Forked from PHY-AI/DNN-Detection-keras
探究DNN
在OFMD
通信系统中进行信道估计和信号检测的能力
将DNN
训练模型的结构与传统算法进行比较,以及探究导频长度、激活函数、学习率等参数对性能的影响
OS
:Manjaro Linux x86_64
Kernel
:5.4.80-1-MANJARO
Python
:3.8.6
Jupyter Notebook
:6.1.4
Matplotlib
:3.3.3
Numpy
:1.19.4
Tensorflow
:2.3.1
Keras
:2.4.0
运行run_all
函数,修改其参数值,分别是CP
, P
导频长度, activation
激活函数, lr
学习率,得到的结果和数据保存在reslut
文件夹中,其中文件名后缀格式为[CP]-[P]-[activation]-[lr]
P
的影响P
较大时,性能类似P
较小时,基于DNN
的性能更好
CP
的影响- 可以克服多径干扰,需要额外的能量开销
- 传统接收机受
CP
的影响较大, 没有CP
,基于DNN
的接收机有更大的增益
- 学习率的影响
- 将学习率从调整为
0.001
调整为0.004
,波动变大,在训练15
次左右之后,性能随着训练次数的增加越来越差
- 将学习率从调整为
- 激活函数的影响
- 将激活函数从调整为
relu
调整为sigmoid
,训练增益变小,波动更大
- 将激活函数从调整为