基于多任务神经网络的制造技术

本发明专利技术公开了一种基于多任务神经网络的

【技术实现步骤摘要】
基于多任务神经网络的OFDM系统频偏与信道联合估计算法


[0001]本专利技术涉及无线通信
，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
。

技术介绍

[0002]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
。
[0003]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
。
[0004]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(Linear Minimum 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
。
[0005]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
。

技术实现思路

[0006]为了解决现有技术存在的不足，本专利技术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
。
[0007]本专利技术采用的技术方案包含以下步骤：
[0008](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；
[0009](2)
构建频偏与信道联合估计多任务神经网络架构；
[0010](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；
[0011](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
。
[0012]进一步地，本专利技术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
。
[0013]进一步地，本专利技术的步骤
(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
。
[0014]进一步地，本专利技术的步骤
(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
。
[0015]进一步地，本专利技术的步骤
(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
。
[0016]进一步地，本专利技术的步骤
(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
。
[0017]进一步地，本专利技术的步骤
(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
。
[0018]本专利技术与现有技术相比，具有以下有益效果：
[0019](1)
本专利技术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
。
[0020](2)
本专利技术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
。
[0021](3)
本专利技术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
[0022]图1为本专利技术的实现流程框图
[0023]图2为本专利技术所构建的神经网络结构图
[0024]图3为本专利技术与传统频偏估计算法的估计
RMSE
性能对比
[0025]图4为本专利技术与传统信道估计算法的估计
RMSE
性能对比
具体实施方式
[0026]结合附图及具体实施例，对本专利技术所述的方法作详细阐述
。
[0027]参照图1，本实例实现步骤如下：
[0028](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；
[0029]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)
，
[0030]H
p
，
LS
＝
Y
p
/X
p
ꢀꢀꢀ
(1)
[0031]其中
X
p
为已知的发送导频信号，
Y
p
为接收端的导频信号，由于接本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
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，其特征在于，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
。2.
如权利要求1所述的基于多任务神经网络的
OFDM
系统频偏与信道联合估计算法，其特征在于，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
。3.
如权利要求1所述的基于多任务神经网络的
OFDM
系统频偏与信道联合估计算法，其特征在于，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
。4.
如权利要求1所述的基于多任务神经网络的
...

【专利技术属性】
技术研发人员：吴虹，陈琢，耿雪，赵迎新，董志瑜，
申请(专利权)人：南开大学，
类型：发明
国别省市：