CN109246038A - 一种数据模型双驱动的gfdm接收机及方法 - Google Patents

Abstract

本发明公开了一种数据模型双驱动的GFDM接收机及方法，方法包括分别得到信道估计和信号检测神经网络；将包含发射导频信息的矩阵和接收的时域导频向量实数化后的结果作为信道估计神经网络的输入，并输出频域信道状态信息的估计；得到等效信道矩阵，并将其和接收的时域信号向量实数化后的结果作为信号检测神经网络的输入并输出为一个GFDM符号的估计；建立解映射神经网络，将信号检测神经网络所输出一个GFDM符号的估计作为输入，输出就作为原始比特信息的估计；将解映射网络的输出与设定门限的大小进行判决，根据判决结果输出原始比特信息的检测结果。本发明具有训练参数不随数据维度变化、训练速度快并且对不同信道环境适应能力强的优点。

Description

一种数据模型双驱动的GFDM接收机及方法

技术领域

本发明涉及一种数据模型双驱动的GFDM接收机及方法，属于无线通信技术领域。

背景技术

深度学习是人工神经网络的一个分支，最初的模型就是具有深度网络结构的人工神经网络。深度学习在2006年之后获得了学术界和工业界的高度关注，应用领域从最初的图像和语音识别扩展到自然语言处理、计算机视觉、大数据特征提取和搜索等领域。而长期以来，通信系统的设计和分析都依赖于建立起的各种数学模型。但是在一些场景中，建模的困难性和复杂性使得从业者开始寻找全新的替代方法。近年来，深度学习逐渐应用到无线通信物理层领域，帮助解决通信系统中的一些问题。该领域的研究处于探索阶段，研究的重点主要停留在将神经网络当做黑盒子，训练难度大，难以实际使用。

4G时代，OFDM是应用最广泛最成功的多载波调制技术。但是，OFDM无法应对5G时代的各种典型场景提出的挑战。OFDM需要的严格同步使得要求低功耗的机器类型通信(MTC)无法负担，高带外泄露使得动态频谱接入面临巨大挑战，不灵活的波形无法根据不同场景进行调整。为了应对这些挑战，广义频分复用(GFDM)作为一种非正交多载波调制方法获得了广泛的关注。

发明内容

本发明所要解决的技术问题在于克服现有技术的不足，提供一种数据模型双驱动的GFDM接收机及方法，解决现有GFDM接收机单一的数据驱动网络训练难度大和适应性差的问题，将通信领域先进的迭代算法应用在基于深度学习的GFDM接收机设计中，实现数据模型双驱动。

本发明具体采用以下技术方案解决上述技术问题：

一种数据模型双驱动的GFDM接收机，包括：

信道估计模块，用于利用深度学习的神经网络对正交消息传递算法作为基础的通信知识模型中的迭代参数进行优化训练，得到信道估计神经网络；及将包含发射导频信息的矩阵X_p和接收的时域导频向量y_p实数化后的结果作为信道估计神经网络的输入，并由信道估计神经网络输出频域信道状态信息的估计

信号检测模块，用于利用深度学习的神经网络对正交消息传递算法作为基础的通信知识模型中的迭代参数进行优化训练，得到信号检测神经网络；及根据频域信道状态信息的估计得到复数时域循环信道矩阵及结合GFDM调制矩阵G得到等效信道矩阵H_equ，并将等效信道矩阵H_equ和接收的时域信号向量y_d实数化后的结果作为信号检测神经网络的输入并输出为一个GFDM符号的估计建立解映射神经网络，将信号检测神经网络所输出一个GFDM符号的估计作为输入，输出就作为原始比特信息的估计将解映射神经网络的输出与设定门限的大小进行判决，根据判决结果输出原始比特信息的检测结果

进一步地，作为本发明的一种优选技术方案：所述信道估计神经网络和解映射神经网络的损失函数均定义为均方误差损失函数。

进一步地，作为本发明的一种优选技术方案：所述信道估计神经网络中，平方误差损失函数为：

其中，N是一个GFDM数据块中总符号数，h是真实的频域信道向量；是频域信道状态信息的估计对应的复数向量。

进一步地，作为本发明的一种优选技术方案：所述解映射神经网络中，平方误差损失函数为：

其中，N是一个GFDM数据块中总符号数，b是真实的比特向量；是原始比特信息的估计。

进一步地，作为本发明的一种优选技术方案：所述信号检测模块中解映射网络由若干个层数为两层的全连接网络串联组成。

进一步地，作为本发明的一种优选技术方案：所述信号检测模块中设定门限为0.5。

本发明提出的一种数据模型双驱动的GFDM接收方法，包括以下步骤：

分别利用深度学习的神经网络对正交消息传递算法作为基础的通信知识模型中的迭代参数进行优化训练，得到信道估计神经网络和信号检测神经网络；

将包含发射导频信息的矩阵X_p和接收的时域导频向量y_p实数化后的结果作为信道估计神经网络的输入，并由信道估计神经网络输出频域信道状态信息的估计

及根据频域信道状态信息的估计得到复数时域循环信道矩阵及结合GFDM调制矩阵G得到等效信道矩阵H_equ，并将等效信道矩阵H_equ和接收的时域信号向量y_d实数化后的结果作为信号检测神经网络的输入并输出为一个GFDM符号的估计建立解映射神经网络，将信号检测神经网络所输出一个GFDM符号的估计作为输入，输出就作为原始比特信息的估计

将解映射神经网络的输出与设定门限的大小进行判决，根据判决结果输出原始比特信息的检测结果

本发明采用上述技术方案，能产生如下技术效果：

本发明的接收机及方法，结合了通信领域先进算法和深度学习两方面的优势，线下用大数据训练网络模型优化参数，线上部署于接收端，本发明的信道估计和信号检测两个模块均采用深度学习方法来训练正交消息传递算法OAMP中的重要迭代参数，完成对传统方法的优化。本发明提出基于OAMP算法和深度学习神经网络的GFDM接收机，相比传统算法BER性能有较大提升，具有训练参数不随数据维度变化、训练速度快并且对不同信道环境适应能力强的优点。

本发明完成了GFDM系统的信道估计和信号检测，BER性能相比传统通信模型有明显提升。相比不结合通信知识的神经网络，训练参数大大减小，训练周期变短。

附图说明

图1为本发明的数据模型双驱动的GFDM接收机结构框图。

图2为本发明的信道估计模块OAMP算法原理图。

图3为本发明的信号检测模块OAMP算法展开图。

具体实施方式

下面结合说明书附图对本发明的实施方式进行描述。

本发明结合附图以32子载波3子符号的GFDM系统实施实例详细描述，具体如下：

该GFDM接收机系统一个数据块d的维度N＝96，一个数据帧中有一个导频块和一些数据块。规定一个数据帧的时间内，信道状态不发生改变，即可用导频块估计出的信道作为其余数据块的信道状态信息。导频放置的方式为全铺满，星座调制方式均为QPSK。传统的GFDM系统发射端的工作流程是，先随机产生2N比特b，经过数字调制映射成一个GFDM数据块d，数据块经过GFDM调制产生GFDM符号x＝Ad，符号通过多径衰落信道时受到加性高斯白噪声(AWGN)的干扰。接收端收到信号y后不需要做均衡，而是把信道矩阵H和GFDM调制矩阵G组合成等效信道矩阵H_equ＝HG。通过OAMP迭代算法，根据等效信道矩阵和接收信号检测出发送的数据块再对信号数据块解映射得到原始比特信息的估计本发明采用的数据模型双驱动的接收方法，在OAMP检测环节采用对关键迭代参数进行训练的深度学习神经网络，在解映射环节采用的是全连接的网络。每个全连接的网络输出的是连续32子载波上的符号对应的比特信息的估计，分别训练3个这样的全连接网络即可得到所有的2N比特信息。

如图1所示，本发明设计的一种数据模型双驱动的GFDM接收机，包括：信道估计模块和信号检测模块，其中信道估计模块利用深度学习的神经网络对正交消息传递算法作为基础的通信知识模型中的迭代参数进行优化训练，得到信道估计神经网络；信号检测模块中，利用深度学习的神经网络对正交消息传递算法作为基础的通信知识模型中的迭代参数进行优化训练，得到信号检测神经网络，并构建解映射网络且进行优化训练。先是训练OAMP信道估计神经网络，由此得到估计的信道状态信息送入OAMP信号检测神经网络，再利用发射和接收的数据信息训练信号检测神经网络；

利用训练好的OAMP信道估计神经网络、信号检测神经网络和解映射神经网络代替传统通信系统中GFDM信道估计、信号检测和QAM解调功能。同时将OAMP算法用于GFDM的信道估计和信号检测中，并选取了合适的参数作为可训练变量。各神经网络的损失函数定义为均方误差损失函数，采用tensorflow的适应性动量估计Adam优化器。采用批量训练的方法，设置合理的块大小可以避免速度过慢也避免不能收敛。

在信道估计模块中，OAMP信道估计神经网络的平方误差损失是：

在信号检测模块中，OAMP解映射神经网络的平方误差损失是：

其中，N是一个GFDM数据块中总符号数，h是实际的频域信道向量，b是实际的比特向量；为频域信道状态信息的估计对应的复数向量。

具体的，对于信道估计模块，利用深度学习的神经网络对正交消息传递算法作为基础的通信知识模型中的迭代参数进行优化训练，得到信道估计神经网络；及将包含发射导频信息的矩阵X_p和接收的时域导频向量y_p实数化后的结果作为信道估计神经网络的输入，并由信道估计神经网络输出频域信道状态信息的估计具体如下：

输入为X_p_r(2N×2N)和y_p_r(2N×1)，分别是包含发射导频信息的矩阵X_p和接收的时域导频向量y_p通过实部和虚部组合来实数化的结果。矩阵和向量实数化的操作具体来说表示为：

和

其中，Re{·}为取实部，Im{·}为取虚部；

具体来说，发射导频经过多径信道之后接收的导频向量为：

y_p＝Hx_p+w，

其中，H为时域循环信道矩阵，x_p为经过GFDM调制后的导频信号，w为AWGN。H的第一列是时域信道响应，其余列为前一列的循环移位。由于循环矩阵可以被傅里叶对角化的特性，H也可以由频域信号响应h得到：

H＝F^Hdiag(h)F，

其中，F是归一化的DFT矩阵。

y_p可以通过数学方法变换为：

其中，X_p＝F^Hdiag(Fx_p)。

本发明的信道估计网络的输入为X_p_r和y_p_r，输出是频域信道响应估计此深度学习网络是有监督学习方式，标签是实际频域信道响应

如图2所示，本发明的OAMP信道估计迭代算法包括模块A和B。模块A是信道的解相关估计，模块B的信道的LMMSE估计。计算模块B的外部均值涉及两个关键的迭代参数α和c，向量的维度取决于设置的迭代次数。根据OAMP算法展开的步骤设计信道估计的神经网络，并将两个迭代参数α和c设置为可训练变量。迭代过程如下：

初始化：

执行：

1)计算模块A的外部均值和方差：

2)计算模块B的后验均值和方差：

3)计算模块B的外部均值和方差

直到收敛条件满足：输出

其中，线性权重矩阵：

W_LMMSE＝R_hh_r(R_hh_r+γ²I)^-1

以及，其中两个参数：

其中，tr代表求矩阵的迹的操作。计算模块B的外部均值涉及两个关键的迭代参数α和c，向量的维度取决于设置的迭代次数T，每个元素表示每次迭代的参数。根据OAMP算法展开的步骤设计信道估计的神经网络，并将两个迭代参数α和c设置为可训练变量，向量的维度取决于设置的迭代次数，根据仿真结果T设置为10。损失函数是均方误差损失函数：采用tensorflow的适应性动量估计(Adam)优化器。共训练200轮，每轮训练中设置50个批量，每个批量的样本为200个，学习速率默认为0.001。

对于信号检测模块，利用深度学习的神经网络对正交消息传递算法作为基础的通信知识模型中的迭代参数进行优化训练，得到信号检测神经网络；及根据频域信道状态信息的估计获得时域循环信道矩阵具体方法是先获得频域信道状态信息的估计对应的复数向量再通过获得复数的循环信道矩阵，其中F是归一化的DFT矩阵。

GFDM调制过程的作用表示为矩阵G，根据时域循环信道矩阵结合GFDM调制矩阵G得到等效信道矩阵H_equ，则等效信道矩阵为并将等效信道矩阵H_equ和接收的时域信号向量y_d实数化后的结果y_d_r作为信号检测神经网络的输入，对可训练变量为OAMP迭代参数的神经网络进行训练，网络输出为一个GFDM符号的估计

其中的每一个元素是对QAM符号的估计。

如图3所示，所述对OAMP信号检测神经网络的迭代参数的进行训练，包含解相关线性估计和无散度估计两个部分。其中，检测神经网络一共有T层，第1层，第2层…第T层，每一层即为网络中的循环的一次迭代。网络中循环迭代T次，每次迭代中的改变的参数就是训练变量，训练变量维度是T。在计算解相关线性估计的外部均值和方差公式中定两个迭代参数λ和γ。将λ和γ作为对可训练变量，对OAMP展开的神经网络进行训练，网络的输出即符号的检测结果。迭代过程如下：

初始化：τ_t＝1；

图3中是每一层或者说每次迭代的输出，τ_t和v_t是OAMP算法有关计算的中间变量；函数f₁即代表的计算公式，而函数f₂即代表τ_t的计算公式，和是两个模块中传递消息的方差。图中LMMSE框图计算的结果为LMMSE矩阵去相关之后的结果W_t：

其中，

图3中每一层的MMSE计算结果即为本次迭代输出的估计信号

图3中的每一层其实就是信号检测神经网络中循环的一次迭代，第一次迭代的检测结果第t次迭代后的检测结果所有T次迭代完成之后最终结果即为一个GFDM符号的估计每轮迭代过程都会产生新的迭代参数λ_t和γ_t，将λ＝[λ_t]和γ＝[γ_t]两个重要的迭代参数设置为可训练变量。同上述一样，向量的维度取决于设置的迭代次数，根据仿真结果T可设置为10。

建立的解映射神经网络，解映射神经网络为两层的全连接网络，本实施例中采用三个串联的两层全连接网络连接形成整体网络架构，在全连接网络中输入即为上一模块的检测结果第一层网络的神经元数目为2N，激活函数为Relu函数。第二层网络神经元数量为64，激活函数为Sigmoid函数。因为调制方式为QPSK，64比特信息即包含32个子载波上的全部信息。本实施例中一个GFDM符号含有96个子载波，因此需要将三个同结构的全连接网络协作，分别检测[0:31],[32:63],[64:95]子载波上的信息。三个全连接网络的最后一层激活函数的输出串联起来，即可输出一组连续的子载波的原始比特信息的估计该原始比特信息的估计中元素为(0,1)；其损失函数是均方误差损失函数：

采用tensorflow的适应性动量估计(Adam)优化器。共训练400轮，每轮训练中设置50个批量，每个批量的样本为200个，学习速率前200轮初始设置为0.001，后面200轮设置为0.0001。

然后，将原始比特信息的估计与设定门限0.5的大小进行判决，根据判决结果输出原始比特信息的检测结果即原始比特信息的估计大于0.5则检测结果为比特1，原始比特信息的估计小于0.5则检测结果为比特0，最后输出由0和1组成的原始比特信息每个元素属于{0,1}。

如上述，本发明还提出的一种数据模型双驱动的GFDM接收方法，包括以下步骤：

分别利用深度学习的神经网络对正交消息传递算法作为基础的通信知识模型中的迭代参数进行优化训练，得到信道估计神经网络和信号检测神经网络；

将包含发射导频信息的矩阵X_p和接收的时域导频向量y_p实数化后的结果作为信道估计神经网络的输入，并由信道估计神经网络输出频域信道状态信息的估计

根据频域信道状态信息的估计得到复数时域循环信道矩阵再结合GFDM调制矩阵G得到等效信道矩阵H_equ，并将等效信道矩阵H_equ和接收的时域信号向量y_d实数化后的结果y_d_r作为信号检测神经网络的输入并输出为一个GFDM符号的估计

建立解映射网络，将信号检测神经网络所输出一个GFDM符号的估计作为输入，输出就作为原始比特信息的估计的元素属于(0,1)；

将解映射网络的输出与设定门限的大小进行判决，根据判决结果输出原始比特信息的检测结果元素属于{0,1}

综上，本发明的接收机及方法，完成了GFDM系统的信道估计和信号检测，相比传统算法BER性能有较大提升，具有训练参数不随数据维度变化、训练速度快并且对不同信道环境适应能力强的优点。

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 (10)

1.一种数据模型双驱动的GFDM接收机，其特征在于，包括：

信道估计模块，用于利用深度学习的神经网络对正交消息传递算法作为基础的通信知识模型中的迭代参数进行优化训练，得到信道估计神经网络；及将包含发射导频信息的矩阵X_p和接收的时域导频向量y_p实数化后的结果作为信道估计神经网络的输入，并由信道估计神经网络输出频域信道状态信息的估计

信号检测模块，用于利用深度学习的神经网络对正交消息传递算法作为基础的通信知识模型中的迭代参数进行优化训练，得到信号检测神经网络；及根据频域信道状态信息的估计得到复数时域循环信道矩阵及结合GFDM调制矩阵G得到等效信道矩阵H_equ，并将等效信道矩阵H_equ和接收的时域信号向量y_d实数化后的结果作为信号检测神经网络的输入并输出为一个GFDM符号的估计建立解映射神经网络，将信号检测神经网络所输出一个GFDM符号的估计作为输入，输出就作为原始比特信息的估计将解映射神经网络的输出与设定门限的大小进行判决，根据判决结果输出原始比特信息的检测结果

2.根据权利要求1所述数据模型双驱动的GFDM接收机，其特征在于，所述信道估计神经网络和解映射神经网络的损失函数均定义为均方误差损失函数。

3.根据权利要求2所述数据模型双驱动的GFDM接收机，其特征在于，所述信道估计神经网络中，平方误差损失函数为：

其中，N是一个GFDM数据块中总符号数，h是真实的频域信道向量；为频域信道状态信息的估计对应的复数向量。

4.根据权利要求2所述数据模型双驱动的GFDM接收机，其特征在于：所述解映射神经网络中，平方误差损失函数为：

其中，N是一个GFDM数据块中总符号数，b是真实的比特向量；是原始比特信息的估计。

5.根据权利要求1所述数据模型双驱动的GFDM接收机，其特征在于，所述信号检测模块中信号检测神经网络输出时域循环信道矩阵为：

其中，为频域信道状态信息的估计对应的复数向量；F是归一化的DFT矩阵。

6.根据权利要求1所述数据模型双驱动的GFDM接收机，其特征在于，所述信号检测模块的等效信道矩阵H_equ为：

7.根据权利要求1所述数据模型双驱动的GFDM接收机，其特征在于，所述信号检测模块中解映射网络由若干个层数为两层的全连接网络串联组成。

8.根据权利要求1所述数据模型双驱动的GFDM接收机，其特征在于，所述信号检测模块中设定门限为0.5。

9.一种数据模型双驱动的GFDM接收方法，其特征在于，包括以下步骤：

分别利用深度学习的神经网络对正交消息传递算法作为基础的通信知识模型中的迭代参数进行优化训练，得到信道估计神经网络和信号检测神经网络；

将包含发射导频信息的矩阵X_p和接收的时域导频向量y_p实数化后的结果作为信道估计神经网络的输入，并由信道估计神经网络输出频域信道状态信息的估计

根据频域信道状态信息的估计得到复数时域循环信道矩阵再结合GFDM调制矩阵G得到等效信道矩阵H_equ，并将等效信道矩阵H_equ和接收的时域信号向量y_d实数化后的结果作为信号检测神经网络的输入并输出为一个GFDM符号的估计

建立解映射神经网络，将信号检测神经网络所输出一个GFDM符号的估计作为输入，输出就作为原始比特信息的估计

将解映射网络的输出与设定门限的大小进行判决，根据判决结果输出原始比特信息的检测结果

10.根据权利要求9所述数据模型双驱动的GFDM接收方法，其特征在于，所述输出原始比特信息的检测结果中元素属于{0,1}。