[27]，利用RHH對(duì)LS和MMSE進(jìn)行信號(hào)檢測(cè)，根據(jù)DL、LS、MMSE三種算法的輸出符號(hào)，計(jì)算誤符號(hào)率，比較、分析最終的誤符號(hào)率圖。1.2仿真結(jié)果分析1.2.1實(shí)驗(yàn)一：探究導(dǎo)頻長度P對(duì)信號(hào)檢測(cè)的影響在保持循環(huán)前綴的長度CP不變的前提下，分析、比較導(dǎo)頻數(shù)目P對(duì)信號(hào)檢測(cè)的誤符號(hào)率的影響。圖1.2(a)-(b)比較了當(dāng)CP=16時(shí)，P=64以及CP=16，P=16時(shí)的誤符號(hào)率與信噪比的關(guān)系曲線?？梢园l(fā)現(xiàn)導(dǎo)頻數(shù)目較少時(shí)，深度學(xué)習(xí)方法的信號(hào)檢測(cè)性能明顯比LS、MMSE優(yōu)越，MMSE性能比LS稍強(qiáng)，這種趨勢(shì)在信噪比越大的時(shí)候越明顯；而當(dāng)導(dǎo)頻個(gè)數(shù)較大時(shí)，MMSE性能與深度學(xué)習(xí)相近，當(dāng)信噪比超過15dB時(shí)，甚至更優(yōu)于深度學(xué)習(xí)，但兩者的性能仍然明顯優(yōu)于LS。圖1.2(a)CP=16，P=64時(shí)的誤符號(hào)率的曲線圖圖1.2(b)CP=16，P=8時(shí)的誤符號(hào)率的曲線圖1.2.2實(shí)驗(yàn)二：探究循環(huán)前綴的長度對(duì)信號(hào)檢測(cè)的影響在保持導(dǎo)頻數(shù)目P不變的前提下，分析、比較僅僅循環(huán)前綴的長度CP對(duì)信號(hào)檢測(cè)的誤符號(hào)率的影響。圖1.3(a)-(b)比較了當(dāng)P=8時(shí)，CP=16以及CP=0時(shí)的誤符號(hào)率與信噪比的關(guān)系曲線?？梢园l(fā)現(xiàn)CP值較小時(shí)，深度學(xué)習(xí)方法的信號(hào)檢測(cè)性能明顯比LS、MMSE優(yōu)越，MMSE性能比LS稍強(qiáng)；而當(dāng)循環(huán)前綴較長時(shí)，MMSE性能與深度學(xué)習(xí)相近，當(dāng)信噪比超過15dB時(shí)，甚至更優(yōu)于深度學(xué)習(xí)，但兩者的性能仍然明顯優(yōu)于LS。圖1.3(a)P=64，CP=16時(shí)的誤符號(hào)率的曲線圖圖1.3(b)P=64，CP=0時(shí)的誤符號(hào)率的曲線圖1.2.3實(shí)驗(yàn)三：探究全連接層對(duì)信號(hào)檢測(cè)的影響在保持導(dǎo)頻數(shù)目P、循環(huán)前綴的長度CP不變的前提下，僅僅增加全連接層網(wǎng)絡(luò)的層數(shù)，對(duì)信號(hào)檢測(cè)的誤符號(hào)率的影響。保證網(wǎng)絡(luò)的其他網(wǎng)絡(luò)層的結(jié)構(gòu)以及數(shù)目不變，只增加全連接層層數(shù)，圖5.5(a)-(c)比較了P=8，CP=0時(shí)，網(wǎng)絡(luò)中全連接層層數(shù)為一層、兩層以及三層全連接層時(shí)的誤符號(hào)率與信噪比的關(guān)系曲線。訓(xùn)練階段可以發(fā)現(xiàn)，當(dāng)網(wǎng)絡(luò)層數(shù)越多時(shí)，所需的訓(xùn)練時(shí)間越多，即時(shí)間復(fù)雜度越高，這是因?yàn)榫W(wǎng)絡(luò)結(jié)構(gòu)變得更加復(fù)雜，涉及的神經(jīng)元數(shù)量倍增；可以看出是兩層全連接層時(shí)的誤符號(hào)率表現(xiàn)最佳，最差為三層全連接層，其次為一層全連接層。說明網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜的程度并不一定與準(zhǔn)確度正相關(guān)，當(dāng)網(wǎng)絡(luò)中有三層全連接層時(shí)，模型由于過度訓(xùn)練出現(xiàn)過擬合，導(dǎo)致模型的學(xué)習(xí)能力反而下降。但考慮到時(shí)間復(fù)雜度以及精確度的聯(lián)合表現(xiàn)，一層全連接層時(shí)網(wǎng)絡(luò)已經(jīng)具有了良好的信號(hào)檢測(cè)表現(xiàn)。圖1.4(a)網(wǎng)絡(luò)中只有一層全連接層時(shí)的誤符號(hào)率的曲線圖圖1.4(b)網(wǎng)絡(luò)中有兩層全連接層時(shí)的誤符號(hào)率的曲線圖圖1.4(c)網(wǎng)絡(luò)中有三層全連接層時(shí)的誤符號(hào)率的曲線圖1.2.4實(shí)驗(yàn)四：探究LSTM層對(duì)信號(hào)檢測(cè)的影響在保持導(dǎo)頻數(shù)目P、循環(huán)前綴的長度CP不變的前提下，探究僅僅增加LSTM層的層數(shù)對(duì)信號(hào)檢測(cè)的誤符號(hào)率的影響。保證網(wǎng)絡(luò)的其他網(wǎng)絡(luò)層的結(jié)構(gòu)以及數(shù)目不變，只增加LSTM層，圖1.5(a)-(c)比較了P=8，CP=0時(shí)的一層LSTM層、兩層LSTM層以及三層LSTM層時(shí)的的誤符號(hào)率與信噪比的關(guān)系曲線。訓(xùn)練階段可以發(fā)現(xiàn)，當(dāng)網(wǎng)絡(luò)層數(shù)越多時(shí)，所需的訓(xùn)練時(shí)間越多，即時(shí)間復(fù)雜度越高，這是因?yàn)榫W(wǎng)絡(luò)結(jié)構(gòu)變得更加復(fù)雜，涉及的神經(jīng)元數(shù)量倍增；且網(wǎng)絡(luò)只有一或兩層LSTM層時(shí)，誤符號(hào)率隨著LSTM層數(shù)的增加而降低，當(dāng)網(wǎng)絡(luò)中有三層LSTM層時(shí)，深度學(xué)習(xí)方法的誤符號(hào)率大大降低，近似保持在100%的水平上，可以由此判斷神經(jīng)網(wǎng)絡(luò)此時(shí)失去了信號(hào)檢測(cè)能力，網(wǎng)絡(luò)模型徹底無效；而網(wǎng)絡(luò)在只有一層LSTM層時(shí)的表現(xiàn)較好，說明該模型受時(shí)間序列的影響較小，改進(jìn)網(wǎng)絡(luò)模型的時(shí)候不需要再做增加LSTM層這樣的改進(jìn)。圖1.5(a)網(wǎng)絡(luò)中只有一層全連接層時(shí)的誤符號(hào)率的曲線圖圖1.5(b)網(wǎng)絡(luò)中有兩層全連接層時(shí)的誤符號(hào)率的曲線圖圖1.5(c)網(wǎng)絡(luò)中有三層全連接層時(shí)的誤符號(hào)率的曲線圖1.2.5實(shí)驗(yàn)五：探究學(xué)習(xí)速率對(duì)信號(hào)檢測(cè)的影響在保持導(dǎo)頻數(shù)目P、循環(huán)前綴的長度CP以及網(wǎng)絡(luò)結(jié)構(gòu)和神經(jīng)元數(shù)量不變的前提下，探究僅僅改變神經(jīng)網(wǎng)絡(luò)訓(xùn)練階段初始的學(xué)習(xí)速率，對(duì)信號(hào)檢測(cè)的誤符號(hào)率的影響。圖1.5(a)-(c)比較了P=64，CP=0時(shí)網(wǎng)絡(luò)初始學(xué)習(xí)速率分別為0.01、0.02、0.005時(shí)的誤符號(hào)率與信噪比的關(guān)系曲線?？梢钥闯錾窠?jīng)網(wǎng)絡(luò)在初始學(xué)習(xí)速率為0.01的時(shí)候表現(xiàn)最佳，即信號(hào)檢測(cè)輸出的誤符號(hào)率最低，這說明該訓(xùn)練神經(jīng)網(wǎng)絡(luò)的時(shí)候，并不是學(xué)習(xí)速率越快越好，甚至在學(xué)習(xí)速率為0.005時(shí)的信號(hào)檢測(cè)性能要優(yōu)于學(xué)習(xí)速率為0.02；這是因?yàn)槟Ｐ椭胁扇〉奶荻认陆捣ū旧淼男再|(zhì)決定，當(dāng)學(xué)習(xí)速率過快時(shí)可能會(huì)錯(cuò)過全局最優(yōu)解，當(dāng)學(xué)習(xí)速率較慢時(shí)，網(wǎng)絡(luò)訓(xùn)練需要的時(shí)長增加，因?yàn)榫W(wǎng)絡(luò)模型需要考慮綜合效益，所以進(jìn)一步優(yōu)化神經(jīng)網(wǎng)絡(luò)時(shí)，可以選擇調(diào)整控制初始