高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

智能多载波波形调制系统:信号的产生与识别

邵凯 付旭阳 王光宇

邵凯, 付旭阳, 王光宇. 智能多载波波形调制系统:信号的产生与识别[J]. 电子与信息学报, 2021, 43(11): 3096-3104. doi: 10.11999/JEIT201064
引用本文: 邵凯, 付旭阳, 王光宇. 智能多载波波形调制系统:信号的产生与识别[J]. 电子与信息学报, 2021, 43(11): 3096-3104. doi: 10.11999/JEIT201064
Kai SHAO, Xuyang FU, Guangyu WANG. Intelligent Multi-carrier Waveform Modulation System: Signal Generation and Recognition[J]. Journal of Electronics & Information Technology, 2021, 43(11): 3096-3104. doi: 10.11999/JEIT201064
Citation: Kai SHAO, Xuyang FU, Guangyu WANG. Intelligent Multi-carrier Waveform Modulation System: Signal Generation and Recognition[J]. Journal of Electronics & Information Technology, 2021, 43(11): 3096-3104. doi: 10.11999/JEIT201064

智能多载波波形调制系统:信号的产生与识别

doi: 10.11999/JEIT201064
详细信息
    作者简介:

    邵凯:男,1977年生,副教授,研究方向为新型多载波调制技术、新型多址接入技术

    付旭阳:男,1995年生,硕士生,研究方向为AI在无线通信中的应用

    王光宇:男,1964年生,教授,研究方向为新型多载波调制技术、新型多址接入技术

    通讯作者:

    邵凯 shaokai@cqupt.edu.cn

  • 中图分类号: TN911

Intelligent Multi-carrier Waveform Modulation System: Signal Generation and Recognition

  • 摘要: 移动通信应用场景逐渐呈现复杂化和多变化趋势,很难有一种普适性传输波形满足所有通信需求,这对多种波形的配合与协作提出了较高的要求。该文提出一种适用于复杂场景下的智能化多载波波形调制系统,发送端可通过波形激活因子选择产生合适的传输波形,接收端将不同波形信号的I/Q分量作为自适应因子,使用主成分分析法处理数据后送入智能波形识别网络(IWR-Net)完成信号的识别。所提系统融合深度学习网络,具有较为统一的硬件架构。仿真结果表明,所提方案在5G多场景下对不同发送波形识别准确率最高可达98.2%,并且在不同测试环境中具有良好的泛化性能。
  • 图  1  智能波形收发系统

    图  2  集成化波形发送模型

    图  3  IWR-Net流程图

    图  4  复数信号处理

    图  5  IWR-Net结构

    图  6  Flat衰落信道测试结果

    图  7  Rayleigh衰落信道测试结果

    图  8  多信噪比调制方式下测试结果

    图  9  单信噪比调制方式下测试结果

    图  10  多信噪比模型混淆矩阵图

    图  11  单信噪比模型混淆矩阵图

    表  1  PCA算法处理接收信号流程

     输入:原始波形样本数据${\boldsymbol{X}}= ({{\boldsymbol{x}}_1},{{\boldsymbol{x}}_2},\cdots,{{\boldsymbol{x}}_m})_{d \times 2 \times m}^{\rm{T}}$,降维后维度大小${d^*}$;
     输出:降维后的波形数据${\boldsymbol{Y}} = ({{\boldsymbol{x}}_1},{{\boldsymbol{x}}_2},\cdots,{{\boldsymbol{x}}_m})_{{d^*} \times 2 \times m}^{\rm{T}}$;
     (1) for(int j=0; i<3; i++), do
     (2)   [OFDM, FOFDM, UFMC]: ${ {\boldsymbol{x} }_i} \Leftarrow { {\boldsymbol{x} }_i} - \dfrac{1}{m}\displaystyle\sum\limits_{i = 1}^m { { {\boldsymbol{x} }_i} }$; //对第j种波形数据样本中心化处理
     (3)   ${\boldsymbol{C} } = \dfrac{1}{m}{\boldsymbol{X} }{ {\boldsymbol{X} }^{\rm{T} } }$; //计算波形样本的协方差矩阵
     (4)   从最大可分性出发, 构造优化目标: $\mathop { \Rightarrow \max }\limits_{\boldsymbol{w} } \begin{array}{*{20}{c} } {} \end{array}{ {\rm{tr} } }({ {\boldsymbol{W} }^{\rm{T} } }{\boldsymbol{X} }{ {\boldsymbol{X} }^{\rm{T} } }{\boldsymbol{W} }),\;\;{ {\rm{s.t} } } \;\;{ {\boldsymbol{W} }^{\rm{T} } }{\boldsymbol{W} } = {\boldsymbol{I} }$;
     (5)   使用拉格朗日乘子法得: ${\boldsymbol{X}}{{\boldsymbol{X}}^{\rm{T}}}{\boldsymbol{W}} = \lambda {\boldsymbol{W}}$;
     (6)   协方差矩阵${\boldsymbol{X}}{{\boldsymbol{X}}^{\rm{T}}}$特征值分解,特征值大小排序后:${\lambda _{\rm{1} } } \ge {\lambda _2} \ge \cdots \ge {\lambda _d}$;
     (7)   取最大的${d^*}$个特征值所对应的特征向量${{\boldsymbol{\omega}} _{\rm{1}}},{{\boldsymbol{\omega}} _2},\cdots,{{\boldsymbol{\omega}} _{{d^*}}}$组成矩阵${\boldsymbol{P}}$;
     (8)   计算降维后的矩阵${\boldsymbol{Y}}= {\boldsymbol{P}}{\boldsymbol{X}}$;
     (9) end
    下载: 导出CSV

    表  2  系统参数配置

    参数 数值 参数 数值
    FFT长度 256 卷积层激活函数 ReLU
    映射方式 16QAM Dropout率 0.3
    子带大小 10 过滤器数量 32
    子带偏移 78 过滤器大小 (3,2)
    切比雪夫滤波器长度 73 优化器 Adam
    旁瓣衰减 40 dB 最大池化层大小 (2,2)
    CP长度 73 全连接层神经元数量 128
    下载: 导出CSV

    表  3  模型训练及测试运行时间(s)

    模型训练时间测试时间
    OFDMFOFDMUFMC
    多信噪比模型684.603.303.263.27
    单信噪比模型874.523.243.763.34
    下载: 导出CSV
  • [1] AAZHANG B, AHOKANGAS P, ALVES H, et al. Key drivers and research challenges for 6G ubiquitous wireless intelligence[EB/OL]. http://jultika.oulu.fi/files/isbn9789526223544.pdf, 2019.
    [2] TOMKOS I, KLONIDIS D, PIKASIS E, et al. Toward the 6G network era: Opportunities and challenges[J]. IT Professional, 2020, 22(1): 34–38. doi: 10.1109/MITP.2019.2963491
    [3] SAAD W, BENNIS M, and CHEN Mingzhe. A vision of 6G wireless systems: Applications, trends, technologies, and open research problems[J]. IEEE Network, 2020, 34(3): 134–142. doi: 10.1109/MNET.001.1900287
    [4] SADI Y, ERKUCUK S, and PANAYIRCI E. Flexible physical layer based resource allocation for machine type communications towards 6G[C]. 2020 2nd 6G Wireless Summit (6G SUMMIT), Levi, 2020: 1–5. doi: 10.1109/6GSUMMIT49458.2020.9083921.
    [5] SAHIN A, GUVENC I, and ARSLAN H. A survey on multicarrier communications: Prototype filters, lattice structures, and implementation aspects[J]. IEEE Communications Surveys & Tutorials, 2014, 16(3): 1312–1338. doi: 10.1109/SURV.2013.121213.00263
    [6] MT-2020(5G)推进组. IMT-2020(5G)推进组发布5G技术白皮书[J]. 中国无线电, 2015(5): 6.

    IMT-2020 Promotion Group. 5G wireless technology architecture white paper[J]. China Radio, 2015(5): 6.
    [7] VIHRIALA J, ERMOLOVA N, LAHETKANGAS E, et al. On the waveforms for 5G mobile broadband communications[C]. 2015 IEEE 81st Vehicular Technology Conference (VTC Spring), Glasgow, Scotland, 2015: 1–5. doi: 10.1109/VTCSPRING.2015.7145977.
    [8] HAN Shuangfeng, XIE Tian, CHIH-LIN I, et al. Artificial-intelligence-enabled air interface for 6G: Solutions, challenges, and standardization impacts[J]. IEEE Communications Magazine, 2020, 58(10): 73–79. doi: 10.1109/MCOM.001.2000218
    [9] YUAN Yabo, ZHAO Peng, WANG Bo, et al. Hybrid maximum likelihood modulation classification for continuous phase modulations[J]. IEEE Communications Letters, 2016, 20(3): 450–453. doi: 10.1109/LCOMM.2016.2517007
    [10] WANG Hui and GUO Lili. A new method of automatic modulation recognition based on dimension reduction[C]. 2017 Forum on Cooperative Positioning and Service (CPGPS), Harbin, China, 2017: 316–320. doi: 10.1109/CPGPS.2017.8075146.
    [11] SU Wei. Feature space analysis of modulation classification using very high-order statistics[J]. IEEE Communications Letters, 2013, 17(9): 1688–1691. doi: 10.1109/LCOMM.2013.080613.130070
    [12] O’SHEA T J, ROY T, and CLANCY T C. Over-the-air deep learning based radio signal classification[J]. IEEE Journal of Selected Topics in Signal Processing, 2018, 12(1): 168–179. doi: 10.1109/JSTSP.2018.2797022
    [13] WANG Yu, LIU Miao, YANG Jie, et al. Data-driven deep learning for automatic modulation recognition in cognitive radios[J]. IEEE Transactions on Vehicular Technology, 2019, 68(4): 4074–4077. doi: 10.1109/TVT.2019.2900460
    [14] DUAN Sirui, CHEN Kan, YU Xiang, et al. Automatic multicarrier waveform classification via PCA and convolutional neural networks[J]. IEEE Access, 2018, 6: 51365–51373. doi: 10.1109/ACCESS.2018.2869901
    [15] 邵凯, 李述栋, 王光宇, 等. 基于迟滞噪声混沌神经网络的导频分配[J]. 电子与信息学报, 2020, 42(10): 2454–2461. doi: 10.11999/JEIT190748

    SHAO Kai, LI Shudong, WANG Guangyu, et al. Hysteretic noisy chaotic neural networks based pilot assignment[J]. Journal of Electronics &Information Technology, 2020, 42(10): 2454–2461. doi: 10.11999/JEIT190748
    [16] 桂冠, 王禹, 黄浩. 基于深度学习的物理层无线通信技术: 机遇与挑战[J]. 通信学报, 2019, 40(2): 19–23. doi: 10.11959/j.issn.1000?436x.2019043

    GUI Guan, WANG Yu, and HUANG Hao. Deep learning based physical layer wireless communication techniques: Opportunities and challenges[J]. Journal on Communications, 2019, 40(2): 19–23. doi: 10.11959/j.issn.1000?436x.2019043
    [17] HE Kaiming and SUN Jian. Convolutional neural networks at constrained time cost[C]. 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Boston, USA, 2015. doi: 10.1109/CVPR.2015.7299173.
    [18] 盖建新, 薛宪峰, 吴静谊, 等. 基于深度卷积神经网络的协作频谱感知方法[J]. 电子与信息学报, 2021, 43(10): 2911–2919. doi: 10.11999/JEIT201005

    GAI Jianxin, XUE Xianfeng, WU Jingyi, et al. Cooperative spectrum sensing method based on deep convolutional neural network[J]. Journal of Electronics &Information Technology, 2021, 43(10): 2911–2919. doi: 10.11999/JEIT201005
  • 加载中
图(11) / 表(3)
计量
  • 文章访问数:  903
  • HTML全文浏览量:  506
  • PDF下载量:  113
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-12-18
  • 修回日期:  2021-08-13
  • 网络出版日期:  2021-08-26
  • 刊出日期:  2021-11-23

目录

    /

    返回文章
    返回