本发明涉及信号处理领域和深度学习领域,尤其涉及一种基于深度学习的otfs信号检测方法、装置及介质。
背景技术:
1、第六代(6g)无线网络被设想为不久的将来的智能数字社会提供全球覆盖,从传统的地面网络到非地面网络,在高载波频率的高移动性场景下的可靠通信将发挥至关重要的作用。传统的正交频分复用(ofdm)调制,很容易受到严重的多普勒传播影响。在此背景下,一种二维调制方案,即正交时频空调制(otfs)被提出,该调制方案在延迟-多普勒域调制信息,而不是在经典的时频域,提供强大的延迟抗性和多普勒抗性。
2、然而在otfs信号检测中,常用的检测算法会进行矩阵求逆运算,时间复杂度和空间复杂度大并且检测性能也不佳,这使得otfs的信号检测成为一个挑战。
技术实现思路
1、为至少一定程度上解决现有技术中存在的技术问题之一,本发明的目的在于提供一种基于深度学习的otfs信号检测方法、装置及介质。
2、本发明所采用的技术方案是:
3、一种基于深度学习的otfs信号检测方法,包括以下步骤:
4、s1、设定发射信号,根据预设的信道矩阵的参数信息,对发射信号实现零填充处理;
5、s2、对发射信号进行向量化处理,并生成信道矩阵;
6、s3、对发射信号进行信道干扰,获取到对应的接收信号;
7、s4、将信道矩阵和接收信号矩阵转换为实信道矩阵,并进行相应的噪声的扩展添加;
8、s5、将实信道矩阵进行分块,将获得的分块输入lstm模块进行训练,输出分块的发射信号;
9、s6、将得到的发射信号对接下来的分块接收信号和分块信道矩阵进行正向干扰消除,得到新的分块接收信号;对发射信号进行反向干扰消除,得到新的发射信号;
10、s7、根据得到的发射信号和预设的发射信号计算损失函数,更新神经网络的参数,继续进行相应的学习,得到最后的信号检测结果。
11、进一步地,所述步骤s1,包括:
12、设定发射信号x,形成m×n个qpsk符号的帧;根据预设的信道矩阵的参数信息,设定发射信号的零填充符号,其中零填充的个数为nlmax,lmax为最大信道延迟扩展指数。
13、进一步地,所述步骤s2,包括:
14、将发射信号变换为列向量x,利用信道信息设定发射信号对应的信道矩阵h;其中因为发射信号的变换,信道矩阵呈现循环特征。
15、进一步地,所述接收信号y的表达式为:
16、y=h·x+w
17、其中,w表示噪声,h为信道矩阵,x为向量化的发射信号。
18、进一步地,所述步骤s5,包括:
19、将实信道矩阵进行分块,获取第一个分块并进行qr分解,得到一个下三角信道矩阵和一个接收信号矩阵,将两个矩阵合并送入两层双向lstm网络,训练出第一个分块的发射信号。
20、进一步地,所述lstm模块包括两层均为双向网络的lstm网络;
21、将每一分块输入到第一层双向lstm网络,得到相应的块发射信号的估计值,该估计值需要重新放入下一层模块进行不断迭代;
22、经过正向干扰消除后,进行一次反向的干扰消除,叠加得到发射信号;
23、对每一次获得完整的发射信号的估计值,都需要计算损失函数,不断更新网络参数,最后完成信号检测任务。
24、本发明所采用的另一技术方案是:
25、一种基于深度学习的otfs信号检测装置,包括:
26、至少一个处理器;
27、至少一个存储器,用于存储至少一个程序;
28、当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如上所述方法。
29、本发明所采用的另一技术方案是:
30、一种计算机可读存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。
31、本发明的有益效果是:本发明通过使用深度学习的学习优势,采用神经网络模块搭建迭代系统,可以适用于不同的信道模型,使得该模型具有较强的鲁棒性和较好的性能。
1.一种基于深度学习的otfs信号检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于深度学习的otfs信号检测方法,其特征在于,所述步骤s1,包括:
3.根据权利要求1所述的一种基于深度学习的otfs信号检测方法,其特征在于,所述步骤s2,包括:
4.根据权利要求1所述的一种基于深度学习的otfs信号检测方法,其特征在于,所述接收信号y的表达式为:
5.根据权利要求1所述的一种基于深度学习的otfs信号检测方法,其特征在于,所述步骤s5,包括:
6.根据权利要求1所述的一种基于深度学习的otfs信号检测方法,其特征在于,所述lstm模块包括两层均为双向网络的lstm网络;
7.一种基于深度学习的otfs信号检测装置,其特征在于,包括:
8.一种计算机可读存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-6任一项所述方法。