基于复数值神经网络的信道估计方法及系统与流程

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