的推导 米₂ 米₄(提供的基础算法 9对于复杂通道描述如下;第二,第四个接收信号的时刻 y k n 可以计算为 (5) 米 2 , k = E y k n 2 ≈ 1 l ∑ n = 1 l y k n y k ∗ n , 米 4 , k = E y k n 4 ≈ 1 l ∑ n = 1 l y k n y k ∗ n 2 。

对于任何 米必要相移键控信号,信噪比可以估计 (6) γ ^ k = 2 米 2 , k 2 − 米 4 , k 米 2 , k − 2 米 2 , k 2 − 米 4 , k 。

参数命名signal-to-variation比(SVR)提出了基于时刻在 23),开发监控信道质量。在[ 9),详细推导出基于SVR的信噪比估计算法在AWGN信道中。

基于SVR的信噪比估计算法对参数是一个函数 β 事实上。当调制信号是一个复杂的信号, β 被定义为 (7) β = E y k n y k n ∗ y k n − 1 y k n − 1 ∗ E y k n y k n ∗ 2 − E y k n y k n ∗ y k n − 1 y k n − 1 ∗ 。

对于任何 米必要相移键控信号,信噪比可以估计 (8) γ ^ k = β − 1 + β β − 1 。

考虑一种调制,产生大量的碎片和调制。然后,调制信号传输情况下,Rician衰落或瑞利衰落信道。调制信号的力量被假定为单位,和噪音是随机配置,生产大量的信号与随机均匀分布后信噪比观察。

信号预处理的目的是将每个观测信号转化为一个星座图。可以利用星座图的各种格式,本文使用三通道星座形象(所 22]。详细地, l 信号的观测样本映射到一个7×7复平面。一个指数衰减模型应用于缓解信息丢失,导致信号映射。三通道星座形象包括三个星座图源自相同的信号观察但不同的指数衰减率。最后,所有图像大小适当的解决方案根据DL网络的输入层。

监督学习进行识别星座图。在监督学习中,标签必须输入训练数据和所需的输出标签。DL基于信噪比估计的任务,生成信号的星座图是对应的信噪比的值,可获得根据信号和噪声信号的步骤。

CNN是代表DL网络处理图像数据( 24]。一个完整的CNN由一个输入层、一个输出层,和多个隐藏层。三个cnn,包括AlexNet、InceptionV1 VGG16,选择网络培训。

在线评估阶段,接收信号的观察 y k 与未知的信噪比首先预处理成星座图类似于离线训练阶段。之后,根据信噪比的一步推断,星座图是输入训练网络模型来源于离线训练阶段来推断估计的结果 γ ^ k 。

在实验中,根据不同的调制信号可能是调制类型和损坏由不同的频道。对于每个调制类型和通道, K = 2000年 测试观察随机信噪比均匀分布在一个封闭的区间−4 dB 14 dB利用。每个测试观察组成 l = 1000年 样品和转换成一个星座图。星座图的分辨率为227×227年利用AlexNet和利用InceptionV1和VGG16时是224×224。瑞利和Rician衰落通道是由过滤器、采样间隔的位置 T 年代 = 10 − 6 年代 ,最大的多普勒频移 F d = 50 赫兹 的矢量路径时间延迟 τ = 0,0.004 , 0.008 , 0.012 年代 收益是,向量的平均路径 P dB = 0 , − 3 , − 6 , − 10 dB, Rician因素 κ = 3 。此外, 米 2 米 4 和基于SVR的信噪比估计算法是采用比较。

在我们的任务中,信号和噪声可能相互混淆。当把噪声的信号,信噪比估计价值变得越来越小,导致负面的估计误差。相反,把信号的噪声时,估计的值变大,产生积极的估计误差。本文使用MSE量化估计错误。根据估计的信噪比 γ ^ k ,MSE可以计算如下: (9) 均方误差 γ ^ k , γ k = 1 K ∑ k = 1 K γ ^ k − γ k 2 。

图 6显示了不同的算法的家中小企业和QPSK调制在AWGN信道下的信噪比。根据这个图,家中小企业的DL算法为基础,包括AlexNet InceptionV1 VGG16,都是整个信噪比小于0.055。然而, 米 2 米 4 基于算法表现出极高的MSE,信噪比低,因此基于SVR算法。因此,无论利用CNN, DL基于信噪比估计算法比传统的算法,特别是在低信噪比情况。

为了演示调制类型对估计精度的影响,图 7显示了家中小企业的BPSK, QPSK, 8相移键控,平均16相移键控在AWGN信道信噪比。对于每个估计算法,MSE调制秩序的增加而增加,但增加不显著。之间的性能差距 米 2 米 4 基础算法和基于SVR算法缩小调制的增加的订单。此外,无论采用哪种调制类型,为了三个基于DL算法总是低于传统的算法。在DL算法为基础,InceptionV1表现略优于AlexNet和VGG16,因此,有最好的估计精度。

除了AWGN信道,Rician和瑞利衰落信道下进行了类似的实验。InceptionV1作为DL基于信噪比估计算法的一个例子。图 8显示了两种算法对信噪比的家中小企业在不同的频道。从这个图可以看出,两种算法执行的最好在AWGN信道和瑞利衰落信道下的最差。与传统的算法相比,基于DL算法是影响较小的通道和总是无论信道条件优越。此外,差异之间的家中小企业 米 2 米 4 和基于SVR算法是最大的瑞利衰落信道下,减少信道环境变得更好,AWGN信道下的最小。

分析不同算法的计算复杂度,表 2记录他们的平均运行时间处理一个测试观察。注意,传统算法计算的中央处理单元(CPU)英特尔i7 8700,虽然基于DL算法计算与图形处理单元(GPU)的Nvidia GTX 1080 ti。如表所示 2传统的算法运行时间越长,尤其是 米 2 米 4 基于算法。受益于GPU的并行计算能力,基于DL算法的运行时间减少了。三国的实现DL算法为基础,VGG16消耗比AlexNet运行时间和运行时间比InceptionV1少。这是因为网络AlexNet是最小的深度,和InceptionV1是最大的。