1.算法仿真效果
matlab2022a仿真结果如下：
2.算法涉及理论知识概要
基于OFDM+QPSK和DNN深度学习信道估计的无线图像传输"是一种无线通信系统，它利用正交频分复用（OFDM）和四相位偏移键控（QPSK）技术来传输图像数据，并借助深度神经网络（DNN）来进行信道估计，从而提高信号传输的可靠性和效率。
OFDM是一种常用的多载波调制技术，它将高速数据流分为多个低速子载波，并使每个子载波之间正交，从而提高频谱利用率和抗干扰能力。QPSK是一种常见的调制方式，它将每两个比特映射为一个复数信号点，每个信号点对应四个相位（0°、90°、180°、270°）。无线图像传输系统由发送端和接收端组成。发送端将图像数据转换为比特流，然后采用QPSK调制和OFDM技术将比特流映射到不同的子载波上，生成OFDM符号序列。接收端接收OFDM符号序列，并利用DNN进行信道估计，根据估计得到的信道状态信息对接收信号进行解调和解调制，最终恢复出原始图像数据。
DNN是一种深度学习模型，用于从接收信号中学习信道特征。DNN的输入是接收信号的采样值，输出是对应的信道状态信息。训练DNN需要使用已知信道状态信息的样本，通过梯度下降等优化算法来调整DNN的参数，使其能够准确地估计信道状态信息。
实现过程
图像编码：将图像数据转换为比特流。
QPSK调制：将比特流映射为QPSK符号。
OFDM调制：将QPSK符号映射到不同的OFDM子载波上，生成OFDM符号序列。
信道传输：通过无线信道传输OFDM符号序列，引入噪声和衰落。
接收和采样：接收端对信号进行采样，得到接收信号的采样值。
DNN信道估计：使用已知信道状态信息的样本训练DNN模型，得到信道估计模型。
信道估计：利用DNN模型对接收信号进行信道估计，得到信道状态信息。
解调和解码：根据信道状态信息对接收信号进行解调和解码，恢复出原始图像数据。
3.MATLAB核心程序
clear;
close all;
warning off;
addpath 'func\'
Ttrain = load('T_train.mat');
Ptrain2 = [];
Ttrain2 = [];
for i = 1
for j = 1:1
Ptrain = load(['P_train',num2str(i),'_',num2str(j),'.mat']);
Ptrain2 = [Ptrain2;Ptrain.Ch_feature ];
Ttrain2 = [Ttrain2;Ttrain.Ch_feature ];
end
end
%输入层权值和偏移值
WI = rand(size(Ttrain2))/1000;
BI = rand(size(Ttrain2))/1000;
%定义4个隐含层
W1 = rand(size(Ttrain2));
BI1 = rand(size(Ttrain2));
W2 = rand(size(Ttrain2)/2);
BI2 = rand(size(Ttrain2)/2);
%输出层
WO = rand(size(Ttrain2)/2);
BO = rand(size(Ttrain2)/2);
%学习率
Lr = 0.0005;
%迭代次数
Iter = 2000;
for it = 1:Iter
it
%训练
tmps1 = Ptrain2.*WI+BI;
tmps2 = tmps1.*W1+BI1;
%激活的
tmps2_ = [];
tmps2_ = func_ReLu(tmps2);
tmps3 = tmps2_(1:2:end,1:2:end).*W2+BI2;
tmps4 = tmps3.*WO+BO;
error = (Ttrain2(1:2:end,1:2:end)-tmps4);
%更新权值
W1 = W1 + Lr*repmat(error,2,2);
BI1 = BI1+ Lr*repmat(error,2,2);
W2 = W2 + Lr*error;
BI2 = BI2+ Lr*error;
%输出层
WO = WO + Lr*error;
BO = BO + Lr*error;
errors(it) = mean2(abs(error));
end
figure;
plot(errors,'b','linewidth',2);
grid on
xlabel('训练次数');
ylabel('训练误差');
save dl0.mat errors WI BI W1 BI1 W2 BI2 WO BO
