一种基于深度学习的水声正交频分复用通信方法

    公开(公告)号:CN109474352B

    公开(公告)日:2021-07-06

    申请号:CN201811584333.8

    申请日:2018-12-24

    Abstract: 一种基于深度学习的水声正交频分复用通信方法,属于水声通信技术领域。本发明分为两个阶段。首先是基于大量训练数据的训练阶段,通过训练过程将损失函数最小化并调整深度神经网络参数以获取有效的接收系统模型。其次是在线测试阶段,将有效训练的接收系统模型投入实际测试,在不需要明确信道估计及均衡的条件下直接恢复发射信号。与传统的水声通信需进行明确信道估计及均衡不同,深度神经网络可以通过训练来学习处理水声信道造成的复杂失真,直接从接收的信号中恢复原始发射信号;本发明可降低水声通信系统设计复杂度,有效实现水下数据传输;本发明对比于传统水声通信方法,对于导频数据量较少、循环前缀缺失情况下的水生通信具有更好的鲁棒性。

    一种时变双扩信道条件下的高频谱效率的OFDM水声通信方法

    公开(公告)号:CN109743118A

    公开(公告)日:2019-05-10

    申请号:CN201811584348.4

    申请日:2018-12-24

    Abstract: 一种时变双扩信道条件下的高频谱效率的OFDM水声通信方法,属于水声通信技术领域。本发明对接收信号r(k)进行带通滤波,经ADC转换成数字信号,下变频和低通滤波等前端处理后,利用模糊函数法估计平均多普勒,经重采样和频率校正后,对信号多路复用、时域均衡和频域均衡,分集合并后采用OMP-DCD算法进行残余多普勒补偿,采用迭代信号处理技术,通过软入软出映射/解映射、交织器/解交织器将LDPC译码器与均衡器级联,在这两个模块中实现密切的信息交互,充分利用往复传递的软信息,有效抵抗时变双扩信道的干扰。本发明在复杂度和性能方面能较好的折中,高效解决传输过程中严重的符号间干扰、载波间干扰、导频-数据干扰等问题,复杂度低能够在DSP处理器上实时实现。

    一种时变双扩信道条件下的高频谱效率的OFDM水声通信方法

    公开(公告)号:CN109743118B

    公开(公告)日:2021-05-11

    申请号:CN201811584348.4

    申请日:2018-12-24

    Abstract: 一种时变双扩信道条件下的高频谱效率的OFDM水声通信方法,属于水声通信技术领域。本发明对接收信号r(k)进行带通滤波,经ADC转换成数字信号,下变频和低通滤波等前端处理后,利用模糊函数法估计平均多普勒,经重采样和频率校正后,对信号多路复用、时域均衡和频域均衡,分集合并后采用OMP‑DCD算法进行残余多普勒补偿,采用迭代信号处理技术,通过软入软出映射/解映射、交织器/解交织器将LDPC译码器与均衡器级联,在这两个模块中实现密切的信息交互,充分利用往复传递的软信息,有效抵抗时变双扩信道的干扰。本发明在复杂度和性能方面能较好的折中,高效解决传输过程中严重的符号间干扰、载波间干扰、导频‑数据干扰等问题,复杂度低能够在DSP处理器上实时实现。

    基于深度学习的非线性数字自干扰消除的方法

    公开(公告)号:CN109921822A

    公开(公告)日:2019-06-21

    申请号:CN201910122763.6

    申请日:2019-02-19

    Abstract: 基于深度学习的非线性数字自干扰消除的方法,属于5G通信技术领域。为了降低传统非线性干扰对于接收信号的影响,本发明以消除非线性数字自干扰消除模型建立了深度学习网络。本发明的使用分为三个个阶段,首先使用正交载波进行信息调制,产生发射数据。经过同相正交混合器、功率放大器和自干扰信道后得到接收信号。其次基于大量的训练数据进行训练,通过训练过程使定义的损失函数最小并反馈调节整个深度学习网络的随机参数来得到有效的消除非线性数字自干扰的模型。最后,是将产生的训练模型投入实际测试阶段,在不需要信道函数的条件下直接得出非线性数字自干扰功率谱。本发明适用于5G通讯领域。

    一种基于深度学习的水声正交频分复用通信方法

    公开(公告)号:CN109474352A

    公开(公告)日:2019-03-15

    申请号:CN201811584333.8

    申请日:2018-12-24

    Abstract: 一种基于深度学习的水声正交频分复用通信方法,属于水声通信技术领域。本发明分为两个阶段。首先是基于大量训练数据的训练阶段,通过训练过程将损失函数最小化并调整深度神经网络参数以获取有效的接收系统模型。其次是在线测试阶段,将有效训练的接收系统模型投入实际测试,在不需要明确信道估计及均衡的条件下直接恢复发射信号。与传统的水声通信需进行明确信道估计及均衡不同,深度神经网络可以通过训练来学习处理水声信道造成的复杂失真,直接从接收的信号中恢复原始发射信号;本发明可降低水声通信系统设计复杂度,有效实现水下数据传输;本发明对比于传统水声通信方法,对于导频数据量较少、循环前缀缺失情况下的水生通信具有更好的鲁棒性。

Patent Agency Ranking