【基于非对称自动编码器的水声OFDM通信系统分析9300字】

基于非对称自动编码器的水声OFDM通信系统分析基于非对称自动编码器的水声OFDM通信系统分析 11.1水声OFDM通信系统 1 31.3基于非对称自动编码器的水声OFDM通信系统 4 4 1.4基于非对称自动编码器的系统性能评价及仿真结果分析111.4.1仿真环境参数设置 本章介绍了传统的水声OFDM通信系统，并对自动编码器的原理、结构和水声通信系统中，构建了基于非对称自动编码器的水声OFDM通信系统。调制方式下误码率均低于基于传统水声通信系统和基于文献AE系统的误码率。1.1水声OFDM通信系统传统的水声OFDM通信系统框图如图3-1所示。在发送端，由信息比特和Transform,IFFT),从频域信号X(k)获得时域信号，记作x(n)∈E。为示信号x(n)的长度，N表示信号t(n)将时域信号y(n)转换为频域信号，接下来经过信道估计与均衡处理后，经过有两种基本的信道估计算法：最小二乘(LeastSquares,LS)和最小均方误差 (MinimumMeanSquareError,MMSE)。最小二乘是一种广泛应用的信道估计方计算时需要先验信息，因此性能方面优于LS算法，然而最小均方误差算法需要计算一个Q矩阵的逆，所以当矩阵很大时，计算量过大，这一点不符合实现系两种信道均衡方法为：迫零均衡和最小均方误差。迫零均衡算法是由Lucky于1965年提出的，该算法属于线性均衡方法，目的是让误差的平方和达到最低。1.2自动编码器的原理与结构自动编码器(Autoencoder,AE)是神经网络的一种，在视频编解码、语言处编码器将输入信号x转换为编码y,其中从输入层解码器将y转换为输出信号x′,从隐含层到输出层，即为：其中，W,b分别为编码器的权重与偏置，W′,b置。编码器f通过映射函数将输入x映射到隐含表示Y,解码器g利用映射函数获Xfyg系统物理层设计问题上。常见的自动编码器有：稀疏自编码器(Sparse 1.3基于非对称自动编码器的水声OFDM通信系统达到最佳性能的参数，从而构建基于该非对称自动编码器的水声OFDM通信系座映射、调制、加循环前缀等过程，使基于非对称AE的系统兼具整体性与佳性能时的参数设置。接下来分为以下三个方面进行讨论：(1)非对称自动编码器发送端隐含层激活函数的选择。(2)非对称自动编码器的接收端隐含层层数的选择。(3)非对称自动编码器学习率的选择。(1)非对称自动编码器发送端的隐含层激活函数的选择别设置为ReLU与LeakyReLU进行仿真实验并对结果进行比较，从而对激活函从图3-4中可以看出，在不同的信噪比情况下，训练过程中使用ReLU激活函数时，误差下降的速度较慢且波动极大，训练次数在300次以内时，结果经常性跳跃并向上浮动，递减的趋势较慢，训练次数在300到600次时，ReLU函数到600时，误差下降较快且结果持续递减，使用LeakyReLU激活函数误码率结果始终远优于ReLU函数，因为当激活函数ReLU在输入数值小于0时，所有输入均被视为0,从而导致相应的权重参数不会迭代，一部分神经元“死亡”,无大降低网络训练的准确性。因此该网络发送端隐含层的激活函数确定选择使用LeakyReLU函数，并在网络的最后加入批量归一化层(Batchnormalization),该BN层对输出进行归一化处理，使得网络中每层输入数据的分布相对稳定，加速(2)非对称自动编码器接收端隐含层层数的选择自动编码器神经网络中至少存在一个隐藏层，根据Lippmann中提出具有两个隐藏层的多层感知机足以创建任何所需形状的分类区域621,进一步的理论发现和证明显示拥有两个隐含层的多层感知机已经可以逼近我们需要的大部分函含层数为2、3和4的情况，对比结果如图3-5所示，从图中可以看出，当隐含层为2层时结果没有层数为3时结果好，但当隐含层增加为4层时，系统的性能并没有进一步的提高，反而系统误码率比隐含层层数为3时要高，该结果也符合含层层数确定为3。(3)非对称自动编码器学习率的选择学习率的大小会影响网络训练过程中损失函数的振幅变化和模型收敛的速习率分别设置为0.01、0.001、0.0001这几个数值进行仿真实验，结果如图3-6所示，在学习率为0.001时会得到网络训练的最佳效果，学习率越高或越低都没有等于0.001时系统性能更好，并且在学习率等于0.001时网络训练时间较快，达到最佳性能的用时最短。而在学习率等于0.0001时，训练的梯度非常震荡，图3-6学习率对于系统BER的影响参数名称学习速率0.001损失函数均方差函数(MSE)表3-1(续)参数名称训练数据测试数据该非对称自动编码器发送端的网络结构如图3-7所示，网络输入和输出的神经元个数均为1024,隐含层设置为一层，神经元的个数设置为500个。选择的激活函数为LeakyReLU函数。输出1024输出1024图3-7Autoencoder发送端网络结构自动编码器接收端网络结构如图3-8所示，网络的输入层、输出层的神经元个数分别为：1024和16,因为在发送端设置传输的子载波个数为1024个比特，所发送的数据的每16个比特被独立地分组和训练，隐含层一共有三层。神经元个数分别是：500、240、120,初始的学习率设为0.001。输出层的激励函数选择Sigmoid,因为Sigmoid函数会将输出压缩为[0,1],符合自动编码器的输出为比输入1024与信号的卷积，为了避免网络的复杂度过高和训练时间过长，中的tf.nn.convld一维卷积公式进行计算。为了确保TensorFlow框架流程图是连中，将信号表示成a+bi,信道表示成c+di,将信号与信道的实部与虚部分开表卷积核(信道)的维度设置：[卷积核长度，输入的通道数，输出通道数],由于真实实验中的信道取多径完全后长度较长，我们在信号前后端加入0(padding)基于该非对称自动编码器的水声OFDM通信系统如图3-9所示，发送端的输入是随机生成的X(k),经过星座图映射为符号，串并变换后记作x(n)进入自动编码器的发送端，激活函数设为LeakyReLU,将网络的输出记作x′(n),再进行快速傅里叶算法逆变换(IFFT),为了降低符号间干扰和子载波间干扰，在信号的前端插入循环前缀(CyclicPrefix,CP),得到t(n)∈。自动编码器的接收端自动编码器自动编码器行训练，接收端网络的隐含层从1.3节通过仿真实验确定为三层，输出层的激活函数为Sigmoid函数使接收端的网络输出0-1之间数值。非对称自动编码器网络1.4基于非对称自动编码器的系统性能评价及仿真结果分析在本节中，通过与基于传统信道估计方法、深度神经网络接收机301和文献器的水声OFDM通信系统的误码率水平与信道环境适应性。对于不同的水声信分析系统结果时，本文主要使用的OFDM多载波调制方式进行讨论，在进数如表3-2所示，利用基于统计表征的水声信道模型53模拟了七种不同的水声信的样本个数分别为400和100,改变了传输距离、最大时延扩展和多普勒频移几个影响因素，信道持续时间为180s,涵盖水声时变信道响应的全部信息，系统前缀的长度分别为128,64和16,分别占有效信息长度的1/4,1/8和1/32。在每次仿真会随机生成0,1序列作为系统的输入数据流，分别表示为导频信息与信号信息，其比值为1:1,导频插入方式为块状导频。网络传输后接收到的络的系统进行评估时，网络均在环境2下进行训练，测试集与训练集环境设置分表3-2水声信道环境参数设置时延扩展多普勒频移环境1表3-2(续)0时延扩展多普勒频移环境2环境3环境4环境5环境6环境70000表3-3OFDM参数设置帧结构符号宽度导频长度子载波间隔导频+数据(1)基于对称AE与非对称AE模型的系统误码率水平对比图3-11对比了基于本文设计的非对称AE与文献[44]端到端对称AE的系统称AE”分别指基于本文设计的非对称自动编码器OFDM水声通信系统和基于文献44对称自动编码器水声OFDM通信系统，AE⁴4为端到端系统，整个通信系统均由自动编码器构成，整个系统形成一个巨大的“黑匣子”,很难了解其训练过非对称自动编码器的水声通信系统误码率均低于基于AE⁴4的系统，且在“SNR=25dB”时，误码率达到了10-⁴,证明了该非对称自动编码器的设计较为(2)相同环境下不同信道估计方法的影响图3-12对比了在OFDM调制的方式下测试集与训练集环境相同，基于非对“MMSE”和“LS”是指基于信道估计算法MMSE和LS的OFDM水声通信系称自动编码器的水声OFDM通信系统。AE系统的误码率比基于DNN接收机系统的更低，在信噪比为25dB时的基于非对称AE系统的误码率达到了10-⁴。从结果来看，在不同的信噪比情况下，基于非对称AE的系统比传统的信道估计和基于DNN³0的系统有更好的误码率表现，证明在训练集与测试集环境相同时，相较于其他模型，基于非对称AE的系统性信噪比(dB信噪比(dB)信噪比(dB)图3-12不同信道估计方法下的BER对比图3-13不同调制方式的对比(3)不同调制方式的影响(4)不同的循环前缀长度的影响图3-14显示了在训练集与测试集环境均为仿真环境2时，不同循环前缀长度下对基于非对称AE和MMSE信道估计系统误码率的影响，图中“MM称AE”表示该数据是基于非对称自动编码器的OFDM系统得到的，图中“表示循环前缀。从图中可以观察到，不管CP长度取128、64还是16时，基于非时，基于非对称AE的系统的误码率达到最佳性能，因此可以证明相比于传统的系统误码率性能。在确保一定的系统误码率的前提下，可以适当的减少CP的长(5)不同的星座映射方法的影响约2个数量级。上提高传输的速率，为实现水声通信中稳定的高速率传输提供了一种解决方案。(6)测试集与训练集相同与不同的比较仿真实验，图3-16显示了测试集与训练集相同和不同时基于非对称自动编码器的水声通信系统的误码率，图中“训练环境2测试环境5”表示该数据是基于非对称AE模型(模型在环境2下训练，在环境5下测试)的OFDM水声通信系统在不同SNR下的