一种基于模型驱动深度学习的信号检测方法技术

本发明专利技术涉及一种基于模型驱动深度学习的信号检测方法。该发明专利技术基于OFDM系统建立信道估计和信号检测模型。信道估计采用以基于DFT的MMSE估计器和FC‑DNN为子网络的组合神经网络模型，通过MMSE估计器对自适应分配的导频数据做预处理并且提取出DNN网络初始化信息，根据训练学习网络ChannelEstNe得到的较为准确的信道估计模型。SignalDetNet采用ZF均衡检测预处理器、LSTM和DNN构成组合网络，实现最终的信号检测并恢复原始信号。该结构保持了OFDM系统逐块处理信号的形式，可恢复具有线性和非线性失真的OFDM系统中的发送数据，并且结合传统算法初始化训练速度更快，从而提高部署效率。

【技术实现步骤摘要】
一种基于模型驱动深度学习的信号检测方法
本专利技术属于智能通信领域，涉及一种基于模型驱动深度学习的信号检测方法，特别涉及一种基于模型驱动和深度学习的OFDM无线通信接收机的信号检测方法。
技术介绍
OFDM接收机方案主要包括信道估计和信号检测两个功能模块，即首先通过信道估计得到准确的信道状态信息(CSI)，再利用估计得到的CSI恢复发送信号。传统的信道估计和信号检测技术大多通过复杂的算法来提高通信系统的接收性能，但是对目前要求高维度、高速率、高密度的5G无线通信来说，较高复杂度计算大大影响了通信的有效性。智能通信是将人工智能应用到无线通信的各个层面，实现人工技术与传统通信系统的有机融合，将深度学习与无线通信系统结合能大大提升系统效能。人工智能应用于无线通信系统物理层的研究主要有两种类型的深度学习网络，一种基于数据驱动，另一种基于模型驱动。基于模型的深度学习网络在通信系统原有模型基础上，将深度学习网络替代某个模块或训练相关参数来提升模块性能，和基于数据驱动相比可以显著减少训练的信息量，具有更好的泛化性和自适应性。
技术实现思路
本专利技术解决现有正交频分复用系统(OFDM)接收器中传统信道估计和信号检测算法造成的信号可靠性低的问题，提出了一种分别采用ChannelEstNet和SignalDetNet神经网络模型来实现接收信号信道估计和信号检测的算法。本专利技术所采用的技术方案是，一种基于模型驱动深度学习的OFDM信号检测接收器，所述方法包括以下步骤：步骤1：基于OFDM无线通信系统框架生成ChannelEstNet和SignalDetNet所需的数据集。ChannelEstNet数据集的特征信息来自发送信号的导频信息、接收信号的导频信息，根据信道响应矩阵分配标签。SignalDetNet数据集的特征信息来自ChannelEstNet输出的信道估计信息、接收信号信息，根据原发送符号分配标签。步骤2：将步骤1所述的两个模型的数据集样本随机打乱并重新分为12000组训练集用于离线训练，3000组验证集用于验证模型的性能和2000组测试集用于网络性能的在线测试；步骤3：基于步骤2中所述的样本数据，利用线性判别分析(LDA)算法对特征信息进行线性降维，将多种维度的特征信息作为ChannelEstNet和SignalDetNet网络模型的输入；步骤4：信道估计模块ChannelEstNet和信号检测模块SignalDetNet，两者都是将深度学习网络与通信算法结合，以类似于常规通信系统的逐块信号处理方式构造，其中ChannelEstNet子网络DNN-1的初始化由MMSE和LS算法设置权重，SignalDetNet的子网络输入采用ZF预检测处理的数据。步骤5：基于步骤3中生成的样本数据集的特征信息，ChannelEstNet采用接收导频和已知的发送导频输入MMSE预处理生成的导频处信道频域响应进行DNN-1网络训练估计OFDM符号处的信道频域响应，并采用DFT技术进行时域平滑再次进行DNN-2网络训练获得信道估计信息，接下来将信道估计信息和接收的数据符号进行ZF检测处理生成初步估计的xZF，输入SignalDetNet子网络LSTM+DNN即LSTM与DNN组合的网络进行进一步信号检测训练。步骤6：根据由步骤1、步骤2、步骤3、步骤4和步骤5所建立的模型替代OFDM系统的接收端信道估计和信号检测部分进行在线测试。优选地，所述步骤1中网络ChannelEstNet和SignalDetNet的数据集是基于OFDM系统分别针对室内和室外不同环境的信道状况生成，该OFDM无线通信系统中导频的插入采用自适应导频分配方法，ChannelEstNet数据集采用导频和OFDM符号处的信道状态信息(CSI)，标签为OFDM符号处的信道状态信息(CSI)，SignalDetNet的标签设置为所传输的数据符号。所述步骤1中自适应导频插入方法如下：(1)K＝1,选择第K帧数据采用导频占子载波最小比例传输；(2)在接收端根据第K帧数据得到估计的信道参数确定要下一帧所采取的导频与数据占比MK；(3)K＝K+1，发送端根据导频与数据占比数MK，在第K帧数据插入导频；(4)跳转至步骤(2)估计信道参数判断下一帧导频占比。优选地，所述步骤2中，对数据集特别是信道参数进行归一化处理，对于训练过程中方便复数形式数据输入，信道数据将实部虚部独立拆分存储。优选地，所述步骤3中，将原始特征信息和LDA降维后的特征信息作为两类特征信息，接收端的网络模型根据两类特征信息优化参数，以增加模型的可拓展性。优选地，所述步骤4中，ChannelEstNet子网络DNN-1共5层，其中3层隐含层，每层神经元的数量为16，1024,1024,1024和128，DNN-2共3层神经元的数量分别为128,1024,128，激活函数为Tanh；SignalDetNet子网络LSTM采用3层隐含层，时间步长设置为64，分别有30、20、16个隐含单元，状态激活函数为Relu函数，子网络DNN-2共3层，每层分别含有64、64和48个神经元，激活函数为Sigmoid函数，对于这两个子网络优化方案采用均方误差成本函数和自适应矩估计(Adam)优化。所述步骤4中48个输出层神经元对应于从8个连续子载波估计的48个比特，如64-QAM，每个符号有6个比特。因为逻辑sigmoid函数将输入映射到区间[0，1]，如果输出大于0.5，则接收到的二进制符号将为“1”，否则为“0”。优选地，所述步骤5中，ChannelEstNet中首先MMSE通过特征参数计算导频处的(信道频域响应)CFR，然后经过子网DNN-1生成各个OFDM符号位置处的CFR，通过基于DFT的信道估计方法进行时域平滑，再通过子网络DNN-2得到更精确的(信道状态信息)CSI。SignalDetNet的计算参数有接收的数据信号和ChannelEstNet生成的数据信道响应，子网络LSTM+DNN结合ZF预处理检测出的输入数据xZF生成原调制信号。所述步骤5中，ChannelEstNet和SignalDetNet的训练过程包括以下步骤：步骤5.1：将12000组的样本数据输入ChannelEstNet训练，采用均方误差成本函数优化获得最佳权值和偏置值，训练2000个时期(Epochs)，学习率被设置为阶梯函数，初始值设为为0.001，每1000个时期减少10倍学习率。步骤5.2：固定ChannelEstNet模型来训练SignalDetNet，采用自适应矩估计优化器(Adam)获得最佳权值和偏置，训练5000个时期，学习率初始值设为为0.001，每2000个时期减少5倍。步骤5.3：将3000组验证集特征信息对所建立网络性能进行验证。本专利技术所述一种基于模型驱动深度学习的OFDM无线通信接收机的信号检测方法，采用以上技术方案与现有技术相比，具有以下技术效果：本专利技术涉及一种基于本文档来自技高网...

【技术保护点】
1.一种基于模型驱动深度学习的信号检测方法，其特征在于，所述方法包括以下步骤：/n步骤1：基于OFDM无线通信系统框架生成ChannelEstNet和SignalDetNet所需的数据集。ChannelEstNet数据集的特征信息来自发送信号的导频处信道频域、接收信号的导频信息，根符号处的信道响应矩阵分配标签。SignalDetNet数据集特征信息来自ChannelEstNet输出的信道估计信息、接收信号信息，根据原发送符号分配标签。/n步骤2：将步骤1所述的两个模型的数据集样本进行归一化处理，并且重新分为12000组训练集用于离线训练，3000组验证集用于验证模型的性能和2000组测试集用于网络性能的在线测试；/n步骤3：基于步骤2中所述的训练样本数据，利用线性判别分析(LDA)算法对特征信息进行线性降维，将多种维度的特征信息作为ChannelEstNet和SignalDetNet网络模型的输入；/n步骤4：将步骤3中所述数据中接收信号中的导频信息和发送端的导频信息输入到ChannelEstNet网络中进行自学习，接收信号信息以及ChannelEstNet估计的信道信息CSI输入到SignalDetNet中进行自学习，两者都是将深度学习网络与通信算法结合，以类似于常规通信系统的逐块信号处理方式构造，其中ChannelEstNet子网络DNN-1的初始化由LMMSE和LS设置权重，SignalDetNet网络对LSTM待处理数据采用ZF预检测处理。/n步骤5：ChannelEstNet采用接收导频和已知的发送导频输入MMSE预处理生成的导频处信道信息参数h...

【技术特征摘要】
1.一种基于模型驱动深度学习的信号检测方法，其特征在于，所述方法包括以下步骤：
步骤1：基于OFDM无线通信系统框架生成ChannelEstNet和SignalDetNet所需的数据集。ChannelEstNet数据集的特征信息来自发送信号的导频处信道频域、接收信号的导频信息，根符号处的信道响应矩阵分配标签。SignalDetNet数据集特征信息来自ChannelEstNet输出的信道估计信息、接收信号信息，根据原发送符号分配标签。
步骤2：将步骤1所述的两个模型的数据集样本进行归一化处理，并且重新分为12000组训练集用于离线训练，3000组验证集用于验证模型的性能和2000组测试集用于网络性能的在线测试；
步骤3：基于步骤2中所述的训练样本数据，利用线性判别分析(LDA)算法对特征信息进行线性降维，将多种维度的特征信息作为ChannelEstNet和SignalDetNet网络模型的输入；
步骤4：将步骤3中所述数据中接收信号中的导频信息和发送端的导频信息输入到ChannelEstNet网络中进行自学习，接收信号信息以及ChannelEstNet估计的信道信息CSI输入到SignalDetNet中进行自学习，两者都是将深度学习网络与通信算法结合，以类似于常规通信系统的逐块信号处理方式构造，其中ChannelEstNet子网络DNN-1的初始化由LMMSE和LS设置权重，SignalDetNet网络对LSTM待处理数据采用ZF预检测处理。
步骤5：ChannelEstNet采用接收导频和已知的发送导频输入MMSE预处理生成的导频处信道信息参数hMMSE进行DNN-1训练生成初步估计的OFDM符号处信道频域状态信息，将该信道频域状态参数进行IDFT时域平滑去噪声，DFT转换至频域后进行DNN-2训练得到最终的信道状态信息，接下来将信道估计信息和接收的数据符号进行ZF检测处理生成初步估计的已调信号XZF，结合估计信息和接收数据信号输入SignalDetNet子网络LSTM+DNN中进行信号检测模型训练。
步骤6：根据由步骤1、步骤2、步骤3、步骤4和步骤5所建立的模型替代OFDM系统的接收端信道估计和信号检测部分进行在线测试。


2.根据权利要求1所述的一种基于模型驱动深度学习的信号检测方法，其特征在于：所述步骤2中对数据集的处理，先进行归一化处理，训练方式以复数形式数据输入神经网络，信道数据将实部虚部独立拆分存储。


3.根据权利要求1所述的一种基于模型驱动深度学习的信号检测方法，其特征在于：所述的OFDM无线通信系统中导频的插入采用自适应导频分配方法如下:
(1)K＝1,选择第K帧数据采用导频占子载波最小比例传输；
(2)在接收端根据第K帧数据得到估计的信道参数确定要下一帧所采取的导频与数据占比MK；
(3)K＝K+1，发送端根据导频与数据占比数MK，在第K帧数据插入导频；
(...

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