基于深度神经网络的低复杂度OTFS系统符号检测方法技术方案

本发明专利技术公开了一种基于深度神经网络的OTFS系统符号检测方法，主要解决现有技术中符号检测复杂度较高、检测接收符号速度较慢的问题。其实现步骤是：1、获得训练集；2、构建神经网络；3、使用训练集对深度神经网络进行训练；4、接收发射端发送的时域信号，并对其进行维格纳变换，得到时间

【技术实现步骤摘要】
基于深度神经网络的低复杂度OTFS系统符号检测方法


[0001]本专利技术属于通信
，更进一步涉及一种低复杂度OTFS系统符号检测方法，可用于从OTFS系统接收信号中恢复出发射信号。

技术介绍

[0002]目前，在4G、5G以及WIFI无线网络中广泛使用的正交频分复用OFDM调制技术容易受到多普勒效应的影响。正交时频空调制OTFS在高移动性无线通信场景下相较于OFDM有着更好的性能表现。OTFS是一种在时延
‑
多普勒域进行调制的二维调制方案，通过一系列二维变换，将双色散信道转换为在时延
‑
多普勒域近似非衰落的信道。OTFS系统面临的两个挑战是：如何精确的估计时延
‑
多普勒信道状态信息CSI，另一个是在获得CSI后，需要一种低复杂度和高效的算法进行接收信号检测。接收信号检测就是从接收信号中检测出与发送符号相符的对应符号，如果OTFS系统的检测算法复杂度较高则会造成整个系统检测接收符号较慢以及导致较高的时延，不利于实际系统的实用性。
[0003]近几年，随着大数据、超算、神经科学等的发展，人工智能飞速发展，解决了神经网络发展过程中的一些瓶颈问题，使得高效率，高准确度，高集成度，低功耗，低成本的神经网络的实现成为可能，在许多领域中发挥了重要作用。深度神经网络DNN在图像处理、自然语言处理和语言识别等领域取得了巨大的成功。DNN是由复杂连接构成的多层神经网络结构，多层结构比少数神经网络层结构更有表现力，具有较强的拟合能力。DNN网络在各个领域都有广泛的应用，也已经成功应用在通信领域。它们在无线通信物理层设计中的应用正得到越来越多的研究关注，星座设计，收发器设计，使用自动编码器的编码设计，信道估计，信号检测和解调是其中的一些领域。尤其是再检测问题上，检测问题也可以当成分类问题，而DNN网络具有很强的分类能力，因此非常合适进行通信信号的检测。此外，随着神经网络技术的不断成熟，为其应用于高移动性设备，如高铁，汽车创造了条件，也可以有效的解决OTFS系统的检测困难问题。
[0004]因此，利用深度神经网络进行OTFS信号的检测，可以依靠其强大的学习能力，进行有效的检测，此方法不仅可以获得比传统检测方法更低的复杂度和更高的性能，还可以不进行信道估计，从而发送更多的数据。
[0005]现有的OTFS检测器包括最小均方误差检测器MMSE、最大似然检测器ML、基于消息传递MP及其变形的各种迭代检测器等传统检测方法，这些方案不是检测算法复杂度高，就是检测性能差，因此，急需一种低复杂度且高效的检测算法。除此之外，传统方法都需要进行精确的信道估计，不仅算法复杂，导频和保护间隔也会造成额外的开销。
[0006]为了解决传统检测方法的不足，Ashwitha Naikoti和A.Chockalingam在其发表的论文“Low
‑
complexity Delay
‑
Doppler Symbol DNN for OTFS Signal Detection”(IEEE 93rd Vehicular Technology Conference 2021)中提到了一种提出了两种基于DNN的低复杂度的OTFS检测方法，一种是FULL
‑
DNN网络，另一种是逐个符号进行检测的符号DNN检测器。基于符号的DNN检测器，就是采用MN个DNN网络来进行逐个符号的检测，每一个神经网络
的输出端神经元的个数由星座图映射的点决定，因此输出神经元的个数随着MN的增大呈线性增长，而FULL
‑
DNN网络的输出神经元的数量在传输符号向量的大小上呈指数增长，因此其复杂度明显低于FULL
‑
DNN，并且其性能与FULL
‑
DNN性能相当，其性能与最大似然检测ML近似。相比之下，两种网络的检测性能接近，但符号DNN的复杂度明显更低。其第二种方法虽然减少了大量的神经元，但是，该方法由于使用整个时延
‑
多普勒域的数据进行检测，因此深度神经网络的输入端仍然需要大量的神经元，需要在隐藏层中按比例增加大量的神经元，从而需要训练更多的参数，导致OTFS通信系统中检测接收符号速度较慢。
[0007]北京邮电大学在其申请号CN202010158335.1的专利文献中提出“一种OTFS系统的信号检测方法及装置”。其首先建立对应的因子图，根据所述因子图，构建神经网络，该神经网络隐藏层的层数与消息传递的迭代次数相同，隐藏层包括消息计算神经元和概率计算神经元。所述消息计算神经元与所述因子图的节点和/或边相对应；所述概率计算神经元用于根据信号检测性能参数和消息计算神经元输出的数据，计算发送信号经过信道后得到的发送信号中每个调制符号的概率。该方法利用神经网络进行训练,得到优化的信号检测性能参数,从而提升信号检测性能。但其不足之处是：检测方法的复杂度与神经网络和所使用的迭代AMP算法有关，当每帧传输的符号数目较多时则迭代次数较大，相应的检测的复杂度也会大幅增加，因此不适用于传输帧符号总数较多的场景，且网络层数多，使得整个神经网络系统复杂，需要训练大量参数。

技术实现思路

[0008]本专利技术的目的在于针对上述现有技术的不足，提出一种基于深度神经网络的低复杂度OTFS系统符号检测方法，以提高OTFS通信系统检测接收符号的速度，简化检测的复杂度，提高传输效率。
[0009]为实现上述目的，本专利技术的实现方案包括如下：
[0010](1)获得训练集；
[0011]1a)OTFS系统发射端发送经过调制的信号，对发射信号的星座图上的点进行one
‑
hot编码，并将编码后的数据存储作为标签；
[0012]1b)OTFS系统接收端接收到经过信道的数据，将其变换到时延
‑
多普勒域，并存储该域的MN个接收符号；
[0013]1c)循环步骤1a)和1b)共C次，得到训练集，C根据OTFS系统的性能确定；
[0014](2)构建MN个结构完全相同的深度神经网络，每个网络均包含一个输入层，一个隐藏层，一个输出层，每层之间采用全连接的方式；对MN个网络进行标号，使其分别对应OTFS系统中的MN个接收符号，其中M和N分别表示OTFS系统的子载波的总数和符号的总数；
[0015](3)使用训练集对每个深度神经网络进行训练：
[0016]3a)根据OTFS系统在时延
‑
多普勒于的对应关系，将该网络对应的检测符号的最大时延与最大多普勒范围内的所有数据作为输入信号，输入到神经网络的输入层；
[0017]3b)采用梯度下降算法对该深度神经网络进行训练，得到输出层数据；
[0018]3c)采用最小均方误差函数作为深度神经网络的损失函数，将3b)得到的输出层数据与1a)的标签做对比，判断损失函数是否收敛：
[0019]若是，则训练结束，得到训练后的深度神经网络：
[0020]否则，返回步骤(3b)；
...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的OTFS系统符号检测方法，其特征在于，包括如下步骤(1)获得训练集；1a)OTFS系统发射端发送经过调制的信号，对发射信号的星座图上的点进行one
‑
hot编码，并将编码后的数据存储作为标签；1b)OTFS系统接收端接收到经过信道的数据，将其变换到时延
‑
多普勒域，并存储该域的MN个接收符号；1c)循环步骤1a)和1b)共C次，得到训练集，C根据OTFS系统的性能确定；(2)构建MN个结构完全相同的深度神经网络，每个网络均包含一个输入层，一个隐藏层，一个输出层，每层之间采用全连接的方式；对MN个网络进行标号，使其分别对应OTFS系统中的MN个接收符号，其中M和N分别表示OTFS系统的子载波的总数和符号的总数；(3)使用训练集对每个深度神经网络进行训练：3a)根据OTFS系统在时延
‑
多普勒于的对应关系，将该网络对应的检测符号的最大时延与最大多普勒范围内的所有数据作为输入信号，输入到神经网络的输入层；3b)采用梯度下降算法对该深度神经网络进行训练，得到输出层数据；3c)采用最小均方误差函数作为深度神经网络的损失函数，将3b)得到的输出层数据与1a)的标签做对比，判断损失函数是否收敛：若是，则训练结束，得到训练后的深度神经网络：否则，返回步骤(3b)；(4)OTFS系统的接收端接收其发射端发送的时域信号，并对该时域信号进行维格纳变换，得到时间
‑
频率域的信号Y[n,m]；(5)对时间
‑
频率域的信号进行辛傅里叶变换SFFT，得到时延
‑
多普勒域中的MN个接收符号；(6)采用训练后的MN个深度神经网络，对接收符号进行逐个符号的检测：6a)将(5)中接收到的MN个符号与(3)中训练后的MN个深度神经网络进行对应，找到每个接收符号对应的深度神经网络；6b)将每个接收符号的最大时延与最大多普勒范围内的所有数据作为其对应的训练后深度神经网络输入层数据，得到每个神经网络的输出层数据；(6c)根据每个神经网络的输出层数据，得到其发送符号的估计值，完成对OTFS系统符号的检测。2.根据权利要求1所述的方法，其特征在于，步骤1a)中对发射信号的星座图上的点进行one
‑
hot编码，实现如下：1a1)确定星座图上点的个数Q，并将其作为one
‑
hot编码的位数；1a2)将星座图上的点按照从左往右，从上往下的顺序排序为1，2，
…
，q，
…
，Q，对于第q个点，对应的one
‑
hot编码中第q位为1，其余均为0。3.根据权利要求1所述的方法，其特征在于，步骤3b)采用梯度下降算法该深度神经网络进...

【专利技术属性】
技术研发人员：刘伟，于同阳，白宝明，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：