-
公开(公告)号：CN111404852A
公开(公告)日：2020-07-10
申请号：CN202010138848.6
申请日：2020-03-03
申请人： 西安电子科技大学
摘要： 本发明涉及一种基于振幅和频谱幅度特征的调制方式识别方法，具体步骤如下：1、获取样本：接收端接收N条样本信号并分别进行处理，获取到N个行向量H和N个标签；行向量H的获取方法为：接收端对信号进行采样处理得到离散序列，提取离散序列的振幅得到行向量A；对离散序列进行傅里叶变换得到频谱序列，提取频谱序列的幅度得到行向量FFT；横向合并行向量A和行向量FFT得到行向量H；标签的获取方法为：应用one-hot编码法则将信号的调制方式编码，得到标签；将N个行向量H和N个标签组成样本；2、构建一维卷积神经网络；3、采用样本训练一维卷积神经网络；4、应用训练好的一维卷积神经网络识别信号的调制方式；本发明的识别准确率高﹑抗噪性能好﹑鲁棒性强。
-
公开(公告)号：CN111510402A
公开(公告)日：2020-08-07
申请号：CN202010171978.X
申请日：2020-03-12
申请人： 西安电子科技大学
摘要： 本发明公开了一种基于深度学习的OFDM信道估计方法，主要解决现有技术信道估计质量差或实现复杂度太高的问题。其方案为：在接收端，获取时域信号y并进行预处理，得到接收信号导频位置的频域信号YP；利用全连接层神经网络搭建信道估计模型CE-Net，并对其训练；利用现实环境的数据进行迁移训练；将CE-Net置于接收端，用于线上的信道估计。本发明降低了信道估计的实现复杂度，显著地提高了信道估计质量，可用于梳状导频模式下的OFDM通信系统。
-
公开(公告)号：CN109672464A
公开(公告)日：2019-04-23
申请号：CN201811523523.9
申请日：2018-12-13
申请人： 西安电子科技大学
IPC分类号： H04B7/0417 , H04B7/06 , H04B7/0456 , G06N3/04 , H04B7/08
摘要： 本发明公开了一种基于FCFNN的大规模MIMO信道状态信息反馈方法，主要解决现有技术反馈开销过大及信道反馈质量差的问题。其方案为：在用户端，将空频域的下行信道矩阵进行二维离散傅里叶变换及截断处理转换为信道矩阵H；搭建包含编码器与解码器的信道反馈模型，并对其进行训练；将训练好的编码器与解码器分别置于用户端和基站端；用户端将信道矩阵H输入到编码器以获得压缩矢量h，并反馈到基站；基站将h输入到解码器获得重构的信道矩阵；对重构的信道矩阵补零及做二维离散傅里叶逆变换，得到原始空频域信道矩阵。本发明降低了信道状态信息的反馈开销，显著地提高了信道重建质量，可用于频分双工模式下的大规模多输入多输出通信系统。
-
公开(公告)号：CN111368979A
公开(公告)日：2020-07-03
申请号：CN202010149663.5
申请日：2020-03-06
申请人： 西安电子科技大学
摘要： 本发明涉及一种MIMO-OFDM系统PAPR抑制方法,含有以下步骤：1．使用卷积神经网络和全连接前馈神经网络构建自编码器模型；2．构造代价函数并使用样本数据集对该模型的编码器和译码器进行线下联合训练，使代价函数最小化，分别得到编码器和译码器的反馈模型参数；将反馈模型参数分别输入到编码器和译码器中，得到训练好的自编码器模型；3.将训练好的自编码器模型应用于MIMO-OFDM系统中，完成对PAPR的抑制；本发明降低了MIMO-OFDM系统因采用PAPR抑制算法带来的延迟，在保证了误码率性能的前提下显著提高了PAPR性能，而无需传输任何额外边带信息；系统计算复杂度低，效率高。
-
公开(公告)号：CN110163282A
公开(公告)日：2019-08-23
申请号：CN201910430613.1
申请日：2019-05-22
申请人： 西安电子科技大学
摘要： 本发明提出了一种基于深度学习的调制方式识别方法，用于解决现有技术存在的识别准确率低的问题，实现步骤为：(1)获取训练集和测试集；(2)搭建神经网络NNs；(3)基于信噪比将训练集划分为多个子训练集，用子训练集分别训练神经网络NNs，得到多个训练好的神经网络；(4)评估待测调制信号的信噪比snr，根据snr所在的区间选取适用的训练好的神经网络，识别待测调制信号的调制方式。本发明神经网络NNs在训练时，能够准确发现各个子训练集的样本数据和样本标签的内在联系和规律，增强神经网络NNs的学习效果，提高识别准确率，同时实现基于信噪比的自适应调制方式识别。可用于非协作通信中调制方式的识别等领域。
-
公开(公告)号：CN111368979B
公开(公告)日：2023-03-28
申请号：CN202010149663.5
申请日：2020-03-06
申请人： 西安电子科技大学
IPC分类号： G06N3/0455 , G06N3/0464 , G06N3/063 , G06N3/08
摘要： 本发明涉及一种MIMO‑OFDM系统PAPR抑制方法,含有以下步骤：1．使用卷积神经网络和全连接前馈神经网络构建自编码器模型；2．构造代价函数并使用样本数据集对该模型的编码器和译码器进行线下联合训练，使代价函数最小化，分别得到编码器和译码器的反馈模型参数；将反馈模型参数分别输入到编码器和译码器中，得到训练好的自编码器模型；3.将训练好的自编码器模型应用于MIMO‑OFDM系统中，完成对PAPR的抑制；本发明降低了MIMO‑OFDM系统因采用PAPR抑制算法带来的延迟，在保证了误码率性能的前提下显著提高了PAPR性能，而无需传输任何额外边带信息；系统计算复杂度低，效率高。
-
公开(公告)号：CN110163282B
公开(公告)日：2022-12-06
申请号：CN201910430613.1
申请日：2019-05-22
申请人： 西安电子科技大学
摘要： 本发明提出了一种基于深度学习的调制方式识别方法，用于解决现有技术存在的识别准确率低的问题，实现步骤为：(1)获取训练集和测试集；(2)搭建神经网络NNs；(3)基于信噪比将训练集划分为多个子训练集，用子训练集分别训练神经网络NNs，得到多个训练好的神经网络；(4)评估待测调制信号的信噪比snr，根据snr所在的区间选取适用的训练好的神经网络，识别待测调制信号的调制方式。本发明神经网络NNs在训练时，能够准确发现各个子训练集的样本数据和样本标签的内在联系和规律，增强神经网络NNs的学习效果，提高识别准确率，同时实现基于信噪比的自适应调制方式识别。可用于非协作通信中调制方式的识别等领域。
-
公开(公告)号：CN109672464B
公开(公告)日：2021-09-03
申请号：CN201811523523.9
申请日：2018-12-13
申请人： 西安电子科技大学
IPC分类号： H04B7/0417 , H04B7/06 , H04B7/0456 , G06N3/04 , H04B7/08
摘要： 本发明公开了一种基于FCFNN的大规模MIMO信道状态信息反馈方法，主要解决现有技术反馈开销过大及信道反馈质量差的问题。其方案为：在用户端，将空频域的下行信道矩阵进行二维离散傅里叶变换及截断处理转换为信道矩阵H；搭建包含编码器与解码器的信道反馈模型，并对其进行训练；将训练好的编码器与解码器分别置于用户端和基站端；用户端将信道矩阵H输入到编码器以获得压缩矢量h，并反馈到基站；基站将h输入到解码器获得重构的信道矩阵；对重构的信道矩阵补零及做二维离散傅里叶逆变换，得到原始空频域信道矩阵。本发明降低了信道状态信息的反馈开销，显著地提高了信道重建质量，可用于频分双工模式下的大规模多输入多输出通信系统。
-
公开(公告)号：CN111510402B
公开(公告)日：2021-08-27
申请号：CN202010171978.X
申请日：2020-03-12
申请人： 西安电子科技大学
摘要： 本发明公开了一种基于深度学习的OFDM信道估计方法，主要解决现有技术信道估计质量差或实现复杂度太高的问题。其方案为：在接收端，获取时域信号y并进行预处理，得到接收信号导频位置的频域信号YP；利用全连接层神经网络搭建信道估计模型CE‑Net，并对其训练；利用现实环境的数据进行迁移训练；将CE‑Net置于接收端，用于线上的信道估计。本发明降低了信道估计的实现复杂度，显著地提高了信道估计质量，可用于梳状导频模式下的OFDM通信系统。
-
公开(公告)号：CN111404852B
公开(公告)日：2021-04-13
申请号：CN202010138848.6
申请日：2020-03-03
申请人： 西安电子科技大学
摘要： 本发明涉及一种基于振幅和频谱幅度特征的调制方式识别方法，具体步骤如下：1、获取样本：接收端接收N条样本信号并分别进行处理，获取到N个行向量H和N个标签；行向量H的获取方法为：接收端对信号进行采样处理得到离散序列，提取离散序列的振幅得到行向量A；对离散序列进行傅里叶变换得到频谱序列，提取频谱序列的幅度得到行向量FFT；横向合并行向量A和行向量FFT得到行向量H；标签的获取方法为：应用one‑hot编码法则将信号的调制方式编码，得到标签；将N个行向量H和N个标签组成样本；2、构建一维卷积神经网络；3、采用样本训练一维卷积神经网络；4、应用训练好的一维卷积神经网络识别信号的调制方式；本发明的识别准确率高﹑抗噪性能好﹑鲁棒性强。
-
-
-
-
-
-
-
-
-
搜索结果
10 条记录 (耗时 0.025 秒)
