1.一种基于数据驱动神经网络的OFDM信道估计与信号检测方法,其特征在于,所述方法包括以下步骤;
步骤1:基于传统OFDM无线通信框架系统生成训练神经网络所需的神经网络数据集;
步骤2:将步骤1所述的神经网络数据集数据随机打乱,其中7000组用于训练集,另外
3000组用于测试集,并将数据进行预处理,将处理过的信号通过CNN去噪网络去噪;数据预处理公式为:
其中x表示预处理后的信号,xin为接收的信号,去噪网络采用CNN网络,批次归一化方法,激活函数采用ReLU函数;
步骤3:基于步骤2的数据集,利用数学工具将数据集的每组接收信号的实部与虚部分别取出,排列为一组新的数据集,个数为256;
步骤4:将步骤3所述的新的数据集作为全连接神经网络的输入,其中网络层数分别为
256,513,513,513,128,输出为预测的0/1信号,真实发送的0/1信号作为标签,监督神经网络的训练;
步骤5:基于步骤4所搭建的神经网络结构,每一层赋予激活函数,其中三层隐藏层的激活函数设置为线性整流函数,输出层函数设置为逻辑函数;
步骤6:根据步骤1、步骤2、步骤3、步骤4、步骤5所建立的模型与输入输出参数训练整个神经网络,经过批次为20000,批次大小为1000的训练过程后,神经网络模型即可代替传统OFDM无线通信网络的快速傅里叶变换、信道估计、均衡和解调。
2.根据权利要求1所述的一种基于数据驱动神经网络的OFDM信道估计与信号检测方法,其特征在于:所述步骤1中,OFDM系统数据集采用瑞利衰落多径信道生成,依照公式产生信道冲激响应系数,原始信号采用QPSK调制,子载波个数为64,导频和CP长度为16,接收信号作为神经网络输入训练值,原始真实信号作为标签训练网络。
3.根据权利要求2所述的一种基于数据驱动神经网络的OFDM信道估计与信号检测方法,其特征在于:所述步骤1中,神经网络数据集是由包含多径和衰落信息的时域冲激响应所产生的去除CP的接收信号,结构为一个OFDM导频符号加一个OFDM数据符号,神经网络标签是对应的通信系统未调制的0/1原始信号。
4.根据权利要求1所述的一种基于数据驱动神经网络的OFDM信道估计与信号检测方法,其特征在于:所述步骤3中,通过模仿图片处理过程,将接收信号转换为一维数据,将过程看作一个一维回归问题。
5.根据权利要求1所述的一种基于数据驱动神经网络的OFDM信道估计与信号检测方法,其特征在于:所述步骤4中隐藏层个数确定的公式为:其中,Ni是输入神经元个数;No为输出神经元个数;Ns为训练集的样本数;α取值范围为
2‑10,所述步骤4中,参数优化器采用RMSProp优化器。
6.根据权利要求1所述的一种基于数据驱动神经网络的OFDM信道估计与信号检测方法,其特征在于:所述步骤5中所述隐藏层激活函数为:φ(x)=max(0,x),
输出层
激活函数作为神经网络非线性特性的关键;
所述步骤5中,学习率采用反时限学习率衰减算法,公式为:d_r=L_r/(1+de_r*t);其中d_r为当前学习率,L_r为初始学习率,de_r为学习率衰减率,t为下降步数。
7.根据权利要求1所述的一种基于数据驱动神经网络的OFDM信道估计与信号检测方法,其特征在于:所述步骤6中,神经网络训练过程包含以下步骤:步骤6.1:将7000组随机打乱的接收信号整合成单维度的矢量输入神经网络,真实发送的信号作为标签输入神经网络,前向传播过程设置网络结构与初始参数,反向传播过程中采用反时限学习率衰减算法、RMSProp优化器进行参数更新,以期获得优化的权重与偏置参数;
步骤6.2:将3000组测试集随机打乱对训练好的神经网络性能进行测试;
步骤6.3:将神经网络连接到通信系统之中,取代原OFDM系统进行快速傅里叶变换、信道估计、均衡与解调过程。
8.据权利要求1所述的一种基于数据驱动神经网络的OFDM信道估计与信号检测方法,其特征在于:对于噪声信道,在全连接神经网络DNN之前添加了基于卷积神经网络的去噪网络。