【技术实现步骤摘要】
一种基于深度学习的信噪比估计方法
[0001]本专利技术属于无线通信中信号参数估计领域,涉及一种基于深度学习的信噪比估计方法。
技术介绍
[0002]在无线通信系统中,信噪比(Signal
‑
to
‑
Noise,SNR)起着至关重要的作用。相比于误码率和误符号率,SNR能够更为直接地反映信号质量或信道质量。此外,大量的信道译码算法需信道状态信息来实现软译码,因此SNR估计的性能对后续的信息恢复至关重要。目前,已经有许多估计SNR的方法被提出。这些方法可以分为两类:数据辅助估计和非数据辅助估计。数据辅助估计器依赖于传输数据的先验知识,非数据辅助估计器通过分析未知接收信号获得SNR估计值。传统的SNR估计方法存在一些局限性。一方面,这些方法能够适用的信号调制类型有限、能够有效估计的SNR范围较窄。另一方面,这些方法通常假设接收系统是完全同步的,即发射机和接收机之间不存在实际场景中并不总是满足的频率和定时偏差。
[0003]随着近年来深度学习的快速发展,各种拥有强大特征提取能力的神经网络模型被广泛应用。鉴于深度学习强大的特征学习能力,逐渐开始将其应用于SNR估计中。目前,已提出使用IQ信号、星座图等数据输入神经网络进行深度学习训练。这几种基于深度学习的SNR估计方法相较于传统SNR估计算法在性能上有着显著的提升,尤其在低信噪比下SNR估计的准确率提升明显。上述基于深度学习的SNR估计方法存在一些共同的局限性。一方面,现有方法未考虑计算复杂度问题。另一方面,现有方法均采用深度学习分 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的信噪比估计方法,其特征在于,包括以下步骤:S1.采集已预设信噪比下的发射信号序列,并以信号的信噪比作为样本标签,构建原始信号数据集;S2.对采集的信号序列进行时频变换获得其功率谱数据集,且每个信号样本对应标签在变换前后保持不变,其中功率谱输入采用平均周期图输入;S3.根据所需的信噪比估计精度选择分类或回归方法,再根据功率谱数据集构造相应卷积分类网络或卷积回归网络,初始化神经网络训练参数;S4.使用功率谱数据集对相应的卷积神经网络进行训练,得到用于信噪比估计的卷积神经网络模型;S5.利用训练好的信噪比估计卷积神经网络模型对新接收到的信号进行信噪比估计。2.根据权利要求1所述的一种基于深度学习的信噪比估计方法,其特征在于,步骤S1具体方法如下;在每一个预设信噪比下,发射一个复基带信号,形成一个样本,利用模数转换器转化为数字量信号,然后通过采样得到复基带采样信号,采样点数为N;每个预设信噪比发射相同数量的复基带信号,重复步骤,得到P个样本构成原始信号数据集;发送端发送的信号通过信道传输到接收端,接收端接收到的信号能够表示为:其中e是自然对数的底,r(n)代表第n个含有加性噪声的接收信号,n为0到N
‑
1范围内的整数值,b(n)代表信道传输信号,h(n)代表发送信号的信道响应,参数Δf表示载波频率偏移,θ表示随机相位偏移,w(n)表示加性噪声,N为信号长度,表示卷积运算;定义接收信号中去除噪声的部分为有效信号x(n),表达式如下:为了减少信号功率的影响,将初始信号进行功率归一化,归一化公式如下:其中N为信号长度,y(n)为进行功率归一化后的信号。3.根据权利要求2所述的一种基于深度学习的信噪比估计方法,其特征在于,采用的复基带信号的调制方式包括AM、FM、PSK、ASK、FSK、QAM。4.根据权利要求2所述的一种基于深度学习的信噪比估计方法,其特征在于,步骤S2具体方法如下;对步骤S1得到原始信号数据集进行时频变换得到其功率谱数据;首先需要对功率归一化后的接收信号进行离散傅里叶变换:其中Y(k)代表y(n)经过离散傅里叶变换后第k个值,k为0到N
‑
1范围内的整数值;为了减小功率谱估计中的方差,采用平均周期图APG法;随着采样点数N增加,即每个信号样本长度增加,此时采用APG减小方差效果更明显;将原本长度是N的序列分为L段,每段
长度为M,M<N,并对每段数据分别进行功率谱计算,然后计算平均值;APG将方差变为原来的1/L;随着分段数L的增加,方差减小,分辨率降低;先进行分段操作:Y
i
(k)=Y(k),k∈[(i
‑
1)
×
M,i
×
M
‑
1]
ꢀꢀꢀꢀꢀꢀꢀꢀ
(5)其中i表示归一化接收信号经过离散傅里叶变化分为L段中的第i段,Y
i
(k)代表Y(k)分为L段中的第i段信号;再求每一段长度为...
【专利技术属性】
技术研发人员:陈书润,郑仕链,赵知劲,陈涛,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。