论文部分内容阅读
无线通信已经成为影响人类社会发展方方面面的关键技术，无线信道的均衡在无线通信技术中占据着非常重要的地位。随着人们对于移动通信技术的需求越来越强烈，对速度更快，误码率更低，自适应性更强的信道均衡算法的研究也受到越来越多的重视。本论文将信道均衡问题建模为机器学习分类问题，并基于深度学习算法，尤其是卷积神经网络和循环神经网络设计了高性能信道均衡算法。通过构建复杂结构的多层神经网络，并基于反向传播等优化算法对网络参数进行训练，最终实现了对无线信道特征的学习。本文主要的工作和创新点如下: 1.本文采用了一种并行架构的信道探测仪，在一些典型的室内无线通信环境中采集了大量无线数据，用于训练和验证深度神经网络信道均衡算法。本文在发送端采用叠加-10dB到30dB噪声的PSK调制信号作为发送信号，并在接收端对信号进行采集存储。采集到的相应收发数据以TDMS文件的形式存储在本地，并将相关数据通过无线数据共享网站http://wise.sh进行开源。 2.本文首先对信道均衡问题进行分析建模，并分别从理论与实验层面推导和验证了传统信道均衡算法。然后基于神经网络算法的原理与其拟合非线性系统的特点，分别构建了基于深度神经网络、卷积神经网络和循环神经网络的信道均衡算法。为了便于网络的训练和计算，对数据集进行了高效的预处理，并通过有效的特征提取加快了网络训练的速度。本文着重分析研究三种神经网络算法的网络架构与网络参数对算法性能的影响，从而选择最适合信道均衡场景的神经网络参数。 3.通过采集的大量无线数据集样本，对本文设计的三种基于深度学习神经网络信道均衡算法分别进行了实验验证，探究了三种深度学习算法以及传统信道均衡算法之间的差异。三种算法中，基于深度神经网络的无线信道均衡模型实现最为简单，而且均衡结果的准确性也较好。基于卷积神经网络的无线信道均衡模型结构较为复杂，模型的参数调优比较困难，且训练时间较长。基于循环神经网络的信道均衡算法的神经元结构较为复杂，但是均衡准确性在三者中最高，且有着较快的收敛速度，实用价值较高。