<meter id="hh1nh"></meter>
<th id="hh1nh"><em id="hh1nh"><delect id="hh1nh"></delect></em></th>

        <form id="hh1nh"></form>

          <listing id="hh1nh"><nobr id="hh1nh"></nobr></listing>
          <nobr id="hh1nh"></nobr>

            <th id="hh1nh"><form id="hh1nh"><font id="hh1nh"></font></form></th>
            <rp id="hh1nh"><progress id="hh1nh"></progress></rp>
            您所在的位置:首頁 - 科學研究 - 科研動態

            科研動態

            基于混合灰狼算法優化深度神經網絡的OFDM信號調制識別

            論文題目:Improved Deep Neural Network for OFDM signal recognition using Hybrid Grey Wolf Optimization

            期刊名稱:IEEE Access(SCI檢索,JCR:Q1)

            原文DOI:https://doi.org/10.1109/ACCESS.2020.3010589

            作者列表:

            (1)張妍 中國石油大學(北京)信息科學與工程學院 電子信息工程系 研18

            (2)劉得軍 中國石油大學(北京) 信息科學與工程學院 電子信息工程系

            (3)劉家琳 中國石油大學(北京)信息科學與工程學院 電子信息工程系 研18

            (4)咸沂軒 中國石油大學(北京)信息科學與工程學院 電子信息工程系 研18

            (5)王旭 中國石油大學(北京)信息科學與工程學院 電子信息工程系 研19

            論文簡介:

            正交頻分復用(OFDM)是一種高頻譜利用率的多載波調制技術,具有很強的抗多徑干擾和抗衰落能力。本文針對多徑信道下復雜信號中OFDM信號的識別問題,提出了一種基于混合灰狼算法優化深度神經網絡模型的的OFDM識別方法,采用該算法優化神經網絡的初始權值和閾值,該混合算法將差分進化算法融入到灰狼優化算法中,解決了傳統神經網絡易陷入局部極小值和GWO算法后期易陷入停滯狀態的缺點,該模型在識別性能和優化穩定性方面都具有很強的競爭力。

            背景與動機

            隨著現代通信技術的迅速發展,以及用戶對信息的傳輸速度以及可靠性要求的不斷提高,信號的調制方式也在不斷變更。由于通信業務種類和業務量的不斷增加,充分利用帶寬資源成為通信領域中一個亟需解決的問題。正交頻分復用技術是一種具有高頻帶利用率的多載波調制技術,得到了廣泛的應用。此外,OFDM 信號的顯著優勢在于抗多徑效應,所以 OFDM 信號的應用環境多為多徑衰落信道。因此,研究多徑信道條件下 OFDM 信號的識別問題具有重要意義。

            設計與實現

            本文的目標為從多個單載波信號和多載波信號中識別OFDM信號。調制信號集由WPM、OFDM、PSK、FSK、QAM信號組成,其中WPM、OFDM為多載波信號,其余為單載波信號。在調制器中,首先將二進制數據流轉換成長度為N的低速子數據流,然后經過各種調制方式得到相應的調制信號。為模擬實際的信道,我們將信號通過模擬的多徑信道并疊加高斯白噪聲得到更接近實際情況的調制信號。然后對接收到的信號進行特征提取,以減小運算量和降低數據的維度,之后根據DNN的輸入規則來對特征值進行歸一化,最后將數據送入優化后的DNN識別模型中進行分類輸出,示意圖如圖1。其中,v20為混合階矩, R為功率譜包絡的均值和方差的比值,Nc為求得的子載波個數。

            image.png

            圖1 基于深度神經網絡的數字調制識別模型

            在訓練DNN之前,針對DNN存在的易陷入局部最優值問題,我們采用灰狼優化算法來優化DNN的初始權值和閾值,它具有較強的收斂性能、參數少、易實現等特點,而由于GWO算法后期易陷入停滯狀態,因此將差分進化算法引入灰狼優化算法中,增強了種群的多樣性,避免了算法后期易陷入局部最優的缺點,HGWO算法優化DNN的過程介紹如下:

            image.png

            圖2 灰狼的等級制度

            種群初始化:首先對算法參數進行初始化,在可行域內隨機初始化得到父代種群,然后將父代種群代入DNN算法計算得到父代目標函數值,重復初始化操作得到變異種群和子代種群。

            社會等級分層:計算種群每個個體的適應度并進行排序得到狼群中適應度最好的三匹灰狼依次標記為 α、β、γ 。

            狩獵過程:灰狼具有識別潛在獵物(最優解)位置的能力,搜索過程主要靠 α、β、γ 灰狼的指引來完成,在每次迭代過程中,保留當前種群中的最好三只灰狼,然后根據它們的位置信息來更新其它個體的位置。

            迭代結束后,將所有種群的位置向量帶入DNN算法,得到父代目標值,然后確定我們是否得到最好的父代目標值。

            DE算法通過個體變異獲得變異種群, 然后在父代種群和變異種群之間進行交叉操作以增強種群的多樣性進而得到新一代種群, 將新種群代入DNN算法,得到子代種群的目標值。將子代種群與父代種群進行比較選擇,利用貪婪算法得到下一代個體。迭代完成后,使用回歸算法對結果進行預測。

            以上步驟結合了HGWO和DNN各自的優勢,有效地解決了神經網絡算法存在的問題。我們通過傳統的DNN識別方法以及單一的智能算法優化的DNN模型來和HGWO-DNN方法相比較,如圖3所示。

            image.png

            圖3  本文方法與三種方法的對比方法對比

            實驗結果表明,在低信噪比的條件下,算法的識別精度相比于傳統的DNN方法提高了9.95%,相比于其他兩種單一的智能優化算法提高了近4.5%,因此證明了我們提出的方法在多徑信道環境中具備有效性和可靠性,同時也為無線通信領域的OFDM信號調制識別提供了一種簡單有效的新方法。

            關于作者

            張妍,碩士,中國石油大學(北京),信息科學與工程學院信息與通信工程專業。研究方向:通信原理、調制解調方法、數字調制識別、OFDM系統以及深度學習技術在通信系統中的應用。聯系方式:Email: 13691137206@163.com

            劉得軍,教授,中國石油大學(北京),信息科學與工程學院電子信息工程系,博士生導師,中共黨員。研究方向:電磁測量方法與數值模擬技術、電纜高速數據傳輸理論與技術、機電測量系統虛擬樣機設計等??傆嫲l表科學論文140余篇。聯系方式:Email: liudj65@163.com

            99亚洲综合精品