基于DNN深度神经网络的OFDM+QPSK信号检测与误码率matlab仿真

1.算法仿真效果
matlab2022a仿真结果如下（完整代码运行后无水印）：

仿真操作步骤可参考程序配套的操作视频。

2.算法涉及理论知识概要
在现代通信系统中，高效可靠的信号检测至关重要。正交频分复用（OFDM）技术因其能有效对抗多径衰落、提高频谱效率等优点，被广泛应用于众多通信标准，如 4G、5G 移动通信以及数字视频广播等领域。正交相移键控（QPSK）则是一种常用的数字调制方式，它在有限的带宽内实现了较高的数据传输速率。然而，在复杂的通信环境中，OFDM-QPSK 信号会受到噪声、干扰等因素的影响，传统的信号检测方法在性能上存在一定的局限性。深度神经网络（DNN）以其强大的特征学习和模式识别能力，为 OFDM-QPSK 信号检测提供了新的解决方案，能够有效提升检测性能，适应复杂多变的通信场景。

   DNN 是一种包含多个隐藏层的神经网络，通常由输入层、隐藏层和输出层组成。每一层由多个神经元组成，神经元之间通过权重连接。在基于 DNN 的 OFDM - QPSK 信号检测中，输入层接收经过处理的 OFDM-QPSK 信号特征，隐藏层对这些特征进行逐层提取和变换，输出层则输出检测结果。

信号预处理

DNN模型构建
确定网络的层数、每层的神经元数量、激活函数等参数。例如，对于一个简单的 MLP 模型，可能包含 3个隐藏层，每个隐藏层的神经元数量在 50 - 200 之间，激活函数可以选择 ReLU（Rectified Linear Unit）函数。在本课题中，DNN网络结构如下：

Layers = [
sequenceInputLayer(384,"Name","sequence")
fullyConnectedLayer(500,"Name","fc_1")
reluLayer("Name","relu_1")
fullyConnectedLayer(250,"Name","fc_2")
reluLayer("Name","relu_2")
fullyConnectedLayer(120,"Name","fc_3")
reluLayer("Name","relu_3")
fullyConnectedLayer(16,"Name","fc_4")
regressionLayer("Name","regressionoutput")];

DNN训练与检测
训练数据准备：收集大量的 OFDM - QPSK 信号样本，包括不同信噪比条件下的信号。对这些信号进行预处理和特征提取，得到训练数据。同时，根据信号的调制映射关系，确定每个样本的真实类别标签。

模型训练：使用训练数据对 DNN 模型进行训练，通过反向传播算法调整模型的参数，使得模型的预测结果与真实标签之间的损失函数最小化。在训练过程中，可以采用交叉验证等方法来评估模型的性能，防止过拟合。

信号检测：训练完成后，将接收到的 OFDM - QPSK 信号经过预处理和特征提取后输入到训练好的 DNN 模型中，模型输出预测结果。根据预测结果和调制映射关系，恢复出原始的二进制数据。

3.MATLAB核心程序
``` % 在数据符号位置插入 QPSK 信号
Sym_qpsk = func_QPSKMod(dataSym);
Msg_qpsk = reshape(Sym_qpsk, Nsubs, Nsymb);

    %导频插入
    Xpilot          = 1 - 1j;
    Loc_pilot       = loc_pilot : It_pilot : NFrame;
    Num_pilot_frame = length(Loc_pilot) * Nsubs;

    Loc_data        = 1 : NFrame;
    Loc_data(Loc_pilot(:)) = [];

    dat_ifft        = zeros(NFFT-1,NFrame);

    dat_ifft(:, Loc_pilot(:)) = Xpilot;
    dat_ifft(:, Loc_data(:))  = Msg_qpsk;

    dat_ifft                  = [zeros(1, NFrame); dat_ifft];

    %OFDM发射
    Tx_ofdm                   = func_TOFDM(dat_ifft, NFFT, NCP);

    %Channel
    OFDM_ch                   = (1 / sqrt(2)) * randn(Nsymb2, 1) + (1 / sqrt(2)) * 1j * randn(Nsymb2, 1);
    OFDM_ch_sp                = repmat(OFDM_ch, NFrame, 1);

    Rx_ofdm0                  = OFDM_ch_sp .* Tx_ofdm;
    Rx_ofdm0                  = awgn(Rx_ofdm0,SNR,'measured');
    Hch_ideal                 = Rx_ofdm0 ./ OFDM_ch_sp;

...................................................................
% Deep learning
[Rx_ofdm_feature, ~] = func_ofdm_feature(Rx_ofdm, Msg_qpsk(1:8));
Rx_de_H_dnn = predict(DNN_Trained, Rx_ofdm_feature);
Rx_de_H_dnn2 = Rx_de_H_dnn(1:2:end, :) + 1j * Rx_de_H_dnn(2:2:end, :);
Rx3_de_qpsk = func_QPSKDemod(Rx_de_H_dnn2);
Rx3_de_qpsk2 = de2bi(Rx3_de_qpsk, 2);
Rx_de_qpsk_dnn = reshape(Rx3_de_qpsk2, [], 1);
.................................................
figure;
semilogy(SNRs,ber_ls,'-k<',...
'LineWidth',1,...
'MarkerSize',6,...
'MarkerEdgeColor','k',...
'MarkerFaceColor',[0.3,0.9,0.3]);
hold on
semilogy(SNRs,ber_mmse,'-bs',...
'LineWidth',1,...
'MarkerSize',6,...
'MarkerEdgeColor','k',...
'MarkerFaceColor',[0.9,0.0,0.0]);
hold on
semilogy(SNRs,ber_dnn,'-r>',...
'LineWidth',1,...
'MarkerSize',6,...
'MarkerEdgeColor','k',...
'MarkerFaceColor',[0.9,0.9,0.0]);
grid on
xlabel('SNR');
ylabel('BER');
legend('LS','MMSE','DNN');

figure;
semilogy(SNRs,ser_ls,'-k<',...
'LineWidth',1,...
'MarkerSize',6,...
'MarkerEdgeColor','k',...
'MarkerFaceColor',[0.3,0.9,0.3]);
hold on
semilogy(SNRs,ser_mmse,'-bs',...
'LineWidth',1,...
'MarkerSize',6,...
'MarkerEdgeColor','k',...
'MarkerFaceColor',[0.9,0.0,0.0]);
hold on
semilogy(SNRs,ser_dnn,'-r>',...
'LineWidth',1,...
'MarkerSize',6,...
'MarkerEdgeColor','k',...
'MarkerFaceColor',[0.9,0.9,0.0]);
grid on
xlabel('SNR');
ylabel('SER');
legend('LS','MMSE','DNN');
```