基于DNN深度学习网络的OFDM+QPSK信号检测算法matlab仿真_dnn深度神经网络 信道估计

目录

1.算法运行效果图预览

2.算法运行软件版本

3.部分核心程序

4.算法理论概述

5.算法完整程序工程

---

1.算法运行效果图预览

2.算法运行软件版本

matlab2022a

3.部分核心程序

.............................................................................
Transmitted_signal                 = OFDM_Transmitter(data_in_IFFT, NFFT, NCP);
 
 
        %信道
        Ray_h_ofdm             = (1 / sqrt(2)) * randn(len_symbol, 1) + (1 / sqrt(2)) * 1j * randn(len_symbol, 1); % Rayleigh channel coff
        Rayleigh_h_channel     = repmat(Ray_h_ofdm, Frame_size, 1);
        Rayleigh_Fading_Signal = awgn(Rayleigh_h_channel .* Transmitted_signal,SNR,'measured');
        signal_ideal           = Rayleigh_Fading_Signal ./ Rayleigh_h_channel;
 
        Multitap_h = [(randn + 1j * randn);...
                      (randn + 1j * randn) / 24] ;
        
        %卷积通过信道
        Multipath_Signal        = conv(Transmitted_signal, Multitap_h);
 
        Multipath_Signal        = awgn(Multipath_Signal(1 : length(Transmitted_signal)),SNR,'measured');
        % OFDM 接收
        [Rsignals0, Rsignalsh0] = OFDM_Receiver(Multipath_Signal, NFFT, NCP, len_symbol, signal_ideal);
 
        % 进行深度学习部分，使用已训练好的神经网络进行解调
        [DNN_feature_signal, ~, ~] = Extract_Feature_OFDM(Rsignals0, dataSym(1:2), M, QPSK_signal(1:8));
        Received_data_DNN          = predict(DNN_Trained, DNN_feature_signal);
        Received_data_DNN          = transpose(Received_data_DNN);
        DNN_Received_data          = Received_data_DNN(1:2:end, :) + 1j * Received_data_DNN(2:2:end, :);
 
        DNN_dataSym_Rx             = QPSK_Demodulator(DNN_Received_data);
        
        DNN_dataSym_Received       = de2bi(DNN_dataSym_Rx, 2);
        DNN_Data_Received          = reshape(DNN_dataSym_Received, [], 1);
 
        DNN_sym_err(ij, 1)         = sum(sum(round(dataSym(1:8)) ~= round(DNN_dataSym_Rx)));
        DNN_bit_err(ij, 1)         = sum(sum(round(reshape(de2bi(dataSym(1:8), 2),[],1)) ~= round(DNN_Data_Received)));  
    end
    Bers(idx, 1) = sum(DNN_bit_err, 1) / N_bits_DNN; % 计算平均比特误码率
    Sers(idx, 1) = sum(DNN_sym_err, 1) / N_QPSK_DNN; % 计算平均符号误码率
0029

4.算法理论概述

         正交频分复用（OFDM）是一种多载波调制技术，已经广泛应用于数字通信领域。OFDM信号检测是接收端的关键问题之一，目的是将接收到的OFDM信号恢复为原始数据。由于OFDM信号具有高带宽效率、抗多径衰落等特点，可以在高速移动环境下实现高速数据传输。但是，OFDM信号的检测存在一些困难，例如频率偏移、信道估计误差、多路径干扰等。为了解决这些问题，近年来，深度学习技术被广泛应用于OFDM信号检测中。

1.OFDM信号模型

       OFDM信号是一种基于频域分解的多载波调制技术。OFDM信号可以表示为：

$$x(t)=\sum_{n=0}^{N-1}\sum_{k=0}^{K-1}s_{n,k}g(t-nT)e^{j2\pi k\Delta f(t-nT)}$$

      其中，$s_{n,k}$是数据符号，$g(t)$是正交矩形脉冲，$T$是符号间隔，$K$是子载波数，$\Delta f$是子载波间隔。OFDM信号可以通过将数据符号映射到各个子载波上来传输数据，每个子载波都有自己的调制方式和调制参数。

2.DNN深度学习网络

      DNN深度学习网络是一种基于多层神经网络的机器学习算法。DNN深度学习网络可以通过多个隐藏层来学习数据的高级特征，从而实现对数据的分类、回归等任务。DNN深度学习网络的数学模型可以表示为：

$$y=f(W^{(L)}f(W^{(L-1)}...f(W^{(1)}x+b^{(1)})...)+b^{(L)})$$

其中，$x$是输入数据，$y$是输出数据，$W^{(i)}$和$b^{(i)}$是第$i$层的权重和偏置，$f$是激活函数。

3.基于DNN的OFDM信号检测模型

基于DNN的OFDM信号检测模型可以表示为：

$$\hat{s}{n,k}=\arg\max{s_{n,k}}P(s_{n,k}|r_{n,k},\theta)$$

        其中，$\hat{s}{n,k}$是预测的数据符号，$r{n,k}$是接收到的OFDM信号，$\theta$是模型参数。该模型可以通过DNN深度学习网络来学习OFDM信号的映射关系，从而实现OFDM信号的检测。

       在实际应用中，需要实现实时OFDM信号检测。这可以通过将训练好的模型部署到实际系统中来实现。在实时检测过程中，需要对接收到的OFDM信号进行预处理，并将其输入到训练好的模型中进行检测。实时检测的实现需要考虑到时间延迟、资源限制等因素。

      基于DNN深度学习网络的OFDM信号检测已广泛应用于数字通信领域。它可以用于解决OFDM信号检测中的一些难题，例如频率偏移、信道估计误差、多路径干扰等。此外，它还可以用于无线电频谱感知、无线电干扰检测等领域。

5.算法完整程序工程

OOOOO

OOO

O