一种深度学习辅助的OFDM信道估计与信号检测方法

本发明涉及智能通信领域，尤其是用于高速无线通信领域的一种深度学习辅助的ofdm信道估计与信号检测方法。

背景技术：

1、ofdm因具有较高的频谱效率及较强的抗多径信道衰落能力，在无线通信系统中具有重要地位。无线信道受频率选择性衰落、阴影衰落等影响，使得信号传输路径变得多样复杂，从而造成接收端误码率较高，使接收信号受到干扰。为满足社会的需求，高效利用有限的信道资源，进行信道估计和信号检测是必不可少的一步。

2、ofdm是4g通信的核心技术，同时也是5g通信中关键技术，强大的抗多径信道衰落能力使得ofdm在无线通信领域中成为必不可少的一部分。在信道估计方面，最小二乘法(ls)估计是当今使用的热门算法，拥有较低的复杂度是ls的显著特征，但也因此忽略了子载波间的干扰，这使得ls在导频及循环前缀数量较少的情况下，表现出了较差的误码率性能。

3、目前，通信技术与深度学习的结合引来广泛学者的关注，这使得智能通信技术快速发展。在深度学习中经常使用的神经网络有深度神经网络(dnn)、卷积神经网络(cnn)、循环神经网络(rnn)等，其中rnn中的长短时记忆网络(lstm)深受通信学者的喜爱，但lstm网络内部结构复杂，限制了其发展。

4、发明专利cn 112600772a将cnn与dnn结合，在一定程度上缓解了参数带来的影响。但cnn与dnn无法在前向传播中保留上文信息，在导频数或循环前缀数较少的ofdm系统中表现出的信道估计与信号检测精度较差。

5、发明专利cn 111865863 a提出一种基于rnn的ofdm信号检测方法，其利用lstm模型对时间序列进行学习。但lstm结构较复杂，花费的训练时间较长，且缺乏对前一时刻信息的学习能力，将其应用于子载波数量较高的ofdm系统，表现出的误码率性能较差。

6、发明专利cn 111510402b利用全连接神经网络替换ofdm系统中的信道估计部分。但此发明所设计的网络参数过多，计算复杂度较大，且dnn拥有的记忆信息的能力较差，同时存在梯度消失和梯度爆炸的风险。

技术实现思路

1、针对上述问题，本发明提出一种深度学习辅助的ofdm信道估计与信号检测方法，采用自归一化网络(snn)构建信道估计模型，采用卷积神经网络(cnn)和双向门控循环单元(bilstm)构建信号检测模型，snn有效解决了梯度爆炸和梯度消失的问题；cnn对数据进行去噪，同时降低计算复杂度；bigru建立起当前时刻的输出与前后时刻的状态的联系。

2、本发明提供如下技术方案：一种深度学习辅助的ofdm信道估计与信号检测方法,包括如下步骤，

3、步骤1：搭建ofdm系统，生成数据集；

4、步骤2：构建基于自归一化网络(snn)的信道估计模型；

5、步骤3：构建基于卷积神经网络(cnn)与双向门控循环单元(bigru)的信号检测模型；

6、步骤4：设定snn、cnn、bigru三种神经网络所需要的超参数；

7、步骤5：利用数据集对snn、cnn、bigru三种神经网络进行训练；

8、步骤6：统计准确率曲线、网络损失曲线及训练时间，若准确率曲线不拟合或损失曲线不收敛，则重新设定超参数，进行步骤4，若准确率曲线拟合及损失曲线收敛，则进行步骤7；

9、步骤7：将测试集输入到深度学习辅助的ofdm信道估计与信号检测模型，进行在线部署。

10、所述步骤1中，发送端传输的初始信号经过调制、插入导频、串并转换、快速傅里叶逆变换、添加循环前缀及并串转换，生成所需数据集。

11、所述步骤2中，在基于snn的信道估计模型中，对输入的数据首先进行最小二乘法(ls)估计，其表达式为：

12、

13、其中为第n个子载波对应的信道冲激响应系数，xp(n)为传输的第n个子载波对应的导频信号，yp(n)为接收的第n个子载波对应的导频信号。

14、拆分的实部和虚部，作为snn的输入；利用3个缩放指数线性单元(selu)、深度神经网络(dnn)及3层bn层构建snn信道估计模型，并选取selu函数作为隐藏层激活函数，其表达式为：

15、

16、其中，λ为1.051，α为1.673，在x正半轴，输入数据将被扩大为λ倍；在x负半轴，会保留部分信息。

17、所述步骤3中，在基于cnn+bigru的信号检测模型中，对输入数据首先进行迫零(zf)检测，其表达式为：

18、

19、其中为预测的第n个子载波对应的信号，yd(n)为接收的第n个子载波对应的信号，为基于snn的信道估计模型输出的第n个子载波对应的信道冲激响应。

20、其次，利用1层cnn、1层bn层及5层bigru构建信号检测模型，其中，cnn通过局部连接和权值共享对数据进行去噪，同时降低计算复杂度，bn层对数据进行标准化；选取relu作为cnn的激活函数，其表达式为：

21、relu(x)＝max(0,x)

22、cnn后连接5层bigru，并采用tanh作为激活函数，其表达式为：

23、

24、最后，采用adam优化器对神经网络进行优化，选取均方误差函数作为损失函数，其表达式为：

25、

26、其中，为模型的输出值，即发送信号，f(x)为模型的标签，即接收信号，n为子载波数。

27、所述步骤4中，具体超参数如下：snn中，隐藏层神经元个数分别为300、100，输出层神经元个数为128；cnn中，设定512个卷积核，每个卷积核大小为64；bigru中，其神经元个数分别为64、50、32、24、16；epochs个数为100、steps_per_epoch为50。一个epoch指的是将所有的数据输入网络完成一次向前计算及反向传播。由于完成一个epoch训练的周期较长(数据量大)，一次性输入所有数据计算机无法负荷，所以将其分成多个batches。那么为什么还需要训练多个epochs呢？我们知道，训练网络时，仅仅将所有数据迭代训练一次是不够的，需要反复训练多次才能使网络收敛。

28、所述步骤5中，所述数据集按照8：2的比例划分为训练集和测试集，所述神经网络在不同导频数、不同循环前缀数的情况下进行训练。

29、所述步骤7中，深度学习辅助的ofdm信道估计与信号检测模型采用的调制方式为64qam。

技术特征：

1.一种深度学习辅助的ofdm信道估计与信号检测方法,其特征在于包括如下步骤，

2.根据权利要求1所述的深度学习辅助的ofdm信道估计与信号检测方法，其特征在于,

3.根据权利要求1所述的深度学习辅助的ofdm信道估计与信号检测方法，其特征在于,

4.根据权利要求1所述的深度学习辅助的ofdm信道估计与信号检测方法，其特征在于,

5.根据权利要求1所述的深度学习辅助的ofdm信道估计与信号检测方法，其特征在于,

6.根据权利要求1所述的深度学习辅助的ofdm信道估计与信号检测方法，其特征在于,

7.根据权利要求1所述的深度学习辅助的ofdm信道估计与信号检测方法，其特征在于,

技术总结
本发明涉及高速无线通信领域，尤其是一种深度学习辅助的OFDM信道估计与信号检测方法，本发明首先通过OFDM系统产生数据集，随后利用自归一化网络（SNN）构建信道估计模型，利用卷积神经网络（CNN）和双向门控循环单元（BiGRU）构建信号检测模型；其次将数据集输入到神经网络中，对模型进行训练，采用Adam优化器和均方误差损失函数对网络进行优化，最后与LS、BiLSTM、GRU及DNN+BiLSTM模型进行对比。本发明有效解决了循环前缀数量和导频数量较少的OFDM系统中存在的信道估计与信号检测精度较低、网络损失严重及误码率性能较差的问题。仿真结果表示，在较少的循环前缀和导频的情况下，此方法表现出的性能优于LS、BiLSTM、GRU及DNN+BiLSTM模型。

技术研发人员：何波,张志晨,王昱凯,王荣,袁亚微,李军,吴保航,付文文,孙昊天,杨天赐,王靖晗
受保护的技术使用者：山东大学
技术研发日：
技术公布日：2024/1/11