针对已有的层流信道模型不能直接应用于存在目标的复杂层流信道的问题,提出一种基于模型驱动的信道建模方法.研究了存在目标的层流扩散信道的系统模型,在无目标平流模型的基础上加入参数,考虑层流和目标对接收分子的影响.结合仿真结果,...针对已有的层流信道模型不能直接应用于存在目标的复杂层流信道的问题,提出一种基于模型驱动的信道建模方法.研究了存在目标的层流扩散信道的系统模型,在无目标平流模型的基础上加入参数,考虑层流和目标对接收分子的影响.结合仿真结果,将有目标的复杂层流信道近似为两个稳定的层流信道,建立有目标的点源-接收机层流扩散信道模型.结合神经网络使用Levenberg-Marquardt算法对信道模型参数进行学习和预测,同时提出基于数据和模型驱动结合(combination of data and model driven, CDMD)的检测方法对目标进行检测.结果表明:通过公式数据与仿真数据对比验证了其信道模型的准确性,所有数据的相关系数为0.999 15,该神经网络模型具有可行性;使用神经网络二分类算法验证提出的目标检测方法,检测准确率达到98.8%时,提出的CDMD检测方法所需数据量约为基于数据检测方法的1/6.展开更多
针对正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)接收机解调精度低和计算复杂度高的问题,采用深度学习方法构建了一种新的模型驱动的接收机模型,称为FBLTNet(Fully Connected,Bi-LSTM and Transformer-encoder Neur...针对正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)接收机解调精度低和计算复杂度高的问题,采用深度学习方法构建了一种新的模型驱动的接收机模型,称为FBLTNet(Fully Connected,Bi-LSTM and Transformer-encoder Neural Network)。该模型分为信道估计和信号检测两个部分,其中信道估计以全连接神经网络(Fully Connected Deep Neural Network,FCDNN)替代线性插值,信号检测则使用深度自注意力网络编码器Transformer-encoder和双向长短期记忆网络(Bidirectional Long-Short Term Memory,Bi-LSTM)的组合网络,实现信号的解调和比特流的恢复。在瑞利衰落信道下测试了不同调制方式的接收机性能,结果表明FBLTNet与基于深度学习的接收机以及传统接收机相比,误比特率性能得到了显著的改善;与数据驱动的无线接收机算法相比,线下训练模型收敛时间和测试时间分别减少了33.0%和25%,网络结构参数减少了29.5%。展开更多
针对对数似然比置信传播(log-likelihood ratio belief propagation,LLR BP)译码算法对短码长的低密度奇偶校验(low density parity check code,LDPC)码译码性能差的问题,提出了一种基于LLR BP译码算法的深度神经网络译码器。根据Tanne...针对对数似然比置信传播(log-likelihood ratio belief propagation,LLR BP)译码算法对短码长的低密度奇偶校验(low density parity check code,LDPC)码译码性能差的问题,提出了一种基于LLR BP译码算法的深度神经网络译码器。根据Tanner图构建深度神经网络模型,利用深度学习优化边的权重来缓解短环造成的影响,提升译码性能。此外,网络采用了迁移学习的训练思想并添加批量归一化(batch normalization,BN)层来加快网络收敛。仿真结果表明,所提出方法构建的深度神经网络收敛速度较快,并且与传统BP译码算法相比,对于短码长LDPC码译码性能有明显提升。展开更多
文摘针对已有的层流信道模型不能直接应用于存在目标的复杂层流信道的问题,提出一种基于模型驱动的信道建模方法.研究了存在目标的层流扩散信道的系统模型,在无目标平流模型的基础上加入参数,考虑层流和目标对接收分子的影响.结合仿真结果,将有目标的复杂层流信道近似为两个稳定的层流信道,建立有目标的点源-接收机层流扩散信道模型.结合神经网络使用Levenberg-Marquardt算法对信道模型参数进行学习和预测,同时提出基于数据和模型驱动结合(combination of data and model driven, CDMD)的检测方法对目标进行检测.结果表明:通过公式数据与仿真数据对比验证了其信道模型的准确性,所有数据的相关系数为0.999 15,该神经网络模型具有可行性;使用神经网络二分类算法验证提出的目标检测方法,检测准确率达到98.8%时,提出的CDMD检测方法所需数据量约为基于数据检测方法的1/6.
文摘针对正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)接收机解调精度低和计算复杂度高的问题,采用深度学习方法构建了一种新的模型驱动的接收机模型,称为FBLTNet(Fully Connected,Bi-LSTM and Transformer-encoder Neural Network)。该模型分为信道估计和信号检测两个部分,其中信道估计以全连接神经网络(Fully Connected Deep Neural Network,FCDNN)替代线性插值,信号检测则使用深度自注意力网络编码器Transformer-encoder和双向长短期记忆网络(Bidirectional Long-Short Term Memory,Bi-LSTM)的组合网络,实现信号的解调和比特流的恢复。在瑞利衰落信道下测试了不同调制方式的接收机性能,结果表明FBLTNet与基于深度学习的接收机以及传统接收机相比,误比特率性能得到了显著的改善;与数据驱动的无线接收机算法相比,线下训练模型收敛时间和测试时间分别减少了33.0%和25%,网络结构参数减少了29.5%。
