好的所述信号检测模型级联到所述信道均衡模型上得到ofdm系统接收机模型,所述信号检测模型的输入为所述信道均衡模型的输出;
6、所述ofdm系统接收机模型基于所述训练集数据进行训练,训练过程中更新所述信道均衡模型的参数,直到所述ofdm系统接收机模型的损失函数收敛,所述ofdm系统接收机模型训练完成;
7、其中,所述ofdm系统接收机模型的输入为ofdm通信系统的接收信号,输出为ofdm系统的预测发送信号。
8、本说明书实施例的ofdm系统接收机模型的训练方法,所述信道均衡模型用于挖掘信道的时频特征以实现准确的信道估计与均衡,降低衰落信道的影响;所述信号检测模型用于恢复信道均衡模型输出的带噪声的畸变信号,提高整个模型的适应性。所述信号检测模型单独训练后再与所述信道检测模型组合训练,保障信号处理过程中各个功能实现的稳定性和可靠性。同时两个模型基于复值神经网络构建,相比实值神经网络可以直接处理复值数据,网络规模小,运算能力较强稳定性较高,能更地的学习信道变化,保障信号恢复的精确性。
9、在一些实施例中,所述信号检测模型的损失函数和所述ofdm系统接收机模型的损失函数均为二元交叉熵损失和正则化损失的加权和。
10、在一些实施例中,所述信号检测模型和所述ofdm系统接收机模型训练时均采用adam优化算法更新模型参数。
11、在一些实施例中,所述信号检测模型包括预处理模块、特征提取模块和分类模块;所述预处理模块将所述信道均衡模型的输出转化为三维复值张量,并将所述三维复值张量输入所述特征提取模块;所述特征提取模块包括一维复值卷积层、第一激活函数层和复值全连接层,提取所述三维复值张量中的样本特征;所述分类模块将提取到的所述样本特征转换为比特流信号作为所述ofdm系统的预测发送信号。
12、在一些实施例中,所述特征提取模块还包括二维卷积层和第二激活函数层,提取所述三维复值张量中的样本特征,包括:将所述三维复值张量依次输入所述一维复值卷积层、所述复值全连接层和所述第一激活函数层,所述第一激活函数层的输出再次依次输入所述复值全连接层和所述第一激活函数层,提取得到复值局部特征;将所述复值局部特征输入二维卷积层和所述第二激活函数层,得到实值局部特征;将所述复值局部特征和所述实值局部特征进行深度特征融合得到特征图,对所述特征图进行特征提取得到所述样本特征。
13、在一些实施例中,所述第一激活函数层和所述第二激活函数层使用leaky relu函数作为激活函数。
14、在一些实施例中,所述信道均衡模型包括时频变换模块、信道均衡模块和信号恢复模块;所述时频变换模块用于将所述ofdm通信系统的接收信号转化为频域信号;所述信道均衡模块包括若干层复值全连接层,将所述频域信号张量降维后输入若干层复值全连接层中,依次对所述频率信号进行导频信号信道估计、信道插值和整个相干时隙的信道估计,然后将估计出的信道张量进行四维拉伸后输入二维复值卷积层进行处理;所述信号恢复模块用于基于所述信号均衡模块的输出信号进行信号恢复。
15、在一些实施例中,所述时频变换模块包括flatten层、复值全连接层、一维复值卷积层,所述ofdm系统的接收信号通过flatten层降维后输入所述复值全连接层,所述复值全连接层的输出进行四维拉伸后再输入所述一维复值卷积层,输出所述频域信号。
16、在一些实施例中,所述信号恢复模块包括残差网络、两个一维复值卷积层和复值全连接层,所述残差模块用于获取所述信号均衡模块的输出信号,将所述残差网络的输出信号和其自相关函数分别输入两个所述一维复值卷积层,将两个所述一维复值卷积层的输出进行深度特征融合,得到特征图;将所述特征图张量降维后输入所述复值全连接层,所述复值全连接层的输出作为所述信道均衡模型的输出。
17、在一些实施例中,使用所述测试集数据对训练好的所述ofdm系统接收机模型进行ber测试,ber高于ber阈值时重新训练所述信号检测模型和所述ofdm系统接收机模型,直到ber低于ber阈值或训练迭代次数达到阈值。
技术特征:1.一种ofdm系统接收机模型的训练方法,其特征在于,方法包括:
2.根据权利要求1所述的方法,其特征在于,所述信号检测模型的损失函数和所述ofdm系统接收机模型的损失函数均为二元交叉熵损失和正则化损失的加权和。
3.根据权利要求2所述的方法,其特征在于,所述信号检测模型和所述ofdm系统接收机模型训练时均采用adam优化算法更新模型参数。
4.根据权利要求3所述的方法,其特征在于,所述信号检测模型包括预处理模块、特征提取模块和分类模块;所述预处理模块将所述信道均衡模型的输出转化为三维复值张量,并将所述三维复值张量输入所述特征提取模块;所述特征提取模块包括一维复值卷积层、第一激活函数层和复值全连接层,提取所述三维复值张量中的样本特征;所述分类模块将提取到的所述样本特征转换为比特流信号作为所述ofdm系统的预测发送信号。
5.根据权利要求4所述的方法,其特征在于,所述特征提取模块还包括二维卷积层和第二激活函数层,提取所述三维复值张量中的样本特征,包括:将所述三维复值张量依次输入所述一维复值卷积层、所述复值全连接层和所述第一激活函数层,所述第一激活函数层的输出再次依次输入所述复值全连接层和所述第一激活函数层,提取得到复值局部特征;将所述复值局部特征输入二维卷积层和所述第二激活函数层,得到实值局部特征;将所述复值局部特征和所述实值局部特征进行深度特征融合得到特征图,对所述特征图进行特征提取得到所述样本特征。
6.根据权利要求5所述的方法,其特征在于,所述第一激活函数层和所述第二激活函数层使用leaky relu函数作为激活函数。
7.根据权利要求3所述的方法,其特征在于,所述信道均衡模型包括时频变换模块、信道均衡模块和信号恢复模块;所述时频变换模块用于将所述ofdm通信系统的接收信号转化为频域信号;所述信道均衡模块包括若干层复值全连接层,将所述频域信号张量降维后输入若干层复值全连接层中,依次对所述频率信号进行导频信号信道估计、信道插值和整个相干时隙的信道估计,然后将估计出的信道张量进行四维拉伸后输入二维复值卷积层进行处理;所述信号恢复模块用于基于所述信号均衡模块的输出信号进行信号恢复。
8.根据权利要求7所述的方法,其特征在于,所述时频变换模块包括flatten层、复值全连接层、一维复值卷积层,所述ofdm系统的接收信号通过flatten层降维后输入所述复值全连接层,所述复值全连接层的输出进行四维拉伸后再输入所述一维复值卷积层,输出所述频域信号。
9.根据权利要求7所述的方法,其特征在于,所述信号恢复模块包括残差网络、两个一维复值卷积层和复值全连接层,所述残差模块用于获取所述信号均衡模块的输出信号,将所述残差网络的输出信号和其自相关函数分别输入两个所述一维复值卷积层,将两个所述一维复值卷积层的输出进行深度特征融合,得到特征图;将所述特征图张量降维后输入所述复值全连接层,所述复值全连接层的输出作为所述信道均衡模型的输出。
10.根据权利要求1所述的方法,其特征在于,还包括:使用所述测试集数据对训练好的所述ofdm系统接收机模型进行ber测试,ber高于ber阈值时重新训练所述信号检测模型和所述ofdm系统接收机模型,直到ber低于ber阈值或训练迭代次数达到阈值。
技术总结本说明书涉及无线通信技术领域,涉及一种OFDM系统接收机模型的训练方法,包括获取参数初始化的信号检测模型和信道均衡模型,获取训练集数据和测试集数据;信号检测模型和信道均衡模型均基于复值神经网络构建;信号检测模型基于训练集数据进行训练直到信号检测模型的损失函数收敛;将训练好的信号检测模型级联到信道均衡模型上得到OFDM系统接收机模型;OFDM系统接收机模型基于训练集数据进行训练,训练过程中更新信道均衡模型的参数,直到OFDM系统接收机模型的损失函数收敛,OFDM系统接收机模型训练完成。本说明书的方法训练出的模型结合了信号检测和信号估计均衡,数据恢复能力更强预测结果更精确。
技术研发人员:韩会梅,王兴宇,俞李杰,卢为党,黄国兴,张昱
受保护的技术使用者:浙江工业大学
技术研发日:技术公布日:2025/1/23