【论文学习】6、Wi-Fi中基于前导码的包检测:一种深度学习方法
摘要
基于ieee802.11标准系列的无线网络系统是最流行的使用先听后说(LBT)方法进行信道接入的无线接口,在非接触频段中工作。大多数基于LBT的系统的显著特征是,发射机使用数据之前的前导码来允许接收机获得初始信号检测和同步。在模拟到数字转换之后应用于传入的离散时间复基带样本的接收器处的第一数字处理步骤是分组检测步骤,即,检测到达传入流内的每个帧的初始样本。由于前导码通常包含具有良好相关特性的训练符号的重复,传统的数字接收机采用基于相关的方法来进行分组检测。基于数据的深度学习(DL)方法在物理层信号处理中的应用,本文提出了一种基于DL的Wi-Fi包检测方法。利用一维卷积神经网络(1D-CNN),我们对传统和基于DL的Wi-Fi包检测方法进行了详细的复杂度与性能分析和比较。
索引:深度学习,包检测,ieee802.11
介绍
为了保证公平性,在非许可频段工作的无线系统共享一种基于先听后讲(LBT)方法的公共信道接入方法。在这些系统中,到目前为止最普遍的是基于ieee802.11标准的Wi-Fi系统,这些标准应用了载波感知多址冲突避免(CSMA/CA)方法[1]。由于频谱稀缺,蜂窝系统还引入了在未经许可的频带中使用LBT方法,例如,在称为LTE-U的4G标准的未经许可版本中[2]。
在大多数LBT系统中,通常的方法是发射机向数据包发送前置码,以确保接收机检测到信号并获得初始同步。这种前导码通常被设计为具有良好相关特性的符号序列,允许接收端的信号处理算法识别分组起始样本[1]、[3]。具体地,在接收器侧,在信号被转换成离散时间复基带样本流之后,第一数字接收器块表示分组检测算法。传统的数字接收机采用基于相关的方法检测传入流[4]、[5]中到达的每个帧的初始样本。
近年来,基于数据的深度学习(DL)方法在无线接收端应用于信号处理任务时表现出优异的性能[6],[7]。不同的研究集中在不同的物理层(PHY)信号处理任务上,包括信号检测[8]、信道估计[9]和纠错编码[10]。在一篇配套论文中,我们研究了IEEE 802.11系统中基于DL的信号检测和载波频偏(CFO)估计,并与传统算法对比评估了用于分组检测和CFO估计的各种DL架构[11]。在本文中,我们将重点放在数据包检测部分,并通过提供详细的复杂度与性能评估以及传统和基于DL的Wi-Fi数据包检测之间的比较来进一步分析。利用一维卷积神经网络(1D-CNN),我们对不同参数的1D-CNN结构与传统的基于相关的包检测器进行了细粒度的评估和比较,1D-CNN在序列检测方面的优异性能在[8]、[11]中得到了证明。我们的结果表明,一维CNN结构在性能和计算复杂度上都优于传统方法,同时在低信噪比(SNR)下保持鲁棒性。
论文的结构如下。以秒为单位。二、 我们提供了背景信息并给出了系统模型。以秒为单位。三、 我们回顾了传统的基于相关性的包检测,并给出了基于一维CNN的包检测的细节。详细分析了两种方法的复杂度与性能。四、 本文在第二节结束。五。
背景和系统模型
本文主要研究基于正交频分复用(OFDM)的ieee802.11技术。其中,基于具有良好相关特性的符号的重复模式的前导码被置于用于初始同步和/或信道估计的数据符号之前(图1)。初始同步过程包括:i)包检测,ii)采样时间偏移(TO)估计,以及iii)CFO估计[12]。
在不丧失通用性的前提下,为了实施和评估,我们重点关注用于Wi-Fi物联网(IoT)的IEEE 802.11ah(Wi-Fi HaLow)标准[13]。对于1mhz分组结构,802.11ah前导码包括14个OFDM符号,其中每个OFDM符号包含N=32个子载波,子载波间隔为∆在频域中f=31.25 kHz。在时域中,每个OFDM符号由8的循环前缀扩展μs持续时间,导致40μs符号。序言分为三个领域:
短训练场(STF):STF由4个OFDM符号组成,在IDFT之后,代表同一16个符号的10个重复μ时域中的s长-短训练符号(STS)。STS具有良好的相关性,适用于粗定时同步和粗CFO估计。
长训练场1(LTF1):LTF1还包含4个160的OFDM符号μs持续时间。相同长训练符号(LTS)的两次重复可实现精细定时同步、CFO估计和信道估计。
信号场(SIG):包含分组信息以配置接收器,而长训练场2(LTF2)用于MIMO信道估计,而在这里,我们关注单天线(SISO)传输。
图2示出总持续时间560的离散时间复基带802.11ah前导码的幅度μs。由于我们的重点是初始数据包样本的检测,为了减少模拟负载,我们使用802.11ah空数据包(NDP),它只包含前导码而不包含数据字段[12]。
在传输之前,对时域样本x进行过采样和滤波,得到过采样信号样本xos。针对离散时间复基带模型,通过等效离散时间冲激响应h来表示信道。添加复合加性高斯白噪声(AWGN)w样本,接收信号样本建模为:
哪里
【论文学习】6、Wi-Fi中基于前导码的包检测:一种深度学习方法相关推荐
- 文献阅读-ICRA2020-一种在穿刺机器人插入过程中基于激光多普勒血流仪检测组织边界的新型传感方法
文章序号.所属单元及链接:2943-Surgical Robotics Steerable CathetersNeedles 一作所属单位:Imperial College London 读后体会:论 ...
- 科学论文1-软件缺陷预测中基于聚类分析的特征选择方法
国家科学基地有超级工程:两弹一星.航天发射中心,有国家科学研究院所和企业研发基地,包括山东的高速铁路研发中心,天津.广东广州和江苏无锡的高性能计算中心等.在此创建科学论文阅读中心,主要是计算机.电子系 ...
- 深度学习在神经营销中基于脑电的偏好分类
0 博主的小前言 博主前几天读到了一篇文献(Deep Learning for EEG-Based Preference Classification in Neuromarketing ),甚是震撼 ...
- iMeta:哈佛刘洋彧等基于物种组合预测菌群结构的深度学习方法(全文翻译,PPT,中英视频)...
通过深度学习从物种组合中预测微生物组成 Predicting microbiome compositions from species assemblages through deep learnin ...
- 深度学习(二十)基于Overfeat的物体检测-2014 ICLR-未完待续
基于Overfeat的物体检测 原文地址:http://blog.csdn.net/hjimce/article/details/50187881 作者:hjimce 一.相关理论 本篇博文主要讲解经 ...
- 深度学习(十八)基于R-CNN的物体检测-CVPR 2014-未完待续
基于R-CNN的物体检测 原文地址:http://blog.csdn.net/hjimce/article/details/50187029 作者:hjimce 一.相关理论 本篇博文主要讲解2014 ...
- (二十二:2020.11.09)论文学习之《CT中伪影的识别和规避》
脚踏实地地解决CT的伪影问题(一)<Artifacts in CT: Recog-nition and Avoidance> 讲在前面 摘要 介绍 物理伪影 一.Beam Hardenin ...
- 论文解读:《RELATION:基于结构的药物从头设计的深度生成模型》
论文解读:<RELATION:A Deep Generative Model for Structure-Based De Novo Drug Design> 1.文章概述 2.迁移学习相 ...
- 读论文《汽车自动驾驶汇总基于单目视觉的障碍物检测》陈存祺
名字起得很好,顾名思义 思路很清晰 1.基于区域生长求解地平面: 2.在已知地平面的情况下,通过边缘与角点检测障碍物: 3.地平面减去障碍物就是通行区域. 其中区域生长的关键点是种子的选择,作者选择了 ...
最新文章
- 多表操作,常用非常用字段
- 创建CSS和处理的一些方法
- Linux 设置windows可见的文件夹共享,创建只拥有读权限的共享用户,samba工具安装,“smbpasswd: command not found“问题解决
- 分段函数 左右 f'正 不等于f'负 则f'导数不存在。所以不能推出f连续是否
- history linux 日志服务器_Linux下使用rsyslog部署日志服务器 记录history并发送到rsyslog服务器...
- c 语言 json序列化,C#中json字符串的序列化和反序列化 – 万能的聪哥 – 博客园...
- 一篇关于web.xml配置的详细说明(一)
- Kali Linux 秘籍 第六章 漏洞利用
- CUDA——调试“ImportError: libcudart.so.9.2: cannot open shared object file: No such file or directory”
- [.net 面向对象编程基础] (22) 事件
- CentOS 6.4下CDH4集群安装(1)
- 2018, CHI CHI2016汇总all CHI
- 《软件工程》第6章体系结构设计
- 前端工程师薪资差距可达7.3倍!4月程序员薪资统计出炉,速看!
- 基于区块链的数字藏品管控方案
- 最新免费ChatGPT中文镜像网站+整理了20多个-持续更新
- 优酷古永锵:最大对手是土豆网 做好内容监管
- (Bit / Byte / KB / MB / GB / TB ) 概念与单位换算
- CPU设计——CPU核解析——cv32e40p
- 计算机专业 英语复试专业问题准备(1)