《表1 网络结构设置:基于深度学习的OFDM系统窄带干扰消除方法研究》
表1所示为网络结构的基本设置,可以看到网络的输入输出大小保持不变,都为[2N,1],N为OFDM符号子载波数。由于输入输出数据的维度没有减小,所以本文中CNN将只包括卷积层和激活函数层。{l;f1,…,fl;n1,…,nl}代表了系统的网络结构,其中l为卷积层的层数,每层卷积层后都连接了激活层。fi、ni分别表示第i层卷积层中的卷积核尺寸为[fi,1],个数为ni。本文网络结构模型和文献[8]结构模型类似。关于网络模型的设计,有以下几点需要关注:a)该网络并未引入池化层和全连接层,在之前的描述中已经提到,在前向反馈过程中,数据的维度一直保持为2N(将数据的虚部和实部分离),未发生改变,在进行卷积时,会用加零(zero padding)的方式来保证卷积操作不会带来数据尺寸的减少;b)在经过IFFT后,时域信号会存在负数,所以在本网络中,将采用如式(10)所示tanh函数作为激活层函数,因为ReLU等激活函数不能有效映射出负数特征;c)提出的网络中没有引入池化层和全连接层,因为在前向反馈过程中,输入数据尺寸未发生变化,所以没有必要采用主要作用为减少数据维度的池化层,出于类似的原因,本文也放弃使用全连接层。
图表编号 | XD00163338900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.05.01 |
作者 | 马涛、李悦、杨峰、丁良辉 |
绘制单位 | 上海交通大学图像通信与网络工程研究所、海军研究院、上海交通大学无线通信技术研究所、上海交通大学图像通信与网络工程研究所 |
更多格式 | 高清、无水印(增值服务) |