深上优于使用星座图的信噪比估计

文摘

信噪比(信噪比)的评估是一项基本的任务频谱管理和数据传输。现有方法的信噪比估计通常遭受重大估计错误时信噪比很低。本文提出一种基于深度学习(DL)信噪比估计算法利用星座图。因为星座图表现出不同的模式在不同的信噪比,该算法实现信噪比估计通过星座图识别,基于DL可以轻松处理。三个DL网络、AlexNet InceptionV1, VGG16,利用基于DL信噪比估计。实验结果表明,该算法总是表现良好,特别是在低信噪比情况。

1。介绍

信噪比(信噪比),它定义了不同级别之间的信号和噪声,频谱管理是最重要的参数之一(1),信道资源分配(2,3),传输功率控制(4),和自适应调制和编码5]。

根据是否需要辅助数据,现有的信噪比估计方法可以分为两组,data-aided (DA)算法(6[]和non-data-aided (NDA)算法7]。前能够实现估计精度高但必须传递一个试点序列(8]。后者需要小前的信息信号和日益成为普遍的选择。

对NDA算法,基于第二和四阶的估计量的时刻用于信噪比估计(9]。高阶的时刻都是用来估计信噪比在多个天线系统(10]。在[11],sixth-order基于统计数据的信噪比估计,提出了两种不同振幅的信号水平。信噪比估计基于指标归一化频率在讨论了维特比译码器12]。正交频分复用信号的信噪比估计没有任何飞行员序列的知识通过使用循环前缀(13]。在[14),如何使用查表基于等级歧视的信噪比估计测试被描述。在[15),修改后的信噪比估计算法基于奇异值分解的调查。为了缓解信号泄漏损害的影响信噪比估计的性能,一个加权算子提出预测和检索泄漏信号(16]。虽然这些算法不需要导频序列,他们通常遭受重大估计错误,特别是当信噪比很低。

近年来,随着深度学习的繁荣(DL), DL基础通信技术已经引起了极大的关注。在[17),一个智能眼图分析仪基于卷积神经网络(cnn)是构建在光通信性能监视。在[18,19],DL基于移动流量分类进行了探讨。在[20.),多输入多输出检测使用深层神经网络调查。总结了一些cnn在无线通信中的应用(21]。由于不同调制类型的星座图明显不同,(22)利用cnn识别星座图,实现基于DL的调制分类。

注意,星座图也表现出不同的模式在不同的信噪比。当信噪比高,点星座图更集中。否则,点更分散。因此,DL基于信噪比估计可能同样通过星座图识别来实现。

本文基于DL信噪比估计使用星座图。信噪比估计的问题转换为DL星座图识别和解决的问题。该算法由两个阶段组成。在离线训练阶段,CNN模型训练通过使用大量的星座图标注的信噪比的值。在线评估阶段,接收到的信号预处理成星座图和送入训练CNN模型,与接收信号的信噪比估计。

本文的其余部分组织如下。部分2制定信号模型以及信噪比估计的任务。第三节介绍了两种传统的信噪比估计算法。第四节说明了DL基于信噪比估计算法的详细步骤。提供了实验结果第五节。最后,第六节本文总结道。

2。问题公式化

在通信系统中,信噪比估计通常是由接收机,接收到的信号的观察一般可以表示为 在哪里代表了通道的影响,是传输信号,代表了加性噪声为零均值和高斯分布。 , 和被认为是不相关的,静止的。对非平稳的信号,一个可能的解决方案是将接收到多个插槽在时间域。每个槽很短,信号在每个槽大约是静止的。详细的方式,观察组成的一个信号样品 ,如果是不稳定的,我们可以把它分成段,

自的长度远短于 ,每一段大约是固定和可用于信噪比估计。我们的任务是估计接收信号的信噪比,这是定义的

可能根据不同调制信号调制类型,如binary-phase移键控(BPSK),正交相位移键控(QPSK), eight-phase移键控(8 psk进行),和sixteen-phase移键控(16相移键控)。的 - - - - - -必要相移键控调制信号可以表示为 在哪里是其中一个在单位圆阶段间隔。例如,BPSK调制信号的振幅总是1 相位是随机或0 。图1显示了BPSK调制信号的振幅和相位。此外,相应的接收信号被加性高斯白噪声(AWGN)信道信噪比= 6 dB也描绘。

对于每个类型的调制,接收的信号星座图显然是不同的在不同的信噪比,如图2。详细地,采样点在星座图更分散在低信噪比时,和更集中在高信噪比时,它激励我们进行信噪比估计通过识别星座图。

此外,信号可能会受到各种渠道。三个频道,包括AWGN信道,Rician衰落信道和瑞利衰落信道,考虑。图3显示了QPSK调制的星座图在不同信噪比下三个渠道。同样的,对于每一个频道,星座图表现出不同的模式在不同的信噪比,因此信噪比估计使用星座图可以执行无论信道条件。

3所示。传统的信噪比估计算法

3.1。基于信噪比估计

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可以计算为

对于任何米必要相移键控信号,信噪比可以估计

3.2。SVR-Based信噪比估计

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事实上。当调制信号是一个复杂的信号,被定义为

对于任何米必要相移键控信号,信噪比可以估计

4所示。DL基于信噪比估计

自从DL图像识别是一个功能强大的工具,本节采用DL识别星座图,实现信噪比估计。该算法包括两个阶段,如图4。离线训练阶段有四个步骤,包括信号生成、信号预处理、数据标签,和网络培训,大量生成信号的观察与已知的信噪比和用于训练网络模型。在线评估阶段有两个步骤,包括信号预处理和信噪比推断,一个信号观察预处理未知信噪比和输入信噪比估计的训练模型。

4.1。信号的一代

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。

4.2。信号预处理

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,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。

4.3。数据标签

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。

4.4。网络训练

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。

4.1.1。AlexNet

AlexNet,获胜者ImageNet大规模视觉识别的挑战- 2012 (ilsvrc - 2012)竞争,引发了对DL的狂热。AlexNet包括五个卷积完全连接层和三层,以1000 - softmax层,共有62378344参数。有几个原因AlexNet的突破。

AlexNet采用修正线性单元(ReLU)大大缩短训练时间。它是一个分段线性函数,ReLU = 0时,输入的值是小于或等于0,和它是输入如果输入大于0。ReLU可以使部分神经元的输出为零,导致网络的稀疏。同时,参数的协同依赖性降低,可以有效地缓解过度拟合问题。

辍学的引入有效地缓解过度拟合。辍学减少节点之间的协同依赖性通过随机零位调整一些隐层输出的权重,从而达到正规化的神经网络。计算也可以削减成本。

当训练数据有限,一些新的数据可以从现有的训练数据集生成通过某种变换迅速扩大训练数据。AlexNet随机裁剪图像从256×256到227×227水平然后翻转。

当地响应的原则规范化(LRN)是模仿生物活性神经元的抑制邻近神经元(侧抑制),这只是正常化神经元在同一位置不同特征之间的映射层。值的大小正比于神经元,从而提高网络的泛化能力。本质上,LRN层的目的是防止激活函数的饱和度。

10/24/11。InceptionV1

InceptionV1,也称为GoogLeNetV1, CNN是一种有效的分类模型提出了谷歌在ilsvrc - 2014的竞争。《盗梦空间》模块提出了提高网络的深度和宽度,同时保持计算成本。为了减少的厚度特征地图,1×1卷积内核添加分别在3×3和5×5卷积核后马克斯池层。此外,全球平均池层是用来取代完全连接层受到网络的网络,可以节省计算开销,有效地减轻过度拟合。22-layer CNN,只拥有5000000参数,其输入大小是224×224。

4.4.3。VGG16

VGG的核心在于3×3卷积核的重复使用和2×2池层增加网络的深度。卷积VGG16采用本文由13层和3层完全连接。一个改善VGG16 AlexNet更换更大的卷积核在AlexNet(11×11, 5×5)连续3×3卷积核。输入VGG16大小是224×224,和138 m参数导致长时间培训。

注意,不同与传统的图像分类任务,DL基于信噪比估计是回归的任务。为了处理这个任务,一些修改在cnn是必要的。如图5,均方误差(MSE)是利用熵函数作为损失函数,而是和损失值的精度值的监测指标。

为了火车上面的网络中,标记星座图是根据监督学习。表中列出的部分设置网络培训1。培训是在计算服务器上进行配置Ubuntu 16.04, Keras, CUDA,英特尔i7 8700,英伟达GTX 1080 ti。AlexNet, InceptionV1, VGG16大约9日和20个小时,分别获得训练网络模型。

4.5。信噪比推断

在线评估阶段,接收信号的观察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 。

5。实验结果

5.1。实验设置

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, 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 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 ,最大的多普勒频移 ,路径时间延迟的向量 ,平均路径收益的向量 dB, Rician因素 。此外,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 ,MSE可以计算如下:

5.2。性能比较

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,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。

5.3。调制类型的影响

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。

5.4。渠道的影响

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。

5.5。复杂性分析

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。

6。结论

本文提出了一个基于DL的信噪比估计算法利用星座图。接收到的信号转换成一个星座图和被AlexNet InceptionV1, VGG16信噪比估计。无论采用调制,无论哪个频道,该算法总是优于传统算法,特别是在低信噪比情况。此外,该算法消耗更少的运行时间和与GPU可以有效地计算。

我们的算法的特点是结合基于星座图表示法和CNN的回归。前者可以探索应对类似的沟通问题,如通道识别和干扰分析。后者也有利于其他参数估计任务在通信系统中,例如,频率偏移估计和时间延迟估计。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突的工作。

确认

作者要感谢中国国家自然科学基金(61861019),基础研究基金为中央大学(zqn - 708),湖南省级教育部门(18 b316),中国湖南省自然科学基金(2019 jj50483),和补贴项目研究生科研创新基金的华侨大学(18013082034)的金融支持。

引用

1. 崔k . m . Thilina k . w . n . Saquib和e·侯赛因,“机器学习技术合作频谱感知认知无线电网络中,“IEEE在选定地区通讯》杂志上没有,卷。31日。11日,第2221 - 2209页,2013年。视图:出版商的网站|谷歌学术搜索
2. 谢,b, d .郭,b .赵”NOMA-based混合satellite-terrestrial继电器的性能分析和功率分配网络与不完美的信道状态信息,“IEEE访问7卷,第136289 - 136279页,2019年。视图:出版商的网站|谷歌学术搜索
3. j·c·s·桑托斯球场,d . c .冈萨雷斯,a .狼l·l·门德斯m·d·雅库巴和g . Fettweis”SNR-aware lossy-forward传递系统功率分配方案,“IEEE无线通信信,7卷,不。6,1018 - 1021年,2018页。视图:出版商的网站|谷歌学术搜索
4. w·香、m·约翰斯顿和s .勒高夫“低窃听信道的功率控制和能源获取算法采用finite-alphabet输入系统,”IEEE取证和安全信息,13卷,不。2、318 - 326年,2018页。视图:出版商的网站|谷歌学术搜索
5. m . Torabi s Aliasghari, c . Nerguizian”T-ARQ跨层设计和自适应调制和编码在频谱共享与合作转发系统中,“专业的沟通,13卷,不。11日,第1669 - 1662页,2019年。视图:出版商的网站|谷歌学术搜索
6. 答:汗,s·萨利姆,s . a .哈桑和m .伊卜拉欣-,“一种改进data-aided二进制调制指数CPM信号的线性估计量,”IEEE信号处理信件,26卷,不。5,780 - 784年,2019页。视图:出版商的网站|谷歌学术搜索
7. m·b·本·沙拉和a·萨梅特“NDA信噪比估计中使用四阶cross-moments时变输入输出通道,”专业的沟通,10卷,不。11日,第1354 - 1348页,2016年。视图:出版商的网站|谷歌学术搜索
8. h . n . Wu Wang和人类。旷,“最大似然线性调制编码信号的信噪比估计,“专业的沟通,4卷,不。3、265 - 271年,2010页。视图:出版商的网站|谷歌学术搜索
9. d . r . Pauluzzi和n . c .比尤利AWGN信道的信噪比估算技术的比较,“IEEE通信,48卷,不。10日,1681 - 1691年,2000页。视图:出版商的网站|谷歌学术搜索
10. m . Mohammadkarimi o . a . Dobre和m . z赢得“Non-data-aided多个天线系统的信噪比估计,”学报2016年IEEE全球通讯大会(GLOBECOM)美国,页1 - 5,华盛顿特区,2016年12月。视图:出版商的网站|谷歌学术搜索
11. r . Lopez-Valcarce和c . Mosquera Sixth-order乐此不疲non-data-aided信噪比估计,“IEEE通信信,11卷,不。4、351 - 353年,2007页。视图:出版商的网站|谷歌学术搜索
12. K.-T。月和中州。黄”,信噪比估计基于指标归一化频率在维特比译码器,”IEEE通信信,15卷,不。6,668 - 670年,2011页。视图:出版商的网站|谷歌学术搜索
13. F.-X。Socheleau、a . Aissa-El-Bey和s . Houcke“非data-aided OFDM信号的信噪比估计,“IEEE通信信,12卷,不。11日,第815 - 813页,2008年。视图:出版商的网站|谷歌学术搜索
14. a . w . Azim s s哈立德,s . Abrar”Non-data-aided APSK利用信噪比估计方法测试,等级歧视”电子信件,48卷,不。14日,第839 - 837页,2012年。视图:出版商的网站|谷歌学术搜索
15. h . t . Wu郑、Di燕和s .刘”修改后的信噪比估计算法基于奇异值分解”《2014年国际会议上信息和通信技术(ICT 2014),页1 - 5,南京,中国,2014年5月。视图:出版商的网站|谷歌学术搜索
16. y陈和s . Fomel“随机噪声衰减使用本地信号和噪声正交化,”地球物理学,卷80,不。6,WD1-WD9, 2015页。视图:出版商的网站|谷歌学术搜索
17. 李m . d . Wang, z . et al .,“调制格式识别和OSNR估计使用CNN-based深度学习,”IEEE光子学技术信卷,29号19日,1667 - 1670年,2017页。视图:出版商的网站|谷歌学术搜索
18. 香,d . Ciuonzo a Montieri, a . Pescape“移动加密流量分类使用深度学习:实验评价,经验教训,和挑战,”IEEE网络和服务管理,16卷,不。2、445 - 458年,2019页。视图:出版商的网站|谷歌学术搜索
19. 香,d . Ciuonzo a Montieri, a . Pescape“模仿:移动加密流量分类使用多通道深度学习,”计算机网络,第165卷,第106944页,2019年。视图:出版商的网站|谷歌学术搜索
20. n .塞缪尔·t·迪斯,a·威塞尔“学习检测,”IEEE信号处理,卷67,不。10日,2554 - 2564年,2019页。视图:出版商的网站|谷歌学术搜索
21. b . n .吴x Wang Lin, k .张“CNN-based的端到端向智能通信系统学习框架,“IEEE访问7卷,第110204 - 110197页,2019年。视图:出版商的网站|谷歌学术搜索
22. 彭,h .江王h . et al .,“调制分类基于信号星座图和深度学习,”IEEE神经网络和学习系统,30卷,不。3、718 - 727年,2019页。视图:出版商的网站|谷歌学术搜索
23. a·l·巴·l·b·洛佩斯,d . c . McLemon“在职监控多路延迟和cochannel干扰的室内移动通信系统”ICC / SUPERCOMM学报》94 - 1994年国际会议上交流新奥尔良,页1458 - 1462年,洛杉矶,美国,1994年5月。视图:出版商的网站|谷歌学术搜索
24. 格拉汉姆·古德费勒,y Bengio, a .考维尔深度学习美国马剑桥,麻省理工学院出版社,2016年。

版权

版权©2020小娟谢等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。