【《基于深度学习算法的信号检测方案设计案例概述》4200字】

[27]，利用RHH对LS和MMSE进行信号检测，根据DL、LS、MMSE三种算法的输出符号，计算误符号率，比较、分析最终的误符号率图。1.2仿真结果分析1.2.1实验一：探究导频长度P对信号检测的影响在保持循环前缀的长度CP不变的前提下，分析、比较导频数目P对信号检测的误符号率的影响。图1.2(a)-(b)比较了当CP=16时，P=64以及CP=16，P=16时的误符号率与信噪比的关系曲线。可以发现导频数目较少时，深度学习方法的信号检测性能明显比LS、MMSE优越，MMSE性能比LS稍强，这种趋势在信噪比越大的时候越明显；而当导频个数较大时，MMSE性能与深度学习相近，当信噪比超过15dB时，甚至更优于深度学习，但两者的性能仍然明显优于LS。图1.2(a)CP=16，P=64时的误符号率的曲线图图1.2(b)CP=16，P=8时的误符号率的曲线图1.2.2实验二：探究循环前缀的长度对信号检测的影响在保持导频数目P不变的前提下，分析、比较仅仅循环前缀的长度CP对信号检测的误符号率的影响。图1.3(a)-(b)比较了当P=8时，CP=16以及CP=0时的误符号率与信噪比的关系曲线。可以发现CP值较小时，深度学习方法的信号检测性能明显比LS、MMSE优越，MMSE性能比LS稍强；而当循环前缀较长时，MMSE性能与深度学习相近，当信噪比超过15dB时，甚至更优于深度学习，但两者的性能仍然明显优于LS。图1.3(a)P=64，CP=16时的误符号率的曲线图图1.3(b)P=64，CP=0时的误符号率的曲线图1.2.3实验三：探究全连接层对信号检测的影响在保持导频数目P、循环前缀的长度CP不变的前提下，仅仅增加全连接层网络的层数，对信号检测的误符号率的影响。保证网络的其他网络层的结构以及数目不变，只增加全连接层层数，图5.5(a)-(c)比较了P=8，CP=0时，网络中全连接层层数为一层、两层以及三层全连接层时的误符号率与信噪比的关系曲线。训练阶段可以发现，当网络层数越多时，所需的训练时间越多，即时间复杂度越高，这是因为网络结构变得更加复杂，涉及的神经元数量倍增；可以看出是两层全连接层时的误符号率表现最佳，最差为三层全连接层，其次为一层全连接层。说明网络结构复杂的程度并不一定与准确度正相关，当网络中有三层全连接层时，模型由于过度训练出现过拟合，导致模型的学习能力反而下降。但考虑到时间复杂度以及精确度的联合表现，一层全连接层时网络已经具有了良好的信号检测表现。图1.4(a)网络中只有一层全连接层时的误符号率的曲线图图1.4(b)网络中有两层全连接层时的误符号率的曲线图图1.4(c)网络中有三层全连接层时的误符号率的曲线图1.2.4实验四：探究LSTM层对信号检测的影响在保持导频数目P、循环前缀的长度CP不变的前提下，探究仅仅增加LSTM层的层数对信号检测的误符号率的影响。保证网络的其他网络层的结构以及数目不变，只增加LSTM层，图1.5(a)-(c)比较了P=8，CP=0时的一层LSTM层、两层LSTM层以及三层LSTM层时的的误符号率与信噪比的关系曲线。训练阶段可以发现，当网络层数越多时，所需的训练时间越多，即时间复杂度越高，这是因为网络结构变得更加复杂，涉及的神经元数量倍增；且网络只有一或两层LSTM层时，误符号率随着LSTM层数的增加而降低，当网络中有三层LSTM层时，深度学习方法的误符号率大大降低，近似保持在100%的水平上，可以由此判断神经网络此时失去了信号检测能力，网络模型彻底无效；而网络在只有一层LSTM层时的表现较好，说明该模型受时间序列的影响较小，改进网络模型的时候不需要再做增加LSTM层这样的改进。图1.5(a)网络中只有一层全连接层时的误符号率的曲线图图1.5(b)网络中有两层全连接层时的误符号率的曲线图图1.5(c)网络中有三层全连接层时的误符号率的曲线图1.2.5实验五：探究学习速率对信号检测的影响在保持导频数目P、循环前缀的长度CP以及网络结构和神经元数量不变的前提下，探究仅仅改变神经网络训练阶段初始的学习速率，对信号检测的误符号率的影响。图1.5(a)-(c)比较了P=64，CP=0时网络初始学习速率分别为0.01、0.02、0.005时的误符号率与信噪比的关系曲线。可以看出神经网络在初始学习速率为0.01的时候表现最佳，即信号检测输出的误符号率最低，这说明该训练神经网络的时候，并不是学习速率越快越好，甚至在学习速率为0.005时的信号检测性能要优于学习速率为0.02；这是因为模型中采取的梯度下降法本身的性质决定，当学习速率过快时可能会错过全局最优解，当学习速率较慢时，网络训练需要的时长增加，因为网络模型需要考虑综合效益，所以进一步优化神经网络时，可以选择调整控制初始