kopkd的博客

原创 多径信道仿真参数

训练参数：训练信噪比 ： 12 dB训练次数 ： 200epoch多径信道相关参数(一)：载波频率 fc = 2010MHZ多普勒效应 速度 V = 30KM/h光速 c = 1.08*10^(9)最大多普勒频移 fd = (v*fc)/c = 56hz入射波数目 N = 12 (理解是这个与速度v有关，通过对比，之前代码种120KM/h时，入射波数目为40 ,这里推测为 12 )下图种多径参数以及其所适应的环境换算成延时点数和相对功率增益如下：相对延时(单位：点数)： 0

转载 删除虚拟机后、内存无法释放

需要清理虚拟内存

原创 ubuntu换源

上述步骤可以帮助换回官方源 也可以根据自己喜好换成其他的源，操作和上面一样

原创 出现 Ubuntu 404 Not Found [IP: 91.189.95.85 80]解决办法

运行 sudo apt-get update 出错解决方案如下：第一步：sudo -s nautilus找到sources.list.d文件 把里面的内容全删除这会再sudo apt-get update就不会报错了

原创 ubuntu安装Gnuradio出的错

错误信息-- Configuring python-support support...-- Dependency PYTHONLIBS_FOUND = TRUE-- Dependency SWIG_FOUND = TRUE-- Dependency SWIG_VERSION_CHECK = TRUE-- Enabling python-support support.-- Override with -DENABLE_PYTHON=ON/OFF-- Found PkgC.

转载 ubantu 安装SDR相关软件碰到的问题（1）：文件被锁

sudo chmod 777 filename # filenam是被锁的单个文件sudo chown -R username filename # filename是被锁的整个文件夹 username ：为用户名称

原创 Ubuntu系统使用源码安装Cmake时报错

报错一：Error when bootstrapping CMake:Cannot find appropriate C compiler on this system.Please specify one using environment variable CC.See cmake_bootstrap.log for compilers attempted.解决办法：报错二：Error when bootstrapping CMake:Cannot find appropriate Ma

原创 A Novel OFDM Autoencoder Featuring CNN-Based Channel Estimation for Internet of V essels

大概内容在本文中，为了设计一个具有挑战性的海上信道环境的智能 IoV 通信系统，提出了一种新颖的 OFDM 自动编码器，它采用 CNN 和 LSTM 层来促进端到端学习。此外，所提出的基于学习的自动编码器最适合具有精确信道模型不切实际或不可能的通信系统，这不仅限于海上通信。我们的 OFDM 自动编码器由多个 CNN 层组成，以便学习复杂的信号表示以实现最佳传输，同时使用的参数比使用 FC 层少。此外，所提出的 CNN 架构能够在训练期间轻松收敛到最佳解决方案同时，我们还提出了一种新的 OFDM 系统信道

转载 python list的保存与读取.npy文件

# 保存lossloss=np.array(loss)np.save('loss.npy',loss)# 保存accacc=np.array(acc)np.save('acc.npy',acc)# 读取lossloss=np.load('loss.npy')loss=loss.tolist()

转载 如何matlab中仿真OFDM系统时加噪声

首先使用awgn()函数时 Eb/N0要先转换成SNR转换方法如下：过采样倍数r =也就是符号周期/采样周期，更简单点说就是一个符号里面有多少个采样点 采样倍数就是多少如果考虑到信道编码 例如卷积编码 编码率为1/2时 那么上述M的计算方式就需要做出改变，例如：16QAM调制时,M1=4,编码率是1/2.那么M = (1/2)乘上M1 = 2。如果自己的OFDM系统中没有过采样部分呢那么r该如何设置 .这部分后续弄懂了再补充...

原创 Learning to Communicate: Channel Auto-encoders, Domain Specific Regularizers, and Attention（阅读笔记）

Abstract我们解决了学习有效和自适应的方式来在受损的信道上传递二进制信息的问题。我们把这一问题看作是信道自动编码器中损伤层的重构优化问题，并引入了几个新的域特定的正则化层来模拟常见的信道损伤。我们还在解码器的输入端应用了一种基于无线电变压器网络的注意力模型来帮助恢复规范的信号表示。我们展示了这个体系结构带来的一些有希望的初始容量结果，并解决了几个剩余的挑战，然后才能实现这样的系统。1 Introduction我们引入信道自动编码器作为学习端到端无线通信系统的主要方法。在其最简单的形式中，信道自动

原创 3GPP协议 25.105

一.参数定义ACIR Adjacent Channel Interference RatioACLR Adjacent Channel Leakage power RatioACS Adjacent Channel SelectivityBER Bit Error RateBS Base StationCW Continuous wave (unmodulated signal)DL Down link (forward link)DPCHo A mechanism used to si

原创 问题解决：NotImplementedError: Cannot convert a symbolic Tensor (power_norm/truediv:0) to a numpy array.

原因分析：出现这个问题的原因是因为无法对tensor数据进行numpy的一些操作解决办法：通过.eval函数可以把tensor转化为numpy类数据然后进行numpy的相关操作再通过tf.convert_to_tensor函数可以把numpy转化为tensor 类数据：因为numpy数据没有办法用到GPU，所以还得转回来具体操作例子如下：tensor 转 numpya # tensor数据sess = tf.Session（）b = a.eval（session=sess） # b就

原创 信噪比生成的两种方法

一种是考虑到了fft数 循环前缀数目， 还有就是码率（R）这些公式如下：noise_sigma_dB = train_Eb_dB + 10 * np.log10(Num_Sub/Num_FFT) + 10 * np.log10(Num_FFT/(Num_FFT + Num_CP)) + 10 * np.log10(R) # Noise Standard Deviation (EbN0 to EsN0)噪声标准差noise_sigma = 10 ** (-noise_sigma_dB / 20)另外

原创 弧度与角度

matlab中cos()计算弧度cosd()计算角度python中math.cos（）计算弧度math.cos(math.radians(1))计算角度

原创 matlab中实现进制转换的函数

原创 Deep Learning based End-to-End Wireless Communication Systems without Pilots

ABSTRACT——机器学习的最新发展，尤其是深度神经网络 (DNN)，使基于学习的端到端通信系统成为可能，其中 DNN 用于替代发送器和接收器的所有模块。在本文中，开发了两个用于频率选择信道和多输入多输出 (MIMO) 信道的端到端框架，其中无线信道效应使用不可训练的随机卷积层建模。端到端框架使用小批量输入数据和通道样本进行训练。与在当前通信系统中使用导频信息隐式或显式估计未知信道参数不同，发射机 DNN 学习以对各种信道条件具有鲁棒性的方式转换输入数据。接收器由两个 DNN 模块组成，分别用于通道信息

原创 End-to-End Learning From Spectrum Data: A DL Approach for Wireless Signal Identification（阅读笔记）

频谱数据的端到端学习：频谱监测应用中无线信号识别的深度学习方法Abstract这篇论文介绍了端到端学习频谱数据——基于深神经网络的频谱监测应用中的新复杂无线信号识别方法的伞术语。端到端学习允许：直接从简单的无线信号表示中自动获取特征，而不需要设计手工制作的专家特征，如高阶循环矩训练无线信号分类器端到端步骤，消除了复杂的多阶段机器学习处理信道的需求。本文的目的是提出了一个端到端学习应用于频谱监测的概念框架，并且系统的引入了一个通用的方法能够简单的设计和实现无线信道分类。另外我们还调查了无线数据

原创 Neural Mutual Information Estimation for Channel Coding: 论文笔记

研究背景：基于深度学习的物理层设计，即使用密集神经网络作为编解码器，近年来受到了广泛的关注。然而，虽然这样的方法自然是训练数据驱动的，但是无线信道的动作是使用标准信道模型来模拟的，标准信道模型仅部分地反映了物理地面的真实情况。研究现状：最近，已经提出了基于神经网络的互信息(MI)估计器，该估计器直接从输入输出测量中提取信道动作，并将这些输出馈送到信道编码器。这是一个很有前途的方向，因为这种新的设计范式是完全自适应的，并且是基于训练数据的。本文实现了这些MI估计器的进一步改进，从理论上分析了它们对信道

原创 nn.ReflectionPad2d镜像padding的源代码

官网地址重点：镜像padding部分。ReflectionPadNd部分class _ReflectionPadNd(Module): __constants__ = ['padding'] padding: Sequence[int] def forward(self, input: Tensor) -> Tensor: return F.pad(input, self.padding, 'reflect') def extra_repr(se

原创 import OS

import os其实该语句就是在python环境下对文件，文件夹执行操作的一个模块。例如：os.name返回当前系统os.getcwd()返回当前的路径os.remove(路径）删除路径下的文件

原创 查看自己numpy版本，安装keras版本，以及tensorflow版本

numpy(我是1.18.1)import numpynumpy.__version__python版本（3.7.6）keras pip install keras==2.2.4 -i https://pypi.doubanio.com/simpletensorflow(1.15.0)import tensorflow as tftf.__version__

转载 ERROR: Cannot uninstall ‘wrapt‘. It is a distutils installed project and thus we cannot accurately

安装tensorflow 时报错，ERROR: Cannot uninstall 'wrapt'. It is a distutils installed project and thus we cannot accurately determine which files belong to it which would lead to onlya partial uninstall. 解决方案：pip install -U --ignore-installed wrapt———————

原创 Channel Agnostic End-to-End Learning Based Communication Systems with Conditional GAN 阅读笔记

abstract背景：在本文中，我们使用深度神经网络(DNNs)来开发一个无线端到端通信系统，在该系统中，所有与信号相关的功能都使用深度神经网络(DNNs)来实现，如编码、解码、调制和均衡。然而，精确的瞬时信道传递函数，即信道状态信息(CSI)是计算DNN表示的梯度所必需的。在许多通信系统中，信道传递函数很难预先获得，并且随时间和位置而变化。研究目的：期望开发基于信道不可知的端到端学习的通信系统，其中可以在不知道特定信道传送功能的情况下自动学习不同类型的频道效果。研究方法：1. 在本文中，通过

转载 怎样在matlab工作空间中导入txt文件里的复数矩阵？

clc;clear;fin=fopen('222.txt','r');result={};while feof(fin)==0 str=fgetl(fin); str=strread(str,'%s','delimiter',' \n'); result=[result;str];enddisp(result);fclose(fin);for ii=1:length(result)[a,b]=strread(result{ii},'%d+j%d');c(ii)=c

转载 神经网络知识补充（一）之Batch Normalization的理解

————————————————版权声明：本文为CSDN博主「xiaoming_tju」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。原文链接：https://blog.csdn.net/gongliming_/article/details/902143381、BN的作用原理BN往往作用于卷积层之后，激活函数Relu之前，即满足：conv+BN+Relu。BN就是调整每层卷积网络输出数据的分布，使其进入激活函数的作用区。激活函数的作用区就是指原点附近的区域，梯

原创 2021-04-01 18:05:04.602841: E tensorflow/stream_executor/cuda/cuda_dnn.cc:329] Could not create cudn

GPU显存设置有问题，需要设置为仅在需要时申请显存。import tensorflow as tfconfig = tf.compat.v1.ConfigProto(gpu_options=tf.compat.v1.GPUOptions(allow_growth=True))sess = tf.compat.v1.Session(config=config)

原创 A CNN-Based End-to-End Learning Framework Toward Intelligent Communication Systems

瑞利信道，训练瑞利信道测试Differential Version训练测试ABSTRACT研究背景：近年来，深度学习已被应用于物理层通信系统，并展示了与人类专家系统相当甚至更好的迷人结果。研究现状：本文提出了一种新的基于卷积神经网络的自动编码器通信系统，该系统可以在任意块长度下智能工作，支持不同的吞吐量，并且可以在AWGN和瑞利衰落信道以及偏离AWGN环境的情况下工作。优点：所提出的广义通信系统由精心设计的卷积神经层组成，因此继承了CNN的突破性特征，如泛化、特征学习、分类和

原创 Intelligent Resource Allocation in Wireless Communications Systems（阅读笔记）

无线通信系统中的智能资源分配、abstractDL的出现代表了WCS设计中的潜在范例转变，从基于带有假设的数学模型的传统手工方案，到使用大量数据的基于DL的自主方案。在本文中，我们讨论了DL的基本要素，并研究了一种基于DNN的智能RA方案，在该方案中，可以通过DL满足具有各种约束的多个目标。通过仿真确认了基于DNN的RA的最优性和可行性，我们讨论了在WCS的实际应用中仍然存在DL应用问题的一些关键技术挑战。*IntroductIon深度学习（DL）是一种基于深度神经网络（DNN）的技术，

原创 抱歉，由于某种原因，PowerPoint 无法加载E:\Mathtype\Office Support\64\MathType AddIn (PowerPoint 201 6).ppam加载项。 由于

解决方法：安装MATH TYPE时直接默认安装路径，啥事都没有了

原创 Deep Learning for Polar Codes over Flat Fading Channels《阅读笔记》精读

平面衰落通道上的极地代码深度学习文章目录Abstractintroduction二、系统模型1.Polar Codes神经网络模型性能评估结论Abstract提出了啥：本文提出了一种深度神经网络方案。为了解决啥：用于解码极性编码的短分组。怎么做的：我们考虑在频率平坦的准静态瑞利衰落信道上传输数据包，其中信道系数在一个数据包中是恒定的，但逐个数据包会改变。所提出的技术的潜在应用是机器类型的通信，消息传递服务，智能计量网络以及其他需要高可靠性和低延迟的无线传感器网络。计算机仿真结果证实，即使采

原创 On Deep Learning-Based Channel Decoding（阅读笔记）未完待续——

On Deep Learning-Based Channel Decoding提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章 Python 机器学习入门之pandas的使用提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录On Deep Learning-Based Channel Decoding一、abstract二、INTRODUCTION1.研究背景2.相关工作DEEP LEARNING FOR CHANNEL CODINGLEARN T

原创 Neural Network Aided SC Decoder for Polar Codes（论文笔记）

Neural Network Aided SC Decoder for Polar Codes阅读笔记研究背景：从理论上讲，只要有足够的规模和足够的训练，就可以完全用神经网络(NN)来代替传统的极性码译码器，称为神经网络译码器。碰到的问题：但是，随着信息长度的增加，指数级增长的训练复杂度变得不可接受，这意味着实际上只能训练短码译码器。解决办法：然而，长极性码的连续抵消(SC)译码器可以被分成若干个短码的SC译码器，它们可以被若干个短码NN译码器取代，然后整个译码器就成为我们的NN辅助SC(NNS

原创 Performance Evaluation of Channel Decoding With Deep Neural Networks——论文复现总结

1、神经网络解码器具有单次解码和并行计算的能力2、MLP、CNN、LSTM三者中LSTM具有最佳的解码性能，但以最大的计算开销为代价3、此外，我们发现每种类型的神经网络都存在一个饱和长度，这是由于它们的学习能力受到限制而引起的。4、结构化代码比随机代码更好训练，并解决了基于深度学习的解码器难以训练长代码的挑战。因此，提出将极坐标编码图划分为子块，每个子码字的解码器分别进行训练。...

原创 复现笔记--有关极性码的两篇文章

**《Scaling Deep Learning-based Decoding of Polar Codes via Partitioning》**背景：基于深度学习的信道解码器的训练复杂度随码本大小以及信息位数的增加而呈指数级增长。因此，神经网络解码（NND）当前仅适用于非常短的块长度。提出的解决方法：在这项工作中，我们表明，当解码器的子块被基于神经网络（NN）的组件替代时，可以增强用于极性代码的常规迭代解码算法。因此，我们将编码图划分为较小的子块，并分别对其进行训练，从而接近每个子块的最大后验（