基于分层模块的OFDM通信参数自适应选取方法及系统

专利名称：基于分层模块的OFDM通信参数自适应选取方法及系统

专利类型：发明专利

专利申请号：CN202111386627.1

专利申请（专利权）人：燕山大学
权利人地址：河北省秦皇岛市海港区河北大街438号

专利发明（设计）人：袁亚洲,魏世威,关新平,孙明月,罗小元

专利摘要：本发明公开了基于分层模块的OFDM通信参数自适应选取方法及系统，属于通信技术领域，该方法包括预设建模参数；构建模糊神经网络；获得训练样本数据，所述样本数据作为模糊神经网络训练数据；训练所述模糊神经网络；获取输入数据，响应于所述输入数据的输出数据，所述输入数据为所述参数数据。该系统包括预设模块、模糊神经网络模块、样本模块、训练模块、部分传输序列模块以及正交频分复用模块。本发明结合了神经网络的学习能力和模糊控制方法的推理能力，实现了PTS方法处理参数的自适应选取。

主权利要求：
1.基于分层模块的OFDM通信参数自适应选取方法,其特征在于，该方法包括：预设建模参数，所述预设建模参数包括输入变量和输出变量，所述输入变量包括子载波个数N、信号的功率Po和功率阈值Pt，所述输出变量包括分块处理参数V,其中，根据功率放大器线性工作范围对功率阈值Pt进行设定；
构建模糊神经网络，所述构建模糊神经网络包括：输入层、模糊化层、模糊推理层、归一化层以及输出层，其中，确认输入层的神经元点数；模糊化层对输入层响应后数据模糊化处理；模糊推理层是通过模糊化处理后的数据与模糊推理层的模糊规则进行匹配；归一化层对模糊层响应后数据归一化处理；输出层对归一化处理后数据解模糊化；
获得训练样本数据，所述样本数据作为模糊神经网络训练数据；
训练所述模糊神经网络；
获取输入数据，响应于所述输入数据的输出数据，所述输入数据为所述参数数据。
2.根据权利要求1所述的基于分层模块的OFDM通信参数自适应选取方法，其特征在于，所述获取输入数据，响应于所述输入数据的输出数据之后包括对所述输出数据进行分块和加权处理。
3.根据权利要求2所述的基于分层模块的OFDM通信参数自适应选取方法，其特征在于，所述确认输入层的神经元点数包括得到神经元点数方法如下：其中,xin为神经元点数，in代表input，n为输入量的维数。
4.根据权利要求3所述的基于分层模块的OFDM通信参数自适应选取方法，其特征在于，所述模糊化层对输入层响应后数据模糊化处理包括以下方法：模糊化处理的隶属度函数为：
其中，i表示第i个输入变量，j表示第j个模糊分级，σij为隶属度函数的标准差，cij为隶属度函数的中心。
5.根据权利要求4所述的基于分层模块的OFDM通信参数自适应选取方法，其特征在于，所述模糊推理层是通过模糊化处理后的数据与模糊推理层的模糊规则进行匹配包括以下方法：模糊规则的适应度函数为：
其中，j∈{1,2,...,mi}，k∈{1,2,...,m}, m为模糊推理层规则个数，k表示第k条模糊规则，n为输入变量的维数；
所述归一化层对模糊层响应后数据归一化处理包括以下方法：归一化函数为：
所述输出层对归一化处理后数据解模糊化包括以下方法：解模糊化函数为：
其中，yo为模糊神经网络的输出，r为网络需要输出变量的个数，ωok为第k条规则对应的权重参数。
6.根据权利要求5所述的基于分层模块的OFDM通信参数自适应选取方法，其特征在于，所述获得训练样本数据，所述样本数据作为模糊神经网络训练数据包括以下方法：模糊神经网络的训练样本数据容量函数为：
其中，P为模糊神经网络的训练样本数据容量，L为模糊神经网络中的模糊层的个数，N为输入层个数，Ri为第i个输入xi包含的模糊等级个数，Ncp为每个模糊等级隶属度函数所包含的参数，M为模糊神经网络输出变量个数。
7.根据权利要求6所述的基于分层模块的OFDM通信参数自适应选取方法，其特征在于，训练所述模糊神经网络包括以下方法：设定迭代次数L和期望的训练误差Ee，通过梯度下降法对模糊神经网络训练，不断地优化隶属度函数的前件参数σij,cij以及权重参数ωok，完成最优的模糊神经网络。
8.适用于权利要求1‑7任一项所述方法的基于分层模块的OFDM通信参数自适应选取系统，其特征在于，包括：预设模块，用于预设建模参数；
模糊神经网络模块，用于根据预设建模参数，构建模糊神经网络模型，还用于获取输入数据，输出响应于所述输入数据的数据；
样本模块，用于获得训练样本数据；
训练模块，用于根据训练样本数据，训练所述模糊神经网络模型；
部分传输序列模块，用于对输出响应于所述输入数据的数据进行分块和加权处理；
正交频分复用模块，用于对部分传输序列模块响应后的数据进行调制。 说明书 : 基于分层模块的OFDM通信参数自适应选取方法及系统技术领域[0001] 本发明属于通信技术领域，尤其涉及基于分层模块的OFDM通信参数自适应选取方法及系统背景技术[0002] 正交频分复用(OFDM)是高速有线/无线通信中一种广泛应用的多载波调制技术，如无线5G、高速双线网络等，具有频谱利用率高、抗多径干扰等特点。然而，OFDM在实际应用还中存在一些不足。其中一个问题就是较高的峰值平均功率比(PAPR)，它会导致功率放大器的非线性失真。一般来说，工业自动化对通信设备有着低功耗、低成本、高可靠性的要求，而较高的PAPR带来系统的功率损耗问题，不仅导致设备相关器件的寿命缩短，而且降低了功率放大器的工作效率。因此，研究降低OFDM系统信号峰均比的方法具有很强的现实意义。[0003] 目前，部分传输序列法(PTS)在降低峰均比问题上是广泛应用的一种方法。PTS方法的关键就是对输入数据数据块数量的划分，一般数据块数量记为V。然而，针对不同的OFDM模型，PTS方法无法自适应的完成对处理参数V的选取。此外，需要额外的快速傅里叶逆变换(IFFT)以及从相位因子集中选取最优的相位因子，带来了较高的计算复杂度。上述问题限制了PTS方法的处理效果。发明内容[0004] 本发明为了解决上述缺陷，提出基于分层模块的OFDM通信参数自适应选取方法及系统。[0005] 为解决上述技术问题，本发明所采用的技术方案是：[0006] 基于分层模块的OFDM通信参数自适应选取方法,该方法包括：[0007] 预设建模参数；[0008] 构建模糊神经网络；[0009] 获得训练样本数据，所述样本数据作为模糊神经网络训练数据；[0010] 训练所述模糊神经网络；[0011] 获取输入数据，响应于所述输入数据的输出数据，所述输入数据为所述参数数据。[0012] 本方法的进一步改进在于：所述获取输入数据，响应于所述输入数据的输出数据之后包括对所述输出数据进行分块和加权处理。[0013] 本方法的进一步改进在于：所述预设建模参数包括输入变量和输出变量，所述输入变量包括子载波个数N、信号的功率Po和功率阈值Pt，所述输出变量包括分块处理参数V,其中，根据功率放大器线性工作范围对功率阈值Pt进行设定。[0014] 本方法的进一步改进在于：所述构建模糊神经网络包括：输入层、模糊化层、模糊推理层、归一化层以及输出层，其中，[0015] 确认输入层的神经元点数；[0016] 模糊化层对输入层响应后数据模糊化处理；[0017] 模糊推理层是通过模糊化处理后的数据与模糊推理层的模糊规则进行匹配；[0018] 归一化层对模糊层响应后数据归一化处理；[0019] 输出层对归一化处理后数据解模糊化。[0020] 本方法的进一步改进在于：所述确认输入层的神经元点数包括得到神经元点数方法如下：[0021][0022] 其中,xin为神经元点数，in代表input，n为输入量的维数。[0023] 本方法的进一步改进在于：所述确认输入层的神经元点数包括得到神经元点数方法如下：所述模糊化层对输入层响应后数据模糊化处理包括以下方法：[0024] 模糊化处理的隶属度函数为：[0025][0026] 其中，i表示第i个输入变量，j表示第j个模糊分级，σij为隶属度函数的标准差，cij为隶属度函数的中心。[0027] 本方法的进一步改进在于：所述模糊推理层是通过模糊化处理后的数据与模糊推理层的模糊规则进行匹配包括以下方法：[0028] 模糊规则的适应度函数为：[0029][0030] 其中，j∈{1,2,...,mi}，k∈{1,2,...,m}, m为模糊推理层规则个数，k表示第k条模糊规则，n为输入变量的维数；[0031] 所述归一化层对模糊层响应后数据归一化处理包括以下方法：[0032] 归一化函数为：[0033][0034] 所述输出层对归一化处理后数据解模糊化包括以下方法：[0035] 解模糊化函数为：[0036][0037] 其中，yo为模糊神经网络的输出，r为网络需要输出变量的个数，ωok为第k条规则对应的权重参数。[0038] 本方法的进一步改进在于：所述获得训练样本数据，所述样本数据作为模糊神经网络训练数据包括以下方法：[0039] 模糊神经网络的训练样本数据容量函数为：[0040][0041] 其中，P为模糊神经网络的训练样本数据容量，L为模糊神经网络中的模糊层的个数，N为输入层个数，Ri为第i个输入xi包含的模糊等级个数，Ncp为每个模糊等级隶属度函数所包含的参数，M为模糊神经网络输出变量个数。[0042] 本方法的进一步改进在于：所述训练所述模糊神经网络包括以下方法：[0043] 设定迭代次数L和期望的训练误差Ee，通过梯度下降法对模糊神经网络训练，不断地优化隶属度函数的前件参数σij,cij以及权重参数ωok，完成最优的模糊神经网络。[0044] 基于分层模块的OFDM通信参数自适应选取系统，包括：[0045] 预设模块，用于预设建模参数；[0046] 模糊神经网络模块，用于根据预设建模参数，构建模糊神经网络模型，还用于获取输入数据，输出响应于所述输入数据的数据；[0047] 样本模块，用于获得训练样本数据；[0048] 训练模块，用于根据训练样本数据，训练所述模糊神经网络模型；[0049] 部分传输序列模块，用于对输出响应于所述输入数据的数据进行分块和加权处理；[0050] 正交频分复用模块，用于对部分传输序列模块响应后的数据进行调制。[0051] 由于采用了上述技术方案，本发明取得的技术进步是：[0052] 本发明结合了神经网络的学习能力和模糊控制方法的推理能力，实现了PTS方法处理参数的自适应选取。[0053] 本发明联合考虑了正交频分复用OFDM系统的信号特性和功率放大器的特性，选取对处理参数影响较大的三个参数作为模糊神经网络的输入，即子载波个数N、信号的功率Po、功率阈值Pt，并且可适用于不同的正交频分复用OFDM模型。[0054] 本发明提出的FNN‑APTS方法只需要处理功率大于阈值的信号，大大减小了分段信号的数量，降低了系统的计算复杂度，改善了误码率性能。附图说明[0055] 图1是本发明方法的整体流程图；[0056] 图2是本发明选取的高斯型隶属度函数示意图；[0057] 图3是本发明模糊神经网络结构框图；[0058] 图4是本发明经过训练之后的输入变量N隶属度函数结果图；[0059] 图5是本发明经过训练之后的输入变量Po隶属度函数结果图；[0060] 图6是本发明经过训练之后的输入变量Pt隶属度函数结果图；具体实施方式[0061] 下面结合附图对本发明做进一步详细说明：[0062] 本发明提出了基于分层模块的OFDM通信参数自适应选取方法，如图1所示，该方法包括以下步骤：[0063] 预设建模参数；[0064] 构建模糊神经网络；[0065] 获得训练样本数据，所述样本数据做为模糊神经网络训练数据；[0066] 训练所述模糊神经网络；[0067] 获取输入数据，响应于所述输入数据的输出数据，所述输入数据为所述参数数据；[0068] 具体地，本发明结合了神经网络的学习能力和模糊控制方法的推理能力，实现了PTS方法处理参数的自适应选取；只需要处理功率大于阈值的信号，大大减小了分段信号的数量，降低了系统的计算复杂度，改善了误码率性能。[0069] 进一步地，获取输入数据，响应于所述输入数据的输出数据之后包括对所述输出数据进行分块和加权处理。[0070] 进一步地，预设建模参数包括输入变量和输出变量，所述输入变量包括子载波个数N、信号的功率Po和功率阈值Pt，所述输出变量包括分块处理参数V,其中，根据功率放大器线性工作范围对功率阈值Pt进行设定；为了更好的反映网络训练效果，本实施例中综合考虑OFDM系统的信号特性和功率放大器特性，选取对处理参数影响较大的三个参数作为模糊神经网络的输入，即子载波个数N、信号的功率Po、功率阈值Pt。[0071] 进一步地，如图3所示，构建模糊神经网络包括：输入层、模糊化层、模糊推理层、归一化层以及输出层，其中，[0072] 确认输入层的神经元点数；[0073] 模糊化层对输入层响应后数据模糊化处理；[0074] 模糊推理层是通过模糊化处理后的数据与模糊推理层的模糊规则进行匹配；[0075] 归一化层对模糊层响应后数据归一化处理；[0076] 输出层对归一化处理后数据解模糊化。[0077] 再进一步地，确认输入层的神经元点数包括得到神经元点数方法如下：[0078][0079] 其中,xin为神经元点数，in代表input，n为输入量的维数；本实施例中第一层为整个网络的输入，模糊神经网络输入层节点即是模糊信息的入口，该网络输入层的神经元节点数(NN)取决于输入信息的维数，即(NN)1＝n＝3。[0080] 再进一步地，模糊化层对输入层响应后数据模糊化处理包括以下方法：[0081] 如图2所示，模糊化处理的隶属度函数为：[0082][0083] 其中，i表示第i个输入变量，j表示第j个模糊分级，σij为隶属度函数的标准差，cij为隶属度函数的中心；本实施例中该层网络可以将输入信息分为很大(VB)、大(BI)、中等(MI)、小(SM)和很小(VS)5个模糊集，因此，即mi＝5，该层的神经元节点数(NN)为[0084] 再进一步地，模糊推理层是通过模糊化处理后的数据与模糊推理层的模糊规则进行匹配包括以下方法：[0085] 模糊规则的适应度函数为：[0086][0087] 其中，j∈{1,2,...,mi}，k∈{1,2,...,m}, m为模糊推理层规则个数，k表示第k条模糊规则，n为输入变量的维数；本实施例中该层的规则库包含了模糊集的所有组合。规则库包含k＝125条规则，这些规则反映了模糊化输入与输出之间的关系。该层的神经元节点数[0088] 归一化层对模糊层响应后数据归一化处理包括以下方法：[0089] 归一化函数为：[0090][0091] 本实施例中该层所包含的神经元节点数与模糊推理层相同。[0092] 输出层对归一化处理后数据解模糊化包括以下方法：[0093] 解模糊化函数为：[0094][0095] 其中，yo为模糊神经网络的输出，r为网络需要输出变量的个数，ωok为第k条规则对应的权重参数；本实施例中该层包含对应各分支输出的权重参数ωij，称为后件参数，该层只包含一个输出数据，即处理参数V，因此，该层神经元节点数为(NN)5＝1。[0096] 进一步地，获得训练样本数据，所述样本数据作为模糊神经网络训练数据包括以下方法：[0097] 模糊神经网络的训练样本数据容量函数为：[0098][0099] 其中，P为模糊神经网络的训练样本数据容量，L为模糊神经网络中的模糊层的个数，N为输入层个数，Ri为第i个输入xi包含的模糊等级个数，Ncp为每个模糊等级隶属度函数所包含的参数，M为模糊神经网络输出变量个数；本实施中根据上述函数可以得到模糊神经网络的训练样本数据容量P，125≤P≤155，如下：[0100][0101][0102] 之后获得训练样本集，样本集包含三个输入，即子载波个数N、信号功率Po和功率阈值Pt，包含一个输出数据，处理参数V。[0103] 进一步地，训练所述模糊神经网络包括以下方法：[0104] 设定迭代次数L和期望的训练误差Ee，通过梯度下降法对模糊神经网络训练，不断地优化隶属度函数的前件参数σij,cij以及权重参数ωok，完成最优的模糊神经网络；本实施例中可以设定迭代次数L为100次和期望的训练误差Ee为0.01，训练生成模糊神经网络FNN‑APTS，经过训练之后的输入变量隶属度函数结果图如图4、图5和图6所示。[0105] 基于上述基于分层模块的OFDM通信参数自适应选取方法的系统，包括：[0106] 预设模块，用于预设建模参数；[0107] 模糊神经网络模块，用于根据预设建模参数，构建模糊神经网络模型，还用于获取输入数据，响应于所述输入数据的输出数据，所述输入数据为所述参数数据；[0108] 样本模块，用于获得训练样本数据，所述样本数据做为模糊神经网络训练数据；[0109] 训练模块，用于训练所述模糊神经网络模型；[0110] 部分传输序列模块，用于对所述输出数据进行分块和加权处理；[0111] 正交频分复用模块，用于对部分传输序列模块响应后的数据进行调制。[0112] 综上所述，本发明综合考虑OFDM系统的信号特性和功率放大器特性，选取对处理参数影响较大的参数作为模糊神经网络的输入变量，并构建模糊神经网络。离线阶段，设定迭代次数L和期望的训练误差Ee，不断优化隶属度函数，通过判断是否达到所设定的误差条件，训练生成模糊神经网络。在线阶段，根据不同OFDM系统的输入参数，自适应的得到处理参数V。本发明只需要处理功率大于阈值的信号，在保证PAPR性能的同时，改善了系统的计算复杂度和误码率性能。[0113] 以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

专利地区：河北

专利申请日期：2021-11-22

专利公开日期：2024-07-26

专利公告号：CN114047700B