CN108881080A

CN108881080A - 一种基于滑动窗与深度学习的ofdm抗ici检测方法

Info

Publication number: CN108881080A
Application number: CN201810540491.7A
Authority: CN
Inventors: 赵春明; 黄启圣; 姜明; 李骁敏
Original assignee: Southeast University
Current assignee: Southeast University
Priority date: 2018-05-30
Filing date: 2018-05-30
Publication date: 2018-11-23
Anticipated expiration: 2038-05-30
Also published as: CN108881080B

Abstract

本发明涉及一种基于滑动窗与深度学习的OFDM抗ICI检测方法，滑动窗主要由输出部分和保护间隔两部分组成，输出部分输出子载波检测结果，保护间隔部分用于辅助完成输出部分消除保护间隔子载波对输出部分子载波的ICI干扰。ICI的消除具体通过深度网络结构训练滑动窗中的参数来实现，训练算法为Adam算法，采用mini‑batch方式，每个batch中使用的训练用矩阵为从一组时变信道矩阵中一段固定位置中取出且经过筛选的子矩阵，训练直至损失函数收敛得到具有ICI消除功能的滑动窗系数。检测时滑动窗串行在多子载波OFDM符号的频域滑动并通过每次输出部分输出检测完成的信号直至整个OFDM符号检测完成。

Description

一种基于滑动窗与深度学习的OFDM抗ICI检测方法

技术领域

本发明涉及一种基于滑动窗与深度学习的OFDM抗ICI检测方法，属于无线移动通信技术领域。

背景技术

OFDM技术能通过FFT变换实现将原先的高速传输数据放入不同数量的子信道以子载波进行传输从而能够改变原先的传输速率。由于使用了子信道，OFDM信号天然的具有对抗多径传输而产生的频率选择性衰落的能力。并且从频域角度看，OFDM技术利用最小的频率间隔来实现正交性将频谱效率做到了最大化。OFDM技术适用于多业务，高灵活性的通信系统，因此被普遍认为是下一代通信系统必不可少的技术。

OFDM对频偏和相位噪声比较敏感，很小的一点频率偏差都会对OFDM的正交性产生破坏。尤其是高速移动通信场景下，Doppler频偏会对系统性能产生非常严重的影响。Doppler频偏会在子载波上添加随机的频率偏移从而导致了子载波间干扰的产生。目前已有的降低Doppler频偏的方法主要有:频域波形赋形法、频域均衡，经典ICI干扰自消除方法以及Doppler分集和通过采用全相位谱分析技术来压低子载波旁瓣的影响等。此外，现代通信系统往往使用子载波数较多的OFDM符号进行数据传输，以提高传输速度，对多子载波OFDM符号直接进行求逆检测不仅难以进行运算，准确度也不高。针对该难题，目前常使用的解决方法有子矩阵分块求解法和分段线性模型法，但这两种方法都是针对多普勒频偏较小的场景下提出的方法，因此，这两种方法都只是在尽量保证检测准确度的情况下减小了检测的复杂度，没有考虑多普勒频偏带来的影响。

近年来随着谷歌开发alpha go的成功深度学习这一领域越来越受到人们的关注。同时，伴随着GPU处理数据能力的不断提高，以及信息传播速度以及传播量的飞速提升，深度学习也逐渐开始被应用于通信领域当中，包括MIMO检测领域，OFDM检测以及信道估计领域等等。面对通信中原本难以解决的很多非线性问题，本就是非线性模型的深度学习结构，往往能够比经典的模型表现出更好的性能。多种多样功能强大的开发框架例如Tensorflow，Caffe也有助于进行高效神经网络的设计。

综上所述，对于高速移动环境下进行多子载波OFDM符号传输，传统方法很难做到在以低复杂度进行检测的同时消除子载波间干扰，总体的检测效果不是很理想。

发明内容

本发明所要解决的技术问题是提供一种基于滑动窗与深度学习的OFDM抗ICI检测方法，将滑动窗和深度学习网络方案的结合，通过所设计具有深度结构的滑动窗，能够在进行多子载波OFDM符号检测的同时，更好的消除子载波间干扰带来的影响。

本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于滑动窗与深度学习的OFDM抗ICI检测方法，滑动窗由中间为输出部分、两端为保护间隔部分所构成，采用滑动窗实现目标OFDM信号中子载波上信号的检测，包括如下步骤：

步骤A.根据目标OFDM信号中子载波的数量N，按如下公式：

获得滑动窗两端保护间隔部分的长度均为l_G，然后进入步骤B；其中，f_N表示归一化多普勒频偏，x表示用于进行滑动窗长设计的中间变量，且β为预设常数；

步骤B.根据滑动窗预设输出部分的长度l₀＝2^m，结合滑动窗两端保护间隔部分的长度均为l_G，获得滑动窗的长度l_T，并进入步骤C；其中，m为预设整数，且2≤m≤5；

步骤C.根据滑动窗的长度l_T，针对预设训练用矩阵进行训练，获得滑动窗，然后进入步骤D；

步骤D.根据N_slip＝N/l₀，获得滑动次数N_slip，采用滑动窗针对目标OFDM信号顺序滑动N_slip次，由滑动窗输出部分实现目标OFDM信号中子载波上信号的检测。

作为本发明的一种优选技术方案：所述0＜β≤0.04。

作为本发明的一种优选技术方案：所述步骤C中预设训练用矩阵，采用如下方法获得：

首先通过导频估计和傅里叶变换获得信道频域矩阵H；

然后由该信道频域矩阵H中的预设固定位置起，筛选出条件数小于预设条件上限数量阈值的子矩阵H_T，作为训练用矩阵。

作为本发明的一种优选技术方案：所述步骤C中，根据滑动窗的长度l_T，采用minibatch训练方式，针对训练用矩阵进行训练，且训练网络的损失函数根据滑动窗做出对应调整。

作为本发明的一种优选技术方案：所述预设条件上限数量阈值为2000。

本发明所述一种基于滑动窗与深度学习的OFDM抗ICI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：本发明设计的基于滑动窗与深度学习的OFDM抗ICI检测方法，将滑动窗和深度学习网络方案的结合，通过所设计具有深度结构的滑动窗，能够在进行多子载波OFDM符号检测的同时，更好的消除子载波间干扰带来的影响，保证检测的准确性。

附图说明

图1为本方案滑动窗的设计流程图；

图2为本方案设计的频域窗的检测流程图；

图3为仿真示例一归一化多普勒频偏所对应的检测性能图；

图4为仿真示例二归一化多普勒频偏所对应的检测性能图。

具体实施方式

下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。

本发明提供了一种使用具有深度网络结构的频域滑动窗进行检测的方法，能够解决多子载波OFDM符号检测复杂度过高的问题，对于多子载波OFDM符号的检测直接求逆复杂度过高无法实现，所以本方案通过拆分成子矩阵求逆的方式以实现降低检测复杂度的目的，对于涉及矩阵求逆的OFDM检测方案都可以采用本方案来降低复杂度，比如解相关检测方案可以改进为滑动窗-解相关方案，每次只需对信道矩阵的子矩阵进行求逆，与原本解相关检测方案直接对整个信道矩阵求逆相比大幅降低检测的复杂度。采用深度网络结构则是为了解决大多普勒频偏带来的ICI问题，深度网络结构可以通过梯度下降法自主学习信道的统计性，在子载波上通过可训练参数抵消子载波间干扰的影响。并且由于深度网络结构是基于ML检测的结构改进而来，理论上可以更加逼近检测最优解。综上，本方案可以在大幅降低多子载波OFDM符号检测问题的同时保证检测的准确性。下面具体建模介绍本方案：

在时变多径信道模型中，假设第l条径的时域发送信号为x(n，l)，信道时域冲激响应为h(n，l)，l表示信道中的第l条独立径，L表示径的总数，接收信号可以表示为：

假设接收端完美同步经过N点的FFT变化以后，频域第m个子载波上的信号可以表示为下式：

其中，X[k]表示第k个子载波上传输的复信号，W[m]表示w(n)的FFT变换。表示第l径时变信道的频域矩阵，可以由下面式子表示：

(3)式中的h(n，l)可以通过多径信道模型建模后，用下面式子表示：

其中a_l表示第l条径的复路径增益，f_d表示信道的最大多普勒频偏，T_sys表示一个OFDM符号的持续时间。将(4)式所描述的多普勒信道模型代入(2)式和(3)式中进行整理可以得到以下结果：

其中W[m]为时域白高斯噪声的FFT变换。(5)式中的第一项表示第m个子载波经过信道以后的频域响应，第二项表示一个OFDM符号内的其他子载波对第m个子载波在频域的子载波间干扰，最后一项为白高斯噪声产生的干扰，令ICI部分为：

其中f_N＝f_d×T_sys表示归一化多普勒频率。S(k-m)表示第k个子载波在第m个子载波上的干扰系数，将完成的(6)式代入(5)可以将(5)式整理成如下简洁的形式：

假设E[|C[m]|²]表示接收信号上的能量，E[|I[m]|²]表示干扰信号的能量。则两者可以表示为：

经过对公式(6)和(8)的整理和变形，在给定多普勒频偏的情况下，滑动窗保护间隔的长度l_G可以由以下公式得到：

其中x是用于进行窗长设计的中间变量。假设信号中每个子载波上的能量是相同的，对于等幅度调制如BPSK,QPSK设计保护间隔长度时仅需考虑使得干扰部分的能量降低到小于需要检测子载波能量的百分之五以下便可最大程度的完成ICI干扰消除，同时又不会因为保护间隔太长而使得滑动窗的训练复杂度过高。虽然在被检测子载波上叠加的干扰有正有负可能会相互抵消，但本方案采用保守的估计方案即采用在被检测子载波处叠加的能量作为衡量标准进行保护间隔设计，即(9)式中的可调节参数β。β值反映了被检测子载波与最远端子载波的能量比，β值取得越小说明考虑的干扰子载波距离被检测子载波越远即所要取的滑动窗的保护间隔的长度也就越长。在归一化最大多普勒频偏固定的情况下，对于不同的调制方法需要取不同的β的值，对于不等幅的高阶调制如16QAM等则需要设计更长的保护间隔考虑更远端子载波的干扰，在公式(9)中表现为调制阶数越高所取的β值越小。原因如下：对于高阶QAM调制，大幅度星座点的干扰会对小幅度调制的星座点产生更大的影响，更远端的大幅度星座点会对被检测的小幅度星座点产生严重的干扰。因此对于高阶调制需要使用更长的保护间隔来充分进行ICI干扰消除。下面以归一化最大多普勒频偏为0.16，含有256子载波的OFDM符号进行说明。比如对于子载波上信号采取QPSK调制的OFDM符号，取β＝0.02可以以最小的保护间隔长度尽可能的消除子载波间干扰此时通过公式(9)计算得到的l_G的值为7，由于OFDM符号的子载波数往往为2的次方数，所以实际使用时取l_G＝8，对于更高阶的调制比如16QAM调制则需要对应的更改常数β的值为0.01，此时通过公式(9)计算得到l_G＝16下表列出了子载波数为256，归一化最大多普勒频偏＝0.16时一些常见调制方式下的取值，如下表1所示：

调制方式	β取值
		BPSK	0.04
QPSK	0.02
		16-QAM	0.01

表1

对于输出部分的长度的设计需要在考虑训练可行性的基础上尽可能以最少的滑动次数完成检测。滑动窗检测一个OFDM符号所需要滑动的次数N_slip以及滑动窗的总长度l_T可以由下式表示：

l₀的值在本方案使用过程中可以根据不同的情况取4,8,16,32。对于采用滑动窗方案的解相关检测在条件允许的情况下需要遵循l_o取小不取大的原则，因为对于一个大小为S×S的矩阵矩阵求逆运算的复杂度为Θ(S³)。采用滑动窗方案的解相关检测会因为滑动窗长的增长矩阵求逆速度变慢而使得检测速度大幅下降。对于使用具有深度学习结构滑动窗进行检测的方案，在l_G长度已经设计好的情况下，l_o值的增大主要带来的是训练上的负担。训练完成以后，由于深度学习结构不再涉及矩阵求逆操作，因此l₀长度对于检测速度的影响是线性的，l₀越长一次检测耗费的时间越短，但相对应的训练参数所需要的时间越长。以归一化多普勒频偏为0.16含有256子载波的OFDM符号为例子，此时取l₀＝16，可以同时兼顾上述两方面要求，检测一个OFDM符号滑动窗需要滑动次数为16，滑动窗总长度为32。对于相同多普勒频偏下的含有1024子载波的OFDM符号，则取l₀＝32。输出部分长度不取l₀＞32因为此时网络训练速度复杂度过高，训练速度过慢。

对于训练矩阵的选取本方案采取的做法是从一组时变信道矩阵中一段固定位置中取出子矩阵进行训练，即每次训练都从一个OFDM符号中选取固定位置的一组子载波上的接收符号和发送符号进行训练。原因如下：一个OFDM符号中每个子载波的地位是等价的，假设这一随机过程是平稳的，时变信道固定位置的子矩阵在一段时间内的统计特性与信道的总体统计特性相同，所以这种训练数据的选取方案完全满足训练要求。假设接收信号用下式表示:

Y＝HX+W (11)

其中X是发送的OFDM符号，Y是接收的OFDM符号，W是加性高斯白噪声的频域形式，H是大多普勒频偏下的信道频域矩阵可以具体表示为：

则训练矩阵H_T可以表示为：

在完成上述步骤以后，在训练矩阵之前本方法还按照一定标准对训练矩阵进行了筛选，从(11)式得到的H_T中筛选出条件数小于2000的子矩阵进行训练。这样的做法有助于加快训练速度，提高训练的收敛性，由于在本方案中采取的是minibatch的训练方式，条件数很差的矩阵会在batch中对梯度方向产生很大的干扰导致梯度下降方向不是最速下降方向从而导致损失函数的振荡，剔除条件数比较恶劣的矩阵可以有效防止深度网络向错误的梯度方向下降，使得训练更加稳定，收敛速度更快。假设发送符号为X，深度网络输出的发送符号的估计为通过解相关获得的发送符号的估计为则上述符号对应的在损失函数中的输出部分X_t，可以表示为:

此时损失函数为：

其中检测结构为函数θ为检测结构中需要通过网络进行训练的系数，N_L为训练网络的总层数。由于滑动窗实际输出的只用输出部分，保护间隔仅用来辅助进行ICI干扰消除，因此在损失函数也仅需考虑输出部分的损失值。采样这种修正的损失函数以后可以更加精确地描述每个batch训练之后整个网络的改善状况，使用改进的损失函数以后有助于整个网络收敛至性能更加优异的极值点。检测网络为深度学习网络的展开可以由下式进行表示：

其中，φ(·)为激活函数，y为接收信号，为第k层网络每一层输出的估计信号。经过深度网络训练得到的频域滑动窗为滑动窗滑动n_slip次后待检测部分可以表示为：

滑动窗滑动n_slip次后输出的检测结果用表示，输出结果与待检测部分的关系为：

滑动N_slip次后完成对一个OFDM符号的检测。

对于OFDM符号边缘部分的检测不需要进行特殊处理，对于含有虚拟子载波的场景，本方案依旧能够表现出优异的性能。整个网络采用高信噪比训练，大范围信噪比测量的方案，利用高信噪比训练是为了保证训练时代价函数最终能够收敛，且高信噪比训练得到的参数，同样适用低信噪比时的检测。

采用滑动窗进行检测不仅限于在解相关，和深度网络检测中使用。对于多子载波OFDM符号检测算法，都可以采用滑动窗方案以解决多子载波直接检测复杂度过高的问题。

综上，本方案设计基于滑动窗与深度学习的OFDM抗ICI检测方法，如图1、图2所示，滑动窗由中间为输出部分、两端为保护间隔部分所构成，采用滑动窗实现目标OFDM信号中子载波上信号的检测，包括如下步骤：

步骤A.根据目标OFDM信号中子载波的数量N，按如下公式：

获得滑动窗两端保护间隔部分的长度均为l_G，然后进入步骤B；其中，f_N表示归一化多普勒频偏，x表示用于进行滑动窗长设计的中间变量，且β为预设常数，实际应用中，可以设定0＜β≤0.04。

步骤B.根据滑动窗预设输出部分的长度l₀＝2^m，结合滑动窗两端保护间隔部分的长度均为l_G，获得滑动窗的长度l_T，并进入步骤C；其中，m为预设整数，且2≤m≤5。

步骤C.首先通过导频估计和傅里叶变换获得信道频域矩阵H；然后由该信道频域矩阵H中的预设固定位置起，筛选出条件数小于预设条件上限数量阈值的子矩阵H_T，作为训练用矩阵。实际应用中，针对预设条件上限数量阈值，可以设定为2000。

接着根据滑动窗的长度l_T，采用minibatch训练方式，针对训练用矩阵进行训练，获得滑动窗，且训练网络的损失函数根据滑动窗做出对应调整，然后进入步骤D。

训练好的滑动窗可用于受大多普勒频偏影响的多子载波OFDM符号的检测，检测过程中，频域滑动窗顺序滑动每次只有输出部分输出检测结果，直到整个OFDM符号所有子载波都检测完成，经过解调即可得到信息比特。在测试信噪比范围大于训练信噪比范围时仍可以良好工作，且能够正常检测含有虚拟子载波的OFDM符号。

接下来针对本发明所设计基于滑动窗与深度学习的OFDM抗ICI检测方法，结合仿真进行说明如下：

仿真示例一：仿真条件如下表2所示：

子载波数N	256	深度网络层数N_L	20
				调制方式	QPSK	Batchsize	2000
符号采样间隔(s)	1e-6	滑动窗长l_T	32
				归一化多普勒频偏f_N	0.16	保护间隔长度l_G	8
输出部分长度l₀	16

表2

图3所示给出了基于以上条件下，无虚拟子载波时深度频域滑动窗与解相关频域滑动窗仿真结果的比较，可以看出与直接解相关的方式相比，深度网络检测比特错误率小约3dB，虽然都会面临错误平层的问题，深度网络检测的方案的错误平层相较于直接解相关要更低。

仿真示例二：仿真条件如下表3所示：

子载波数N	256	深度网络层数N_L	20
				调制方式	QPSK	Batchsize	2000
符号采样间隔(s)	1e-6	滑动窗长l_T	32
				归一化多普勒频偏f_N	0.16	保护间隔长度l_G	8
虚拟子载波数	32	输出部分长度l₀	16

表3

图4所示给出了基于以上条件下，有虚拟子载波时深度频域滑动窗与解相关频域滑动窗仿真结果的比较，可以看出本方法同样适用于OFDM符号中有虚拟子载波的场景。并且虚拟子载波技术的使用也可以进一步提升本方法的性能。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims

1.一种基于滑动窗与深度学习的OFDM抗ICI检测方法，其特征在于：滑动窗由中间为输出部分、两端为保护间隔部分所构成，采用滑动窗实现目标OFDM信号中子载波上信号的检测，包括如下步骤：

步骤A.根据目标OFDM信号中子载波的数量N，按如下公式：

2.根据权利要求1所述一种基于滑动窗与深度学习的OFDM抗ICI检测方法，其特征在于：所述0＜β≤0.04。

3.根据权利要求1所述一种基于滑动窗与深度学习的OFDM抗ICI检测方法，其特征在于，所述步骤C中预设训练用矩阵，采用如下方法获得：

首先通过导频估计和傅里叶变换获得信道频域矩阵H；

4.根据权利要求3所述一种基于滑动窗与深度学习的OFDM抗ICI检测方法，其特征在于，所述步骤C中，根据滑动窗的长度l_T，采用minibatch训练方式，针对训练用矩阵进行训练，且训练网络的损失函数根据滑动窗做出对应调整。

5.根据权利要求3所述一种基于滑动窗与深度学习的OFDM抗ICI检测方法，其特征在于：所述预设条件上限数量阈值为2000。