基于卷积神经网络的MIMO通信系统设计

发布时间：2022-10-11 11:33

　　随着数据量的日益增多和5G等移动技术的发展,人类对于网络数据传输速率和可靠性有了更高的要求。然而传统的通信系统因为其模块化设计,并且需要基于理想的数学模型,因此不能在任意信道环境下达到最优的性能。与此同时,人工智能超越了传统的移动通信设计理念,提高了移动通信性能,为应对上述挑战提供了很大的可能,其中基于深度学习的端到端通信系统设计理念受到更多关注。为此,本文针对进一步提升无线通信系统的可靠性这一具体问题,将深度学习引入通信系统中,对基于深度学习的多输入多输出（Multiple-Input Multiple-Output,MIMO）系统进行研究。针对提高现有端到端通信系统的可靠性和泛化能力问题,提出一种基于卷积神经网络（Convolutional Neural Network,CNN）的空时分组码（Space-Time Block Coding,STBC）MIMO通信系统物理层方案。该方案将通信系统物理层表述、调制和解调过程联合起来形成端到端自编码器系统,将二进制比特流经过多层一维卷积层（Conv1D）进行编码和调制,学习到一个最好的编码调制方式,通过多个发射天线和接收天线进行发送和接收... 

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 研究历史和研究现状
        1.2.1 深度学习的发展史
        1.2.2 基于深度学习的通信系统研究现状
    1.3 课题主要研究内容与组织结构
        1.3.1 本文主要研究内容
        1.3.2 组织架构
2 MIMO系统模型及神经网络基础
    2.1 MIMO系统模型
        2.1.1 信道模型
        2.1.2 空时编码
        2.1.3 信道编码
    2.2 神经网络基础
        2.2.1 神经网络原理
        2.2.2 卷积神经网络
        2.2.3 自编码器
    2.3 本章小结
3 基于CNN的MIMO自编码器系统
    3.1 引言
    3.2 系统模型及网络结构
    3.3 仿真结果及分析
        3.3.1 瑞利衰落信道下的MIMO自编码器系统
        3.3.2 高斯白噪声信道下的MIMO自编码器系统
    3.4 本章小结
4 高可靠性的MIMO自编码器系统
    4.1 引言
    4.2 网络结构及参数优化
    4.3 仿真结果及分析
        4.3.1 瑞利衰落信道下的MIMO自编码器系统
        4.3.2 高斯白噪声信道下的MIMO自编码器系统
    4.4 本章小结
5 相关及突发信道下的MIMO自编码器系统
    5.1 引言
    5.2 系统模型
    5.3 仿真结果及分析
    5.4 本章小结
6 总结与展望
    6.1 论文工作总结
    6.2 未来展望
参考文献
致谢
作者简历及攻读硕士学位期间的科研成果


【参考文献】：
期刊论文
[1]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)
[2]瑞利相关衰落下MIMO系统的差错率分析[J]. 滕勇,吴军力,罗涛,乐光新.  重庆邮电学院学报(自然科学版). 2003(03)

博士论文
[1]非高斯噪声衰落信道中空时编码性能的研究[D]. 王旭东.西安电子科技大学 2007



本文编号：3690497