目錄
1.算法運(yùn)行效果圖預(yù)覽
2.算法運(yùn)行軟件版本
3.部分核心程序
4.算法理論概述
5.算法完整程序工程
1.算法運(yùn)行效果圖預(yù)覽
2.算法運(yùn)行軟件版本
matlab2022a
3.部分核心程序
.............................................................................
Transmitted_signal = OFDM_Transmitter(data_in_IFFT, NFFT, NCP);
%信道
Ray_h_ofdm = (1 / sqrt(2)) * randn(len_symbol, 1) + (1 / sqrt(2)) * 1j * randn(len_symbol, 1); % Rayleigh channel coff
Rayleigh_h_channel = repmat(Ray_h_ofdm, Frame_size, 1);
Rayleigh_Fading_Signal = awgn(Rayleigh_h_channel .* Transmitted_signal,SNR,'measured');
signal_ideal = Rayleigh_Fading_Signal ./ Rayleigh_h_channel;
Multitap_h = [(randn + 1j * randn);...
(randn + 1j * randn) / 24] ;
%卷積通過信道
Multipath_Signal = conv(Transmitted_signal, Multitap_h);
Multipath_Signal = awgn(Multipath_Signal(1 : length(Transmitted_signal)),SNR,'measured');
% OFDM 接收
[Rsignals0, Rsignalsh0] = OFDM_Receiver(Multipath_Signal, NFFT, NCP, len_symbol, signal_ideal);
% 進(jìn)行深度學(xué)習(xí)部分，使用已訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行解調(diào)
[DNN_feature_signal, ~, ~] = Extract_Feature_OFDM(Rsignals0, dataSym(1:2), M, QPSK_signal(1:8));
Received_data_DNN = predict(DNN_Trained, DNN_feature_signal);
Received_data_DNN = transpose(Received_data_DNN);
DNN_Received_data = Received_data_DNN(1:2:end, :) + 1j * Received_data_DNN(2:2:end, :);
DNN_dataSym_Rx = QPSK_Demodulator(DNN_Received_data);
DNN_dataSym_Received = de2bi(DNN_dataSym_Rx, 2);
DNN_Data_Received = reshape(DNN_dataSym_Received, [], 1);
DNN_sym_err(ij, 1) = sum(sum(round(dataSym(1:8)) ~= round(DNN_dataSym_Rx)));
DNN_bit_err(ij, 1) = sum(sum(round(reshape(de2bi(dataSym(1:8), 2),[],1)) ~= round(DNN_Data_Received)));
end
Bers(idx, 1) = sum(DNN_bit_err, 1) / N_bits_DNN; % 計(jì)算平均比特誤碼率
Sers(idx, 1) = sum(DNN_sym_err, 1) / N_QPSK_DNN; % 計(jì)算平均符號(hào)誤碼率
00294.算法理論概述
? ? ? ? ?正交頻分復(fù)用（OFDM）是一種多載波調(diào)制技術(shù)，已經(jīng)廣泛應(yīng)用于數(shù)字通信領(lǐng)域。OFDM信號(hào)檢測是接收端的關(guān)鍵問題之一，目的是將接收到的OFDM信號(hào)恢復(fù)為原始數(shù)據(jù)。由于OFDM信號(hào)具有高帶寬效率、抗多徑衰落等特點(diǎn)，可以在高速移動(dòng)環(huán)境下實(shí)現(xiàn)高速數(shù)據(jù)傳輸。但是，OFDM信號(hào)的檢測存在一些困難，例如頻率偏移、信道估計(jì)誤差、多路徑干擾等。為了解決這些問題，近年來，深度學(xué)習(xí)技術(shù)被廣泛應(yīng)用于OFDM信號(hào)檢測中。
1.OFDM信號(hào)模型
? ? ? ?OFDM信號(hào)是一種基于頻域分解的多載波調(diào)制技術(shù)。OFDM信號(hào)可以表示為：
$$x(t)=\sum_{n=0}^{N-1}\sum_{k=0}^{K-1}s_{n,k}g(t-nT)e^{j2\pi k\Delta f(t-nT)}$$
? ? ? 其中，$s_{n,k}$是數(shù)據(jù)符號(hào)，$g(t)$是正交矩形脈沖，$T$是符號(hào)間隔，$K$是子載波數(shù)，$\Delta f$是子載波間隔。OFDM信號(hào)可以通過將數(shù)據(jù)符號(hào)映射到各個(gè)子載波上來傳輸數(shù)據(jù)，每個(gè)子載波都有自己的調(diào)制方式和調(diào)制參數(shù)。
2.DNN深度學(xué)習(xí)網(wǎng)絡(luò)
? ? ? DNN深度學(xué)習(xí)網(wǎng)絡(luò)是一種基于多層神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)算法。DNN深度學(xué)習(xí)網(wǎng)絡(luò)可以通過多個(gè)隱藏層來學(xué)習(xí)數(shù)據(jù)的高級特征，從而實(shí)現(xiàn)對數(shù)據(jù)的分類、回歸等任務(wù)。DNN深度學(xué)習(xí)網(wǎng)絡(luò)的數(shù)學(xué)模型可以表示為：
$$y=f(W^{(L)}f(W^{(L-1)}...f(W^{(1)}x+b^{(1)})...)+b^{(L)})$$
其中，$x$是輸入數(shù)據(jù)，$y$是輸出數(shù)據(jù)，$W^{(i)}$和$b^{(i)}$是第$i$層的權(quán)重和偏置，$f$是激活函數(shù)。
3.基于DNN的OFDM信號(hào)檢測模型
基于DNN的OFDM信號(hào)檢測模型可以表示為：
$$\hat{s}{n,k}=\arg\max{s_{n,k}}P(s_{n,k}|r_{n,k},\theta)$$
? ? ? ? 其中，$\hat{s}{n,k}$是預(yù)測的數(shù)據(jù)符號(hào)，$r{n,k}$是接收到的OFDM信號(hào)，$\theta$是模型參數(shù)。該模型可以通過DNN深度學(xué)習(xí)網(wǎng)絡(luò)來學(xué)習(xí)OFDM信號(hào)的映射關(guān)系，從而實(shí)現(xiàn)OFDM信號(hào)的檢測。
? ? ? ?在實(shí)際應(yīng)用中，需要實(shí)現(xiàn)實(shí)時(shí)OFDM信號(hào)檢測。這可以通過將訓(xùn)練好的模型部署到實(shí)際系統(tǒng)中來實(shí)現(xiàn)。在實(shí)時(shí)檢測過程中，需要對接收到的OFDM信號(hào)進(jìn)行預(yù)處理，并將其輸入到訓(xùn)練好的模型中進(jìn)行檢測。實(shí)時(shí)檢測的實(shí)現(xiàn)需要考慮到時(shí)間延遲、資源限制等因素。
? ? ? 基于DNN深度學(xué)習(xí)網(wǎng)絡(luò)的OFDM信號(hào)檢測已廣泛應(yīng)用于數(shù)字通信領(lǐng)域。它可以用于解決OFDM信號(hào)檢測中的一些難題，例如頻率偏移、信道估計(jì)誤差、多路徑干擾等。此外，它還可以用于無線電頻譜感知、無線電干擾檢測等領(lǐng)域。
5.算法完整程序工程
OOOOO
OOO文章來源：http://www.zghlxwxcb.cn/news/detail-617638.html
O文章來源地址http://www.zghlxwxcb.cn/news/detail-617638.html
到了這里，關(guān)于基于DNN深度學(xué)習(xí)網(wǎng)絡(luò)的OFDM+QPSK信號(hào)檢測算法matlab仿真的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
