基于DNN深度神經網絡的OFDM+QPSK信號檢測與誤碼率matlab仿真
1.算法仿真效果
matlab2022a仿真結果如下（完整代碼運行后無水印）：
仿真操作步驟可參考程序配套的操作視頻。
2.算法涉及理論知識概要
在現代通信系統中，高效可靠的信號檢測至關重要。正交頻分復用（OFDM）技術因其能有效對抗多徑衰落、提高頻譜效率等優點，被廣泛應用于眾多通信標準，如 4G、5G 移動通信以及數字視頻廣播等領域。正交相移鍵控（QPSK）則是一種常用的數字調制方式，它在有限的帶寬內實現了較高的數據傳輸速率。然而，在復雜的通信環境中，OFDM-QPSK 信號會受到噪聲、干擾等因素的影響，傳統的信號檢測方法在性能上存在一定的局限性。深度神經網絡（DNN）以其強大的特征學習和模式識別能力，為 OFDM-QPSK 信號檢測提供了新的解決方案，能夠有效提升檢測性能，適應復雜多變的通信場景。
DNN 是一種包含多個隱藏層的神經網絡，通常由輸入層、隱藏層和輸出層組成。每一層由多個神經元組成，神經元之間通過權重連接。在基于 DNN 的 OFDM - QPSK 信號檢測中，輸入層接收經過處理的 OFDM-QPSK 信號特征，隱藏層對這些特征進行逐層提取和變換，輸出層則輸出檢測結果。
信號預處理
DNN模型構建
確定網絡的層數、每層的神經元數量、激活函數等參數。例如，對于一個簡單的 MLP 模型，可能包含 3個隱藏層，每個隱藏層的神經元數量在 50 - 200 之間，激活函數可以選擇 ReLU（Rectified Linear Unit）函數。在本課題中，DNN網絡結構如下：
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訓練與檢測
訓練數據準備：收集大量的 OFDM - QPSK 信號樣本，包括不同信噪比條件下的信號。對這些信號進行預處理和特征提取，得到訓練數據。同時，根據信號的調制映射關系，確定每個樣本的真實類別標簽。
模型訓練：使用訓練數據對 DNN 模型進行訓練，通過反向傳播算法調整模型的參數，使得模型的預測結果與真實標簽之間的損失函數最小化。在訓練過程中，可以采用交叉驗證等方法來評估模型的性能，防止過擬合。
信號檢測：訓練完成后，將接收到的 OFDM - QPSK 信號經過預處理和特征提取后輸入到訓練好的 DNN 模型中，模型輸出預測結果。根據預測結果和調制映射關系，恢復出原始的二進制數據。
3.MATLAB核心程序
% 在數據符號位置插入 QPSK 信號
Sym_qpsk = func_QPSKMod(dataSym);
Msg_qpsk = reshape(Sym_qpsk, Nsubs, Nsymb);
%導頻插入
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發射
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');