[發明專利]基于卷積神經網絡的OTFS通信接收機信號處理方法及裝置

在審

• 申請號: 202210979456.1
• 申請日: 2022-08-16
• 公開（公告）號: CN115514596A
• 公開（公告）日: 2022-12-23
• 發明（設計）人: 王斌;袁壯;潘寅飛;鄭仕鏈;周華吉;孫彥景;張育芝;劉洋
• 申請（專利權）人: 西安科技大學
• 主分類號: H04L25/03
• 分類號: H04L25/03;G06N3/08;G06N3/04
• 代理公司: 深圳國海智峰知識產權代理事務所(普通合伙) 44489
• 代理人: 劉軍鋒

本發明公開涉及一種基于卷積神經網絡的OTFS通信接收機信號處理方法及裝置，該方法包括：在OTFS通信系統的發射端，獲取OTFS發射機產生的訓練數據集；通過該訓練數據集對深層卷積神經網絡進行訓練，得到訓練好的OTFS接收機信號處理模型；將接收機接收到的信號作為OTFS接收機信號處理模型的輸入；根據該OTFS接收機信號處理模型的輸出，獲取處理后的接收信號。能夠以較低的誤碼率恢復信息，恢復接收機接收到的信號，提高無線通信的可靠性。

技術領域

本發明公開涉及無線通信技術領域，具體地，涉及一種基于卷積神經網絡的OTFS通信接收機信號處理方法及裝置。

背景技術

隨著高速公路和高鐵的大規模建設和部署，以及自動駕駛技術的日益普及。車聯網(IoV)作為第五代(5G)移動通信技術關鍵應用場景之一，已成為用戶未來不可缺少的需求。然而，廣泛應用于5G移動通信系統的正交頻分復用(OFDM)對高多普勒頻移效應非常敏感，這使得OFDM在快速時變信道下的性能較差，難以滿足未來車聯網系統日益增長的需求。為了解決高速移動場景下車聯網系統的低延遲、高可靠性通信問題。正交時頻空間(OTFS)這是一種適合用于雙色散衰落信道的二維調制技術。同時，OTFS可以在OFDM的基礎之上實現，即通過添加額外的預處理和后處理模塊兼容長期演進(long Term Evolution,LTE)架構。

目前，基于深度學習的邊緣計算在車聯網資源調度和負載均衡中發揮著重要作用。然而，一方面基于車聯網的邊緣計算中，深度學習的研究大多停留在網絡層。另一方面，對于車聯網物理層通信的研究，大多采用深度學習對各個通信模塊的性能進行優化，但是通信系統各模塊的局部最優并不是接收機的整體性能最優。

因此，本領域人員亟需尋找一種新型技術方案來解決上述的問題。

發明內容

為克服相關技術中存在的問題，本發明公開提供一種基于卷積神經網絡的OTFS通信接收機信號處理方法及裝置。

根據本發明公開實施例的第一方面，提供一種基于卷積神經網絡的OTFS通信接收機信號處理方法，所述方法包括：

在OTFS通信系統的發射端，獲取OTFS發射機產生的訓練數據集；

通過所述訓練數據集對深層卷積神經網絡進行訓練，得到訓練好的OTFS接收機信號處理模型；

將接收機接收到的信號作為OTFS接收機信號處理模型的輸入；

根據所述OTFS接收機信號處理模型的輸出，獲取處理后的接收信號。

可選的，所述將接收機接收到的信號作為OTFS接收機信號處理模型的輸入，包括：

將接收機接收到的信號在預設的直角坐標系中進行映射，獲取IQ信號的實部Re(r)和虛部Im(r)；

將所述IQ信號的實部Re(r)和虛部Im(r)作為OTFS接收機信號處理模型的輸入。

可選的，所述方法還包括：

所述訓練數據集為：

確定損失函數為：

其中，N_B為小批量所含樣品數量，T_ni為第n個樣本的第i個類別上的真實標簽，P_ni是第n個樣本的第i個類別的輸出概率。

可選的，在所述將接收機接收到的信號作為OTFS接收機信號處理模型的輸入之后，所述方法包括：

通過淺層特征提取層提取所述OTFS接收機信號處理模型的輸入中的淺層特征，其中，所述淺層特征提取層包含三個卷積層、一個批處理歸一化層和一個ReLU激活層；