当前位置:   article > 正文

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

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

  1. .............................................................................
  2. Transmitted_signal = OFDM_Transmitter(data_in_IFFT, NFFT, NCP);
  3. %信道
  4. Ray_h_ofdm = (1 / sqrt(2)) * randn(len_symbol, 1) + (1 / sqrt(2)) * 1j * randn(len_symbol, 1); % Rayleigh channel coff
  5. Rayleigh_h_channel = repmat(Ray_h_ofdm, Frame_size, 1);
  6. Rayleigh_Fading_Signal = awgn(Rayleigh_h_channel .* Transmitted_signal,SNR,'measured');
  7. signal_ideal = Rayleigh_Fading_Signal ./ Rayleigh_h_channel;
  8. Multitap_h = [(randn + 1j * randn);...
  9. (randn + 1j * randn) / 24] ;
  10. %卷积通过信道
  11. Multipath_Signal = conv(Transmitted_signal, Multitap_h);
  12. Multipath_Signal = awgn(Multipath_Signal(1 : length(Transmitted_signal)),SNR,'measured');
  13. % OFDM 接收
  14. [Rsignals0, Rsignalsh0] = OFDM_Receiver(Multipath_Signal, NFFT, NCP, len_symbol, signal_ideal);
  15. % 进行深度学习部分,使用已训练好的神经网络进行解调
  16. [DNN_feature_signal, ~, ~] = Extract_Feature_OFDM(Rsignals0, dataSym(1:2), M, QPSK_signal(1:8));
  17. Received_data_DNN = predict(DNN_Trained, DNN_feature_signal);
  18. Received_data_DNN = transpose(Received_data_DNN);
  19. DNN_Received_data = Received_data_DNN(1:2:end, :) + 1j * Received_data_DNN(2:2:end, :);
  20. DNN_dataSym_Rx = QPSK_Demodulator(DNN_Received_data);
  21. DNN_dataSym_Received = de2bi(DNN_dataSym_Rx, 2);
  22. DNN_Data_Received = reshape(DNN_dataSym_Received, [], 1);
  23. DNN_sym_err(ij, 1) = sum(sum(round(dataSym(1:8)) ~= round(DNN_dataSym_Rx)));
  24. DNN_bit_err(ij, 1) = sum(sum(round(reshape(de2bi(dataSym(1:8), 2),[],1)) ~= round(DNN_Data_Received)));
  25. end
  26. Bers(idx, 1) = sum(DNN_bit_err, 1) / N_bits_DNN; % 计算平均比特误码率
  27. Sers(idx, 1) = sum(DNN_sym_err, 1) / N_QPSK_DNN; % 计算平均符号误码率
  28. 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)=N1n=0K1k=0sn,kg(tnT)ej2πkΔf(tnT)

x(t)=n=0N1k=0K1sn,kg(tnT)ej2πkΔf(tnT)

      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(L1)...f(W(1)x+b(1))...)+b(L))

y=f(W(L)f(W(L1)...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

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/Guff_9hys/article/detail/805814
推荐阅读
相关标签
  

闽ICP备14008679号