一种深度学习辅助的OFDM信道估计与信号检测方法

技术领域

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

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。

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。

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。

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。

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。

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。

发明内容

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。

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，

步骤1：搭建OFDM系统，生成数据集；

步骤2：构建基于自归一化网络(SNN)的信道估计模型；

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；

步骤4：设定SNN、CNN、BiGRU三种神经网络所需要的超参数；

步骤5：利用数据集对SNN、CNN、BiGRU三种神经网络进行训练；

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；

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。

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。

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：

其中

拆分

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。

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：

其中

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：

Relu(x)＝max(0,x)

CNN后连接5层BiGRU，并采用Tanh作为激活函数，其表达式为：

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：

其中，

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。

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。

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。

附图说明

图1为本发明具体实施方式的流程图。

图2为本发明的SNN+CNN+BiGRU网络结构图。

图3为子载波数为64、循环前缀数为4、导频数为4的情况下，误码率对比图。

图4为子载波数为64、，循环前缀数为4，导频数为64情况下，误码率对比图。

图5为子载波数为64，循环前缀数为16，导频数为4情况下，误码率对比图。

图6为本发明方法与BiLSTM、GRU、DNN+BiLSTM的均方误差(MSE)对比图；

图7为本发明方法与BiLSTM、GRU、DNN+BiLSTM的精度(Accuracy)对比图。

具体实施方式

下面将结合本发明具体实施方式中的附图，对本发明具体实施方式中的技术方案进行清楚、完整地描述，显然，所描述的具体实施方式仅仅是本发明一种具体实施方式，而不是全部的具体实施方式。基于本发明中的具体实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他具体实施方式，都属于本发明保护的范围。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合；

本发明提出的深度学习辅助的OFDM信道估计与信号检测方法,包括如下步骤：

步骤1：搭建OFDM系统。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。

步骤2：构建基于自归一化网络(SNN)的信道估计模型。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：

其中

拆分

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，即保留满足隐藏层激活函数的输入数据。

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。在基于CNN+BiGRU的信号检测模型中，首先对输入数据进行迫零(ZF)检测，其表达式为：

其中

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：

Relu(x)＝max(0,x)

CNN后连接5层BiGRU，GRU网络的计算公式为：

z

r

其中，z

/>

其中，t时刻的状态为h

BiGRU中采用Tanh作为激活函数，其表达式为：

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：

其中，

步骤4：设定SNN、CNN、BiGRU神经网络所需要的超参数。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为100、steps_per_epoch为50；

步骤5：利用数据集对SNN、CNN、BiGRU三种神经网络进行训练。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；

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；

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。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，并将此模型与传统技术LS、现有技术BiLSTM、GRU及DNN+BiLSTM进行对比。

仿真实验1

基于以上实验条件，与LS、BiLSTM、GRU及DNN+BiLSTM模型进行对比，系统误码率对比图如图3所示。由于导频数和循环前缀较少，传统算法LS性能较差，而本发明提出的SNN+CNN+BiGRU模型优于现有技术，性能改善2.7dB。

仿真实验2

基于以上实验条件，与LS、BiLSTM、GRU及DNN+BiLSTM模型进行对比，系统误码率对比图如图4所示。通过增加导频数，各类模型的误码率性能均有所改善，但SNN+CNN+BiGRU模型明显优于现有技术，性能改善3.8dB。

仿真实验3

基于以上实验条件，与LS、BiLSTM、GRU及DNN+BiLSTM模型进行对比，系统误码率对比图如图5所示。在25dB时，SNN+CNN+BiGRU模型的性能与GRU、DNN+BiLSTM接近，但仍优于现有技术；在0至25dB，SNN+CNN+BiGRU模型总体优于LS、BiLSTM、GRU及DNN+BiLSTM，性能改善2.8dB。

图6为本发明提出的SNN+CNN+BiGRU模型与BiLSTM、GRU及DNN+BiLSTM的MSE对比，在图6中可以看出，SNN+CNN+BiGRU的MSE低于BiLSTM、GRU及DNN+BiLSTM，说明其网络结构优于现有模型。BiLSTM中含有大量的参数，增加了训练时间，同时导致MSE较高，而BiGRU仅含有更新门和重置门，同时增加CNN对数据进行去噪，弥补了BiLSTM的不足且加快了网络收敛；因输入序列较长，GRU无法很好的记忆数据信息，BiGRU增加了对信息的敏感性；DNN结构易出现梯度爆炸或梯度消失的问题，SNN有效避免了这类缺点，同时提高了网络准确度。

图7为本发明提出的SNN+CNN+BiGRU模型与BiLSTM、GRU及DNN+BiLSTM的精度对比，相比现有技术，SNN+CNN+BiGRU的信道估计与信号检测精度更高，其原因为BiGRU通过前向GRU获取前一时刻的信息，通过反向GRU获取下一时刻的信息，前向GRU与反向GRU进行线性叠加，提升了信道估计与信号检测的精准度。

综上所述，本发明提出的一种深度学习辅助的OFDM信道估计与信号检测方法，可应用在高速无线通信领域中。本发明采用创新性的逻辑设计，首先通过OFDM系统产生数据集，随后利用自归一化网络构建信道估计模型，利用卷积神经网络和双向门控循环单元构建信号检测模型；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。

尽管已经示出和描述了本发明的具体实施方式，对于本领域的普通技术人员而言，可以理解在不脱离发明的原理和精神的情况下可以对这些具体实施方式进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。