基于深度学习的测控数据传输技术

发布时间：2021-08-12 21:06

　　传统测控数据传输根据试验场区环境和预设指标进行各模块的分立设计和局部优化,难以对战时复杂、时变信道函数进行全局最优拟合,严重影响战时系统整体性能的发挥。针对此问题,研究基于深度学习的测控数据传输技术,运用深度学习网络代替传统调制解调、信道编解码和信道均衡等多个分立模块,利用神经元的灵活组合逼近复杂的函数,将系统调节为全局最优。仿真结果表明,在"非线性+多径"信道条件下,该方法能够将传输容量提升至传统体制2倍以上,或将链路余量提高3 d B以上,同时保持与传统测控数据传输体制相当的系统复杂度。 

【文章来源】：无线电工程. 2020,50(04)

【文章页数】：5 页

【部分图文】：

感知器模型和DNN结构

基于深度学习的测控数据传输系统设计如图2所示。核心思想是利用DNN代替解调、解码和均衡等模块实现测控数据端到端接收，将各模块的局部优化转变为系统的全局优化，实现对复杂时变信道响应的最优逼近，获得整体最优性能。1.3 运用模式

利用深度学习网络逼近复杂的信道函数，并且准确感知链路余量的细微变化，通过信道状态指示反馈，及时、精细地调整编码速率、调制阶数，从而最大程度地利用链路余量实现最优的变速率传输。传输效率明显高于传统恒定速率传输模式，如图3和图4所示。图4 基于深度学习的测控数据变速率传输模式

【参考文献】：
期刊论文
[1]一种提高星地数据传输效率的调制方式[J]. 丁丹,谢晴.  无线电工程. 2019(04)
[2]基于空时编码的高效星地数据传输技术[J]. 丁丹,林存宝.  现代电子技术. 2019(05)
[3]基于人工智能的无线传输技术最新研究进展[J]. 张静,金石,温朝凯,高飞飞,江涛.  电信科学. 2018(08)
[4]OFDM系统中基于压缩感知恢复由限幅和HPA产生的非线性失真研究[J]. 杨霖,宋坤.  电子学报. 2018(05)
[5]基于深度学习的遥感影像基础设施目标检测研究[J]. 王港,陈金勇,高峰,吴金亮.  无线电工程. 2018(03)
[6]Deep Learning for Wireless Physical Layer: Opportunities and Challenges[J]. Tianqi Wang,Chao-Kai Wen,Hanqing Wang,Feifei Gao,Tao Jiang,Shi Jin.  中国通信. 2017(11)
[7]航天测控高效率线性功率放大器研究[J]. 王帅,谢冰一,李春辉,杨建永,申冀湘.  无线电工程. 2017(08)
[8]卫星高速数传系统相位噪声迭代补偿算法[J]. 裴玉奎,索婉萍.  清华大学学报(自然科学版). 2017(04)
[9]变速率与空间复用相结合的遥感数传技术[J]. 丁丹,姜明勇.  兵器装备工程学报. 2017(03)
[10]卫星高速数传通道设计及其性能仿真分析[J]. 董刚,张爱兵,王加强,唐浩.  空间电子技术. 2016(06)



本文编号：3339075