m基于OFDM+QPSK和DNN深度学习信道估计的无线图像传输matlab仿真,输出误码率曲线,并用实际图片进行测试

简介: m基于OFDM+QPSK和DNN深度学习信道估计的无线图像传输matlab仿真,输出误码率曲线,并用实际图片进行测试

1.算法仿真效果
matlab2022a仿真结果如下:

75ae6cfbcde758ab104c94db55dc0bcf_watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=.jpg
2662a2fde973ef92b0036844c3987587_watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=.jpg
f05bb99ed027a3505ede1b921ad1994b_watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=.jpg
dc94a04661dc9d20130ebc0a9d92832d_watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=.jpg

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。

c08d2b0283a4c44e97cb2a1426ce1df0_watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=.png

   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
相关文章
|
18天前
|
机器学习/深度学习
信道编码译码及MATLAB仿真(三)
信道编码译码及MATLAB仿真
24 3
|
18天前
|
算法
信道编码译码及MATLAB仿真(二)
信道编码译码及MATLAB仿真
24 3
|
1月前
|
算法
m基于OFDM+QPSK和LDPC编译码以及MMSE信道估计的无线图像传输matlab仿真,输出误码率,并用图片进行测试
MATLAB2022a仿真实现了无线图像传输的算法,包括OFDM、QPSK调制、LDPC编码和MMSE信道估计。OFDM抗频率选择性衰落,QPSK用相位表示二进制,LDPC码用于前向纠错,MMSE估计信道响应。算法流程涉及编码、调制、信道估计、均衡、解码和图像重建。MATLAB代码展示了从串行数据到OFDM信号的生成,经过信道模型、噪声添加,再到接收端的信道估计和解码过程,最终计算误码率。
20 1
|
1月前
|
资源调度 算法
m基于OFDM+QPSK和LDPC编译码以及LS信道估计的无线图像传输matlab仿真,输出误码率,并用图片进行测试
m基于OFDM+QPSK和LDPC编译码以及LS信道估计的无线图像传输matlab仿真,输出误码率,并用图片进行测试
26 2
|
3月前
|
Perl
【MFAC】基于全格式动态线性化的无模型自适应控制(Matlab代码)
【MFAC】基于全格式动态线性化的无模型自适应控制(Matlab代码)
|
3月前
【数值分析】迭代法求方程的根(附matlab代码)
【数值分析】迭代法求方程的根(附matlab代码)
|
3月前
【数值分析】Jacobi、Seidel和Sor迭代法求解线性方程组(附matlab代码)
【数值分析】Jacobi、Seidel和Sor迭代法求解线性方程组(附matlab代码)
|
3月前
【数值分析】二分法求方程的根(附matlab代码)
【数值分析】二分法求方程的根(附matlab代码)
|
12天前
|
存储 人工智能 机器人
【Matlab】Matlab电话拨号音合成与识别(代码+论文)【独一无二】
【Matlab】Matlab电话拨号音合成与识别(代码+论文)【独一无二】
|
2月前
|
机器学习/深度学习 算法 计算机视觉
霍夫变换车道线识别-车牌字符识别代码(matlab仿真与图像处理系列第5期)
霍夫变换车道线识别-车牌字符识别代码(matlab仿真与图像处理系列第5期)
30 2

热门文章

最新文章