1.算法描述

随着无线通信的快速发展,5G正逐渐成长为支撑全社会各行业运作的大型基础性互联网络,其服务范围的大幅扩展对底层技术提出了诸多挑战,尤其是作为物理层关键技术之一的正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)。近来,深度学习因其在计算机视觉以及自然语言处理领域中的优异表现而备受关注,其极强的普适性也为传统通信提供了新的发展空间。就OFDM系统中的信道估计问题展开深入研究,探索深度学习在该领域的应用可能。

信道估计器是接收机一个很重要的组成部分。在OFDM系统中，信道估计器的设计上要有两个问题:一是导频信息的选择，由于无线信道的时变特性，需要接收机不断对信道进行跟踪，因此导频信息也必须不断的传送: 二是既有较低的复杂度又有良好的导频跟踪能力的信道估计器的设计，在确定导频发送方式和信道估计准则条件下，寻找最佳的信道估计器结构。 **在实际设计中，导频信息的选择和最佳估计器的设计通常又是相互关联的，因为估计器的性能与导频信息的传输方式有关。

基于OFDM 的通信系统如下：

基于深度学习的信道估计：

深度学习（英语：deep learning），是一个多层神经网络是一种机器学习方法。在深度学习出现之前，由于诸如局部最优解和梯度消失之类的技术问题，没有对具有四层或更多层的深度神经网络进行充分的训练，并且其性能也不佳。但是，近年来，Hinton等人通过研究多层神经网络，提高学习所需的计算机功能以及通过Web的开发促进培训数据的采购，使充分学习成为可能。结果，它显示出高性能，压倒了其他方法，解决了与语音，图像和自然语言有关的问题，并在2010年代流行。

深度学习(Deep Learning, DL)，由Hinton等人于2006年提出，是机器学习(MachineLearning, ML)的一个新领域。深度学习被引入机器学习使其更接近于最初的目标----人工智能（AI，Artificial Intelligence）。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字、图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语言和图像识别方面取得的效果，远远超过先前相关技术。它在搜索技术、数据挖掘、机器学习、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术，以及其它相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。

基于深度学习的参数估计方法DL-CE，采用LS方法获取导频位置处的CFR，再通过所设计的深度学习估计网络获取各个数据符号位置的信道响应。由于在多径环境下，信道呈现频域选择性衰落，传统的线性插值方法无法跟踪信道的变化。基于深度学习的信道估计方法，同时估计信道响应与信道的频域相关系数，可以实时追踪信道的频域变化。

2.仿真效果预览

matlab2022a仿真结果如下：

3.MATLAB核心程序

.................................load DL_train\dl.mat
for i=1:length(SNR_dB) iError   = 0;  err_all = 0;for iii=1:nloop(i)%%%以单天线方式产生测试信号msg                            = rand(Len*Nc/4,1)>=0.5;%turbo编码seridata1                      = func_turbo_code(msg,N,M);seridata                       = [seridata1,zeros(1,Len*Nc-length(seridata1))]';%QPSK映射[Qpsk0,Dqpsk_pilot,symbol_bit] = func_piQPSK_mod(seridata);%变换为矩阵   Qpsk_matrix                    = reshape(Qpsk0,fftlen,Nc);[Pilot_in,pilot_num,Pilot_seq,pilot_space] = func_insert_pilot(Dqpsk_pilot,Qpsk_matrix,pilot_type,T,TG);Pilot_in                       = fft(Pilot_in);%sub carrier mappingPilot_in                       = func_subcarrierMap(Pilot_in); %IFFT transform，产生OFDM信号ifft_out                       = ifft(Pilot_in);%插入包含间隔  ，循环前缀   Guard_int                      = ceil(BWs/fftlen);  Guard_int_ofdm                 = func_guard_interval_insert(ifft_out,fftlen,Guard_int);   %将矩阵数据转换为串行进行输出Guard_int_ofdm_out             = reshape(Guard_int_ofdm,1,(fftlen+Guard_int)*(Nc+pilot_num));%%%Step1：大规模MIMO信道[Hm,Hmmatrix]            = func_mychannels(Radius,Scale1,Scale2,Nh,Nv);       %Step2：多径参数和大规模MIMO参数输入到信道模型中%信道采样点数，每个调制符号采一个点[passchan_ofdm_symbol]   = func_conv_channels(Hmmatrix,Guard_int_ofdm_out,Nmultipath,Pow_avg,delay_multi,Fre_offset,timeval,iii);%Step3：噪声信道 Rec_ofdm_symbol          = awgn(passchan_ofdm_symbol,SNR_dB(i),'measured');%%%开始接收Guard_int_remove = func_guard_interval_remove(Rec_ofdm_symbol,(fftlen+Guard_int),Guard_int,(Nc+pilot_num));%FFTfft_out          = fft(Guard_int_remove);%sub carrier demappingfft_out          = func_desubcarrierMap(fft_out);fft_out          = ifft(fft_out);%信道估计%func_DL_est[Sig_Lrmmse,Hs]  = func_DLest(fft_out,pilot_space,Pilot_seq,pilot_num,delay_avg/timeval,4e-6/timeval,10^(SNR_dB(i)/10),Guard_int);%解调Dqpsk            = func_pideMapping(Sig_Lrmmse,fftlen*Nc);%turbo解码Dqpsk_decode     = [func_turbo_decode(2*Dqpsk(1:end-(Len*Nc-length(seridata1)))-1,N,M)]';%计算误码率err_num          = Len*Nc/4-length(find(msg==Dqpsk_decode(1:Len*Nc/4)));Error            = Error + err_num;end%计算误码率err_all       = err_all+Len*Nc/4;Err_Rate(i)   = Error/err_all/nloop(i);
end
......................................01_200m

4.完整MATLAB

m基于深度学习的OFDM信道估计和均衡算法误码率matlab仿真,对比了LS,MMSE以及LMMSE等传统的信道估计算法相关推荐

m基于机器学习MLP的OFDM信道估计误码率matlab仿真,对比LS和MMSE两种信道估计算法
目录 1.算法描述 2.仿真效果预览 3.MATLAB核心程序 4.完整MATLAB 1.算法描述信道估计器是接收机一个很重要的组成部分.在OFDM系统中,信道估计器的设计上要有两个问题:一是导频信 ...
基于64QAM调制解调的LDPC编译码算法误码率matlab仿真
目录 1.算法描述 2.仿真效果预览 3.MATLAB核心程序 4.完整MATLAB 1.算法描述 LDPC译码从译码算法的实现角度可以将译码类型分为硬判决译码和软判决译码两种类型.其中,硬判决译码方 ...
【图像检测】基于深度学习 (CAE) 实现材料异常检测和定位附matlab代码
✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信.
深度学习助力网络科学：基于深度学习的社区发现最新综述
来源:AMiner科技论文题目: A Comprehensive Survey on Community Detection with Deep Learning 论文网址: https://arx ...
基于深度学习的医学图像分割综述
转载:https://blog.csdn.net/weixin_41783077/article/details/80894466 摘要:医学图像分割是决定医学图像在临床诊疗中能否提供可靠依据的关键问 ...
无失真压缩法可以减少冗余_CVPR 2020 论文概述：基于深度学习的层级式视频压缩方法...
在 CVPR 2020 论文<Learning for Video Compression with Hierarchical Quality and Recurrent Enhancement ...
基于深度学习的安全帽检测系统（YOLOv5清新界面版，Python代码）
摘要:安全帽检测系统用于自动化监测安全帽佩戴情况,在需要佩戴安全帽的场合自动安全提醒,实现图片.视频和摄像头等多种形式监测.在介绍算法原理的同时,给出Python的实现代码.训练数据集,以及PyQt的 ...
基于深度学习的信道估计（DL-CE）基础知识
参考文献:<基于机器学习的信道估计算法优化研究>(电子科技大学,李红,硕士学位论文) 文献下载地址: 链接:https://pan.baidu.com/s/1mys6ADy50uDRHNM ...
【论文学习】7、ieee802.11ah中基于深度学习的载波频偏估计
摘要基于ieee802.11标准的Wi-Fi系统是最流行的无线接口,它采用先听后讲(LBT)的方式进行信道接入.大多数基于LBT的系统的显著特征是,发射机使用在数据之前的前导码来允许接收机执行分组检 ...

m基于深度学习的OFDM信道估计和均衡算法误码率matlab仿真,对比了LS,MMSE以及LMMSE等传统的信道估计算法

1.算法描述

2.仿真效果预览

3.MATLAB核心程序

4.完整MATLAB

m基于深度学习的OFDM信道估计和均衡算法误码率matlab仿真,对比了LS,MMSE以及LMMSE等传统的信道估计算法相关推荐

最新文章

热门文章