【技術實現步驟摘要】
本專利技術涉及無線通信，具體為一種適用于ofdm-im的深度學習檢測方法。
技術介紹
1、當前，隨著智能手機、高性能計算機、智能機器人等智能硬件設備的飛速發展與普及，人工智能技術已經應用到日常生活的各個方面，而深度學習在計算機視覺、自然語言處理、語音識別和軌跡預測等領域同樣取得了巨大成功。在ofdm(正交頻分復用技術)系統中，索引調制(im)作為一種新穎的調制方式,通過索引號可以攜帶額外的信息，融合了深度學習的方法實現了更高效的數據傳輸和處理。
2、ofdm技術作為一種高效的無線通信技術，在當今的通信系統中得到了廣泛的應用。與傳統的調制方式相比，ofdm技術具有抗多徑衰落、高頻譜利用率等優勢，使其在高速數據傳輸中表現出色。而在ofdm系統中，im作為一種新穎的調制方式，引起了學術界和工業界的廣泛關注。im通過調節子載波的索引來攜帶信息，與傳統的調制方式相比，具有更高的頻譜效率和更低的功耗。
3、其中，信號檢測作為ofdm-im系統中至關重要的一環，直接影響了系統的通信質量和性能穩定性。可以將現有的工作分為基于傳統方法和基于深度學習的方法。基于傳統方法的信號檢測通常依賴于經驗模型和數學推導，例如最大似然檢測(mld)、線性檢測(ld)、子載波索引檢測(sid)等。這些方法在特定場景下可能表現良好，但在面對復雜的信道環境和高速數據傳輸時，往往存在性能下降、計算復雜度高等問題，相比之下，基于深度學習的信號檢測方法通過訓練深度神經網絡(transformer)，直接從數據中學習信號的特征和模式，具有更好的適應性和
4、現有技術：在傳統方面，從2013年起，提出了ofdm-im技術，該技術利用最大似然(ml)對數似然比(llr)等手工特征進行解碼端工作。隨著ofdm-im技術的出現，其已成為研究熱點。在此基礎上，又提出了ztm-ofdm-im(ztm為零信任模型)，實現了高頻譜和能量效率，盡管其llr檢測相對于ml檢測有輕微性能損失，但顯著降低了復雜度。同時，有人提出了dm-ofdm-cpa，通過帶星座功率分配改善了低階調制的系統性能，仿真結果表明其優于現有的ofdm-im方案。另外，還有人提出了簡化的llr計算算法，以接近最優的編碼誤比特率性能，并具有較低的計算復雜度，解決了在ofdm-im系統中降低復雜度同時保持性能的挑戰。
5、最近，還有人引入了帶有noma用戶的雙模式ofdm-im技術，突出了所提出和現有的ofdm-im?noma技術的計算復雜度。雖然這些技術取得了一定進展，但仍然存在著一些不足之處，部分技術在降低復雜度的同時可能導致性能損失，而其他技術盡管成功降低了計算復雜度，但在特定調制方案下的適用性有限。此外，尚需進一步驗證這些技術在實際應用中的性能和穩定性，因此ofdm-im方法還有較大的改進空間。
6、在深度學習方面，基于深度神經網絡在目標檢測方面具有良好的實現效果，并能夠以較少的時間花費換取大幅度的準確率提升。現有技術引入了一種新穎的基于深度學習的ofdm-im系統檢測器deepim，采用深度神經網絡來恢復數據位。基于上述，通過引入基于復雜深度神經網絡(c-dnn)和復雜卷積神經網絡(c-cnn)的方法，進一步增強了ofdm-im系統中的信號檢測，以減少復雜度并提高性能，針對mimo-ofdm-im系統提出了一種變分自編碼器(vae)信號檢測方法，強調了變分優化框架的構建。此外，最近的研究重點放在特定的ofdm-im變體上。有人為雙模ofdm-im系統引入了一種基于深度學習的檢測器deepdm，結合了卷積神經網絡(cnn)和深度神經網絡(dnn)，以獲得最佳的誤碼性能和低計算復雜度。
7、transformer作為一種強大的序列建模工具，具有良好的適應性和泛化能力，在信號檢測領域也展現出了巨大潛力。通過transformer模型，可以有效地捕捉信號之間的時序關系和依賴關系，實現對ofdm-im系統中信號的準確檢測和解調。此外，transformer模型的并行計算能力和可擴展性，也為大規模數據處理和實時通信提供了技術支持，并能夠以較少的時間花費換取大幅度的準確率提升，顯然通過深度學習的方法來解決ofdm-im的問題已經成為一種新趨勢。
8、現在現有技術中，傳統的ofdm-im方法在解碼端工作中利用最大似然對數似然比等手工特征，取得了一定成就，但往往面臨性能與計算復雜度之間的折衷，適用性受到調制方案限制，并需要進一步驗證在實際應用中的性能和穩定性；而基于深度學習的ofdm-im系統檢測方法表現出了良好的潛力，但需要大量標注數據和計算資源，缺乏可解釋性，且在特定變體下的適用性和性能尚需進一步研究。需要尋找一種新方法以解決性能與復雜度的折衷、提高通用性和適應性，同時利用深度學習的特征學習和模式識別能力。
技術實現思路
1、本專利技術的目的在于提供一種適用于ofdm-im的深度學習檢測方法，以解決上述
技術介紹
中提出的問題。
2、為實現上述目的，本專利技術提供如下技術方案：一種適用于ofdm-im的深度學習檢測方法，包括如下步驟：
3、s1、基于transformer模型，采用了lstm作為編碼的輸入層，以應對輸入為非整數的詞嵌入層的需求；
4、s2、為了適應transformer模型的輸入要求，將接收端收到的信息和實際信息進行一一對應作為序列，并在每個序列的開頭和結尾添加特殊的開始和結束標識符；
5、s3、在transformer模型訓練階段，通過將經過預處理的數據輸入到transformer模型中，得到數據的深層特征信息；
6、s4、利用模型進行實際數據的預測，將原本的分類問題，轉化成預測問題，通過模型的迭代輸出，發揮transformer的模型特性；
7、在發送端，信息比特序列u，經過調制產生發送符號序列x，序列u表示序列u的一個區塊，把它映射到n個編碼頻域符號的向量中，表示為x＝[x0，…，xn-1]t。假設我們有理想的信道估計(csi)，其它的做法與現有無線通信做法是一致的，于是對于每一個ofdm符號，接收向量為：y＝fhtfhx+fw；
8、其中y，x和w分別對應于單個ofdm符號子塊的y,x和w。f表示大小為n的dft矩陣。ht是時域信道矩陣。向量w表示時域加性白噪聲(awgn)向量，且服從均值為0方差為σ2的復高斯分布。
9、在任意組β的索引調制中，涉及二維信號星座和索引星座，索引星座用來選擇激發的子載波，在信號星座中有星座點，其中ns是一個信號所攜帶的比特數，發送的信號向量如下：
10、sβ＝[sβ，0，…，sβ,na-1],sβ，γ∈s，β＝0，…，g-1，γ＝0，…，na-1；
11、索引星座i由2na布爾向量組成iβ＝(iβ,0,··，iβ，m-1)∈0,1m；
12、其中漢明本文檔來自技高網...
【技術保護點】
1.一種適用于OFDM-IM的深度學習檢測方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種適用于OFDM-IM的深度學習檢測方法，其特征在于：在使用模型之前，隨機生成P0比特的各種傳輸序列b0，序列b0在二維OFDM-IM系統的發送端，經過索引選擇和信號調制之后得到發送端向量x0，表示為x0＝fOFDM-IM(b0)，其中fOFDM-IM表示IM的映射方式；
3.根據權利要求1所述的一種適用于OFDM-IM的深度學習檢測方法，其特征在于：在Transformer模型的接收端得到發送的信道H，通過迫零算法得到經過迫零后的結果記為y1，同時將y1進行取模的平方，得到結果記為y2，輸入模型的數據z0＝y1?cat?y2，cat表示兩個矩陣想同緯度進行行拼接。
4.根據權利要求1所述的一種適用于OFDM-IM的深度學習檢測方法，其特征在于：采用QPSK調制，在單獨的看每4個子載波的情況下，即每次有6個bits被發送，其中前兩個bits被用于選擇激活的子載波，后4個bits則使用正常的調制方式進行發送，在接收端則接收到4個符號數據，即y1為
5.根據權利要求1所述的一種適用于OFDM-IM的深度學習檢測方法，其特征在于：S2中，sc1r到sc4i分別表示四個子載波的實部和虛部，|sc1|2到|sc4|2分別表示四個子載波模的平方；
6.根據權利要求5所述的一種適用于OFDM-IM的深度學習檢測方法，其特征在于：在Transformer模型訓練階段，Transformer模型的輸入為(z，bin)模型的答案標簽為bout；
7.根據權利要求1所述的一種適用于OFDM-IM的深度學習檢測方法，其特征在于：在Transformer模型訓練階段，輸入原始數據，經過預處理之后，得到三個輸出，其中z直接進入編碼層，學習特征信息，bin則進入解碼器，在學習階段知道答案，然后經過線性層再進行softmax和計算交叉熵損失。
...【技術特征摘要】
1.一種適用于ofdm-im的深度學習檢測方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種適用于ofdm-im的深度學習檢測方法，其特征在于：在使用模型之前，隨機生成p0比特的各種傳輸序列b0，序列b0在二維ofdm-im系統的發送端，經過索引選擇和信號調制之后得到發送端向量x0，表示為x0＝fofdm-im(b0)，其中fofdm-im表示im的映射方式；
3.根據權利要求1所述的一種適用于ofdm-im的深度學習檢測方法，其特征在于：在transformer模型的接收端得到發送的信道h，通過迫零算法得到經過迫零后的結果記為y1，同時將y1進行取模的平方，得到結果記為y2，輸入模型的數據z0＝y1?cat?y2，cat表示兩個矩陣想同緯度進行行拼接。
4.根據權利要求1所述的一種適用于ofdm-im的深度學習檢測方法，其特征在于：采用qpsk調制，在單獨的看每4個子載波的情況下，即每次有6個bits被發送，其中前兩個bits被用于選擇激活的子載波，后4個bit...
【專利技術屬性】
技術研發人員：王磊軍，童子安，王寬，謝晉發，黎嘉文，曾憲賢，陳榮軍，呂巨建，
申請(專利權)人：廣東技術師范大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。