哈尔滨门户网站建设,论坛模板网站建设,高效网站建设公司,关键词歌词打印目录
1.算法运行效果图预览
2.算法运行软件版本
3.部分核心程序
4.算法理论概述
5.算法完整程序工程 1.算法运行效果图预览 2.算法运行软件版本
matlab2022a
3.部分核心程序
.............................................................................
Transmitt…目录
1.算法运行效果图预览
2.算法运行软件版本
3.部分核心程序
4.算法理论概述
5.算法完整程序工程 1.算法运行效果图预览 2.算法运行软件版本
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 coffRayleigh_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] ;%卷积通过信道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);% 进行深度学习部分使用已训练好的神经网络进行解调[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))); endBers(idx, 1) sum(DNN_bit_err, 1) / N_bits_DNN; % 计算平均比特误码率Sers(idx, 1) sum(DNN_sym_err, 1) / N_QPSK_DNN; % 计算平均符号误码率
0029
4.算法理论概述 正交频分复用OFDM是一种多载波调制技术已经广泛应用于数字通信领域。OFDM信号检测是接收端的关键问题之一目的是将接收到的OFDM信号恢复为原始数据。由于OFDM信号具有高带宽效率、抗多径衰落等特点可以在高速移动环境下实现高速数据传输。但是OFDM信号的检测存在一些困难例如频率偏移、信道估计误差、多路径干扰等。为了解决这些问题近年来深度学习技术被广泛应用于OFDM信号检测中。
1.OFDM信号模型 OFDM信号是一种基于频域分解的多载波调制技术。OFDM信号可以表示为
$$x(t)\sum_{n0}^{N-1}\sum_{k0}^{K-1}s_{n,k}g(t-nT)e^{j2\pi k\Delta f(t-nT)}$$ 其中$s_{n,k}$是数据符号$g(t)$是正交矩形脉冲$T$是符号间隔$K$是子载波数$\Delta f$是子载波间隔。OFDM信号可以通过将数据符号映射到各个子载波上来传输数据每个子载波都有自己的调制方式和调制参数。
2.DNN深度学习网络 DNN深度学习网络是一种基于多层神经网络的机器学习算法。DNN深度学习网络可以通过多个隐藏层来学习数据的高级特征从而实现对数据的分类、回归等任务。DNN深度学习网络的数学模型可以表示为
$$yf(W^{(L)}f(W^{(L-1)}...f(W^{(1)}xb^{(1)})...)b^{(L)})$$
其中$x$是输入数据$y$是输出数据$W^{(i)}$和$b^{(i)}$是第$i$层的权重和偏置$f$是激活函数。
3.基于DNN的OFDM信号检测模型
基于DNN的OFDM信号检测模型可以表示为
$$\hat{s}{n,k}\arg\max{s_{n,k}}P(s_{n,k}|r_{n,k},\theta)$$ 其中$\hat{s}{n,k}$是预测的数据符号$r{n,k}$是接收到的OFDM信号$\theta$是模型参数。该模型可以通过DNN深度学习网络来学习OFDM信号的映射关系从而实现OFDM信号的检测。 在实际应用中需要实现实时OFDM信号检测。这可以通过将训练好的模型部署到实际系统中来实现。在实时检测过程中需要对接收到的OFDM信号进行预处理并将其输入到训练好的模型中进行检测。实时检测的实现需要考虑到时间延迟、资源限制等因素。 基于DNN深度学习网络的OFDM信号检测已广泛应用于数字通信领域。它可以用于解决OFDM信号检测中的一些难题例如频率偏移、信道估计误差、多路径干扰等。此外它还可以用于无线电频谱感知、无线电干扰检测等领域。
5.算法完整程序工程
OOOOO
OOO
O
