技术特征:
1.基于复数值神经网络的信道估计方法,其特征在于,包括以下步骤:
S1、构建复数值神经网络;
S2、在接收端提取导频,并估计导频信号的CFR值,得到训练集和测试集;
S3、将训练集中导频信号的CFR值作为输入对复数值神经网络进行离线训练,得到训练后的复数值神经网络;
S4、将测试集中导频信号的CFR值作为输入对训练好的复数值神经网络进行测试,得到数据信号的CFR值;
S5、根据数据信号的CFR值恢复原始的传输信号。
2.如权利要求1所述的基于复数值神经网络的信道估计方法,其特征在于,所述复数值神经网络包括输入层、隐含层和输出层,输入信号在输入层、隐含层和输出层之间通过非线性变换来完成前向传播;根据输出层的输出值和前向传播的标签值之间的误差值,利用学习算法更新复数值神经网络中的参数来完成反向传播。
3.如权利要求2所述的基于复数值神经网络的信道估计方法,其特征在于,所述非线性变换通过激活函数来实现。
4.如权利要求3所述的基于复数值神经网络的信道估计方法,其特征在于,所述激活函数为复数tanh函数。
5.如权利要求2所述的基于复数值神经网络的信道估计方法,其特征在于,所述输入层输入的数据为导频信号的CFR值,如下:
X=[X1,X2,…,Xm]T
所述隐含层的输出Hj(j=1,2,…,p)如下:
其中,Wij和bj1分别是从输入层到隐含层的复数值权重和偏置,f(·)为复数tanh函数;
所述输出层的最终输出Yk(k=1,2,…,n)如下:
其中,Wjk和bk2分别是从隐含层到输出层的复数值权重和偏置。
6.如权利要求2所述的基于复数值神经网络的信道估计方法,其特征在于,所述反向传播是复数值神经网络的训练过程,训练是由学习算法和代价函数来完成,通过不断更新复数权重和偏置来最小化代价函数。
7.如权利要求6所述的基于复数值神经网络的信道估计方法,其特征在于,所述代价函数如下:
其中,为标签,即数据信号的CFR值,(·)*表示复数值向量的共轭。
8.如权利要求6所述的基于复数值神经网络的信道估计方法,其特征在于,所述学习算法为L-BFGS算法。
9.如权利要求1所述的基于复数值神经网络的信道估计方法,其特征在于,所述导频信号的CFR值通过以下公式计算:
其中,Xp(k)和Yp(k)分别为发送端和接收端的导频信号;HLS(k)为频域中导频处的信道响应,即导频信号的CFR值。
10.一种基于复数值神经网络的信道估计系统,其特征在于,包括:
网络构建模块,用于构建复数值神经网络;
导频信号计算模块,用于在接收端提取导频,并估计导频信号的CFR值,得到训练集和测试集;
离线训练模块,用于将训练集中导频信号的CFR值作为输入对复数值神经网络进行离线训练,得到训练后的复数值神经网络;
测试模块,用于将测试集中导频信号的CFR值作为输入对训练好的复数值神经网络进行测试,得到数据信号的CFR值;并根据数据信号的CFR值恢复原始的传输信号。
技术总结
本发明公开了一种基于复数值神经网络的信道估计方法及系统,该方法包括以下步骤:S1、构建复数值神经网络;S2、在接收端提取导频,并估计导频信号的CFR值,得到训练集和测试集;S3、将训练集中导频信号的CFR值作为输入对复数值神经网络进行离线训练,得到训练后的复数值神经网络;S4、将测试集中导频信号的CFR值作为输入对训练好的复数值神经网络进行测试,得到数据信号的CFR值;S5、根据数据信号的CFR值恢复原始的传输信号。本发明基于复数值神经网络(CVNN)的信道估计方法及系统灵敏度高、能够有效抵抗光纤色散的影响。
技术研发人员:高明义;褚佳敏;刘晓利;邵卫东;
受保护的技术使用者:苏州大学;
技术研发日:2021.10.09
技术公布日:2022.02.01
本文用于企业家、创业者技术爱好者查询,结果仅供参考。