基于多任务神经网络的OFDM系统频偏与信道联合估计算法

技术领域

本发明涉及无线通信技术领域，提出了一种基于多任务神经网络的OFDM系统频偏与信道联合估计算法。

背景技术

正交频分复用(Orthogonal Frequency Division Multiplexing，OFDM)技术是一种多载波调制技术，利用正交子载波将数据进行并行传输，具有频谱利用率高、抗频率选择性衰落能力强等优点，在4G LTE、5G NR系统中得到了广泛的应用。然而，OFDM系统对载波频率偏移十分敏感，特别是在未来复杂通信场景下，由相对运动产生的多普勒频移和收发机之间的振荡不同步产生的频率偏移会破坏子载波间的正交性，产生符号间干扰，导致系统性能急剧下降；此外，高速移动场景下无线信道变化十分剧烈，具有快速多变和非平稳特性，传统信道估计方案无法适用。因此，精确的载波同步和信道估计技术在复杂场景下通信系统的实际应用具有重要的意义。

传统的载波频率同步算法主要分为基于循环前缀(cyclic prefix，CP)的频偏估计算法和基于训练序列的频偏估计算法。基于循环前缀(cyclic prefix，CP)相关的频偏估计算法根据重复数据的相关性求解频偏；基于训练序列的频偏估计算法，利用接收到的序列与本地已知序列进行相关运算，根据峰值所在位置实现载波频偏的估计。然而在低信噪比情况下，由于噪声的严重干扰，传统算法的估计性能急剧下降。

传统信道估计算法通常采用导频辅助估计方法，LS(Least Square，最小二乘)是最常用的信道估计方法，计算简单、复杂度低，但在低信噪比下的性能较差；LMMSE(LinearMinimum Mean Squared Error，线性最小均方误差)算法较LS算法性能有了大幅的提升，但由于计算复杂度高且严重缺乏先验知识，而在实际中无法应用。

近年来，随着深度学习的飞速发展，人们开始将深度学习引入到无线通信中，用来追求更优的算法性能。然而已有深度学习的算法都是对载波同步或信道估计中的其中一个任务进行单独考虑，例如在高斯白噪声信道或平稳信道单独进行载波频偏估计，或在频偏同步完成的基础上单独进行信道估计，并未考虑二者之间的关联。然而在实际系统中，载波频偏和衰落信道的影响是同时存在的，因此有必要对频偏同步和信道估计进行同时研究。

发明内容

为了解决现有技术存在的不足，本发明提出一种基于多任务神经网络的OFDM系统频偏与信道联合估计算法，有效提高了频偏和信道估计的估计精度。

本发明采用的技术方案包含以下步骤：

(1)在接收端对导频信号进行预处理，得到联合估计神经网络的输入；

(2)构建频偏与信道联合估计多任务神经网络架构；

(3)离线阶段通过构造大量在不同信道下具有不同频偏的差异化数据，以端到端的方式对网络进行训练；

(4)在线阶段将同时包含频偏和衰落信道影响的符号输入到训练好的网络中，可以同时获取频率偏移值和信道估计值。

进一步地，本发明将频偏估计和信道估计看成两个不同但互相关联的任务，构建基于多任务学习的联合估计神经网络架构。

进一步地，本发明的步骤(1)中所述的输入数据的产生是对导频信号进行最小二乘估计，得到导频处的信道状态信息，然后将复数数据转化成实数，作为网络的输入。

进一步地，本发明的步骤(2)中所述的联合估计多任务神经网络架构由共享层、频偏估计网络、信道估计网络和频偏消除模块组成。

进一步地，本发明的步骤(2)中所述的联合估计多任务神经网络架构中的频偏消除模块引入了注意力机制，降低了频偏误差对信道估计造成的影响。

进一步地，本发明的步骤(3)中所述的离线阶段通过构造大量不同信道状态下具有不同频率偏差的符号，以端到端的方式对网络进行训练，并构造合适的损失函数来平衡频偏估计和信道估计这两个子任务。

进一步地，本发明的步骤(4)中所述的在线阶段，可以同时将频偏估计值和信道估计值进行输出，极大降低了算法复杂度，提高了估计精度。

本发明与现有技术相比，具有以下有益效果：

(1)本发明将多任务学习引入到频偏与信道的联合估计过程，可以同时对频率偏移值和信道估计值进行输出。

(2)本发明提出一种基于注意力机制的频偏消除方法，由差异化的频偏数据增大信道对频偏的感受野，有效降低了频偏估计误差对信道估计造成的影响。

(3)本发明提出的基于多任务神经网络的频偏与信道联合估计算法，大幅提高了频偏和信道估计的精度。

附图说明

图1为本发明的实现流程框图

图2为本发明所构建的神经网络结构图

图3为本发明与传统频偏估计算法的估计RMSE性能对比

图4为本发明与传统信道估计算法的估计RMSE性能对比

具体实施方式

结合附图及具体实施例，对本发明所述的方法作详细阐述。

参照图1，本实例实现步骤如下：

(1)在接收端对导频信号进行预处理，得到联合估计神经网络的输入；

发送信号经过多径衰落信道后，在接收端先进行最小二乘(Least Squares，LS)估计，得到导频处的信道频域响应，表达式为(1)，

H

其中X

然而，由于神经网络无法处理复数数据，我们需要对H

(2)构建频偏与信道联合估计多任务网络架构；

考虑到频偏估计和信道估计是两个互相耦合的任务，本发明提出一种基于多任务学习的频偏与信道联合估计算法，构建的神经网络如图2所示，主要由共享层、频偏估计网络、信道估计网络、频偏消除模块组成。

共享层的主要作用是提取频偏估计和信道估计两个任务中一些共同的特征，网络由两层卷积层组成，第一层卷积核大小为(6，2)，通道数为16，采用的激活函数为LeakyRelu函数；第二层卷积核大小为(6，2)，通道数为16，采用的激活函数为LeakyRelu函数。LeakyRelu函数的表达式如(2)所示，

频偏估计网络以全连接网络为核心，两层全连接的神经元个数分别为400，200，采用的激活函数为ReLU函数，且均采用Dropout技术。

信道估计网络以卷积神经网络为核心架构，第一层卷积核大小为(6，2)，通道数为32，采用的激活函数为LeakyRelu函数；第二层卷积核大小为(6，2)，通道数为64，采用的激活函数为LeakyRelu函数。

频偏消除模块引入了注意力机制，每个模块由两层全连接构成，通过为信道估计赋予不同的频偏权重，由差异化的频偏数据增大信道对频偏的感受野。

(3)离线阶段通过构造大量在不同信道下具有不同频偏的差异化数据，以端到端的方式对网络进行训练；

离线阶段，随机设置二进制比特流，小区ID为0～2中的任意整数，信道为随机设置的多径衰落信道，归一化载波频率偏差范围为[-0.5，0.5)，以0.01为最小分辨率，产生共50000组样本数据，并按照8∶2的比例划分训练集和验证集。每个样本为含频偏和衰落信道的导频信号，对应的归一化载波频偏及真实信道值分别作为频偏估计和信道估计网络的标签。

选用的神经网络优化器为Adam优化器，初始化学习率为0.001，BatchSize的大小为256，最大训练次数为40。通过构造联合估计损失函数，来平衡频偏估计和信道估计两个任务之间的权重。

频偏估计的损失函数采用交叉熵函数，表达式如(3)所示，

其中N是样本数量，K是类别数，t

信道估计的损失函数采用均方误差函数，表达式如(4)所示，

其中N是样本数量，x

(4)在线阶段将同时包含频偏和衰落信道影响的符号输入到训练好的网络中，可以同时获取频率偏移值和信道估计值。

网络训练完成后，生成一定数量的同时包含频偏和衰落信道影响的符号作为测试集，在线阶段将测试集数据输入到训练好的网络中，通过当前输入可以同时得到对应的频率偏移值和信道估计值。频偏估计和信道估计的效果均用均方根误差来衡量，表达式为式(5)～(6)，

其中ε

本发明提出的基于多任务神经网络的频偏与信道联合估计算法降低了在线阶段的计算复杂度，提高了频偏估计和信道估计的精度。

本发明的效果可通过以下仿真进一步说明：

1.仿真条件

仿真采用FDD-LTE下行链路传输系统，传输带宽为10MHz，FFT点数为1024，循环前缀长度为80和72，子载波间隔为15KHz，系统采样率为15.36MHz，调制方式为16QAM。信道模型为扩展车辆信道模型，多径时延分别为0，30，150，310，370，710，1090，1730，2510纳秒，功率衰减分别为0，-1.5，-1.4，-3.6，-0.6，-9.1，-7.0，-12.0，-16.9dB。

2.仿真内容

图3为本发明与传统频偏估计算法在不同信噪比情况下的频偏估计均方根误差(RMSE)性能对比，CP表示CP相关的频偏估计算法，PSS表示PSS相关的频偏估计算法，DL表示本发明提出的基于多任务神经网络的频偏与信道联合估计算法中的频偏估计性能。可以看出，算法的RMSE均随着信噪比的增大而降低，本发明所提算法性能明显优于CP、PSS相关算法，频偏估计更加准确。

图4为本发明与传统信道估计算法在不同信噪比情况下的信道估计均方根误差(RMSE)性能对比，LS表示LS信道估计算法，LMMSE表示LMMSE信道估计算法，DL表示本发明提出的基于多任务神经网络的频偏与信道联合估计算法中的信道估计性能。可以看出，本发明的信道估计算法性能明显优于LS、LMMSE算法。

以上只是对本发明作进一步的说明，并非用以限制本专利的实施应用，凡为本发明等效实施，均应包含于本专利的权利要求范围之内。