基于DNN深度学习网络的OFDM+QPSK信号检测算法matlab仿真

1.算法运行效果图预览

2.算法运行软件版本
matlab2022a

3.算法理论概述
正交频分复用（OFDM）是一种多载波调制技术，已经广泛应用于数字通信领域。OFDM信号检测是接收端的关键问题之一，目的是将接收到的OFDM信号恢复为原始数据。由于OFDM信号具有高带宽效率、抗多径衰落等特点，可以在高速移动环境下实现高速数据传输。但是，OFDM信号的检测存在一些困难，例如频率偏移、信道估计误差、多路径干扰等。为了解决这些问题，近年来，深度学习技术被广泛应用于OFDM信号检测中。

3.基于DNN的OFDM信号检测模型

基于DNN的OFDM信号检测模型可以表示为：

    其中，$\hat{s}{n,k}$是预测的数据符号，$r{n,k}$是接收到的OFDM信号，$\theta$是模型参数。该模型可以通过DNN深度学习网络来学习OFDM信号的映射关系，从而实现OFDM信号的检测。

   在实际应用中，需要实现实时OFDM信号检测。这可以通过将训练好的模型部署到实际系统中来实现。在实时检测过程中，需要对接收到的OFDM信号进行预处理，并将其输入到训练好的模型中进行检测。实时检测的实现需要考虑到时间延迟、资源限制等因素。

  基于DNN深度学习网络的OFDM信号检测已广泛应用于数字通信领域。它可以用于解决OFDM信号检测中的一些难题，例如频率偏移、信道估计误差、多路径干扰等。此外，它还可以用于无线电频谱感知、无线电干扰检测等领域。

        

          
        
        
        

          

          AI 代码解读
        
      
      

4.部分核心程序

```Transmitted_signal = OFDM_Transmitter(data_in_IFFT, NFFT, NCP);

    %信道
    Ray_h_ofdm             = (1 / sqrt(2)) * randn(len_symbol, 1) + (1 / sqrt(2)) * 1j * randn(len_symbol, 1); % Rayleigh channel coff
    Rayleigh_h_channel     = repmat(Ray_h_ofdm, Frame_size, 1);
    Rayleigh_Fading_Signal = awgn(Rayleigh_h_channel .* Transmitted_signal,SNR,'measured');
    signal_ideal           = Rayleigh_Fading_Signal ./ Rayleigh_h_channel;

    Multitap_h = [(randn + 1j * randn);...
                  (randn + 1j * randn) / 24] ;

    %卷积通过信道
    Multipath_Signal        = conv(Transmitted_signal, Multitap_h);

    Multipath_Signal        = awgn(Multipath_Signal(1 : length(Transmitted_signal)),SNR,'measured');
    % OFDM 接收
    [Rsignals0, Rsignalsh0] = OFDM_Receiver(Multipath_Signal, NFFT, NCP, len_symbol, signal_ideal);

    % 进行深度学习部分，使用已训练好的神经网络进行解调
    [DNN_feature_signal, ~, ~] = Extract_Feature_OFDM(Rsignals0, dataSym(1:2), M, QPSK_signal(1:8));
    Received_data_DNN          = predict(DNN_Trained, DNN_feature_signal);
    Received_data_DNN          = transpose(Received_data_DNN);
    DNN_Received_data          = Received_data_DNN(1:2:end, :) + 1j * Received_data_DNN(2:2:end, :);

    DNN_dataSym_Rx             = QPSK_Demodulator(DNN_Received_data);

    DNN_dataSym_Received       = de2bi(DNN_dataSym_Rx, 2);
    DNN_Data_Received          = reshape(DNN_dataSym_Received, [], 1);

    DNN_sym_err(ij, 1)         = sum(sum(round(dataSym(1:8)) ~= round(DNN_dataSym_Rx)));
    DNN_bit_err(ij, 1)         = sum(sum(round(reshape(de2bi(dataSym(1:8), 2),[],1)) ~= round(DNN_Data_Received)));  
end
Bers(idx, 1) = sum(DNN_bit_err, 1) / N_bits_DNN; % 计算平均比特误码率
Sers(idx, 1) = sum(DNN_sym_err, 1) / N_QPSK_DNN; % 计算平均符号误码率

        

          
        
        
        

          

          AI 代码解读
        
      
      

```