为提高OFDM(Orthogonal Frequency Division Multiplexing)系统通信衰落信道估计性能,提出一种基于深度神经网络的信道估计模型DeReNet。通过串联深度密集网络和深度残差网络,抑制网络训练中出现的梯度爆炸和消失问题。将该模型与LS(Lea...为提高OFDM(Orthogonal Frequency Division Multiplexing)系统通信衰落信道估计性能,提出一种基于深度神经网络的信道估计模型DeReNet。通过串联深度密集网络和深度残差网络,抑制网络训练中出现的梯度爆炸和消失问题。将该模型与LS(Least Square)、FC-DNN(Full Connection Dense Neural Network)和SimNet(Simplified Deep Neural Networks)模型进行仿真实验对比,结果表明,在莱斯衰落环境下该模型的信道估计性能更好,能有效提高信道衰落的估计精度。展开更多
为降低干扰噪声对重力实测数据的影响,进一步提高重力数据处理精度,提出一种基于多级小波残差网络(MWRNet)的重力数据去噪方法,该方法结合小波变换和神经网络实现对重力数据中噪声分量的去除。首先通过小波变换分解重力数据,再利用神经...为降低干扰噪声对重力实测数据的影响,进一步提高重力数据处理精度,提出一种基于多级小波残差网络(MWRNet)的重力数据去噪方法,该方法结合小波变换和神经网络实现对重力数据中噪声分量的去除。首先通过小波变换分解重力数据,再利用神经网络提取噪声,同时引入残差通道注意力(RCA)模块增强网络的噪声提取能力。利用模拟数据和实测数据测试所提方法,实验结果表明:所提方法相较于其他重力数据去噪算法具有更好的效果。在噪声水平为50的实验中,所提方法相较于传统去噪算法三维块匹配算法BM3D(Block-Matching and 3D filtering),在峰值信噪比(PSNR)、结构相似性指数(SSIM)上分别提升了21.8%、9.3%;相较于基于深度学习的去噪算法DnCNN(Denoising Convolutional Neural Network)、MWCNN(Multi-level Wavelet-CNN),PSNR、SSIM也分别有所提升。展开更多
随着移动通信技术不断创新与发展,对通信的可靠性和数据传输性能提出了更高要求。准确高效地获取信道状态信息(Channel State Information,CSI)是充分发挥无线通信系统各项技术潜能的关键前提。针对多输入多输出-正交频分复用(MIMO-OFDM...随着移动通信技术不断创新与发展,对通信的可靠性和数据传输性能提出了更高要求。准确高效地获取信道状态信息(Channel State Information,CSI)是充分发挥无线通信系统各项技术潜能的关键前提。针对多输入多输出-正交频分复用(MIMO-OFDM)系统中导频开销大及信道估计准确性低的问题,设计了一种基于深度学习的导频设计和信道估计联合优化方案(AE-DRSN)。该方案首先利用Concrete自编码器来识别和选择具有最大信息量的导频位置,从而实现导频优化。然后,将优化后的导频位置输入深度残差收缩网络获取更精确的CSI,进一步完成信道的精确估计。实验结果表明,与传统的信道估计方法相比,基于AE-DRSN的联合优化方案在少量的导频开销下仍能实现高精度的信道估计,充分验证了该方案的有效性。展开更多
针对低轨卫星通信场景下长传播时延导致的信道状态信息(Channel State Information,CSI)过时问题,提出了一种基于地理环境认知的低轨卫星空时多维信道预测方法。首先,通过射线追踪法建模卫星信道,进而确定不同地理环境下影响CSI变化的...针对低轨卫星通信场景下长传播时延导致的信道状态信息(Channel State Information,CSI)过时问题,提出了一种基于地理环境认知的低轨卫星空时多维信道预测方法。首先,通过射线追踪法建模卫星信道,进而确定不同地理环境下影响CSI变化的几个关键因素并将其与信道特征参量建立映射关系;然后,设计了一个由卷积神经网络(Convolutional Neural Network,CNN)和长短时记忆(Long⁃Short Term Memory,LSTM)神经网络构成的组合神经网络模型来有效预测CSI,通过CNN网络提取CSI和特征参量之间变化的空时相关性来认知地理环境对CSI变化的影响,利用LSTM网络处理时间序列的特点根据当前输入信息预测未来某一时刻CSI值。在此基础上,进一步提出了一种离线训练-模型更新-在线预测的实施框架以解决低轨卫星平台资源受限及高动态的问题。仿真结果表明,相较于传统的基于LSTM网络的低轨卫星信道预测方法,所提方法能够有效提升CSI预测精度及其预测模型的稳定性。展开更多
文摘为降低干扰噪声对重力实测数据的影响,进一步提高重力数据处理精度,提出一种基于多级小波残差网络(MWRNet)的重力数据去噪方法,该方法结合小波变换和神经网络实现对重力数据中噪声分量的去除。首先通过小波变换分解重力数据,再利用神经网络提取噪声,同时引入残差通道注意力(RCA)模块增强网络的噪声提取能力。利用模拟数据和实测数据测试所提方法,实验结果表明:所提方法相较于其他重力数据去噪算法具有更好的效果。在噪声水平为50的实验中,所提方法相较于传统去噪算法三维块匹配算法BM3D(Block-Matching and 3D filtering),在峰值信噪比(PSNR)、结构相似性指数(SSIM)上分别提升了21.8%、9.3%;相较于基于深度学习的去噪算法DnCNN(Denoising Convolutional Neural Network)、MWCNN(Multi-level Wavelet-CNN),PSNR、SSIM也分别有所提升。
文摘随着移动通信技术不断创新与发展,对通信的可靠性和数据传输性能提出了更高要求。准确高效地获取信道状态信息(Channel State Information,CSI)是充分发挥无线通信系统各项技术潜能的关键前提。针对多输入多输出-正交频分复用(MIMO-OFDM)系统中导频开销大及信道估计准确性低的问题,设计了一种基于深度学习的导频设计和信道估计联合优化方案(AE-DRSN)。该方案首先利用Concrete自编码器来识别和选择具有最大信息量的导频位置,从而实现导频优化。然后,将优化后的导频位置输入深度残差收缩网络获取更精确的CSI,进一步完成信道的精确估计。实验结果表明,与传统的信道估计方法相比,基于AE-DRSN的联合优化方案在少量的导频开销下仍能实现高精度的信道估计,充分验证了该方案的有效性。
文摘针对低轨卫星通信场景下长传播时延导致的信道状态信息(Channel State Information,CSI)过时问题,提出了一种基于地理环境认知的低轨卫星空时多维信道预测方法。首先,通过射线追踪法建模卫星信道,进而确定不同地理环境下影响CSI变化的几个关键因素并将其与信道特征参量建立映射关系;然后,设计了一个由卷积神经网络(Convolutional Neural Network,CNN)和长短时记忆(Long⁃Short Term Memory,LSTM)神经网络构成的组合神经网络模型来有效预测CSI,通过CNN网络提取CSI和特征参量之间变化的空时相关性来认知地理环境对CSI变化的影响,利用LSTM网络处理时间序列的特点根据当前输入信息预测未来某一时刻CSI值。在此基础上,进一步提出了一种离线训练-模型更新-在线预测的实施框架以解决低轨卫星平台资源受限及高动态的问题。仿真结果表明,相较于传统的基于LSTM网络的低轨卫星信道预测方法,所提方法能够有效提升CSI预测精度及其预测模型的稳定性。
