[發明專利]一種數據模型雙驅動的GFDM接收機及方法

有效

• 申請號: 201811049894.8
• 申請日: 2018-09-10
• 公開（公告）號: CN109246038B
• 公開（公告）日: 2021-04-20
• 發明（設計）人: 金石;張夢嬌;高璇璇;溫朝凱
• 申請（專利權）人: 東南大學
• 主分類號: H04L25/02
• 分類號: H04L25/02;H04L1/00;H04L1/20;G06N3/08
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 徐瑩

本發明公開了一種數據模型雙驅動的GFDM接收機及方法，方法包括分別得到信道估計和信號檢測神經網絡；將包含發射導頻信息的矩陣和接收的時域導頻向量實數化后的結果作為信道估計神經網絡的輸入，并輸出頻域信道狀態信息的估計；得到等效信道矩陣，并將其和接收的時域信號向量實數化后的結果作為信號檢測神經網絡的輸入并輸出為一個GFDM符號的估計；建立解映射神經網絡，將信號檢測神經網絡所輸出一個GFDM符號的估計作為輸入，輸出就作為原始比特信息的估計；將解映射網絡的輸出與設定門限的大小進行判決，根據判決結果輸出原始比特信息的檢測結果。本發明具有訓練參數不隨數據維度變化、訓練速度快并且對不同信道環境適應能力強的優點。

技術領域

本發明涉及一種數據模型雙驅動的GFDM接收機及方法，屬于無線通信技術領域。

背景技術

深度學習是人工神經網絡的一個分支，最初的模型就是具有深度網絡結構的人工神經網絡。深度學習在2006年之后獲得了學術界和工業界的高度關注，應用領域從最初的圖像和語音識別擴展到自然語言處理、計算機視覺、大數據特征提取和搜索等領域。而長期以來，通信系統的設計和分析都依賴于建立起的各種數學模型。但是在一些場景中，建模的困難性和復雜性使得從業者開始尋找全新的替代方法。近年來，深度學習逐漸應用到無線通信物理層領域，幫助解決通信系統中的一些問題。該領域的研究處于探索階段，研究的重點主要停留在將神經網絡當做黑盒子，訓練難度大，難以實際使用。

4G時代，OFDM是應用最廣泛最成功的多載波調制技術。但是，OFDM無法應對5G時代的各種典型場景提出的挑戰。OFDM需要的嚴格同步使得要求低功耗的機器類型通信(MTC)無法負擔，高帶外泄露使得動態頻譜接入面臨巨大挑戰，不靈活的波形無法根據不同場景進行調整。為了應對這些挑戰，廣義頻分復用(GFDM)作為一種非正交多載波調制方法獲得了廣泛的關注。

發明內容

本發明所要解決的技術問題在于克服現有技術的不足，提供一種數據模型雙驅動的GFDM接收機及方法，解決現有GFDM接收機單一的數據驅動網絡訓練難度大和適應性差的問題，將通信領域先進的迭代算法應用在基于深度學習的GFDM接收機設計中，實現數據模型雙驅動。

本發明具體采用以下技術方案解決上述技術問題：

一種數據模型雙驅動的GFDM接收機，包括：

信道估計模塊，用于利用深度學習的神經網絡對正交消息傳遞算法作為基礎的通信知識模型中的迭代參數進行優化訓練，得到信道估計神經網絡；及將包含發射導頻信息的矩陣X_p和接收的時域導頻向量y_p實數化后的結果作為信道估計神經網絡的輸入，并由信道估計神經網絡輸出頻域信道狀態信息的估計

信號檢測模塊，用于利用深度學習的神經網絡對正交消息傳遞算法作為基礎的通信知識模型中的迭代參數進行優化訓練，得到信號檢測神經網絡；及根據頻域信道狀態信息的估計得到復數時域循環信道矩陣及結合GFDM調制矩陣G得到等效信道矩陣H_equ，并將等效信道矩陣H_equ和接收的時域信號向量y_d實數化后的結果作為信號檢測神經網絡的輸入并輸出為一個GFDM符號的估計建立解映射神經網絡，將信號檢測神經網絡所輸出一個GFDM符號的估計作為輸入，輸出就作為原始比特信息的估計將解映射神經網絡的輸出與設定門限的大小進行判決，根據判決結果輸出原始比特信息的檢測結果

進一步地，作為本發明的一種優選技術方案：所述信道估計神經網絡和解映射神經網絡的損失函數均定義為均方誤差損失函數。

進一步地，作為本發明的一種優選技術方案：所述信道估計神經網絡中，均方誤差損失函數均方誤差損失函數為：

其中，N是一個GFDM數據塊中總符號數，h是真實的頻域信道向量；是頻域信道狀態信息的估計對應的復數向量。