【技术实现步骤摘要】
本专利技术涉及无线通信，具体为一种适用于ofdm-im的深度学习检测方法。
技术介绍
1、当前，随着智能手机、高性能计算机、智能机器人等智能硬件设备的飞速发展与普及，人工智能技术已经应用到日常生活的各个方面，而深度学习在计算机视觉、自然语言处理、语音识别和轨迹预测等领域同样取得了巨大成功。在ofdm(正交频分复用技术)系统中，索引调制(im)作为一种新颖的调制方式,通过索引号可以携带额外的信息，融合了深度学习的方法实现了更高效的数据传输和处理。
2、ofdm技术作为一种高效的无线通信技术，在当今的通信系统中得到了广泛的应用。与传统的调制方式相比，ofdm技术具有抗多径衰落、高频谱利用率等优势，使其在高速数据传输中表现出色。而在ofdm系统中，im作为一种新颖的调制方式，引起了学术界和工业界的广泛关注。im通过调节子载波的索引来携带信息，与传统的调制方式相比，具有更高的频谱效率和更低的功耗。
3、其中，信号检测作为ofdm-im系统中至关重要的一环，直接影响了系统的通信质量和性能稳定性。可以将现有的工作分为基于传统方法和基于深度学习的方法。基于传统方法的信号检测通常依赖于经验模型和数学推导，例如最大似然检测(mld)、线性检测(ld)、子载波索引检测(sid)等。这些方法在特定场景下可能表现良好，但在面对复杂的信道环境和高速数据传输时，往往存在性能下降、计算复杂度高等问题，相比之下，基于深度学习的信号检测方法通过训练深度神经网络(transformer)，直接从数据中学习信号的特征和模式，具有更好的适应性和
4、现有技术：在传统方面，从2013年起，提出了ofdm-im技术，该技术利用最大似然(ml)对数似然比(llr)等手工特征进行解码端工作。随着ofdm-im技术的出现，其已成为研究热点。在此基础上，又提出了ztm-ofdm-im(ztm为零信任模型)，实现了高频谱和能量效率，尽管其llr检测相对于ml检测有轻微性能损失，但显著降低了复杂度。同时，有人提出了dm-ofdm-cpa，通过带星座功率分配改善了低阶调制的系统性能，仿真结果表明其优于现有的ofdm-im方案。另外，还有人提出了简化的llr计算算法，以接近最优的编码误比特率性能，并具有较低的计算复杂度，解决了在ofdm-im系统中降低复杂度同时保持性能的挑战。
5、最近，还有人引入了带有noma用户的双模式ofdm-im技术，突出了所提出和现有的ofdm-im noma技术的计算复杂度。虽然这些技术取得了一定进展，但仍然存在着一些不足之处，部分技术在降低复杂度的同时可能导致性能损失，而其他技术尽管成功降低了计算复杂度，但在特定调制方案下的适用性有限。此外，尚需进一步验证这些技术在实际应用中的性能和稳定性，因此ofdm-im方法还有较大的改进空间。
6、在深度学习方面，基于深度神经网络在目标检测方面具有良好的实现效果，并能够以较少的时间花费换取大幅度的准确率提升。现有技术引入了一种新颖的基于深度学习的ofdm-im系统检测器deepim，采用深度神经网络来恢复数据位。基于上述，通过引入基于复杂深度神经网络(c-dnn)和复杂卷积神经网络(c-cnn)的方法，进一步增强了ofdm-im系统中的信号检测，以减少复杂度并提高性能，针对mimo-ofdm-im系统提出了一种变分自编码器(vae)信号检测方法，强调了变分优化框架的构建。此外，最近的研究重点放在特定的ofdm-im变体上。有人为双模ofdm-im系统引入了一种基于深度学习的检测器deepdm，结合了卷积神经网络(cnn)和深度神经网络(dnn)，以获得最佳的误码性能和低计算复杂度。
7、transformer作为一种强大的序列建模工具，具有良好的适应性和泛化能力，在信号检测领域也展现出了巨大潜力。通过transformer模型，可以有效地捕捉信号之间的时序关系和依赖关系，实现对ofdm-im系统中信号的准确检测和解调。此外，transformer模型的并行计算能力和可扩展性，也为大规模数据处理和实时通信提供了技术支持，并能够以较少的时间花费换取大幅度的准确率提升，显然通过深度学习的方法来解决ofdm-im的问题已经成为一种新趋势。
8、现在现有技术中，传统的ofdm-im方法在解码端工作中利用最大似然对数似然比等手工特征，取得了一定成就，但往往面临性能与计算复杂度之间的折衷，适用性受到调制方案限制，并需要进一步验证在实际应用中的性能和稳定性；而基于深度学习的ofdm-im系统检测方法表现出了良好的潜力，但需要大量标注数据和计算资源，缺乏可解释性，且在特定变体下的适用性和性能尚需进一步研究。需要寻找一种新方法以解决性能与复杂度的折衷、提高通用性和适应性，同时利用深度学习的特征学习和模式识别能力。
技术实现思路
1、本专利技术的目的在于提供一种适用于ofdm-im的深度学习检测方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种适用于ofdm-im的深度学习检测方法，包括如下步骤：
3、s1、基于transformer模型，采用了lstm作为编码的输入层，以应对输入为非整数的词嵌入层的需求；
4、s2、为了适应transformer模型的输入要求，将接收端收到的信息和实际信息进行一一对应作为序列，并在每个序列的开头和结尾添加特殊的开始和结束标识符；
5、s3、在transformer模型训练阶段，通过将经过预处理的数据输入到transformer模型中，得到数据的深层特征信息；
6、s4、利用模型进行实际数据的预测，将原本的分类问题，转化成预测问题，通过模型的迭代输出，发挥transformer的模型特性；
7、在发送端，信息比特序列u，经过调制产生发送符号序列x，序列u表示序列u的一个区块，把它映射到n个编码频域符号的向量中，表示为x＝[x0，…，xn-1]t。假设我们有理想的信道估计(csi)，其它的做法与现有无线通信做法是一致的，于是对于每一个ofdm符号，接收向量为：y＝fhtfhx+fw；
8、其中y，x和w分别对应于单个ofdm符号子块的y,x和w。f表示大小为n的dft矩阵。ht是时域信道矩阵。向量w表示时域加性白噪声(awgn)向量，且服从均值为0方差为σ2的复高斯分布。
9、在任意组β的索引调制中，涉及二维信号星座和索引星座，索引星座用来选择激发的子载波，在信号星座中有星座点，其中ns是一个信号所携带的比特数，发送的信号向量如下：
10、sβ＝[sβ，0，…，sβ,na-1],sβ，γ∈s，β＝0，…，g-1，γ＝0，…，na-1；
11、索引星座i由2na布尔向量组成iβ＝(iβ,0,··，iβ，m-1)∈0,1m；
12、其中汉明本文档来自技高网...
【技术保护点】
1.一种适用于OFDM-IM的深度学习检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种适用于OFDM-IM的深度学习检测方法，其特征在于：在使用模型之前，随机生成P0比特的各种传输序列b0，序列b0在二维OFDM-IM系统的发送端，经过索引选择和信号调制之后得到发送端向量x0，表示为x0＝fOFDM-IM(b0)，其中fOFDM-IM表示IM的映射方式；
3.根据权利要求1所述的一种适用于OFDM-IM的深度学习检测方法，其特征在于：在Transformer模型的接收端得到发送的信道H，通过迫零算法得到经过迫零后的结果记为y1，同时将y1进行取模的平方，得到结果记为y2，输入模型的数据z0＝y1 cat y2，cat表示两个矩阵想同纬度进行行拼接。
4.根据权利要求1所述的一种适用于OFDM-IM的深度学习检测方法，其特征在于：采用QPSK调制，在单独的看每4个子载波的情况下，即每次有6个bits被发送，其中前两个bits被用于选择激活的子载波，后4个bits则使用正常的调制方式进行发送，在接收端则接收到4个符号数据，即y1为
5.根据权利要求1所述的一种适用于OFDM-IM的深度学习检测方法，其特征在于：S2中，sc1r到sc4i分别表示四个子载波的实部和虚部，|sc1|2到|sc4|2分别表示四个子载波模的平方；
6.根据权利要求5所述的一种适用于OFDM-IM的深度学习检测方法，其特征在于：在Transformer模型训练阶段，Transformer模型的输入为(z，bin)模型的答案标签为bout；
7.根据权利要求1所述的一种适用于OFDM-IM的深度学习检测方法，其特征在于：在Transformer模型训练阶段，输入原始数据，经过预处理之后，得到三个输出，其中z直接进入编码层，学习特征信息，bin则进入解码器，在学习阶段知道答案，然后经过线性层再进行softmax和计算交叉熵损失。
...【技术特征摘要】
1.一种适用于ofdm-im的深度学习检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种适用于ofdm-im的深度学习检测方法，其特征在于：在使用模型之前，随机生成p0比特的各种传输序列b0，序列b0在二维ofdm-im系统的发送端，经过索引选择和信号调制之后得到发送端向量x0，表示为x0＝fofdm-im(b0)，其中fofdm-im表示im的映射方式；
3.根据权利要求1所述的一种适用于ofdm-im的深度学习检测方法，其特征在于：在transformer模型的接收端得到发送的信道h，通过迫零算法得到经过迫零后的结果记为y1，同时将y1进行取模的平方，得到结果记为y2，输入模型的数据z0＝y1 cat y2，cat表示两个矩阵想同纬度进行行拼接。
4.根据权利要求1所述的一种适用于ofdm-im的深度学习检测方法，其特征在于：采用qpsk调制，在单独的看每4个子载波的情况下，即每次有6个bits被发送，其中前两个bits被用于选择激活的子载波，后4个bit...
【专利技术属性】
技术研发人员：王磊军，童子安，王宽，谢晋发，黎嘉文，曾宪贤，陈荣军，吕巨建，
申请(专利权)人：广东技术师范大学，
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。