针对长短码直接扩频序列(long and short code direct sequence spread spectrum, LSC-DSSS)信号序列估计难题,在已知LSC-DSSS信号参数的条件下,提出一种基于新信息准则(novel information criterion, NIC)神经网络联合梅西算法的长短...
详细信息
针对长短码直接扩频序列(long and short code direct sequence spread spectrum, LSC-DSSS)信号序列估计难题,在已知LSC-DSSS信号参数的条件下,提出一种基于新信息准则(novel information criterion, NIC)神经网络联合梅西算法的长短码信号序列估计方法。将LSC-DSSS信号输入NIC神经网络以估计随机采样起点,再通过不断输入数据训练NIC神经网络权值向量。当网络收敛时,权值向量的符号值即为LSC-DSSS信号的复合码序列片段。使用延迟相乘,消除幅度模糊与短扩频码序列的影响,再利用梅西算法获得扰码序列的生成多项式。仿真实验结果表明,NIC神经网络较特征值分解法的抗噪声性能提高6 dB,同时较Hebbian准则神经网络所需学习组数减少50%。
针对正交时频空间系统在整数多普勒模型中多普勒分辨率较低，不适用于实际通信场景的问题，在多输入多输出的正交时频空间（multiple-input multiple-output orthogonal time frequency space,MIMO-OTFS）调制系统中考虑分数多普勒信道...
详细信息
针对正交时频空间系统在整数多普勒模型中多普勒分辨率较低，不适用于实际通信场景的问题，在多输入多输出的正交时频空间（multiple-input multiple-output orthogonal time frequency space,MIMO-OTFS）调制系统中考虑分数多普勒信道模型，可有效提升多普勒频移分辨率，但同时会产生虚拟路径，导致多普勒间干扰。因此研究了一种模型驱动的学习去噪近似消息传递（learned denoising-based approximate message passing,LDAMP）算法，对含有多普勒间干扰的分数多普勒信道进行估计。该算法以去噪近似消息传递（denoising-based approximate message passing,DAMP）算法为基础，构建了一个可解释的神经网络框架，并选用去噪卷积神经网络（denoising convolutional neural network,Dn CNN）替代DAMP中的传统去噪器，通过学习噪声特征将之有效去除，进而显著提升后续信号处理性能。仿真结果表明，模型驱动的LDAMP算法结合了迭代算法的模型优势和深度学习强大的泛化能力，相较于传统算法，能够有效补偿多普勒间干扰带来的性能损失，实现更高的信道估计精度。
暂无评论