一种基于数据驱动神经网络的OFDM信道估计与信号检测方法技术

本发明专利技术属于能通信技术领域，尤其涉及一种基于数据驱动神经网络的OFDM信道估计与信号检测方法。本发明专利技术基于传统OFDM无线通信系统建立新型传输模型，采用CNN完成信号的去噪过程，DNN代替传统通信系统中的快速傅里叶变换、信道估计、均衡以及解调过程，系统根据接收到的去噪信号以及原始真实二值信号作为训练数据来训练神经网络，完成后即可将接收信号输入网络，输出即为估计的原始信号。本发明专利技术构建的网络结构简单，复杂度低，又结合近些年流行的智能通信思想，优化了通信系统结构，符合5G通信系统的发展趋势。

【技术实现步骤摘要】
一种基于数据驱动神经网络的OFDM信道估计与信号检测方法
本专利技术属于能通信
，尤其涉及一种基于数据驱动神经网络的OFDM信道估计与信号检测方法。
技术介绍
信道估计技术是指无论对于单载波系统还是多载波系统，接收端采用相干解调恢复数据信息，都需要较为准确的信道状态信息(CSI)作为数据处理的必要参数，所以，信道估计是影响OFDM系统和MIMO-OFDM系统性能的关键因素。信道估计技术是对移动信道的多径衰落瞬时特性进行估计的技术，即从接收信号中估计出移动信道的特性，可以估计信道的冲激响应，也可以估计其频率特性。通常对信道估计技术的评价有三方面：对数据传输效率的影响、计算的复杂度以及估计的准确程度。对信道估计方法的期望是尽量在小的额外的系统开销以及计算复杂度较小的情况下，尽量提高估计的准确度。一般信道估计技术有非盲道信道估计技术、盲道估计技术以及在此基础上发展起来的半盲信道估计。非盲道估计技术是需要在发射端发送导频信号，因此，也称为基于导频的信道估计技术。基于导频的信道估计技术中，导频插入方式各种各样，典型的有梳状导频和块状导频，因此，对应有两种比较典型的信道估计方法，被称为基于梳状导频的信道估计技术和基于块状导频的信道估计技术。深度学习应用到通信系统物理层的信号传输研究主要分为数据驱动网络和模型驱动网络两种。基于数据驱动的深度学习神经网络将无线通信系统的多个模块看作一个未知的黑盒子，利用神经网络取代，但需要依赖大量训练数据完成从输入到输出的训练。它颠覆了以往传统的通信系统知识，依靠数据输入，从而使网络学习到信道中某种映射关系来代替通信系统中的部分功能。基于模型驱动的深度学习网络保持了原有的物理层结构，使用训练效率高的深度学习模型代替某个模块或使用训练参数以优化整体性能。在2018年2月发表在IEEEWIRELESSCOMMUNICATIONSLETTERS期刊(PowerofdeepLearningforChannelEstimationandSignalDetectioninOFDMSystems，作者HaoYe，DOI:10.1109/LWC.2757490)论文中，作者首次将信道估计和信号检测看作一个整体，直接用DNN实现由接收信号到原始信号的映射。其中DNN的输入为256，隐藏层结构为500-250-120，输出为16，OFDM系统采用64子载波，调制方式为正交相移(QuadraturePhaseShiftKeying,QPSK)编码，输出信号为128byte，因此需要8个结构相同的DNN进行训练。在经过大量数据训练后，与传统的信道估计算法LS相比有较大的性能提升，与MMSE相比略有优势。但这种提升并非表明了这种设计合理性，随着信噪比的增加，性能会出现饱和，且在实际系统中，非线性情况并没有进行改善。而且需要提出的是，该论文需要对8个相同结构的DNN神经网络训练，训练时间与复杂度可想而知。
技术实现思路
本专利技术的目的在于解决现有技术OFDM系统中信道估计与均衡算法中，简单算法的复杂程度低同时准确率低或者复杂算法准确率高但相对复杂的问题。为解决上述现有技术中存在的问题，本专利技术提供了一种采用全连接神经网络来代替上述功能的方法。同时为了减少训练时间和复杂度，本专利技术对上述现有技术进行了改进，论文采用256个输入，其中包含了一个OFDM符号的导频和一个OFDM符号的数据为一组输入神经网络，而只输出有限个原始信号。而本专利技术通过优化网络结构，调整网络参数，降低了系统复杂度，减少了训练时间，同时输出位数为128，此时仅需1个DNN网络便可以取代传统OFDM系统部分功能模块，同时还增加了去噪网络提高准确率。为实现上述目的，本专利技术采用如下技术方案：一种基于数据驱动神经网络的OFDM信道估计与信号检测方法，所述方法包括以下步骤：步骤1：基于传统OFDM无线通信框架系统生成训练神经网络所需的数据集，数据集是由包含多径和衰落信息的时域冲激响应所产生的去除CP的接收信号，一个OFDM导频数据块和一个OFDM信号数据块为一组，神经网络标签是对应的通信系统未调制的0/1原始信号；步骤2：将步骤1所述的神经网络数据集数据随机打乱，其中7000组用于训练集，另外3000用于测试集，并将数据进行预处理，将处理过后的数据输入到设计的卷积(CNN)去噪网络中，进行信号去噪操作；步骤3：基于步骤2的数据集，利用数学工具将数据集的每组接收信号的实部与虚部分别取出，排列为一组数据，个数为256；步骤4：将步骤3所述的数据集作为全连接神经网络的输入，其中网络层数分别为256,513,513,513,128，输出为预测的0/1信号，真实发送的0/1信号设为标签作为先验知识，训练神经网络。步骤5：基于步骤4所搭建的神经网络结构，每一层赋予激活函数，其中三层隐藏层的激活函数设置为线性整流函数(简称ReLU函数)，输出层函数设置为逻辑函数(Sigmoid)，激活函数是神经网络具备非线性特性的关键，采用反时限学习率衰减，公式为：d_r＝L_r/(1+de_r*t)；其中d_r为当前学习率，L_r为初始学习率，de_r为学习率衰减率，t为下降步数。步骤6：根据步骤1、步骤2、步骤3、步骤4、步骤5所建立的模型与输入输出参数训练整个神经网络，经过批次(Batch)为20000，批次大小(BatchSize)为1000的训练过程后，神经网络模型即可代替传统OFDM无线通信网络的快速傅里叶变换、信道估计、均衡和解调。优选地，所述步骤1中，OFDM系统数据集采用瑞利衰落多径信道生成，依照公式产生信道冲激响应系数，原始信号采用QPSK调制，子载波个数为64，导频和CP长度为16，接收信号作为神经网络输入训练值，原始真实信号作为标签训练网络。所述步骤1中，神经网络数据集是由包含多径和衰落信息的时域冲激响应所产生的去除CP的接收信号，结构为一个OFDM导频符号加一个OFDM数据符号，神经网络标签是对应的通信系统未调制的0/1原始信号。所述步骤1中，产生多径信号冲激响应的公式为：其中f＝fdsin(2πu)式中，f为离散多普勒频移；fd为最大多普勒频移；θ＝2πu为离散多普勒相位；u为独立随机变量；L为多径信道径数；M为调和系数；ρ[k]与τk如下表所示：通过公式可得到神经网络输入，其中X为待发送信号，h为信道冲激响应，为卷积操作，Y为接收信号，n为信道噪声。优选地，所述步骤2中，对数据集进行预处理，分为训练集和测试集，将数据仿照图片进行卷积去噪操作，网络中的每一层为卷积与归一化操作，每层的激活函数选定ReLU函数。所述步骤2中数据预处理公式为：其中x表示预处理后的信号，xin为接收的信号，去噪网络采用CNN网络，批次归一化方法，激活函数采用ReLU函数。优选地，所述步骤3中，通过模仿图片处理过程，将接收信号转换为一维数据，将过程看作一个一维回归问题。优选地，所述步骤4中，确定神经网络的基本结构，采用本文档来自技高网...

【技术保护点】
1.一种基于数据驱动神经网络的OFDM信道估计与信号检测方法，其特征在于，所述方法包括以下步骤；/n步骤1：基于传统OFDM无线通信框架系统生成训练神经网络所需的神经网络数据集；/n步骤2：将步骤1所述的神经网络数据集数据随机打乱，其中7000组用于训练集，另外3000组用于测试集，并将数据进行预处理，将处理过的信号通过CNN去噪网络去噪；/n步骤3：基于步骤2的数据集，利用数学工具将数据集的每组接收信号的实部与虚部分别取出，排列为一组新的数据集，个数为256；/n步骤4：将步骤3所述的新的数据集作为全连接神经网络的输入，其中网络层数分别为256,513,513,513,128，输出为预测的0/1信号，真实发送的0/1信号作为标签，监督神经网络的训练；/n步骤5：基于步骤4所搭建的神经网络结构，每一层赋予激活函数，其中三层隐藏层的激活函数设置为线性整流函数，输出层函数设置为逻辑函数；/n步骤6：根据步骤1、步骤2、步骤3、步骤4、步骤5所建立的模型与输入输出参数训练整个神经网络，经过批次为20000，批次大小为1000的训练过程后，神经网络模型即可代替传统OFDM无线通信网络的快速傅里叶变换、信道估计、均衡和解调。/n...

【技术特征摘要】
1.一种基于数据驱动神经网络的OFDM信道估计与信号检测方法，其特征在于，所述方法包括以下步骤；
步骤1：基于传统OFDM无线通信框架系统生成训练神经网络所需的神经网络数据集；
步骤2：将步骤1所述的神经网络数据集数据随机打乱，其中7000组用于训练集，另外3000组用于测试集，并将数据进行预处理，将处理过的信号通过CNN去噪网络去噪；
步骤3：基于步骤2的数据集，利用数学工具将数据集的每组接收信号的实部与虚部分别取出，排列为一组新的数据集，个数为256；
步骤4：将步骤3所述的新的数据集作为全连接神经网络的输入，其中网络层数分别为256,513,513,513,128，输出为预测的0/1信号，真实发送的0/1信号作为标签，监督神经网络的训练；
步骤5：基于步骤4所搭建的神经网络结构，每一层赋予激活函数，其中三层隐藏层的激活函数设置为线性整流函数，输出层函数设置为逻辑函数；
步骤6：根据步骤1、步骤2、步骤3、步骤4、步骤5所建立的模型与输入输出参数训练整个神经网络，经过批次为20000，批次大小为1000的训练过程后，神经网络模型即可代替传统OFDM无线通信网络的快速傅里叶变换、信道估计、均衡和解调。


2.根据权利要求1所述的一种基于数据驱动神经网络的OFDM信道估计与信号检测方法，其特征在于：所述步骤1中，OFDM系统数据集采用瑞利衰落多径信道生成，依照公式产生信道冲激响应系数，原始信号采用QPSK调制，子载波个数为64，导频和CP长度为16，接收信号作为神经网络输入训练值，原始真实信号作为标签训练网络。


3.根据权利要求2所述的一种基于数据驱动神经网络的OFDM信道估计与信号检测方法，其特征在于：所述步骤1中，神经网络数据集是由包含多径和衰落信息的时域冲激响应所产生的去除CP的接收信号，结构为一个OFDM导频符号加一个OFDM数据符号，神经网络标签是对应的通信系统未调制的0/1原始信号。


4.根据权利要求2所述的一种基于数据驱动神经网络的OFDM信道估计与信号检测方法，其特征在于：所述步骤1中，产生多径信号冲激响应的公式为：



其中f＝fdsin(2πu)
式中，f为离散多普勒频移；fd为最大多普勒频移；θ＝2πu为离散多普勒相位；u为独立随机变量；L为多径信道径数；M为调和系数；ρ[k]与τk如下表所示：



通过公式可得到神经网络输入，...

【专利技术属性】
技术研发人员：李军，韩永力，辛同亮，马根，付文文，
申请(专利权)人：齐鲁工业大学，
类型：发明
国别省市：山东;37