CN109861942A - 一种人工智能辅助ofdm接收机的在线学习方法 - Google Patents

Abstract

本发明公开了一种人工智能辅助OFDM接收机的在线学习方法，包括：对人工智能辅助OFDM接收机中的神经网络进行离线训练；与OFDM接收机通信的发送机在待解调比特数据中按照固定间隔插入接收机已知的在线训练比特数据，并进行OFDM调制和发送；人工智能辅助OFDM接收机接收信号并进OFDM解调，通过两个数据收集器按照与发送机相同的顺序分开，得到接收频域数据和频域训练数据；对人工智能辅助OFDM接收机中的神经网络进行在线训练，得到在线更新网络参数后的神经网络；将频域接收数据输入在线更新网络参数后的神经网络，输出对待解调比特数据的估计，及进行判决恢复出比特流。本发明通过引入神经网络在线学习，改善了接收机在不同环境中的鲁棒性和接收比特错误率。

Description

一种人工智能辅助OFDM接收机的在线学习方法

技术领域

本发明涉及一种人工智能辅助OFDM接收机的在线学习方法，属于无线通信技术领域。

背景技术

近年来，人工智能在计算机视觉和自然语言处理等众多学科得到了广泛应用，不断取得突破性的成果。在无线通信领域，将人工智能应用于无线通信接收机是目前的热点研究方向之一，有望突破传统无线通信接收机的瓶颈。

对于作为4G和5G的关键技术之一的OFDM技术，目前已经有多种基于神经网络实现的人工智能辅助OFDM接收机。但是，目前的人工智能辅助OFDM接收机仅仅采用了离线学习的方式，依赖大量仿真或空口采集离线数据完成训练，网络训练完成并部署后，网络参数便不再变化，如离线训练信道和实际信道不同，接收机将不能发挥最好性能，且接收机不能捕捉信道的动态变化，影响实际部署后效果。

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，提供一种人工智能辅助OFDM接收机的在线学习方法，解决现有技术存在的网络在实际运行阶段参数固定，不能动态、实时适应变化信道的问题。

本发明具体采用以下技术方案解决上述技术问题：

一种人工智能辅助OFDM接收机的在线学习方法，包括以下步骤：

步骤一、对人工智能辅助OFDM接收机中的神经网络进行离线训练，包括：使用接收机已知的离线训练比特数据在OFDM传输方式和理论信道模型下仿真得到频域接收数据并使用频域接收数据作为样本、接收机已知的离线训练比特数据作为标签进行神经网络离线训练，将频域接收数据输入神经网络且将其输出的比特数据看作对接收机已知的离线训练比特数据的估计，及使用优化算法调整网络参数，并将离线训练完成后的网络参数存储，得到离线训练后的神经网络；

步骤二、与人工智能辅助OFDM接收机通信的发送机在待解调比特数据中按照固定间隔插入接收机已知的在线训练比特数据并进行OFDM调制后经过实际信道发送；

步骤三、人工智能辅助OFDM接收机接收经过实际信道的信号并进行OFDM解调，通过两个数据收集器按照与发送机相同的顺序将其分开，得到频域接收数据和频域训练数据并分别存入缓存；步骤四、对人工智能辅助OFDM接收机中的神经网络进行在线训练，包括：使用缓存的频域训练数据作为样本、接收机已知的在线训练比特数据作为标签且以步骤一所存储离线训练完成后的网络参数作为初始值对神经网络在线训练，将频域训练数据输入离线训练后的神经网络且将其输出的比特数据看作对接收机已知的在线训练比特数据的估计，及使用优化算法调整网络参数，得到在线训练后的网络参数并进行存储，得到在线更新网络参数后的神经网络；

步骤五、将频域接收数据输入在线更新网络参数后的神经网络，由在线更新网络参数后的神经网络输出的比特数据看作接收机对待解调比特数据的估计，对比特数据进行判决恢复出比特流。

进一步的，作为本发明的一种优选技术方案，所述步骤一中在OFDM传输方式和理论信道模型下仿真得到频域接收数据具体为：

发送机产生离线训练比特数据并进行PSK或QAM映射得到频域发送信号；

将频域发送信号按OFDM符号的数据填充方式组成具有128个子载波的OFDM符号，并进行IFFT运算和添加循环前缀、上变频后通过信道发送；

接收机采用理论信道模型仿真计算OFDM符号通过信道后接收到的时域信号，经下变频和同步、去除循环前缀后得到时域接收信号，并进行FFT运算得到频域接收数据

进一步的，作为本发明的一种优选技术方案，所述步骤一中优化算法调整网络参数采用平方误差函数，具体为：

其中，N为每个OFDM符号中的比特数；k为每个OFDM符号中的比特序号；为接收机已知的离线训练比特数据；为神经网络输出对估计的比特数据。

进一步的，作为本发明的一种优选技术方案，所述步骤三中当得到的频域训练数据的数量达到N_online个训练数据时完成一轮的数据收集，将其作为一组训练集并取出缓存，同时将缓存中频域接收数据取出缓存。

进一步的，作为本发明的一种优选技术方案，所述步骤四中使用N_online个训练数据对离线训练后的神经网络进行n轮训练，所述n满足：

其中，T_collect为收集频域训练数据的数量达到N_online个训练数据的时间，T_epoch为对神经网络训练一轮的时间。

进一步的，作为本发明的一种优选技术方案，所述步骤四使用优化算法调整网络参数采用平方误差函数，具体为：

其中，N为每个OFDM符号中的比特数；k为每个OFDM符号中的比特序号；为接收机已知的在线训练比特数据；为神经网络输出对估计的比特数据。

进一步的，作为本发明的一种优选技术方案，所述方法中步骤三及步骤四、步骤五采用流水线并行进行，即步骤三中对下一轮的数据收集与步骤四中使用本轮收集数据中的频域训练数据进行在线训练的过程和步骤五中的对上一轮的收集数据中频域接收数据的数据恢复过程并行进行。

本发明采用上述技术方案，能产生如下技术效果：

本发明的人工智能辅助OFDM接收机的在线学习方法，通过将人工智能辅助OFDM接收机的离线学习与在线学习相结合，提升了OFDM接收系统的性能。本发明使用人工智能辅助的OFDM接收机，首先使用理论信道模型下的离线仿真数据或实际信道下的离线空口数据进行网络训练，然后固定大部分网络参数，并使用经过实际信道的实时训练数据对一部分参数进行在线训练，相比传统OFDM接收机取得了更好的效果。

因此，本发明的在线学习特性，解决了完全使用仿真数据进行离线训练的网络与实际传输环境不匹配造成的接收机性能下降；通过引入神经网络在线学习这一方法，改善了人工智能辅助接收机在不同环境中的鲁棒性和接收比特错误率。并且，在线学习使用的训练数据量远小于离线学习数据量，在线学习中的可更新参数也小于离线学习，使得在线学习所需时间较短，人工智能辅助接收机中的神经网络也不易对特定环境发生过拟合现象，具有良好的鲁棒性。

附图说明

图1为本发明方法的原理示意图。

图2为本发明的在线学习系统的示意图。

图3为本发明方法采用的OFDM符号的数据填充方式示意图。

图4为本发明方法的数据收集器框图。

图5为本发明方法中服务器端GPU和CPU的任务分配及CPU的线程分配框图。

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。

如图1所示，本发明提出一种可用于人工智能辅助OFDM接收机的在线学习方法。如图2所示是人工智能辅助OFDM接收机的在线学习系统的示意图，具体的，使用软件定义无线电设备USRP-RIO完成射频收发、上/下变频、同步、添加/删除循环前缀和IFFT/FFT运算，接收端USRP-RIO将FFT后的频域接收信号使用UDP协议打包并通过以太网传送给部署了神经网络的多核服务器。本发明的实施使用了上述接收机结构，但不限于该种结构，本方法具体包括以下步骤：

步骤一、部署到实际场景前，对人工智能辅助OFDM接收机中的神经网络进行离线训练，包括：使用接收机已知的离线训练比特数据在OFDM传输方式和理论信道模型下仿真得到频域接收数据并使用频域接收数据作为样本、接收机已知的离线训练比特数据作为标签进行神经网络离线训练，将频域接收数据输入神经网络且将其输出的比特数据看作对接收机已知的离线训练比特数据的估计，及使用优化算法调整网络参数将离线训练完成后的网络参数存储，得到离线训练后的神经网络。

具体的，发送机首先产生接收机已知的离线训练比特数据并进行PSK或QAM映射得到频域发送信号，其中作为标签；将频域发送信号按照图3所示的OFDM符号的数据填充方式组成具有128个子载波的OFDM符号，其中第0-30、96-127子载波置0作为保护间隔，第62直流子载波也置0，即128个子载波中只有64个有效子载波填充了频域发送信号，然后进行128点IFFT运算，并添加循环前缀、上变频后通过信道发送。

接收机使用SUI-5信道模型和指数信道模型，仿真计算OFDM符号通过信道后接收机接收到的时域信号；经下变频和同步、去除循环前缀后得到时域接收信号，并进行FFT运算后得到频域接收数据由神经网络完成将频域接收数据恢复成比特流的工作，具体地，将频域接收信号输入神经网络，神经网络输出的比特数据可看作对接收机已知的离线训练比特数据的估计，再对进行判决恢复出比特流；其中，使用Adam优化算法和小批量梯度下降法调整网络参数，使和的平方误差最小。采用的平方误差函数如下所示：

其中，N＝128为每个OFDM符号中的比特数；k为每个OFDM符号中的比特序号；为接收机已知的离线训练比特数据，即标签；为接收机神经网络输出对估计的比特数据。

本步骤中所有神经网络的训练使用Python依靠TensorFlow深度学习框架在GPU上实现，依靠GPU的并行计算能力，提高运算速度。离线训练完成后将网络参数存储在csv文件中，便于神经网络信号检测阶段调用，最后得到离线训练后的神经网络。

步骤二、部署到实际场景后，与人工智能辅助OFDM接收机通信的发送机在待解调比特数据中按照固定间隔插入接收端已知的在线训练比特数据并进行OFDM调制后经过实际信道发送，即进行PSK或QAM映射、IFFT运算和添加循环前缀CP，然后进行上变频和发送。

具体的，OFDM调制过程中使用的OFDM符号结构与步骤一中相同，标注为Pilot、Train或Data的OFDM符号分别表示该OFDM符号中填充的数据是导频比特数据、训练比特数据或待发送比特数据，其排列结构如图4所示，1个导频OFDM符号、1个训练OFDM符号、1个导频OFDM符号和1个待解调数据OFDM符号作为一个循环，该结构循环出现。

步骤三、人工智能辅助OFDM接收机接收经过实际信道的信号并进行OFDM解调，即进行下变频、同步、去循环前缀和FFT运算，然后通过两个数据收集器按照与发送极相同的顺序将其分开，得到频域接收数据和频域训练数据其中分别对应经过OFDM调制、实际信道和OFDM解调后的具体的，数据收集器使用如图4所示的方式将数据分开。当采集到200个OFDM符号，其中包括100个导频OFDM符号、50个训练OFDM符号和50个待解调数据OFDM符号，将频域训练数据传送给神经网络进行训练，待神经网络训练完成后，将频域接收数据传送给神经网络进行信号检测。

优选地，当收集的频域训练数据的数量达到N_online个训练数据时，将其作为一组训练集，取出缓存进行步骤四的在线训练。同时将此时缓存中的频域接收数据取出缓存，等待进行步骤五的数据恢复。

步骤四、对人工智能辅助OFDM接收机中的神经网络进行在线训练。具体的，使用频域训练数据作为样本、对应的接收端已知的在线训练比特数据作为标签且以存储的网络参数作为初始值对神经网络在线训练，将频域训练数据输入离线训练后的神经网络，神经网络的输出的比特数据可看作对接收机已知的在线训练比特数据的估计，使用Adam优化算法和小批量梯度下降法调整网络参数，使和的平方误差最小，得到在线训练后的网络参数并存储，以得到在线更新网络参数后的神经网络。

在神经网络在线训练时，固定网络的大部分参数，仅使少量参数处于可更新状态。使用N_online个训练数据对神经网络进行n轮训练，所述n满足：

其中，T_collect为得到的频域训练数据的数量达到N_online个训练数据的时间，T_epoch为对神经网络训练一轮的时间。限制训练轮数n，使对神经网络的训练时间小于N_online个训练数据的收集时间，实现神经网络的实时训练，动态适应信道，同时可以避免过拟合。

本实施例中，训练集大小为50个训练OFDM符号，包含N_offline＝3200个频域训练数据，训练2轮。特别的，进行在线训练时固定网络的大部分参数，仅使少量参数处于可更新状态。减少训练参数和训练轮数使神经网络的训练速度更快，满足实时性要求。采用的平方误差函数如下所示：

其中，N＝128为每个OFDM符号中的比特数；k为每个OFDM符号中的比特序号；为接收机已知的在线训练比特数据，即标签；为接收端神经网络输出对估计的比特数据。

步骤五、对频域接收数据进行数据恢复，包括：在与其同时取出缓存的N_online个训练数据将神经网络训练完毕后，将频域接收数据输入参数经过步骤四在线更新网络参数后的神经网络，由在线更新网络参数后的神经网络输出对待解调比特数据的估计比特数据对比特数据进行判决恢复出比特流。再回到步骤三，等待下一轮数据收集完成。

具体的，神经网络的前向传播算法使用存储在csv文件中的网络参数作为神经网络的参数，使用C/C++在多核服务器上完成，依靠针对处理器优化过的数学库Intel MKL库，提高运算速度。

如图5所示，本发明方法的步骤三中的数据采集、步骤四中的神经网络训练以及步骤五中的信号检测依靠多核服务器采用流水线并行进行实现，即步骤三中对下一轮的数据收集与步骤四中使用本轮收集数据中的频域训练数据进行在线训练的过程和步骤五中的对上一轮的收集数据中频域接收数据的数据恢复过程并行进行。使用多线程技术来完成上述模块，为避免CPU核心调度带来的开销，将各个模块绑定至不同的核心上，使用“信号量”和“自旋锁”实现不同核心之间的同步。本实例中共使用了11个线程，主线程用于协调调度其他线程，1个UDP接收线程用于接收射频前端USRP-RIO的数据并完成接收数据收集8个信号检测线程并行执行。检测完成后，使用1个UDP发送线程将恢复得到的数据发送并显示。

本发明的方法，通过将深度学习和通信知识进行结合，并将离线学习与在线学习相结合，为人工智能辅助OFDM接收机提供了一种在线训练的新方法。使用理论信道模型产生的仿真数据对神经网络进行离线学习，为网络引入了传统通信知识；使用实时空口数据进行在线学习，令网络能够自动适应实际信道环境。因此，本发明相较于传统OFDM接收机和离线训练、在线部署的深度学习接收机在对于不同环境的鲁棒性和传输比特错误率上均有良好改善。

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 (7)

1.一种人工智能辅助OFDM接收机的在线学习方法，其特征在于，包括以下步骤：

步骤一、对人工智能辅助OFDM接收机中的神经网络进行离线训练，包括：使用接收机已知的离线训练比特数据在OFDM传输方式和理论信道模型下仿真得到频域接收数据并使用频域接收数据作为样本、接收机已知的离线训练比特数据作为标签进行神经网络离线训练，将频域接收数据输入神经网络且将其输出的比特数据看作对接收机已知的离线训练比特数据的估计，及使用优化算法调整网络参数，并将离线训练完成后的网络参数存储，得到离线训练后的神经网络；

步骤二、与人工智能辅助OFDM接收机通信的发送机在待解调比特数据中按照固定间隔插入接收机已知的在线训练比特数据并进行OFDM调制后经过实际信道发送；

步骤三、人工智能辅助OFDM接收机接收经过实际信道的信号并进行OFDM解调，通过两个数据收集器按照与发送机相同的顺序将其分开，得到频域接收数据和频域训练数据并分别存入缓存；

步骤四、对人工智能辅助OFDM接收机中的神经网络进行在线训练，包括：使用缓存的频域训练数据作为样本、接收机已知的在线训练比特数据作为标签且以步骤一所存储离线训练完成后的网络参数作为初始值对神经网络在线训练，将频域训练数据输入离线训练后的神经网络且将其输出的比特数据看作对接收机已知的在线训练比特数据的估计，及使用优化算法调整网络参数，得到在线训练后的网络参数并存储，得到在线更新网络参数后的神经网络；

步骤五、将频域接收数据输入在线更新网络参数后的神经网络，由在线更新网络参数后的神经网络输出的比特数据看作接收机对待解调比特数据的估计，对比特数据进行判决恢复出比特流。

2.根据权利要求1所述人工智能辅助OFDM接收机的在线学习方法，其特征在于，所述步骤一中在OFDM传输方式和理论信道模型下仿真得到频域接收数据具体为：

发送机产生离线训练比特数据并进行PSK或QAM映射得到频域发送信号；

将频域发送信号按OFDM符号的数据填充方式组成具有128个子载波的OFDM符号，并进行IFFT运算和添加循环前缀、上变频后通过信道发送；

接收机采用理论信道模型仿真计算OFDM符号通过信道后接收到的时域信号，经下变频和同步、去除循环前缀后得到时域接收信号，并进行FFT运算得到频域接收数据

3.根据权利要求1所述人工智能辅助OFDM接收机的在线学习方法，其特征在于，所述步骤一中优化算法调整网络参数采用平方误差函数，具体为：

其中，N为每个OFDM符号中的比特数；k为每个OFDM符号中的比特序号；为接收机已知的离线训练比特数据；为神经网络输出对估计的比特数据。

4.根据权利要求1所述人工智能辅助OFDM接收机的在线学习方法，其特征在于，所述步骤三中当得到的频域训练数据的数量达到N_online个训练数据时完成一轮的数据收集，将其作为一组训练集并取出缓存，同时将缓存中频域接收数据取出缓存。

5.根据权利要求1所述人工智能辅助OFDM接收机的在线学习方法，其特征在于，所述步骤四中使用N_online个训练数据对离线训练后的神经网络进行n轮训练，所述n满足：

其中，T_collect为收集频域训练数据的数量达到N_online个训练数据的时间，T_epoch为对神经网络训练一轮的时间。

6.根据权利要求1所述人工智能辅助OFDM接收机的在线学习方法，其特征在于，所述步骤四使用优化算法调整网络参数采用平方误差函数，具体为：

其中，N为每个OFDM符号中的比特数；k为每个OFDM符号中的比特序号；为接收机已知的在线训练比特数据；为神经网络输出对估计的比特数据。

7.根据权利要求1所述人工智能辅助OFDM接收机的在线学习方法，其特征在于，所述方法中步骤三及步骤四、步骤五采用流水线并行进行。