基于卷积神经网络的OTFS通信接收机信号处理方法及装置

基于卷积神经网络的otfs通信接收机信号处理方法及装置
技术领域
1.本发明公开涉及无线通信技术领域，具体地，涉及一种基于卷积神经网络的otfs通信接收机信号处理方法及装置。

背景技术：

2.随着高速公路和高铁的大规模建设和部署，以及自动驾驶技术的日益普及。车联网(iov)作为第五代(5g)移动通信技术关键应用场景之一，已成为用户未来不可缺少的需求。然而，广泛应用于5g移动通信系统的正交频分复用(ofdm)对高多普勒频移效应非常敏感，这使得ofdm在快速时变信道下的性能较差，难以满足未来车联网系统日益增长的需求。为了解决高速移动场景下车联网系统的低延迟、高可靠性通信问题。正交时频空间(otfs)这是一种适合用于双散衰落信道的二维调制技术。同时，otfs可以在ofdm的基础之上实现，即通过添加额外的预处理和后处理模块兼容长期演进(long term evolution,lte)架构。
3.目前，基于深度学习的边缘计算在车联网资源调度和负载均衡中发挥着重要作用。然而，一方面基于车联网的边缘计算中，深度学习的研究大多停留在网络层。另一方面，对于车联网物理层通信的研究，大多采用深度学习对各个通信模块的性能进行优化，但是通信系统各模块的局部最优并不是接收机的整体性能最优。
4.因此，本领域人员亟需寻一种新型技术方案来解决上述的问题。

技术实现要素：

5.为克服相关技术中存在的问题，本发明公开提供一种基于卷积神经网络的otfs通信接收机信号处理方法及装置。
6.根据本发明公开实施例的第一方面，提供一种基于卷积神经网络的otfs通信接收机信号处理方法，所述方法包括：
7.在otfs通信系统的发射端，获取otfs发射机产生的训练数据集；
8.通过所述训练数据集对深层卷积神经网络进行训练，得到训练好的otfs接收机信号处理模型；
9.将接收机接收到的信号作为otfs接收机信号处理模型的输入；
10.根据所述otfs接收机信号处理模型的输出，获取处理后的接收信号。
11.可选的，所述将接收机接收到的信号作为otfs接收机信号处理模型的输入，包括：
12.将接收机接收到的信号在预设的直角坐标系中进行映射，获取iq信号的实部re(r)和虚部im(r)；
13.将所述iq信号的实部re(r)和虚部im(r)作为otfs接收机信号处理模型的输入。
14.可选的，所述方法还包括：
15.所述训练数据集为：
16.17.确定损失函数为：
[0018][0019]
其中，nb为小批量所含样品数量，t
ni
为第n个样本的第i个类别上的真实标签，p
ni
是第n个样本的第i个类别的输出概率。
[0020]
可选的，在所述将接收机接收到的信号作为otfs接收机信号处理模型的输入之后，所述方法包括：
[0021]
通过浅层特征提取层提取所述otfs接收机信号处理模型的输入中的浅层特征，其中，所述浅层特征提取层包含三个卷积层、一个批处理归一化层和一个relu激活层；
[0022]
通过骨干网对所述浅层特征提取层的输出进行深度特征提取，所述骨干网包含若干个bneck块。
[0023]
可选的，所述卷积神经网络模型为mobilenetv2轻量化一维卷积神经网络模型；
[0024]
所述mobilenetv2轻量化一维卷积神经网络模型中还包括：卷积层、批归一化、relu6激活和全局平均池化操作。
[0025]
根据本发明公开实施例的第二方面，提供一种基于卷积神经网络的otfs通信接收机信号处理装置，所述接收卡包括：所述装置包括：
[0026]
数据集获取模块，在otfs通信系统的发射端，获取otfs发射机产生的训练数据集；
[0027]
模型获取模块，与所述数据集获取模块相连，通过所述训练数据集对深层卷积神经网络进行训练，得到训练好的otfs接收机信号处理模型；
[0028]
输入模块，与所述模型获取模块相连，将接收机接收到的信号作为otfs接收机信号处理模型的输入；
[0029]
输出模块，与所述输入模块相连，根据所述otfs接收机信号处理模型的输出，获取处理后的接收信号。
[0030]
可选的，所述输入模块，包括：
[0031]
映射单元，将接收机接收到的信号在预设的直角坐标系中进行映射，获取iq信号的实部re(r)和虚部im(r)；
[0032]
输入单元，与所述映射单元相连，将所述iq信号的实部re(r)和虚部im(r)作为otfs接收机信号处理模型的输入。
[0033]
可选的，所述训练数据集为：
[0034][0035]
确定损失函数为：
[0036][0037]
其中，nb为小批量所含样品数量，t
ni
为第n个样本的第i个类别上的真实标签，p
ni
是第n个样本的第i个类别的输出概率。
[0038]
可选的，所述装置还包括：
[0039]
浅层特征提取模块，通过浅层特征提取层提取所述otfs接收机信号处理模型的输
入中的浅层特征，其中，所述浅层特征提取层包含三个卷积层、一个批处理归一化层和一个relu激活层；
[0040]
深层特征提取模块，通过骨干网对所述浅层特征提取层的输出进行深度特征提取，所述骨干网包含若干个bneck块。
[0041]
可选的，所述卷积神经网络模型为mobilenetv2轻量化一维卷积神经网络模型；
[0042]
所述mobilenetv2轻量化一维卷积神经网络模型中还包括：卷积层、批归一化、relu6激活和全局平均池化操作。
[0043]
综上所述，本发明公开涉及一种基于卷积神经网络的otfs通信接收机信号处理方法及装置，该方法包括：在otfs通信系统的发射端，获取otfs发射机产生的训练数据集；通过该训练数据集对深层卷积神经网络进行训练，得到训练好的otfs接收机信号处理模型；将接收机接收到的信号作为otfs接收机信号处理模型的输入；根据该otfs接收机信号处理模型的输出，获取处理后的接收信号。能够以较低的误码率恢复信息，恢复接收机接收到的信号，提高无线通信的可靠性。
[0044]
另外，本发明公开实施例中的otfs接收机新型信号处理方法不同于利用深度学习优化接收机某一信息恢复模块，而是将接收机的各个通信模块作为一个整体进行优化。采用神经网络代替接收端的所有模块(包括载波和符号同步、信道估计、均衡、解调、信道译码等整)完成信息恢复的整个过程，避免了模块化处理带来的非完美信道状态信息(csi)和累计误差的影响。从而克服无线信道中多径效应带来的符号间干扰(inter symbol interference,isi)、多普勒频移带来的载波间干扰(inter-carrierinterference,ici)和多普勒干扰(inter-doppler interference,idi)以及噪声等因素的影响，保证了通信系统在各种复杂场景下的低延时高可靠的无线通信。
[0045]
本发明公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0046]
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
[0047]
图1是根据一示例性实施例示出的一种基于卷积神经网络的otfs通信接收机信号处理方法的流程图；
[0048]
图2是时延-多普勒网格γ和时频网格λ的映射关系的示意图；
[0049]
图3是otfs通信系统的时延-多普勒域和时频域的信号变换关系的示意图；
[0050]
图4是otfs通信接收机的信号处理方法模型的示意图；
[0051]
图5卷积神经网络的示意图；
[0052]
图6是根据一示例性实施例示出的一种基于卷积神经网络的otfs通信接收机信号处理装置的结构框图；
[0053]
图7是根据图6示出的一种输入模块的结构框图；
[0054]
图8示出了传统otfs通信接收机算法和新型信号处理方法的误码率性能；
[0055]
图9示出了传统otfs通信接收机在eva信道下的误码率性能以及采用(7,4)汉明码的新型信号处理方法；
[0056]
图10示出了传统otfs通信接收机在etu信道下的误码率性能和采用(7,4)汉明码
的新型信号处理方法；
[0057]
图11示出了传统otfs通信接收机和采用(7,4)汉明码的新型信号处理方法在eva信道下的误码率性能；
[0058]
图12示出了采用(7,4)汉明码的新型信号处理方法在qpsk和16qam调制模式下不同实现模型的性能。
具体实施方式
[0059]
以下结合附图对本发明公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
[0060]
图1是根据一示例性实施例示出的一种基于卷积神经网络的otfs通信接收机信号处理方法的流程图，如图1所示，该方法包括：
[0061]
在介绍本发明公开实施例中的基于卷积神经网络的otfs通信接收机信号处理方法之前，先对otfs通信系统和深层卷积神经网络进行介绍。
[0062]
otfs通信系统包括发射端和接收端，在otfs发送端，输入信号x通过x
dd
＝vec-1
(x)可得到矩阵形式的延迟多普勒域符号x
dd
，采用isfft变换得到时频符号x
tf
＝fmx
ddfnh
,通过海森堡变换得到发射符号矩阵s＝g
txfm
x
tf
＝g
tx
x
ddfnh
,最后通过s＝vec(s)得到mn
×
1的发送信号矢量
[0063]
在时延多普勒信道，相对于时频域信道响应h(t,f)，时延-多普勒信道响应h(τ,v)能更好地通过时延-多普勒域匹配真实物理信道，直观地显示多个反射器的不同距离和相对速度。如图4所示，相对于扩展到整个时频域的时频信道响应。由于优于信道的反射器数量有限，信道响应在时延-多普勒域更为稀疏，信道响应只存在于(τ
max
,
±vmax
)范围的网格中，其中τ
max
为最大时延，v
max
为最大多普勒频移。
[0064]
由于有限的传输路径以及相关的延迟和多普勒扩展，信道可以被稀疏表示为：
[0065]
其中p是多径信道的径数，hi、τi、vi是第i条路径对应的信道增益、延迟和多普勒扩展。延迟τi和多普勒扩展值vi可以从延迟多普勒域中的索引li,ki转换，其中
[0066]
矩阵形式的信道可表示为：
[0067][0068]heff
是一个mn
×
mn的矩阵，表达式如下：其中，π(delay)是置换矩阵(前向循环移位)，(doppler)是对角矩阵，其中
[0069]
对于任意脉冲的矩阵形式的实际等效信道
[0070][0071]
在otfs通信系统的接收端，接收信号r(t)是在发射信号s(t)通过多普勒信道h(τ,v)后叠加噪声w(t)得到的
[0072]
r(t)＝∫∫h(τ,v)s(t-τ)e
j2πv(t-τ)
dτdv+w(t)
[0073]
通过信道得到接收信号r＝hs+w，在接收端，将接收信号矩阵化r＝vec-1
(r)得到接收信号矩阵r，再采用维格纳变换得到时频符号y
tf
＝f
mgrx
r，再通过sfft变换得到延迟多普勒域符号y
dd
＝f
mhytffn
＝g
rx
rfn，最后将y
dd
向量化得到我们的接收信号
[0074]
根据等效简化信道，接收信号可表示为接收信号可简化为
[0075][0076]
其中，时延多普勒网格γ和时频网格λ的映射关系如图2所示。在时延-多普勒平面上，分别以多普勒频移分辨率
△
v＝1/nt为间隔沿多普勒轴进行n点采样，以延迟扩展δτ＝1/mδf的分辨率为间隔沿时延轴进行m点采样。得到γ＝{(k/nt,l/mδf),k＝0,
…
,n-1,l＝0,
…
,m-1}。通过二维辛有限傅里叶逆变换(isfft)，时延多普勒平面被转换为时频域网格λ，在时频平面中，分别以间隔t沿时间轴进行n点采样，以间隔δf＝1/t沿频率轴进行m点采样，得λ＝{(nt,mδf),n＝0,
…
,n-1,m＝0,
…
,m-1}。假定t＝1/δf，在时频域，整个数据包持续时间为nt,所占用带宽mδf(其中频域上m为子载波数；δf为子载波间隔；时域上n为时隙数，t为符号持续时间)。
[0077]
cnn具有共享卷积核的优势，这使得网络可以变得更深。通过完成从输入数据的浅层学习到深层学习的逐步表达，可以提取出更准确的特征，达到更好的视觉效果。然而，一些性能优良的cnn模型往往网络模型结构较深，模型复杂度较高，不利于移动部署。其中，mobilenetv2是一个轻量级cnn模型，适合部署在移动或嵌入式设备上。mobilenetv2继承了mobilenetv1的深度可分离卷积。mobilenetv2的反向残差结构也借鉴了resnet的残差连接思想。不同的是，mobilenetv2首先通过扩展层将输入张量从低维空间映射到高维空间来扩展维数。然后利用深度可分离卷积提取特征。最后，通过投影层对深度可分卷积后的输出进行压缩，使数据从高维空间映射到低维空间，网络再次变小。同时，由于扩展层和投影层都包含可学习的参数，整个网络结构可以学习如何更好地扩展和压缩数据，以实现轻量级和更好的性能。
[0078]
虽然relu6激活函数模型可以使模型在低精度计算下更具鲁棒性，但不可避免的会造成一些特征的损失。为了减少这种信息的丢失，在对投影层进行卷积后只添加了一次批处理归一化，而不是使用relu6。
[0079]
在步骤101中，在otfs通信系统的发射端，获取otfs发射机产生的训练数据集。
[0080]
示例地，本发明公开实施例中通过轻量级cnn模型对接收机中的信号进行处理，实现从iq信号波形到信息比特流的可靠信息恢复。本发明公开实施例中在信号接收过程中不对某个模块进行优化，而是考虑全局优化策略，同时通过1d-conv-mobilenetv2结构实现otfs通信接收信号的智能处理。
[0081]
可以理解的是，在对接收机接收到的信号进行处理之前，还需要对卷积神经网络模型进行训练，获取训练好的得到训练好的otfs接收机信号处理模型，以根据该otfs接收机信号处理模型对接收机接收到的信号进行处理。在训练卷积神经网络模型时，需要先获取训练数据集。
[0082]
其中，该训练数据集为：
[0083][0084]
同时，还需要确定损失函数为：
[0085][0086]
其中，nb为小批量所含样品数量，t
ni
为第n个样本的第i个类别上的真实标签，p
ni
是第n个样本的第i个类别的输出概率。
[0087]
在步骤102中，通过该训练数据集对深层卷积神经网络进行训练，得到训练好的otfs接收机信号处理模型。
[0088]
示例地，本发明公开实施例中的1d-conv-mobilenetv2卷积神经网络模型如图5所示，可以理解的是，本发明公开实施例在原有的mobilenetv2基础上进行了架构设计和改进。
[0089]
为了准确提取双散信道下otfs通信系统的特征，我们首先设计了一个浅层特征提取层，该层由三个卷积层、一个批处理归一化层和一个relu激活层组成。特征提取层对输入进行浅层特征提取。然后利用densenet中的密集连接思想，将浅层特征提取的输出与骨干网的输入串联起来，通过骨干网进一步提取深度特征，利用线性激活加强特征传递，提高
网络的分类精度。骨干网由几个bneck块组成，其中n为bneck重复次数。然后，1d-conv-mobilenetv2的最后一部分由卷积层、批归一化、relu6激活和全局平均池化操作组成。使用平均全局池可以减少网络参数的数量，同时避免过拟合。
[0090]
训练的目标是根据发射机产生的训练数据集对网络参数进行优化，使训练模型能够达到优异的性能，同时尝试推广到训练集以外的其他数据。新型信号处理方法的训练集为:
[0091][0092]
损失函数是模型训练的关键。在本文方法中采用的损失函数为交叉熵，定义为:
[0093][0094]
其中nb为小批量所含样品数量为,t
ni
为第n个样本的第i个类别上的真实标签。p
ni
是第n个样本的第i个类别的输出概率。本文采用的优化算法自适应矩估计(adam)是对随机梯度下降(sgd)方法的扩展，它在sgd的基础上结合了自适应梯度(adagrad)和均方根反向传播(rmsprop)的优点，并考虑了动量。这意味着adam完成了两个优化:梯度滑动平均和偏差校正，解决稀疏梯度，同时保持相对较小的计算量，可以在非平稳问题上取得良好的性能。adam不仅可以进一步减少参数更新型抖动，还可以平衡之前各参数的更新速度，加快收敛速度，保证最后收敛。
[0095]
adam算法的优化过程如下:计算动量的指数加权平均值
[0096]vdθ
＝β
1vdθ
+(1-β1)dθ
[0097]sdθ
＝β2s
dθ
+(1-β2)dθ2[0098]
用rmsprop更新，分别得到一阶矩和二阶矩估计:
[0099][0100][0101]
最后更新参数
[0102][0103]
其中，β1,β2是瞬时估计的指数衰减率，α是学习速率，ε是防止除法中除零的常数。权值w和偏差b是根据需要在网络中更新型参数。
[0104]
otfs通信接收机新型信号处理方法的训练算法如表1所示：
[0105]
表1otfs信号处理方法训练算法
[0106][0107]
在步骤103中，将接收机接收到的信号作为otfs接收机信号处理模型的输入。
[0108]
otfs接收机信号处理方法的难点在于设计适合于复杂otfs通信信号处理的数据预处理方法和神经网络结构。cnn通常使用二维黑白图像或三维彩图像作为输入数据。而对于通信问题，输入数据的形式不同于图像数据的形式。本文模型的输入数据是接收到的iq信号的实部re(r)和虚部im(r)，具体的，将接收机接收到的信号在预设的直角坐标系中进行映射，获取iq信号的实部re(r)和虚部im(r)；将该iq信号的实部re(r)和虚部im(r)作为otfs接收机信号处理模型的输入。
[0109]
因此在网络的卷积层中，本文将卷积核的信道设置为一维。1d-conv-mobilenetv2的输入为处理后的接收信号，输入可表示为：
[0110][0111]
在步骤104中，根据该otfs接收机信号处理模型的输出，获取处理后的接收信号。
[0112]
示例地，采用车联网下otfs通信接收机的信号处理方法，对传统otfs通信发射机发出的信号信息进行恢复，其中采用1d-conv-mobilenetv2结构代替传统otfs通信系统的接收机，完成了接收端信息恢复的整个过程。其目的是了解接收信号与发射信息序列之间的复杂关系，从而尽可能可靠地恢复各种非理想条件下的信息提高接收机对非理想条件的泛化能力。无线通信系统的可靠性主要体现在误码率上。因此，otfs通信接收机的信号处理方法设计的目标为最小化误码率，可表示为：
[0113][0114]
其中为otfs通信接收机的信号处理方法恢复的信息比特流，δ为该方法的模型参数，f(
·
；δ)表示该方法从输入到输出的函数映射。
[0115]
另外，将深度学习算法部署到终端设备需要考虑内存和计算能力的需求，因此需要进行模型复杂度分析。对于新型信号处理方法，一般卷积层的计算量可以表示为：
[0116]
[0117]
而mobilenetv2的深度可分卷积的计算量可以表示为:
[0118][0119]
式中，h
l
,w
l
分别表示feature map的长度和宽度，k
l
,表示卷积核的大小长度，c
l-1
,c
l
分别表示第l卷积层的输入和输出通道数。
[0120]
批处理归一化层和relu层的计算量均为:
[0121][0122]
图6是根据一示例性实施例示出的一种基于卷积神经网络的otfs通信接收机信号处理装置的结构框图，如图6所示，该装置600包括：
[0123]
数据集获取模块610，在otfs通信系统的发射端，获取otfs发射机产生的训练数据集；
[0124]
模型获取模块620，与该数据集获取模块610相连，通过该训练数据集对深层卷积神经网络进行训练，得到训练好的otfs接收机信号处理模型；
[0125]
输入模块630，与该模型获取模块620相连，将接收机接收到的信号作为otfs接收机信号处理模型的输入；
[0126]
输出模块640，与该输入模块630相连，根据该otfs接收机信号处理模型的输出，获取处理后的接收信号。
[0127]
图7是根据图6示出的一种输入模块的结构框图，如图7所示，该输入模块630，包括：
[0128]
映射单元631，将接收机接收到的信号在预设的直角坐标系中进行映射，获取iq信号的实部re(r)和虚部im(r)；
[0129]
输入单元632，与该映射单元631相连，将该iq信号的实部re(r)和虚部im(r)作为otfs接收机信号处理模型的输入。
[0130]
可选的，该训练数据集为：
[0131][0132]
确定损失函数为：
[0133][0134]
其中，nb为小批量所含样品数量，t
ni
为第n个样本的第i个类别上的真实标签，p
ni
是第n个样本的第i个类别的输出概率。
[0135]
可选的，该装置还包括：
[0136]
浅层特征提取模块，通过浅层特征提取层提取该otfs接收机信号处理模型的输入中的浅层特征，其中，该浅层特征提取层包含三个卷积层、一个批处理归一化层和一个relu激活层；
[0137]
深层特征提取模块，通过骨干网对该浅层特征提取层的输出进行深度特征提取，该骨干网包含若干个bneck块。
[0138]
可选的，该卷积神经网络模型为mobilenetv2轻量化一维卷积神经网络模型；
[0139]
该mobilenetv2轻量化一维卷积神经网络模型中还包括：卷积层、批归一化、relu6激活和全局平均池化操作。
[0140]
针对本发明提出的基于卷积神经网络的otfs通信接收机信号处理方法进行性能仿真：
[0141]
(1)仿真参数设置
[0142]
在otfs无线通信系统的发射端，otfs帧结构(m,n)为(4,7)，信息比特流随机生成。载频fc为4ghz，子载波间距δf为15khz。调制采用二进制相移键控(bpsk)、正交相移键控(qpsk)和正交幅度调制(qam)。信道编码分别采用(7,4)汉明编码，均衡算法采用消息传递算法(mp算法)。
[0143]
通过ma tlab仿真生成otfs通信接收信号处理方法的训练集、验证集和测试集。模型训练过程中，eb/n0的范围为0～8db，间隔为1db。在每个eb/n0处，训练集的样本数为40,000，验证集的样本数为20,000。在测试集中，样本容量为40,000。为了检验模型的泛化能力，对于未训练测试集中的eb/n0样本，测试期间eb/n0的取值范围为0～8db，间隔为0.5db。优化算法采用adam，默认学习速率α为0.001，指数衰减速率β1、β2分别为0.9和0.999。初始学习率设置为0.001。在训练期间，设置小批量大小为256，最大训练期为8。
[0144]
1)加性高斯白噪声信道的影响:
[0145]
图8示出了传统otfs通信接收机算法和新型信号处理方法的误码率性能。接收机分别采用硬决策和最大似然(ml)估计进行解码。接收机硬判定的传统使用是指除加性高斯白噪声(awgn)外，不受任何其他因素影响的译码方法。由于信息位的等概率分布模拟了随机生成，ml判决代表了理想条件下的最优性能。可以看出，当eb/n0为8db时，传统otfs通信接收机在bpsk和qpsk调制方式下的误码率均可达到10-5
。同时，该信号处理方法的性能优于传统的otfs接收机。提出的方法在qpsk调制模式下，当eb/n0为7db时误码率可以接近10-6
，当eb/n0为8db时，误码率可以达到10-6
。当eb/n0为7db时，本文方法在bpsk调制模式下的误码率可达10-6
，当eb/n0为8db时，误码率已为0。
[0146]
这种新型信号处理方法在误码率方面的性能非常接近理想的ml决策，远远优于传统的硬判决方法，也表明它有接近性能极限的潜力。在未训练的eb/n0上，新型信号处理方法也取得了接近ml判决的性能，表明该方法对eb/n0具有良好的泛化能力。
[0147]
2)不同车信道条件的影响:
[0148]
图9示出了传统otfs通信接收机在eva信道下的误码率性能以及采用(7,4)汉明码的新型信号处理方法。在不同终端移动速度下，可以看出无论传统接收机采用bpsk还是qpsk调制，当eb/n0为8db时，误码率值在10-2
和10-3
之间。在终端350kmph的移动速度下，传统接收机的误码率性能与500kmph基本相同。在不同终端移动速度下，该算法的性能明显优于传统算法。当eb/n0为8db时，上述情况下误码率为10-5
和10-6
。bpsk调制模式下，当eb/n0为8db时，终端移动速度为350kmph时，误码率接近10-6
。
[0149]
图10示出了传统otfs通信接收机在etu信道下的误码率性能和采用(7,4)汉明码的新型信号处理方法。从图10可以看出，无论传统接收机采用bpsk调制还是qpsk调制，当eb/n0为8db时，与传统算法的性能相比，新型信号处理方法在不同终端移动速度下都能以更低的误码率恢复信息。本文提出的方法在etu信道和eva信道中的性能相似并验证了该方
法在不同通道条件下的稳定性和可靠性。
[0150]
3)不同调制模式的影响:
[0151]
实际通信系统中采用的高阶调制方式可以提高频谱效率和抗干扰能力，但对信号检测的要求较高。调制分别采用qpsk、8qam和16qam。图11示出了传统otfs通信接收机和采用(7,4)汉明码的新型信号处理方法在eva信道下的误码率性能终端移动速度为500公里每小时。在移动速度为500kmph的情况下，当eb/n0为8db时，采用不同调制方式，传统接收机的误码率性能在10-1
和10-2
之间。在新型信号处理方法中，当eb/n0为8db时，16qam调制的ber达到10-4
,8qam调制的ber在10-4
和10-5
之间，qpsk调制的ber在10-5
和10-6
之间。仿真结果表明，新型信号处理方法在(7,4)汉明码下仍然优于采用高阶调制的传统接收机，也证明了本文提出的方法在采用高阶调制时仍然具有较高的稳定性。
[0152]
4)信号处理方法不同实现模型的效果:
[0153]
图12示出了采用(7,4)的新型信号处理方法在qpsk和16qam调制模式下不同实现模型的性能。汉明码下的车联网信道，终端移动速度为500km/h。改进后的网络设计优于原有的网络模型，也反映了这种新型信号处理方法在抗干扰方面的潜力。在qpsk调制模式下，当eb/n0为8db时，原生的resnet模型的ber接近于10-4
，原生的denenet模型、原生的mobilenetv2模型和本文提出的模型的ber均在10-4
和10-5
之间。在16qam调制模式下，当eb/n0为8db时，原生的resnet模型的ber达到10-5
，原生的denenet模型、原生的mobilenetv2模型和提出的模型的ber均在10-5
和10-6
之间。通过对四种不同实现方法的比较，本文提出的方法获得了最佳的误码率性能。
[0154]
我们使用不同的cnn模型来实现智能信号处理方法，验证不同的cnn模型对新型信号处理方法可靠性的影响。从以上结果可以清楚地看到，1d-conv-mobilenetv2不仅减少了信息恢复过程中的计算量，而且在不同条件下都实现了更低的误码率，进一步提高了接收机的可靠性。这种新型信号处理方法的不同实现方式对系统可靠性影响很大，不同实现方式之间的性能差距也很明显。因此，选择合适的cnn模型和合理的优化设计对新型信号处理方法的可靠性有着重要的影响。
[0155]
综上所述，本发明公开涉及一种基于卷积神经网络的otfs通信接收机信号处理方法及装置，该方法包括：在otfs通信系统的发射端，获取otfs发射机产生的训练数据集；通过该训练数据集对深层卷积神经网络进行训练，得到训练好的otfs接收机信号处理模型；将接收机接收到的信号作为otfs接收机信号处理模型的输入；根据该otfs接收机信号处理模型的输出，获取处理后的接收信号。能够以较低的误码率恢复信息，恢复接收机接收到的信号，提高无线通信的可靠性。
[0156]
另外，本发明公开实施例中的otfs接收机新型信号处理方法不同于利用深度学习优化接收机某一信息恢复模块，而是将接收机的各个通信模块作为一个整体进行优化。采用神经网络代替接收端的所有模块(包括载波和符号同步、信道估计、均衡、解调、信道译码等整)完成信息恢复的整个过程，避免了模块化处理带来的非完美信道状态信息(csi)和累计误差的影响。从而克服无线信道中多径效应带来的符号间干扰(inter symbol interference,isi)、多普勒频移带来的载波间干扰(inter-carrierinterference,ici)和多普勒干扰(inter-doppler interference,idi)以及噪声等因素的影响，保证了通信系统在各种复杂场景下的低延时高可靠的无线通信。
[0157]
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
[0158]
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
[0159]
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

技术特征：

1.一种基于卷积神经网络的otfs通信接收机信号处理方法，其特征在于，所述方法包括：在otfs通信系统的发射端，获取otfs发射机产生的训练数据集；通过所述训练数据集对深层卷积神经网络进行训练，得到训练好的otfs接收机信号处理模型；将接收机接收到的信号作为otfs接收机信号处理模型的输入；根据所述otfs接收机信号处理模型的输出，获取处理后的接收信号。2.根据权利要求1所述的基于卷积神经网络的otfs通信接收机信号处理方法，其特征在于，所述将接收机接收到的信号作为otfs接收机信号处理模型的输入，包括：将接收机接收到的信号在预设的直角坐标系中进行映射，获取iq信号的实部re(r)和虚部im(r)；将所述iq信号的实部re(r)和虚部im(r)作为otfs接收机信号处理模型的输入。3.根据权利要求1所述的基于卷积神经网络的otfs通信接收机信号处理方法，其特征在于，所述方法还包括：所述训练数据集为：确定损失函数为：其中，n
b
为小批量所含样品数量，t
ni
为第n个样本的第i个类别上的真实标签，p
ni
是第n个样本的第i个类别的输出概率。4.根据权利要求3所述的基于卷积神经网络的otfs通信接收机信号处理方法，其特征在于，在所述将接收机接收到的信号作为otfs接收机信号处理模型的输入之后，所述方法包括：通过浅层特征提取层提取所述otfs接收机信号处理模型的输入中的浅层特征，其中，所述浅层特征提取层包含三个卷积层、一个批处理归一化层和一个relu激活层；通过骨干网对所述浅层特征提取层的输出进行深度特征提取，所述骨干网包含若干个bneck块。5.根据权利要求4所述的基于卷积神经网络的otfs通信接收机信号处理方法，其特征在于，所述卷积神经网络模型为mobilenetv2轻量化一维卷积神经网络模型；所述mobilenetv2轻量化一维卷积神经网络模型中还包括：卷积层、批归一化、relu6激活和全局平均池化操作。6.一种基于卷积神经网络的otfs通信接收机信号处理装置，其特征在于，所述装置包括：数据集获取模块，在otfs通信系统的发射端，获取otfs发射机产生的训练数据集；模型获取模块，与所述数据集获取模块相连，通过所述训练数据集对深层卷积神经网络进行训练，得到训练好的otfs接收机信号处理模型；输入模块，与所述模型获取模块相连，将接收机接收到的信号作为otfs接收机信号处
理模型的输入；输出模块，与所述输入模块相连，根据所述otfs接收机信号处理模型的输出，获取处理后的接收信号。7.根据权利要求6所述的基于卷积神经网络的otfs通信接收机信号处理装置，其特征在于，所述输入模块，包括：映射单元，将接收机接收到的信号在预设的直角坐标系中进行映射，获取iq信号的实部re(r)和虚部im(r)；输入单元，与所述映射单元相连，将所述iq信号的实部re(r)和虚部im(r)作为otfs接收机信号处理模型的输入。8.根据权利要求6所述的基于卷积神经网络的otfs通信接收机信号处理装置，其特征在于，所述训练数据集为：确定损失函数为：其中，n
b
为小批量所含样品数量，t
ni
为第n个样本的第i个类别上的真实标签，p
ni
是第n个样本的第i个类别的输出概率。9.根据权利要求6所述的基于卷积神经网络的otfs通信接收机信号处理装置，其特征在于，所述装置还包括：浅层特征提取模块，通过浅层特征提取层提取所述otfs接收机信号处理模型的输入中的浅层特征，其中，所述浅层特征提取层包含三个卷积层、一个批处理归一化层和一个relu激活层；深层特征提取模块，通过骨干网对所述浅层特征提取层的输出进行深度特征提取，所述骨干网包含若干个bneck块。10.根据权利要求9所述的基于卷积神经网络的otfs通信接收机信号处理装置，其特征在于，所述卷积神经网络模型为mobilenetv2轻量化一维卷积神经网络模型；所述mobilenetv2轻量化一维卷积神经网络模型中还包括：卷积层、批归一化、relu6激活和全局平均池化操作。

技术总结

本发明公开涉及一种基于卷积神经网络的OTFS通信接收机信号处理方法及装置，该方法包括：在OTFS通信系统的发射端，获取OTFS发射机产生的训练数据集；通过该训练数据集对深层卷积神经网络进行训练，得到训练好的OTFS接收机信号处理模型；将接收机接收到的信号作为OTFS接收机信号处理模型的输入；根据该OTFS接收机信号处理模型的输出，获取处理后的接收信号。能够以较低的误码率恢复信息，恢复接收机接收到的信号，提高无线通信的可靠性。提高无线通信的可靠性。提高无线通信的可靠性。