YXL76 / DNN-Detection-keras

DNN-Detection-keras

Forked from PHY-AI/DNN-Detection-keras

实验目的

探究DNN在OFMD通信系统中进行信道估计和信号检测的能力

实验内容

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

实验平台

• 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

实验步骤

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]

实验总结

• 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
• 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