[发明专利]模型驱动的正交频分复用系统高峰均比抑制方法及系统

权利要求书

1.一种模型驱动的正交频分复用系统高峰均比抑制方法,其特征在于包括如下步骤，

步骤1：收集基于传统部分传输序列技术的通信数据集，数据集是由采用数字调制技术的时域信号与其对应的最优相位因子向量组成；

步骤2：基于步骤1所述的训练网络数据集，将每个所述时域信号分为大小相等的子块，将最优相位因子向量分为数个最佳相位因子分别于每个所述子块对应；

步骤3：基于步骤2产生的子块信号与其对应的最佳相位因子集合，作为最佳相位因子向量生成网络的训练数据与标签；

步骤4：基于步骤3所述的训练数据与标签作为所述最佳相位因子向量生成网络的输入与输出；

步骤5：基于步骤4所述网络，所述网络输入神经元数目等于两倍的子载波数目，所述网络输出神经元数目为2；

步骤6：基于步骤4所述网络，采用两层LSTM块结构与两层全连接网络，所述网络隐藏层激活函数采用Sigmoid，输出层采用双曲正切函数；

步骤7：基于步骤6所述的网络结构，利用反向传播过程更新网络参数，所述网络损失函数采用平均绝对值误差函数，优化器采用Adam；

步骤8：基于上述步骤所建立的网络模型与数据训练网络，训练过程完成后进行在线部署，包含了M个独立网络，每个独立网络包含了V个网络，每个网络负责每一子块的最优相位因子输出，所述独立网络进行输出对应的相位因子向量，所述M个独立网络的后面为T运算，所述T运算为对M个独立网络生成的相位因子进行组合为相位因子向量，对每个所述相位组合进行最后的损失运算，所述损失运算实质是对所述每个相位因子向量组合进行选择，选择出最优的相位因子向量输出，所述最优相位因子向量与时域信号相乘，并与所述最佳相位因子向量共同发射。

2.根据权利要求1所述的模型驱动的正交频分复用系统高峰均比抑制方法，其特征在于,

步骤1中，无线通信系统采用多载波传输方案，即正交频分复用技术，信号调制方式采用数字调制方法，即采用调幅、调相和调频的方式，最优相位因子向量即使对应时域信号的峰均比最小的相位因子集合。

3.根据权利要求1所述的模型驱动的正交频分复用系统高峰均比抑制方法，其特征在于,

步骤2中，对数据集进行整理，网络的输入为每个时域信号子块，输出为对应的最佳相位因子。

4.根据权利要求1所述的模型驱动的正交频分复用系统高峰均比抑制方法，其特征在于,

步骤3中，将组合好的训练数据与标签组合，其中60％作为网络训练数据，剩下的作为测试集。

5.根据权利要求1所述的模型驱动的正交频分复用系统高峰均比抑制方法，其特征在于,

步骤4中，网络训练方式采用监督学习方式。

6.根据权利要求1所述的模型驱动的正交频分复用系统高峰均比抑制方法，其特征在于,

步骤5中，所述网络的输入输出神经元个数与通信系统设置有关，输入神经元个数为两倍的子载波个数，这是由于对于网络来说，无法处理复数，因此一般处理方式是将时域离散信号实部与虚部级联，输出神经元个数与相位旋转因子b^v＝e^jφv＝cos(φv)+jsin(φv)有关，所述公式中i＝0,1,···,W-1，其中W为可选择的相位数目，因此将相位因子的实部与虚部作为网络训练标签，输出神经元个数为二。

7.根据权利要求1所述的模型驱动的正交频分复用系统高峰均比抑制方法，其特征在于,

步骤6中，所述Sigmoid激活函数表达式为所述Tanh激活函数表达式为其中e为自然常数。

8.根据权利要求1所述的模型驱动的正交频分复用系统高峰均比抑制方法，其特征在于,

步骤7中，所述平均绝对值误差函数所述公式中h(x_i)为第i个实际输出值，y_i为第i个期望输出，所述Adam优化器是对随机梯度下降函数的扩展，可以代替经典的随机梯度下降法来更有效地更新网络权重。