用于无导频OFDM通信的无线电接收器、发射器和系统的制作方法

本公开总体上涉及无线通信领域，尤其涉及使用正交频分复用(ofdm)在时间和频率选择性衰落信道之上进行无线通信的方法和设备。

背景技术：

1、在时间和频率选择性衰落信道之上的无线通信中，发射器发送的信号经历随机变换，其必须在接收器处被撤销，以对所发送的信号或消息进行解码。

2、针对在时间和频率选择性衰落信道之上进行通信存在两种广泛的方案：相干和非相干技术。

3、在相干通信中，接收器根据发射器发送的导频来估计信道，然后在基本上消除信道影响的均衡步骤之后决定发送了哪些符号。通常，可以通过正交或超强制导频来估计信道。在前一种情况下，不干扰数据符号的专用导频符号被发送。在后一种情况下，导频和数据符号同时发送(因此是超强制的)，因此相互干扰。正交导频使信道估计和检测变得简单，但通常比需要非常复杂的接收器算法的超强制导频的频谱效率低。还存在数据辅助方案，其中(在基于导频的信道估计的第一检测步骤之后)使用数据符号来计算细化的信道估计，这反过来又可以实现更好的数据检测。这种技术提供了一些增益，但仅在足够高的信噪比(snr)下。

4、在非相干通信中，发射器对两个随后发送的符号之间的差异中的信息进行编码，即使在信道未知的情况下，接收器也可以检测到。因此不需要导频传输，但是这种技术通常会受到误差传播的影响，并且在信道变化太快时不能很好地工作。

5、最近在honkala等人的“deeprx:fully convolutional deep learningreceiver"；arxiv preprint arxiv:2005.01494(2020)中展示了这一点，卷积神经网络可用于替代ofdm接收器中的大多数算法。训练全卷积神经网络，以处理5g系统的后置快速傅里叶变换(post-fft)接收的传输时间间隔(tti)符号，包括跨14个ofdm符号的几百个子载波，并计算所发送的比特的对数似然比(llr)。仍然需要使用正交导频来实现接收器对被发送的信号的重构，特别是在接收器处使用符合5g的导频信令。

6、已知的解决方案涉及大量导频信令，以允许接收器准确地估计信道脉冲响应。发送的导频越多，信道估计的质量越好，但留给数据传输的资源越少。因此，为了最大化吞吐量，在要使用的导频和数据符号的数目之间存在非平凡的最优折衷。

7、当信道快速变化时，例如，由于发射器或接收器的高速，需要许多导频，而在准静态场景中，很少的导频就足够了。出于这个原因，大多数无线通信标准指定发射器可以使用的多个导频模式。然而，与决定要使用的最佳导频模式相关的信令和计算开销很大。

8、因此，期望提供一种解决上述缺点的基于ofdm的传输的解决方案。

技术实现思路

1、独立权利要求陈述了本发明的各种示例实施例所寻求的保护范围。本说明书中描述的不属于独立权利要求范围的示例实施例和特征(如果有)将被解释为对理解本发明的各种示例实施例有用的示例。

2、在第一方面中，提供了一种通信系统的接收器。接收器被配置为使用通信系统的时频网格ofdm网格内的多个资源元素与通信系统的至少一个发射器通信。接收器包括用于从至少一个发射器接收被发送的信号的器件，该被发送的信号包括使用星座调制的数据承载符号，其中数据承载符号在ofdm网格内使用的多个资源元素的所有资源元素上被发送和接收。此外，所述接收器包括用于实现神经网络的器件，神经网络被配置为在多个资源元素上联合操作，特别是在所述ofdm网格的多个ofdm符号和子载波上联合操作，并且基于接收的数据承载符号输出多个llr，以从接收的数据承载符号重构信息比特，其中神经网络相对于星座被优化。

3、由于没有发送参考信号(即，没有叠加的或正交的导频)，所以接收器只能利用星座，特别是星座几何结构来重构发送的比特。为此，基于神经网络的接收器(基于nn的接收器)相对于星座被优化。所提出的基于nn的接收器允许在不需要参考信号或导频信号的情况下成功地重构(例如，解调和解映射)所接收的数据承载符号。除了星座之外，基于nn的接收器还可以针对其他参数(例如，基础信道模型或使用的硬件)被优化。

4、通过能够对作为联合输入的多个资源元素进行操作，即同时对多个ofdm符号和子载波进行操作(即，时频ofdm网格的所选择或使用的多个资源元素的所有资源元素)，基于nn的接收器学习信道统计信息以更准确地估计信道行为，其不依赖于附加的参考或导频信号。由于所有资源元素仅分配给数据承载符号，因此实现了显著的吞吐量增益，尤其是在高速场景中。此外，由于不需要导频模式，因此避免了由于为给定信道状态选择最佳导频模式的算法和信令复杂性而产生的开销。

5、贯穿本技术，表示“所有资源元素”可以理解为“多个ofdm符号的所有子载波”。当发射器使用较少的资源元素时，即当发射器仅使用ofdm网格的所有资源元素中的一些资源元素(即，多个)时，本文公开的实施例也可以工作。也就是说，在一些实施例中，多个发射器可以共享例如由调度算法提供的可用资源元素。

6、在本公开的一些实施例中，接收器神经网络可以包括多个参数，特别是权重和层，这些参数具有通过联合训练接收器和星座获得的值。优选地，用于调制多个资源元素上的编码比特的星座成形(即，几何)和相关联的比特标记以及接收器参数被联合学习。

7、在本公开的一些实施例中，神经网络可以是卷积神经网络cnn，其包括多个层，特别是第一层，该第一层将所接收的数据承载符号映射到实值张量，以及多个隐藏层，其中至少一个隐藏层具有残差连接。优选地，至少一个隐藏层可以实现残差块。优选地，残差块包括具有相同维度的两个可分离卷积层。换句话说，接收器使用的神经网络具有完全卷积结构，并在多个子载波和ofdm符号上联合操作。

8、优选地，第一层是层，其通过将接收到的符号的实部和虚部堆叠成附加维度来将数据承载符号映射到二维张量。

9、在本公开的一些实施例中，接收器可以对接收到的数据承载符号执行离散傅里叶变换和/或循环前缀去除，以获得多个ofdm符号作为神经网络的输入。

10、在第二方面，本说明书描述了通信系统的发射器。发射器被配置为使用时频ofdm网格内的多个资源元素与至少一个接收器通信。发射器包含器件，该器件被配置为执行：根据星座调制比特，以获得要在ofdm网格的多个资源元素上发送的数据承载符号。发射器被配置为使用ofdm网格的多个资源元素中的所有资源元素向至少一个接收器发送数据承载符号，其中发射器被配置为从具有可训练参数的算法获得星座

11、与经典系统相比，根据第二方面的发射器使用从ofdm网格中选择的多个资源元素中的所有资源元素来承载数据符号。没有资源元素被分配给参考信号。这允许更高的吞吐量，因为所有使用的资源元素都承载数据。因此，完全避免了由于资源元素被分配给参考信号而导致的数据丢失。

12、在本公开的一些实施例中，具有可训练参数的算法的输出是维度对应于调制阶数的维度的复值向量优选地，发射器还被配置为通过归一化复值向量来获得星座

13、在优选实施例中，发射器还可以被配置为通过归一化和中心化复值向量来获得星座具体地，

14、

15、星座的标准化确保其具有单位平均功率，而中心化迫使星座具有零均值，因此避免了不期望的dc偏移。

16、在第三方面中，本说明书描述了一种通信系统，包括至少一个接收器、至少一个发射器和至少一个通信信道。至少一个接收器被配置为使用在时频ofdm网格内的多个资源元素在对应信道之上与至少一个发射器通信。至少一个发射器被配置为使用在ofdm网格内的多个资源元素中的所有资源元素来发送数据承载符号，其中数据承载符号使用星座被调制。接收器被配置为在ofdm网格的多个资源元素的所有资源元素上接收数据承载符号，并且实现神经网络，该神经网络被配置在多个资源元素上操作，特别是在ofdm网格中的多个ofdm符号和子载波上操作，基于所接收的数据承载符号来输出多个llr，以从所接收的数据承载符号重构信息比特。此外，神经网络相对于星座被优化。

17、优选地，接收器是根据第一方面的接收器。优选地，发射器是根据第二方面的发射器。

18、在第四方面中，本说明书描述了一种在通信系统中执行的方法。该通信系统包括至少一个接收器、至少一个发射器和至少一个通信信道。至少一个接收器和至少一个发射器使用ofdm网格的多个资源元素在对应的信道之上通信。至少一个接收器可以是根据第一方面的接收器。至少一个发射器可以是根据第二方面的发射器。该方法包括在步骤(a)中初始化用于生成星座的可训练算法的参数以及初始化至少一个接收器的参数。在另一步骤(b)中，多个比特使用星座被采样和调制，以获得被发送的信号。在另一步骤(c)中，通过使用接收器的神经网络从在接收器处接收的与发送的信号对应的符号中确定多个llr。随后，在步骤(d)中，基于损失函数更新可训练算法的参数和接收器的参数，并且重复步骤b)至步骤d)直到达到终止条件。

19、优选地，通信系统是根据第三方面的通信系统。

20、在本公开的一些实施例中，损失函数基于通信系统的信息速率度量被确定，特别是基于通信系统的总二元交叉熵被确定。

21、在本公开的一些实施例中，损失函数基于每个ofdm网格的资源元素的数目、在多个资源元素的所有资源元素上发送的多个比特以及由接收器获得的对应的多个llr被确定。

22、在本公开的一些中，可训练算法的参数和接收器的参数通过应用用于优化损失函数的迭代方法、特别是随机梯度下降(sgd)或其变体被更新。

23、在本公开的一些实施例中，该方法还包括采样信道实现和确定信道输出，其中多个llr使用神经网络从信道输出中被确定。

24、在本公开的一些实施例中，被发送的信号基于在发射器处生成的扰动信道符号，其中信道符号和扰动在接收器处已知，并且其中损失函数基于信道符号和扰动被确定。优选地，损失函数基于信道符号和使用增强学习的扰动被确定。

25、这允许在信道包括不可微分量(例如量化)时，或者甚至在没有信道模型可用的情况下，实现用于学习星座(特别是高性能星座)的训练过程。这样的高性能星座在ber(误码率)方面提供了良好的性能，ber接近于接收器处的完美信道知识所实现的ber。

26、在本公开的一些实施例中，用于生成星座的可训练算法由神经网络模型实现，该神经网络模型具体地将信道特性作为输入，并且输出所述星座所述信道特征特别是snr、用户速度、延迟扩展、多普勒扩展、载波频率、和/或子载波间隔。

27、在本公开的一些实施例中，具有可训练参数的算法的输出是对应于调制阶数的维度的复值向量并且星座通过归一化复值向量被获得。

28、在本公开的一些实施例中，具有可训练参数的算法的输出是对应于调制阶数的维度的复值向量其中星座通过归一化和中心化复值向量被获得，具体地，

29、

30、在本公开的一些实施例中，终止条件包括定义的迭代的数目或在预定义的迭代的数目上没有改善的损失函数的值。

31、根据第四方面的方法将通信系统的已知端到端学习扩展到ofdm信道，以提供星座几何、比特标记和基于神经网络的接收器的联合优化，从而实现无导频通信。因为没有正交导频被发送，所以由于没有参考信号(叠加的或正交的)被发送，接收器只能利用星座几何结构来重构发送的比特。优选地，可以学习用于所有信噪比(snr)、多普勒和延迟扩展的单个星座。

32、在第五方面，本说明书描述了一种计算机可读介质，包括存储在其上的程序指令，该程序指令用于执行至少以下操作的：a)在通信系统的接收器处初始化用于生成星座的可训练算法的参数以及初始化接收器的神经网络nn的参数；b)在接收器处接收来自至少一个发射器的被发送的信号，其中至少一个发射器使用时频ofdm网格的多个资源元素与接收器通信，其中被发送的信号包括使用星座调制的数据承载符号，其中数据承载符号在ofdm网格内所使用的多个资源元素中的所有资源元素上被发送和接收；c)使用接收器的神经网络从在接收器处接收的与被发送的信号对应的符号中确定多个llr；d)基于损失函数更新可训练算法的参数和接收器的神经网络的参数；以及e)重复步骤b)至步骤d)，直到达到终止条件。

33、在本公开的一些实施例中，所使用的星座具有零均值。这具有这样的效果，即星座不等同于超级强制导频，因此防止了直流dc偏移。

34、在结合附图回顾本发明的优选实施例和变型的以下详细描述后，本发明的其他方面、特征和优点对于本领域普通技术人员将变得明显。