混合噪声下基于深度学习的无线通信信号接收技术研究
发布时间：2020-12-05 06:19
随着人工智能领域理论与技术的发展以及硬件水平的不断提高,近年来,深度学习逐步应用于无线通信系统的各个层面。基于深度学习的无线通信接收系统,能够直接从大量给定样本与标签中,学习到样本的分布,从接收到的信号中提取信道特征,通过逐层的特征变化最终恢复出发送符号。避免了复杂的参数估计过程,并且从传统的通信收发过程中逐模块的局部优化转向系统全局优化,体现出了极大的潜力。在很多通信场景中,信号在经过无线通信信道时,不仅受到高斯白噪声的影响,还会伴随很强的脉冲干扰,如低频/甚低频通信系统中的大气（天电）噪声、无线通信网络中的共道干扰、雷达杂波等。以往脉冲噪声下的信号接收研究主要针对纯脉冲噪声的场景,而在真实的通信场景中不可避免地存在高斯噪声。针对脉冲与高斯混合噪声信道下,噪声模型复杂、参数估计困难的问题,本论文研究了脉冲与高斯混合噪声下基于深度学习的无线通信信号接收技术,通过网络训练,回避噪声建模与参数估计过程。论文第一章给出了研究背景和意义,总结了脉冲噪声及脉冲与高斯混合噪声下无线通信信号接收技术的研究现状,以及深度学习在通信领域的应用,并对论文研究内容与结构安排进行了介绍。论文第二章主要研究混合...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：87 页
【学位级别】：硕士
【部分图文】：
图２－１不同特征指数下ＳａＳ分布ＰＤＦ?（ｙ？?＝?０，?，?＝?１，ａ?＝?〇）??７??
?第二拿混合噪声下蒸宁传统方法的无线通信信芎接收???１０°??＇?＇??－??、??ｇ（ｖ）??＼??ｆ（ｖ）??１０＇１?ｒ?Ｖ??１０－２?：?＼??＾?：?Ｖ??１０＇３?ｒ??１〇＇４?：??１〇－５??１?１?１???０?５?１０?１５?２０??ｖ??（ｃ）?ｇ（ｖ）?ｖｓ?ｆ（ｖ）??图２－３混合噪声拟合ＰＤＦ与．真实ＰＤＦ对比（ｒｓ?＝?ｒｇ?＝０．３７５?＾?＝?１．５?４?＝?０．８１，？＝０．７）??图２－３展示了?ａ?＝?ｌ．５，广＝＆?＝０．３７５时，基于式（２－８）拟合的混合噪声ＰＤＦ??ｇ（ｖ）与式（２－７沖混合嗓声＇真实ＰＤＦ／（ｖ）。可滅看出：在合适的经验参数ｑ、＆??下，可以很好的拟合／卜）。??２．１．３混合噪声参数估计??■实际的通信系统中．．，混合噪：声参数是未知的．．＊首先要估计式（２－６）中的参数ａ、??厂、＆?ｑ?文献［５１?］提出?了議于经验特征函数（Ｅｍｐｉｒｉｃａｌ?Ｃｈａｒａｃｔｅｒｉｓｔｉｃ?Ｆｕｎｃｔｉｏｎ，?ＥＣＦ?）??的ＳａＳ混合分布糊喿声参数估计方法。由于：赢斯噪声是《?＝?２时，ＳａＳ分布．噪声的??一个特例，本论文研究的ＳａＳ与畜斯混合噪声也可以视为《＜０，２；）与《?＝?２的两个??ＳａＳ分布混合噪声，因此可以使用［５０］中的方法进行馄合噪声参数估计。??假设训练数据集Ｐ是长度为ｉ的混合噪声采样，定义ＥＣＦ为：??Ｕ－）?＝?＾Ｐ＾?（２－１５）??对乎对称噪声：＝?估计的精确度随着Ｉ的增大而提高，随＾丨??的增大而降低。式（２－６）可进一歩写成??￥ｖ?（＾）＝ｌｎ?［ｋ?（？
??Ｘ?＝?ｙ—＾——＾?（２－２１）??（Ｃ〇ＳＦ）Ｖ叶?Ｗ??其中，厂在（－；ｒ／２，；ｒ／２；）上服从均匀分布，不是均值为１的指数分布随机数。??２０?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ??ｆ?９ｎ??邀－２０?＿?＿??－３０?－?－??－４０?－?－??－５０??１?１?１?１?１?１?１?１?１???０?５０?１００?１５０?２００?２５０?３００?３５０?４００?４５０?５００??采样??图２－４混合噪声示例（ａ＝１．５，?／ｓ＝ｌ，??１２??
【参考文献】：
期刊论文
[1]基于卷积神经网络的多天线Polar码联合解调-解码方案[J]. 杨梦,侯永宏. 重庆邮电大学学报(自然科学版). 2018(03)
[2]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)
[3]水下甚低频MSK信号最大似然多符号差分解调算法[J]. 岳光荣,刘志特,杨国胜,王军. 电子科技大学学报. 2016(04)
博士论文
[1]非高斯噪声下通信信号接收关键技术研究[D]. 杨国胜.电子科技大学 2018
硕士论文
[1]基于深度神经网络的无线通信信号检测算法研究[D]. 严欣.贵州大学 2018
[2]QPSK神经网络解调算法的FPGA实现研究[D]. 沈越.西安电子科技大学 2018
[3]基于一维卷积神经网络的PSK解调算法研究[D]. 刘宗延.西安电子科技大学 2018
[4]基于SAE深度学习网络的MPPSK调制解调研究[D]. 张佩云.东南大学 2017
[5]超奈奎斯特（FTN）速率传输的递归神经网络解调方法[D]. 左崇彦.东南大学 2017
本文编号：2899024
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：87 页
【学位级别】：硕士
【部分图文】：
图２－１不同特征指数下ＳａＳ分布ＰＤＦ?（ｙ？?＝?０，?，?＝?１，ａ?＝?〇）??７??
?第二拿混合噪声下蒸宁传统方法的无线通信信芎接收???１０°??＇?＇??－??、??ｇ（ｖ）??＼??ｆ（ｖ）??１０＇１?ｒ?Ｖ??１０－２?：?＼??＾?：?Ｖ??１０＇３?ｒ??１〇＇４?：??１〇－５??１?１?１???０?５?１０?１５?２０??ｖ??（ｃ）?ｇ（ｖ）?ｖｓ?ｆ（ｖ）??图２－３混合噪声拟合ＰＤＦ与．真实ＰＤＦ对比（ｒｓ?＝?ｒｇ?＝０．３７５?＾?＝?１．５?４?＝?０．８１，？＝０．７）??图２－３展示了?ａ?＝?ｌ．５，广＝＆?＝０．３７５时，基于式（２－８）拟合的混合噪声ＰＤＦ??ｇ（ｖ）与式（２－７沖混合嗓声＇真实ＰＤＦ／（ｖ）。可滅看出：在合适的经验参数ｑ、＆??下，可以很好的拟合／卜）。??２．１．３混合噪声参数估计??■实际的通信系统中．．，混合噪：声参数是未知的．．＊首先要估计式（２－６）中的参数ａ、??厂、＆?ｑ?文献［５１?］提出?了議于经验特征函数（Ｅｍｐｉｒｉｃａｌ?Ｃｈａｒａｃｔｅｒｉｓｔｉｃ?Ｆｕｎｃｔｉｏｎ，?ＥＣＦ?）??的ＳａＳ混合分布糊喿声参数估计方法。由于：赢斯噪声是《?＝?２时，ＳａＳ分布．噪声的??一个特例，本论文研究的ＳａＳ与畜斯混合噪声也可以视为《＜０，２；）与《?＝?２的两个??ＳａＳ分布混合噪声，因此可以使用［５０］中的方法进行馄合噪声参数估计。??假设训练数据集Ｐ是长度为ｉ的混合噪声采样，定义ＥＣＦ为：??Ｕ－）?＝?＾Ｐ＾?（２－１５）??对乎对称噪声：＝?估计的精确度随着Ｉ的增大而提高，随＾丨??的增大而降低。式（２－６）可进一歩写成??￥ｖ?（＾）＝ｌｎ?［ｋ?（？
??Ｘ?＝?ｙ—＾——＾?（２－２１）??（Ｃ〇ＳＦ）Ｖ叶?Ｗ??其中，厂在（－；ｒ／２，；ｒ／２；）上服从均匀分布，不是均值为１的指数分布随机数。??２０?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ??ｆ?９ｎ??邀－２０?＿?＿??－３０?－?－??－４０?－?－??－５０??１?１?１?１?１?１?１?１?１???０?５０?１００?１５０?２００?２５０?３００?３５０?４００?４５０?５００??采样??图２－４混合噪声示例（ａ＝１．５，?／ｓ＝ｌ，??１２??
【参考文献】：
期刊论文
[1]基于卷积神经网络的多天线Polar码联合解调-解码方案[J]. 杨梦,侯永宏. 重庆邮电大学学报(自然科学版). 2018(03)
[2]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)
[3]水下甚低频MSK信号最大似然多符号差分解调算法[J]. 岳光荣,刘志特,杨国胜,王军. 电子科技大学学报. 2016(04)
博士论文
[1]非高斯噪声下通信信号接收关键技术研究[D]. 杨国胜.电子科技大学 2018
硕士论文
[1]基于深度神经网络的无线通信信号检测算法研究[D]. 严欣.贵州大学 2018
[2]QPSK神经网络解调算法的FPGA实现研究[D]. 沈越.西安电子科技大学 2018
[3]基于一维卷积神经网络的PSK解调算法研究[D]. 刘宗延.西安电子科技大学 2018
[4]基于SAE深度学习网络的MPPSK调制解调研究[D]. 张佩云.东南大学 2017
[5]超奈奎斯特（FTN）速率传输的递归神经网络解调方法[D]. 左崇彦.东南大学 2017
本文编号：2899024
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/2899024.html
