CN109587093A - 一种基于级联结构的深度学习网络ofdm信号检测方法 - Google Patents

Abstract

本发明涉及一种基于级联结构的深度学习网络OFDM信号检测方法，由两部分检测装置级联而成，检测数据首先通过迫零解相关器预处理后，送入深度学习网络处理得到检测完成的数据。通过级联迫零解相关器进行数据预处理的方式，使得深度学习网络的网络参数在训练更新的过程中，能够收敛至性能更优的解；对于多子载波场景，则采用具有滑动结构的级联检测器以降低实现复杂度；深度学习网络的训练算法为Adam算法，采用小批量梯度下降方式并使用一种改进的最小二乘函数作为损失函数，上述超参数及损失函数都针对本结构进行了对应优化，使得检测网络参数收敛至检测性能更优的解。

Description

一种基于级联结构的深度学习网络OFDM信号检测方法

技术领域

本发明涉及一种基于级联结构的深度学习网络OFDM信号检测方法，属于无线移动通信技术领域。

背景技术

OFDM技术作为4GLTE的关键技术，能通过FFT变换实现将原先的高速传输数据放入并行子信道以子载波进行传输，从而改变原先的传输速率。由于使用了子信道，OFDM信号天然的能够对抗多径传输而产生的频率选择性衰落。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，如高灵活性的通信系统如无线局域网，WiMAX，也被诸如欧洲电信标准化组织(ETSI),HPA联盟(HomePlugPowerline Alliance)等组织列为调制标准技术和工业规范基础。同时也是下一代通信系统中(第五代通信系统)必不可少的关键技术。

OFDM调制以最小的频率间隔，保证了频率的正交性，由于使用多子载波传输，先天具有频率分集的功能。但同时，也对频率偏差产生的影响更加敏感，因此，大多普勒频偏下OFDM符号的传输一直是一个难以解决的问题。

近年来，随着深度学习理论的愈发成熟，越来越多的实用网络模型被设计出来以供使用，同时伴随着GPU处理数据能力的不断提高，以及信息传播速度和传播量的飞速提升，深度学习也逐渐被应用于通信的各个领域当中，包括MIMO检测领域，OFDM检测以及信道估计领域等等。对于诸如大多普勒频偏下OFDM符号的检测问题，深度学习网络展现了远优于传统方案的性能。虽然深度学习在理论上可以达到贝叶斯最优解，但是在训练过程中，往往会受到鞍点和局部最优点的影响，使得网络面临梯度消失的问题，大幅减慢训练的速度，甚至直接滞留于某些性能较差的解，不再向着更优解迭代。该情况在使用深度学习网络解决非凸优化问题的时候，表现的尤为明显，而使用深度学习网络解决的问题往往是非凸优化问题，因此今年来，关于如何避免训练进入鞍点或者全局性能较差的局部最优点，成为深度学习一大热门研究方向。目前主要用于避免网络训练进入鞍点的方法有两种，其一是使用二阶优化器，例如基于Hessian矩阵的二阶梯度下降方法，加噪的梯度下降法等等，使用该方案可以有效防止训练进入鞍点，但是需要付出更高的计算代价。其二，是随机初始化方法，该方案通过随机的初始化参数，使得网络在训练过程中总是从代价函数中不同的位置出发，如果起始位置较好，就可以避免绝大多数的鞍点和性能较差的局部最优点，收敛至性能更优的解。虽然该方法简单易行，但理论性相比于方案一稍显不足，且网络收敛的随机性大幅增加。

综上所述，在利用深度学习网络解决大多普勒频偏下OFDM符号检测问题时，常常会遇到网络迭代至鞍点、或是性能较差的局部最优点的问题。

发明内容

本发明所要解决的技术问题是提供一种能够使得整个网络在训练过程中收敛至性能更优解附近，从而提高整个网络检测性能的基于级联结构的深度学习网络OFDM信号检测方法。

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级联结构的深度学习网络OFDM信号检测方法，用于针对经过多径衰落信道的待检测OFDM信号进行实时检测，针对实时所获得的待检测OFDM信号，执行如下步骤：

步骤A.接收待检测OFDM信号，并针对该待检测OFDM信号进行迫零解相关预处理，获得预处理待检测OFDM信号，然后进入步骤B；

步骤B.将该预处理待检测OFDM信号输入预设深度学习网络中，进行进一步均衡处理，获得OFDM信号检测结果，然后进入步骤C；

步骤C.以该OFDM信号检测结果所对应的频域发送信号为输入，该OFDM信号检测结果为输出，基于该OFDM信号检测结果所对应频域发送信号与该OFDM信号检测结果之间欧氏距离最小为目标的训练方向，针对该深度学习网络进行训练，更新获得深度学习网络，然后返回步骤A。

作为本发明的一种优选技术方案，所述步骤A包括如下步骤：

步骤A1.接收待检测OFDM信号，若该待检测OFDM信号的子载波数小于或等于32时，则进入步骤A2；若该待检测OFDM信号的子载波数大于32时，则进入步骤A3；

步骤A2.针对该待检测OFDM信号中的所有子载波，按如下公式，迫零解相关预处理：

X_in＝(H^TH)^-1H^TY

获得预处理待检测OFDM信号X_in，其中，H为信道矩阵的频域表达式，H^T为信道矩阵频域表达式H的转置，()^-1表示逆运算，Y表示该待检测OFDM信号，然后进入步骤B；

步骤A3.首先采用一级滑动窗针对该待检测OFDM信号，按预设步长顺序滑动，同时，采用二级滑动窗针对一级滑动窗中待检测OFDM信号，按预设步长顺序滑动，并按如下：

获得滑动窗中的预处理信号X_in，其中，n_slip表示二级滑动窗针对一级滑动窗中待检测OFDM信号顺序滑动的总次数，表示二级滑动窗的长度，表示二级滑动窗中保护间隔的长度；表示二级滑动窗顺序滑动n_slip次后、二级滑动窗中的检测OFDM信号，表示二级滑动窗中子载波所对应传输矩阵的逆运算，表示采用二级滑动针对一级滑动窗中待检测OFDM信号进行第n_slip次迫零预处理后输出，X_in表示二级滑动的总输出，然后进入步骤B。

作为本发明的一种优选技术方案，所述步骤A3中，滑动窗由中间为输出部分、两端为保护间隔部分所构成，按如下方法，获得滑动窗的长度l_T；

首先根据该待检测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，其中，f_N表示归一化多普勒频偏，v表示用于进行滑动窗长设计的中间变量，且β为预设常数，其中，针对所述一级滑动窗和二级滑动窗，使用不同的预设常数β、分别进行对应的输出部分和保护间隔长度的设计；

然后根据滑动窗预设输出部分的长度l₀，结合滑动窗两端保护间隔部分的长度均为l_G，按l_T＝l₀+2l_G，获得滑动窗的长度l_T。

作为本发明的一种优选技术方案，所述步骤C中，针对所述预设深度学习网络进行训练优化，构建损失函数如下：

其中，H为信道矩阵的频域表达式，Y表示该待检测OFDM信号，表示以θ为训练参数，H、Y为输入的预设深度学习网络，k表示预设深度学习网络的第k层，N_L表示预设深度学习网络的总层数，表示预设深度学习网络所输出的OFDM信号检测结果，X表示该OFDM信号检测结果所对应频域发送信号。

作为本发明的一种优选技术方案：所述损失函数对应的训练方法为Adam训练方法，所述预设深度学习网络的总层数N_L为20层。

本发明所述一种基于级联结构的深度学习网络OFDM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：

本发明所述一种基于级联结构的深度学习网络OFDM信号检测方法，通过在深度学习网络前一级级联一个迫零解相关处理操作，进行数据预处理，能够使得整个网络在训练过程中收敛至性能更优解附近，从而提高整个网络检测性能。具体表现为相比于非级联的深度学习网络，不会出现误码平层；在使用滑动窗检测策略时，在更高的信噪比处出现误码平层，误码平层对应的误码率低于采用非级联的深度学习滑动检测算法。在32子载波OFDM符号检测中深度学习网络在19dB时已经出现误码平层，而级联网络直至35dB处任未出现误码平层。

附图说明

图1是本发明设计方法中OFDM符号子载波数为16和32时的检测结构图；

图2是本发明设计方法中OFDM符号子载波数大于32时的检测流程图；

图3是仿真实施例一：归一化多普勒频偏为0.16、OFDM符号子载波数为32时所对应的检测性能图；

图4是仿真实施例二：归一化多普勒频偏为0.16、OFDM符号子载波数为256时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。

本发明提供了一种将数据预处理器和深度学习网络级联在一起，作为一个新的级联网络进行训练和检测的方法，能够解决纯深度学习网络在高信噪比检测时性能不佳的问题，同时可以扩大检测网络的频率适应性，使得网络以单频偏训练出的参数，能够更好的适应不同频偏下的检测，本发明通过数据预处理的方式，使得网络在训练过程中总是从一个已经拥有一定检测性能的解开始迭代，通过梯度下降的方式，收敛到性能更加优异的解的附近，从而提升整个网络的检测性能。同时本发明根据新的结构，提出了一种改进型的代价函数来帮助整个深度学习网络收敛至性能更加优异的解。对于子载波数大于32，即子载波数较多的情况，我们通过结合滑动窗技术，使得第一级数据预处理器在不消耗大量计算资源的情况下，能够完成初步的数据预处理工作。综上，我们通过级联了一级数据预处理的新结构网络，进一步提高在大多普勒频偏下OFDM符号的检测性能。

接下来针对本发明所设计一种基于级联结构的深度学习网络OFDM信号检测方法，做具体介绍，

首先简要介绍本专利仿真过程中使用的信道模型，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。综上，信号通过多径瑞利信道在接收端接收到的信号Y的频域形式可以表示为：

Y＝HX+W (5)

其中H是信道的频域传输矩阵，X是发送信号的频域形式，W是噪声的频域形式。

深度学习检测网络经过网络参数学习后，从接收信号Y和信道矩阵H(假设信道估计完全准确)中恢复出发送信息。检测网络的正向传播过程可以用以下迭代式进行表述:

其中，φ_t(·)为激活函数，Y为接收机的信号，k表示网络的第k层。φ_t(·)的表达式为：

(6)，(7)式中的可学习参数为t_k，W_k和b_k。对于纯深度学习网络来说一般会对作全零的初始赋值即即第一层输出的激活值距离发送符号的欧式距离较远，意味着网络需要更多的计算代价去调整参数以使得网络在最后一层输出的激活值能够完成对于发送信号的检测，此时网络需要经历更多的迭代来从接收符号中恢复出发送信号。这样大大增加了网络在训练迭代过程中进入鞍点或是性能较差的局部最优点的风险，具体表现为网络会在信噪比变大时出现性能衰减，只能在局部的一段信噪比内拥有较好的性能增益。此时如果希望网络走出鞍点需要花费大量的计算资源进行继续迭代。

本发明提出了一种基于级联结构的深度学习网络OFDM信号检测方法，类似于深度学习中常用的迁移学习的方法。在网络进行迭代计算之前，对网络的初始激活值进行数据预处理，以达到更好的迭代效果，在深度学习卷积网络中，常常会使用与学习目标近似的网络，级联在需要训练的网络之前，将这些已经被证明有效的网络参数固化后，使用其输出的激活向量，作为训练的初始值进行继续训练，可以大幅提高网络收敛的速度，有效防止网络进入性能较差的一些解。在这里本发明借鉴了这种思想，使用了一种经典的检测方案作为数据预处理，与深度学习中的迁移学习类似，经典的迫零解相关方案可以有效的从接收信号中恢复出发送信号，将其输出的检测结果作为网络激活向量的初始值，可以使得网络能够更快的收敛到检测性能更加异的解的附近。由于作为数据预处理的解相关这一级不会受信噪比的影响，所以整个网络结构的检测性能也不再只局限于一段信噪比内。不仅如此，从仿真结果看使用这种级联结构以后，网络对于频偏变化的适应性相较于之前也变得更好。

因此，通过这种类似于迁移学习的级联结构，可以进一步提升深度学习网络对受大多普勒频偏影响的OFDM符号的检测性能，下面我们具体描述如何构建这种级联结构，并简单介绍为什么这种结构能够有更加优异的检测性能。在OFDM符号子载波数为16或者32时，迫零解相关的数据预处理过程我们可以用下式进行描述：

X₁＝(H^TH)^-1H^TY (8)

我们将(8)式代入式(6)中可以得到如下结果:

假设我们令W_k都为单位矩阵，b_k为零矩阵，且每一层的t值都为1，最终检测器输出的解和迫零解相关检测器输出的解等价。这里需要特别说明的一点是虽然激活函数只在激活范围内才满足y＝x，绝对值大于t_k的部分都会被压缩成1，但由于经过归一化以后星座点的实部虚部的值实际上都小于1，并且由于在实际检测过程中星座点到码的映射中使用的是硬判决，因此虽然检测网络有可能对星座点进行一定的压缩，但不影响最终的检测结果。综上，我们可以说级联一级迫零解相关器作为第一级数据预处理器后，网络的训练是从经典检测的基础上开始寻找更优的检测方案。我们将(5)式代入(9)式中可以得到:

式(10)中的第一项体现了经典迫零检测面临的问题，即在信噪比较低或者是矩阵条件数较差时迫零检测器会放大噪声W的影响，在深度学习中通过系数W_k,b_k的学习就可以有效抑制这种噪声放大带来的影响。并且对于第二层往后的层数来说，深度学习网络依旧是按照求ML解的梯度下降形式构造的，因此仍然具有逼近ML检测的性能。至此，我们以子载波数为16或者32的OFDM符号的检测过程说明了级联检测网络通过级联数据预处理器的方式实现在学习过程中从迫零解相关检测向ML检测过渡，而非原先的从零开始寻找接近ML检测性能的参数。

接下来，我们就更贴合实际的应用场景介绍本级联检测网络如何在多子载波OFDM符号检测问题中进行部署。对于多子载波检测的情况，我们在级联的这一级也使用滑动窗技术。与少子载波检测不同，多子载波在检测过程中需要将所有子载波的检测拆分成有重叠的滑动窗进行检测。滑动窗由保护间隔和输出部分两部分组成，保护间隔用于协助进行ICI干扰消除，输出部分输出检测完成的结果。本专利将该方法应用于级联检测网络的第一级，在进行数据预处理时，也按照同样的思路进行数据预处理，以提高检测性能。下面我们介绍级联这一级滑动窗的参数设计，将式(4)代入(2)可以得到下式:

其中W[m]为时域白高斯噪声的FFT变换。(10)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，令ICI部分为：

其中f_N＝f_d×T_sys表示归一化多普勒频率。假设级联第一级数据预处理部分使用的保护间隔长度为在设计窗长时需使得|S(l_G)|＜β，其中β为预先设置好的阈值以确保已经充分考虑了大干扰子载波带来的影响。

对于第一级数据预处理这一部分所使用的滑动窗的总长度我们尽量选择选择总长度较小的窗以提高训练检测的速度特别是训练的速度，同时提高准确度，因为较小的窗长可以减小矩阵条件数恶化带来的影响。以256子载波，32滑动窗滑动检测为例，此时级联的这一级处理的是子载波数为32的滑动窗，在预处理过程中再利用滑动窗技术对这32子载波进行处理，使用的是总长为4保护间隔为1的滑动窗对输入网络的OFDM符号检测滑动窗中的32个子载波进行预处理，完成后输入给下一级深度学习网络。对于子载波数大于32的OFDM符号都使用该方法构造第一级部分的滑动窗。与全窗检测时级联一级迫零解相关数据预处理的想法类似，在多子载波OFDM符号检测中级联一级带有滑动结构的迫零解相关器作为第一级数据预处理器从而使得整个网络在训练学习的过程中总是从一个比较好的解开始进行梯度下降和学习以达到跳过鞍点和性能较差的局部最优点的目的。

最后我们介绍本专利中为了适应新的网络结构做出的代价函数的改进。对于纯深度学习网络我们使用下式作为网络的代价函数:

其中X表示发送数据，表示整个网络结构输出的检测数据，表示迫零检测器输出的检测数据。在该代价函数中使用了迫零解相关器作为归一化因子除在了分母以提高梯度下降的速度，由于在新的结构中已经有一级解相关器级联在前端作为第一级数据预处理，所以没有必要在代价函数中用相同的检测方法进行归一化操作。另外，在OFDM频偏较大时，迫零解相关的性能往往较差这就导致了式(13)中的分母的值较大，使得检测性能还未达到较优状态时代价函数的值已经变得较小使得代价函数不能直观的反映检测性能的实际状况，所以本结构的代价函数改进为如下形式:

即直接使用检测结构输出结果与发送符号的欧式距离作为优化目标。虽然由于没有进行归一化导致代价函数的值总体较大，但是使用该代价函数可以有效提升网络的检测性能。

综上，本发明设计了一种基于级联结构的深度学习网络OFDM信号检测方法，用于针对经过多径衰落信道的待检测OFDM信号进行实时检测，具体实际应用当中，针对实时所获得的待检测OFDM信号，执行如下步骤：

步骤A.接收待检测OFDM信号Y，并针对该待检测OFDM信号进行迫零解相关预处理，获得预处理待检测OFDM信号，即将待检测OFDM信号Y输入至第一级预处理器，进行迫零解相关预处理，然后进入步骤B。

实际应用中，上述步骤A具体包括如下步骤：

步骤A1.接收待检测OFDM信号，若该待检测OFDM信号的子载波数小于或等于32时，则进入步骤A2；若该待检测OFDM信号的子载波数大于32时，则进入步骤A3。

步骤A2.针对该待检测OFDM信号中的所有子载波，按如下公式，迫零解相关预处理：

X_in＝(H^TH)^-1H^TY

获得预处理待检测OFDM信号X_in，其中，H为信道矩阵的频域表达式，H^T为信道矩阵频域表达式H的转置，()^-1表示逆运算，Y表示该待检测OFDM信号，然后进入步骤B。

步骤A3.首先采用一级滑动窗针对该待检测OFDM信号，按预设步长顺序滑动，同时，采用二级滑动窗针对一级滑动窗中待检测OFDM信号，按预设步长顺序滑动，并按如下：

获得滑动窗中的预处理信号X_in，其中，n_slip表示二级滑动窗针对一级滑动窗中待检测OFDM信号顺序滑动的总次数，表示二级滑动窗的长度，表示二级滑动窗中保护间隔的长度；表示二级滑动窗顺序滑动n_slip次后、二级滑动窗中的检测OFDM信号，表示二级滑动窗中子载波所对应传输矩阵的逆运算，表示采用二级滑动针对一级滑动窗中待检测OFDM信号进行第n_slip次迫零预处理后输出，X_in表示二级滑动的总输出，然后进入步骤B。

其中，对于滑动窗来说，滑动窗由中间为输出部分、两端为保护间隔部分所构成，按如下方法过程，获得滑动窗的长度l_T。

首先根据该待检测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，其中，f_N表示归一化多普勒频偏，v表示用于进行滑动窗长设计的中间变量，且β为预设常数，其中，针对所述一级滑动窗和二级滑动窗，使用不同的预设常数β、分别进行对应的输出部分和保护间隔长度的设计。

然后根据滑动窗预设输出部分的长度l₀，结合滑动窗两端保护间隔部分的长度均为l_G，按l_T＝l₀+2l_G，获得滑动窗的长度l_T。

步骤B.将该预处理待检测OFDM信号输入预设深度学习网络中，进行进一步均衡处理，获得OFDM信号检测结果，然后进入步骤C，这里，预设深度学习网络级联在数据预处理之后，两者作为一个新的网络通过接下来步骤C进行训练。

步骤C.以该OFDM信号检测结果所对应的频域发送信号为输入，该OFDM信号检测结果为输出，基于该OFDM信号检测结果所对应频域发送信号与该OFDM信号检测结果之间欧氏距离最小为目标的训练方向，针对该深度学习网络进行训练，更新获得深度学习网络，然后返回步骤A。

其中，针对预设深度学习网络进行训练优化的过程中，构建损失函数如下：

并基于该损失函数，采用Adam训练方法，针对该深度学习网络进行训练，更新获得深度学习网络，其中，H为信道矩阵的频域表达式，Y表示该待检测OFDM信号，表示以θ为训练参数，H、Y为输入的预设深度学习网络，k表示预设深度学习网络的第k层，N_L表示预设深度学习网络的总层数，实际应用中，针对N_L设为20层，表示预设深度学习网络所输出的OFDM信号检测结果，X表示该OFDM信号检测结果所对应频域发送信号。

接下来针对本发明所设计基于级联结构的深度学习网络OFDM信号检测方法，结合仿真进行说明如下：

仿真示例一：仿真条件如下表1所示：

子载波数N	32	深度网络层数N<sub>L</sub>	20
				调制方式	QPSK	Batchsize	500
符号采样间隔(s)	1e-6	归一化多普勒频偏f<sub>N</sub>	0.16

表1

图3所示给出了基于以上条件下，级联结构与纯网络和经典结构的比较，可以看出与纯网络相比，级联结构由于到达了性能更优异的解，所以在高信噪比段依旧性能优异而纯网络出现了平层，与普通接解相关检测相比有接近10dB的增益。

仿真示例二：仿真条件如下表2所示：

表2

图4所示给出了基于以上条件下，级联结构与纯网络和经典结构的比较，可以看出与纯网络相比级联结构由于到达了性能更优异的解所以错误平层整体要比纯网络更低，与普通接解相关检测相比有接近10dB的增益。

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 (5)

1.一种基于级联结构的深度学习网络OFDM信号检测方法，用于针对经过多径衰落信道的待检测OFDM信号进行实时检测，其特征在于，针对实时所获得的待检测OFDM信号，执行如下步骤：

步骤A.接收待检测OFDM信号，并针对该待检测OFDM信号进行迫零解相关预处理，获得预处理待检测OFDM信号，然后进入步骤B；

步骤B.将该预处理待检测OFDM信号输入预设深度学习网络中，进行进一步均衡处理，获得OFDM信号检测结果，然后进入步骤C；

步骤C.以该OFDM信号检测结果所对应的频域发送信号为输入，该OFDM信号检测结果为输出，基于该OFDM信号检测结果所对应频域发送信号与该OFDM信号检测结果之间欧氏距离最小为目标的训练方向，针对该深度学习网络进行训练，更新获得深度学习网络，然后返回步骤A。

2.根据权利要求1所述一种基于级联结构的深度学习网络OFDM信号检测方法，其特征在于，所述步骤A包括如下步骤：

步骤A1.接收待检测OFDM信号，若该待检测OFDM信号的子载波数小于或等于32时，则进入步骤A2；若该待检测OFDM信号的子载波数大于32时，则进入步骤A3；

步骤A2.针对该待检测OFDM信号中的所有子载波，按如下公式，迫零解相关预处理：

X_in＝(H^TH)^-1H^TY

获得预处理待检测OFDM信号X_in，其中，H为信道矩阵的频域表达式，H^T为信道矩阵频域表达式H的转置，()^-1表示逆运算，Y表示该待检测OFDM信号，然后进入步骤B；

步骤A3.首先采用一级滑动窗针对该待检测OFDM信号，按预设步长顺序滑动，同时，采用二级滑动窗针对一级滑动窗中待检测OFDM信号，按预设步长顺序滑动，并按如下：

获得滑动窗中的预处理信号X_in，其中，n_slip表示二级滑动窗针对一级滑动窗中待检测OFDM信号顺序滑动的总次数，表示二级滑动窗的长度，表示二级滑动窗中保护间隔的长度；表示二级滑动窗顺序滑动n_slip次后、二级滑动窗中的检测OFDM信号，表示二级滑动窗中子载波所对应传输矩阵的逆运算，表示采用二级滑动针对一级滑动窗中待检测OFDM信号进行第n_slip次迫零预处理后输出，X_in表示二级滑动的总输出，然后进入步骤B。

3.根据权利要求2所述一种基于级联结构的深度学习网络OFDM信号检测方法，其特征在于，所述步骤A3中，滑动窗由中间为输出部分、两端为保护间隔部分所构成，按如下方法，获得滑动窗的长度l_T；

首先根据该待检测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，其中，f_N表示归一化多普勒频偏，v表示用于进行滑动窗长设计的中间变量，且β为预设常数，其中，针对所述一级滑动窗和二级滑动窗，使用不同的预设常数β、分别进行对应的输出部分和保护间隔长度的设计；

然后根据滑动窗预设输出部分的长度l₀，结合滑动窗两端保护间隔部分的长度均为l_G，按l_T＝l₀+2l_G，获得滑动窗的长度l_T。

4.根据权利要求1所述一种基于级联结构的深度学习网络OFDM信号检测方法，其特征在于，所述步骤C中，针对所述预设深度学习网络进行训练优化，构建损失函数如下：

其中，H为信道矩阵的频域表达式，Y表示该待检测OFDM信号，表示以θ为训练参数，H、Y为输入的预设深度学习网络，k表示预设深度学习网络的第k层，N_L表示预设深度学习网络的总层数，表示预设深度学习网络所输出的OFDM信号检测结果，X表示该OFDM信号检测结果所对应频域发送信号。

5.根据权利要求4所述一种基于级联结构的深度学习网络OFDM信号检测方法，其特征在于：所述损失函数对应的训练方法为Adam训练方法，所述预设深度学习网络的总层数N_L为20层。