[发明专利]基于深度学习的OTFS波形PAPR抑制方法及装置

权利要求书

1.一种基于深度学习的OTFS波形PAPR抑制方法，其特征在于，所述方法包括以下步骤：

将在时延-多普勒域中的数据符号传输至编码器进行编码；

通过ISFFT运算，将编码后的数据符号从所述时延-多普勒域转换到时频域，通过海森堡变换将所述编码后的数据符号转化为低PAPR的时域信号；

将所述时域信号经过信道模块传输后，通过OTFS解调将所述时域信号转化为时延-多普勒域信号；其中，所述OTFS解调包括维格纳变换和SFFT；

将所述时延-多普勒域信号经过解码器输出得到原始信号；

通过联合损失函数训练所述编码器和所述解码器，调整深度神经网络的参数直至收敛得到最优模型；其中，所述编码器和所述解码器是基于所述深度神经网络进行训练。

2.根据权利要求1所述的基于深度学习的OTFS波形PAPR抑制方法，其特征在于，所述在时延-多普勒域中的数据符号x经过编码器输出为f(x；θ_f)；所述编码器由一个输入层，两个隐藏层和一个输出层串联构成，表示为f(·；θ_f)。

3.根据权利要求1所述的基于深度学习的OTFS波形PAPR抑制方法，其特征在于，所述通过海森堡变换转化将所述编码后的数据符号转化为低PAPR的时域信号s，表示为：

s＝IFFT(ISFFT(f(x；θ_f))) 。

4.根据权利要求3所述的基于深度学习的OTFS波形PAPR抑制方法，其特征在于，所述将所述时域信号经过信道模块传输后，通过OTFS解调将所述时域信号转化为时延-多普勒域信号，包括：

所述时域信号s通过所述信道模块H到达接收端，所述接收端接收信号通过所述维格纳变换转化到所述时频域，通过所述SFFT运算转化为所述时延-多普勒域信号y，表示为：

y＝SFFT(FFT(Hs))) 。

5.根据权利要求4所述的基于深度学习的OTFS波形PAPR抑制方法，其特征在于，所述接收端的时延-多普勒域信号y经过所述解码器输出重构信号所述解码器与所述编码器构架相同表示为g(·；θ_g)，其中θ_g为所述编码器的模型参数。

6.根据权利要求1所述的基于深度学习的OTFS波形PAPR抑制方法，其特征在于，所述联合损失函数包括两部分，表示为：

其中，第一部分是重构原始信号的损失函数第二部分是描述OTFS信号PAPR的损失函数η为引入的超参数，表示两个损失函数的权重。

7.根据权利要求1所述的基于深度学习的OTFS波形PAPR抑制方法，其特征在于，所述通过联合损失函数训练所述编码器和所述解码器，调整深度神经网络的参数直至收敛得到最优模型，包括：预训练和训练，

所述预训练包括：模型参数θ＝(θ_f,θ_g)被Glorot均匀分布初始化器初始化，在训练过程中，计算所述损失函数并根据Adam优化器更新所述模型参数，在下一次迭代中，使用更新后的参数计算所述损失函数当模型达到迭代次数时，所述模型的训练终止；

所述训练包括：使用所述预训练得到的模型参数作为初始化值，设置训练SNR和超参数η的值，在训练过程中，计算所述损失函数并根据Adam优化器更新所述模型参数，在下一次迭代中，使用更新后的参数计算所述损失函数当模型达到迭代次数时，所述模型的训练终止。