CN111404849A - 一种基于深度学习的ofdm信道估计与信号检测方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的OFDM信道估计与信号检测方法，属于无人机测控通信领域。首先基于现有的Non‑WSSUS信道模型生成复杂环境下的OFDM多径信道模型矩阵的样本数据库；然后构建包括信道估计子网络与信号检测子网络的神经网络，利用多径信道模型矩阵的数据样本对神经网络进行训练；最后将训练好的神经网络离线应用于复杂环境无人机OFDM数据链系统中，对信道进行估计同时对信号进行检测。本发明生成能够反映复杂环境OFDM信道特性的大数据量信道样本集合，使得整个网络能够有效反映无线信道和传输信号的非线性特征。

Description

一种基于深度学习的OFDM信道估计与信号检测方法

技术领域

本发明属于无人机测控通信领域，具体是指一种基于深度学习的OFDM信道估计与信号检测方法。

背景技术

无人机数据链是无人机系统的重要组成部分，实现对无人机平台的遥控遥测和侦察信息回传等功能。当无人机在复杂的地理地形环境中执行任务时，数据链系统常受到“多径效应(Multipath Effect)”的影响，即数据链接收机除接收来自发射机的直射波外，还会接收到从环境不同反射面产生的(漫反射或镜面反射)幅度与相位各不相同的反射波，进而产生符号间干扰(Inter-Symbol-Interference,ISI)，由于多径效应引起的接收信号宽度扩展的现象称为“时延扩展”。

为克服多径效应影响，正交频分复用(Orthogonal Frequency DivisionMultiplexing,OFDM)技术被广泛应用于无人机数据链系统设计。OFDM是一种高速并行传输技术，由频率部分重叠且等间隔的N个正交子载波构成，典型OFDM系统结构如图1所示。

相比串并变换前单路信号的传输速率，OFDM系统中各子载波的传输速率低很多，其符号周期大大增加，这使得OFDM系统具有抵抗多径效应产生的接收信号时延扩展问题。此外，OFDM系统通过在OFDM符号之间插入大于无线信道的最大多径时延扩展的保护间隔GI(Guard Interval)，能够最大限度的消除由多径效应而产生的ISI现象。在实际系统设计中，为了保证各子载波之间的正交性，通常采用循环前缀(Cyclic Prefix,CP)作为保护间隔GI，即把每个OFDM符号最后面的一部分信号复制到这个符号的前端，保证有时延的OFDM信号在快速傅立叶变换(Fast Fourier Transform,FFT)积分周期内总是具有整倍数周期，从而能够避免多径效应导致的子载波间干扰ICI(Inter-Carrier Interface)问题。

当前，无人机应用环境日益复杂，特别在一些具有高度散射的数据链信道中，信道记忆长度很长，此时要想消除较大的多径时延扩展，则要求循环前缀CP的长度必须很长。然而，过长的CP必然导致OFDM系统信息传输速率大幅降低，此时可以考虑加信道估计器和信道均衡器而适当减小CP的长度，即通过增加系统的复杂性来提高系统频带利用率。信道估计器能够实现无线信道参数的有效估计，包括信道阶数、多普勒频移和多径时延等参数，这些参数均反映在信道冲激响应矩阵中。依据信道估计器获得的信道冲激响应矩阵，信道均衡器可通过调整抽头系数达到补偿信号失真的目的。因此，信道估计的精度和信道均衡的效果直接影响着OFDM系统的整体接收性能。

传统信道估计与信号检测方法分为频域和时域两大类，频域类方法假设导频处的信道频域响应(Channel Frequency Response,CFR)与数据处的CFR的变化是线性的，但在高速移动环境下，线性变化的这一假设显然不成立，因此频域类方法不适用于无人机数据链信道估计与信号检测；时域类方法能够在时间域直接估计出信道冲激响应矩阵，但由于该类方法需要估计出每条传输路径的CIR，使得其计算复杂度较高。

最近，深度学习方法开始应用于OFDM信道估计与信号检测领域，这类新方法颠覆了过往信道估计器需要在线训练的要求，而是利用大量样本数据离线训练神经网络模型，再将训练好的网络模型直接用于OFDM系统的信道估计与信号检测，代表性方法包括基于全连接深度神经网络的信道估计与信号检测模型、基于专家知识与神经网络相结合的信道估计与信号检测模型—前者将OFDM接收机视为一个“黑箱子”，利用全连接神经网络的同时实现信道估计与信号检测，但这种方法依赖大量的样本数据来训练网络，导致模型收敛速度慢，全连接神经网络模型缺乏可解释性；后者基于传统通信理论，提出了基于通信系统模型的深度神经网络结构，将神经网络分为信道估计和信号检测两个子网络，每个子网络具有清晰的物理意义，网络模型得以简化，加快了训练速度。

从当前技术发展现状来看，基于深度学习的OFDM信道估计与信号检测方法以大数据离线训练的方式对OFDM系统及其传输信道进行拟合逼近，有效提升了信道参数的估计精度，且无需在线训练。但是，对于复杂环境下无人机数据链OFDM信道估计与信号检测问题，其多径效应产生的机理比一般场景更复杂，信道样本数据的多样性要求更高。此外，建立适用于无人机数据链OFDM信道估计与信号检测的深度神经网络结构也是一个有待深入研究的问题。

发明内容

为提高复杂环境中无人机数据链信道估计速度和信号检测精度，本发明提出一种基于深度学习的OFDM信道估计与信号检测方法，通过对复杂环境多径信道进行分析和建模，生成具有模拟复杂环境多径时延扩展的信道样本数据，构建更具解释性和预测性的神经网络结构，采用权重初始化方法加快模型训练的收敛速度。

所述的OFDM信道估计与信号检测方法，具体包括如下步骤：

步骤一、基于现有的Non-WSSUS信道模型生成复杂环境下的OFDM多径信道模型矩阵的样本数据库；

多径信道模型矩阵表达式如下：

n为OFDM符号序号，取值范围n∈[0,K-1]，K为子载波数；m为调制符号序号，取值范围n∈[0,N+N_g-1]，N为每个OFDM符号内待发送有效信号的采样点数，N_g为每个OFDM符号内保循环前缀CP的采样点数；L为信道的多径数目；α_lk为第lk条路径的衰减系数；W为带宽；W₀和T₀由接收机采样周期决定，其分别范围为W₀∈[v_max,1/τ_max]，T₀∈[τ_max,1/v_max]；τ_max为多径信道的最大时延扩展，v_max信道产生的最大多普勒频移；T为OFDM符号的间隔。

通过调整多径信道模型矩阵中的参数L、τ_max、v_max、K、N和N_g等，即能生成具有不同多径数目、最大时延扩展、最大多普勒频移、子载波数目、有效信号采样点数和循环前缀采样点数的信道数据样本，不同参数的大量数据样本组成了样本数据库。

步骤二、构建包括信道估计子网络与信号检测子网络的神经网络；

信道估计子网络包括信道估计初始化网络和信道估计改进网络两部分。

在信道估计初始化网络中，利用最小二乘准则的信道估计算法，计算每个子载波所在信道的初始信道冲激响应系数；

针对第k个子载波所在信道的初始信道冲激响应系数

计算公式如下：

上式中，x_p(k)是第k个子载波对应的发送导频信号，y_p(k)是第k个子载波对应的接收导频信号。

将每个子载波对应的初始信道冲激响应系数的实部和虚部拆分后组合，输入信道估计改进网络中，进一步对信道参数进行迭代，获得信道冲激响应系数的最终估计值。

信号估计改进网络由三个级联的一维卷积神经网络层(Convolutional NeuralNetworks,CNN)、一个线性隐藏层和一层全连接层组成；

其中三个级联的一维CNN卷积核长度依次减小，优先选择减少1/2，第三层一维CNN的输出维度与线性隐藏层的神经元数目相同；线性隐藏层以全连接方式连接到输出层，输出层包含的神经元数目对应信道系数的实部和虚部之和。

线性隐藏层的激活函数使用的是ReLu函数；输出层的激活函数使用的是sigmoid函数。

信号检测子网络包括信号检测初始化网络和信号检测改进网络两部分。

信号检测初始化网络利用各子载波的接收数据信号和信道冲激响应函数，得到各子载波对应的初始化预测原始信号。

第k个子载波的初始化预测原始信号

计算公式为：

y_D(k)是在信道估计子网络中得到的第k个子载波对应的接收数据信号；

是信道估计子网络输出的信道冲激响应函数。

利用信号检测改进网络进一步优化各子载波对应的初始化预测原始信号，得到信号检测改进网络的输入数据；

对第k个子载波的初始化预测原始信号

进行优化后，得到输入数据的格式如下：

其中，Re{y_D(k)}、Im{y_D(k)}为第k个子载波接收到的数据信号y_D(k)的实部和虚部，

为第k个子载波对应信道冲激函数

的实部和虚部，

为第k个子载波初始化预测原始信号

的实部和虚部。

信号检测改进网络由三个级联的一维CNN层、三个级联的长短期记忆单元层(Bidirectional Long Short-Term Memory,BiLSTM)和一层全连接层组成。

其中，三层级联的一维CNN卷积核长度依次减小，优先选择减少1/2，，三个级联的BiLSTM隐藏层单元数依次减小，优先选择减少1/2，第三层BiLSTM以全连接方式连接到输出层，输出层包含的神经元数目与原始信号的实部和虚部之和相同，输出层的激活函数使用的是sigmoid函数。

步骤三、利用多径信道模型矩阵的数据样本对神经网络进行训练；

具体过程如下：

首先，原始二进制比特流经过调制、串并转换/插入导频、快速傅里叶逆变换、添加循环前缀以及并串转换生成OFDM发送信号；然后，将该OFDM发送信号输入到从数据库中随机抽取的多径信道样本中，信道输出经过并串转换、去除循环前缀后和快速傅里叶变换，形成用于神经网络训练的样本数据；

样本数据包括：第k个子载波对应的发送导频信号x_p(k)、接收导频信号y_p(k)、接收数据信号y_D(k)以及样本标签为原始二进制数据信号b(k)。

最后，采用均方误差Loss函数和Adam优化器对信道估计子网络和信号检测子网络进行优化；

Loss函数公式如下：

其中，

为神经网络预测得到的数据信号。

步骤四、将训练好的神经网络离线应用于复杂环境无人机OFDM数据链系统中，对信道进行估计同时对信号进行检测。

本发明的优点在于：

(1)本发明一种基于深度学习的OFDM信道估计与信号检测方法，考虑多种OFDM系统参数，生成能够反映复杂环境OFDM信道特性的大数据量信道样本集合。

(2)本发明一种基于深度学习的OFDM信道估计与信号检测方法，构建信道估计和信号检测两个子网络，均利用卷积神经网络提取信道和信号的深层特征，使得整个网络能够有效反映无线信道和传输信号的非线性特征。

附图说明

图1为现有技术采用的典型OFDM系统结构图；

图2为本发明一种基于深度学习的OFDM信道估计与信号检测方法流程图；

图3为本发明构建的包括信道估计子网络与信号检测子网络的神经网络结构图；

图4为本发明的信道估计改进网络的结构图；

图5为本发明的信号检测改进网络的结构图；

图6为本发明训练好的神经网络离线在OFDM系统中的应用示意图。

具体实施方式

下面结合附图，对本发明的具体实施方法进行详细说明。

本发明一种基于深度学习的OFDM信道估计与信号检测方法，利用深度神经网络实现OFDM多径信道估计和原始信号检测，能够快速准确的恢复出原始信号。

如图2所示，具体包括以下步骤：

步骤一、基于现有的Non-WSSUS信道模型生成复杂环境下的OFDM多径信道模型矩阵的样本数据库；

本发明基于非广义平稳非相关散射(Non-Wide-Sense Stationary UncorrelatedScattering,Non-WSSUS)信道模型进行复杂环境多径信道建模，并以此生成信道矩阵样本数据。Non-WSSUS信道模型建立在时频变换函数基础上，能够有效反映由于无人机快速移动和传输环境快速改变带来的阴影、延时和多普勒频移等效应。

Non-WSSUS信道的近似时频表达式为：

t为时间变量，f为频率变量，L为多径数目(即信道的最大时延扩展)，α_n为第n条路径的衰减系数、τ_n为第n条路径的延迟，v_n为第n条路径的多普勒频移。其中τ_n∈[0,τ_max],v_n∈[0,v_max]，τ_max为多径信道的最大时延扩展，v_max信道产生的最大多普勒频移。

假定OFDM符号间隔为T、带宽为W、子载波数为K，则OFDM系统相关参数存在如下关系：

式(2)和式(3)中的符号

为取整操作。

式(1)中的衰减系数α_n矩阵H_α可表示为：

矩阵H_α中参数可随机生成，数值范围为归一化值，在0-1之间。

由上可知，式(1)可改写为：

α_lk为第lk条路径的衰减系数；

将式(5)进行离散化，可得：

其中，n为OFDM符号序号，取值范围n∈[0,K-1]，m为调制符号序号，取值范围n∈[0,N+N_g-1]，N为每个OFDM符号内待发送有效信号的采样点数，N_g为每个OFDM符号内保循环前缀CP的采样点数，W₀和T₀由接收机采样周期决定，其分别范围为W₀∈[v_max,1/τ_max]，T₀∈[τ_max,1/v_max]。

式(5)即为生成的多径信道模型矩阵元素值，调整式(5)中的L、τ_max、v_max、K、N和N_g等参数，可生成具有不同多径数目、最大时延扩展、最大多普勒频移、子载波数目、有效信号采样点数和循环前缀采样点数的大数据量复杂环境信道样本数据集。

步骤二、构建包括信道估计子网络与信号检测子网络的神经网络；

本发明基于深度学习理论和方法，核心是构建用于复杂环境OFDM信道估计和信号检测的神经网络结构。参考当前已有的深度神经网络结构，本发明将信道估计和信号检测网络划分为信道估计子网络和信号检测子网络两部分，如图3所示。

信道估计子网络包括信道估计初始化网络和信道估计改进网络两部分。信道估计初始化网络完成信道冲激响应系数的初始化，信道估计改进网络对信道估计参数进一步优化，获得信道冲激响应系数的最终估计值。

在信道估计初始化网络中，输入每个子载波的发送导频信号和接收导频信号，输出各子载波所在信道的初始信道冲激响应系数；

具体过程为：针对第k个子载波，利用基于最小二乘(Least Square,LS)准则的信道估计算法得到该子载波所在信道的初始信道冲激响应系数

计算公式如下：

上式中，x_p(k)是第k个子载波对应的发送导频信号，y_p(k)是第k个子载波对应的接收导频信号。

在信道估计改进网络中，将初始信道冲激响应系数

的实部和虚部拆分后组合作为信道估计改进网络的输入数据，对信道估计参数进一步优化，获得信道冲激响应系数的最终估计值。信道估计改进网络输出第k个子载波的信道冲激响应系数的最终估计值为

具体过程为：以子载波数为64为例，初始信道冲激响应系数

为包含64个元素的复数向量，该向量的实部和虚部拆分组合后形成包含128个元素的实数向量，该实数向量即为信道估计改进网络的输入值。

信道估计改进网络结构如图4所示，由三个级联的一维卷积神经网络层(Convolutional Neural Networks,CNN)、一个线性隐藏层和一层全连接层组成；

其中：以64个子载波为例，三个级联的一维CNN卷积核长度分别为20、10、5；第三层一维CNN的输出维度设置为256，因此相应线性隐藏层的神经元数目为256；线性隐藏层以全连接方式连接到输出层，输出层包含的神经元数目为128，分别对应64个信道系数的实部和虚部。线性隐藏层的激活函数使用的是ReLu函数，公式为f_Re(a)＝max(0,a)；输出层的激活函数使用的是sigmoid函数，公式为

区别于现有技术的信道估计改进网络，本发明的信道估计改进网络能够通过CNN层挖掘无线信道的非线性深层特征，使信道估计输出有效反映信道的非线性特征。

信号检测子网络包括信号检测初始化和信号检测改进网络两部分。

在信号检测初始化部分，输入的数据是在信道估计子网络中得到第k个子载波的接收数据信号y_D(k)和信道冲激响应函数

输出为初始化预测原始信号

(也称为“迫零(Zero Forcing,ZF)”检测信号)。

具体计算公式为：

在上式的基础上，利用信号检测改进网络可进一步优化

信号检测改进网络的输入数据格式如下：

其中，Re{y_D(k)}、Im{y_D(k)}为接收到的第k个子载波数据信号y_D(k)的实部和虚部，

为第k个子载波对应信道估计子网络输出信道冲激函数

的实部和虚部，

为第k个子载波初始化预测原始信号

的实部和虚部。信号检测改进网络输出为原始信号的预测值

信号检测改进网络如图5所示，由三个级联的一维CNN层、三个级联的长短期记忆单元层(Bidirectional Long Short-Term Memory,BiLSTM)和一层全连接层组成。

信号检测改进网络参数组成为：以64个子载波为例，三层级联的一维CNN卷积核长度分别为40、20、10，三个级联的BiLSTM隐藏层单元数分别为20、10和5，第三层BiLSTM以全连接方式连接到输出层，输出层包含的神经元数目为128，分别对应64个原始信号的实部和虚部，输出层的激活函数使用的是sigmoid函数，公式为

区别于现有技术的信号检测改进网络，本发明的信号检测改进网络能够通过CNN层和BiLSTM层的非线性计算单元，挖掘接收信号的深层特征，使通信信号检测输出有效反映原始信号在信道传输中产生的非线性畸变。

步骤三、利用多径信道模型矩阵的数据样本对神经网络进行训

首先，准备训练数据；

原始二进制比特流经过调制、串并转换/插入导频、快速傅里叶逆变换、添加循环前缀以及并串转换等操作生成OFDM发送信号，该发送信号输入到步骤一生成的多径信道模型数据样本(从信道模型数据库中随机抽取)，信道输出经过并串转换、去除循环前缀后以及经过快速傅里叶变换，形成用于步骤二中神经网络训练的样本数据；

样本数据具体包括：第k个子载波对应的发送导频信号x_p(k)、接收导频信号y_p(k)、接收数据信号y_D(k)；样本标签为原始二进制比特流b(k)。

然后、建立Loss函数，实现网络优化；

采用均方误差Loss函数和自适应矩估计(Adaptive Moment Estimation,Adam)优化器对信道估计子网络和信号检测子网络进行优化；

损失函数公式如下：

其中，

为经神经网络预测得到的数据信号。

步骤四、将训练好的神经网络离线应用于复杂环境无人机OFDM数据链系统中，对信道进行估计同时对信号进行检测。

如图6所示，原始二进制比特流经过调制、串并转换/插入导频、快速傅里叶逆变换、添加循环前缀和并串转换等操作生成OFDM发送信号，该发送信号输入到步骤一生成的多径信道模型数据样本(从信道模型数据库中随机抽取)，信道输出经过并串转换、去除循环前缀后，经过快速傅里叶变换，完成本发明步骤二的神经网络训练。

训练好的信道估计与信号检测网络可应用于OFDM系统中，神经网络输出为原始传输数据信号b(k)的预测值

Claims (4)

1.一种基于深度学习的OFDM信道估计与信号检测方法，其特征在于，具体包括如下步骤：

步骤一、基于现有的Non-WSSUS信道模型生成复杂环境下的OFDM多径信道模型矩阵的样本数据库；

多径信道模型矩阵表达式如下：

n为OFDM符号序号，取值范围n∈[0,K-1]，K为子载波数；m为调制符号序号，取值范围n∈[0,N+N_g-1]，N为每个OFDM符号内待发送有效信号的采样点数，N_g为每个OFDM符号内保循环前缀CP的采样点数；L为信道的多径数目；α_lk为第lk条路径的衰减系数；W为带宽；W₀和T₀由接收机采样周期决定，其分别范围为W₀∈[v_max,1/τ_max]，T₀∈[τ_max,1/v_max]；τ_max为多径信道的最大时延扩展，v_max信道产生的最大多普勒频移；T为OFDM符号的间隔；

通过调整多径信道模型矩阵中的参数L、τ_max、v_max、K、N和N_g，即能生成具有不同多径数目、最大时延扩展、最大多普勒频移、子载波数目、有效信号采样点数和循环前缀采样点数的信道数据样本，不同参数的大量数据样本组成了样本数据库；

步骤二、构建包括信道估计子网络与信号检测子网络的神经网络；

信道估计子网络包括信道估计初始化网络和信道估计改进网络两部分；

在信道估计初始化网络中，利用最小二乘准则的信道估计算法，计算每个子载波所在信道的初始信道冲激响应系数；

针对第k个子载波所在信道的初始信道冲激响应系数

计算公式如下：

上式中，x_p(k)是第k个子载波对应的发送导频信号，y_p(k)是第k个子载波对应的接收导频信号；

将每个子载波对应的初始信道冲激响应系数的实部和虚部拆分后组合，输入信道估计改进网络中，进一步对信道参数进行迭代，获得信道冲激响应系数的最终估计值；

信号检测子网络包括信号检测初始化网络和信号检测改进网络两部分；

信号检测初始化网络利用各子载波的接收数据信号和信道冲激响应函数，得到各子载波对应的初始化预测原始信号；

第k个子载波的初始化预测原始信号

计算公式为：

y_D(k)是在信道估计子网络中得到的第k个子载波对应的接收数据信号；

是信道估计子网络输出的信道冲激响应函数；

利用信号检测改进网络进一步优化各子载波对应的初始化预测原始信号，得到信号检测改进网络的输入数据；

对第k个子载波的初始化预测原始信号

进行优化后，得到输入数据的格式如下：

其中，Re{y_D(k)}、Im{y_D(k)}为第k个子载波接收到的数据信号y_D(k)的实部和虚部，

为第k个子载波对应信道冲激函数

的实部和虚部，

为第k个子载波初始化预测原始信号

的实部和虚部；

步骤三、利用多径信道模型矩阵的数据样本对神经网络进行训练；

具体过程如下：

首先，原始二进制比特流经过调制、串并转换/插入导频、快速傅里叶逆变换、添加循环前缀以及并串转换生成OFDM发送信号；

然后，将该OFDM发送信号输入到从数据库中随机抽取的多径信道样本中，信道输出经过并串转换、去除循环前缀后和快速傅里叶变换，形成用于神经网络训练的样本数据；

最后，采用均方误差Loss函数和Adam优化器对信道估计子网络和信号检测子网络进行优化；

Loss函数公式如下：

其中，

为神经网络预测得到的数据信号；样本标签为原始二进制数据信号b(k)；

步骤四、将训练好的神经网络离线应用于复杂环境无人机OFDM数据链系统中，对信道进行估计同时对信号进行检测。

2.如权利要求1所述的一种基于深度学习的OFDM信道估计与信号检测方法，其特征在于，所述的信号估计改进网络由三个级联的一维卷积神经网络层、一个线性隐藏层和一层全连接层组成；

其中三个级联的一维CNN卷积核长度依次减小，优先选择减少1/2，第三层一维CNN的输出维度与线性隐藏层的神经元数目相同；线性隐藏层以全连接方式连接到输出层，输出层包含的神经元数目对应信道系数的实部和虚部之和；

线性隐藏层的激活函数使用的是ReLu函数；输出层的激活函数使用的是sigmoid函数。

3.如权利要求1所述的一种基于深度学习的OFDM信道估计与信号检测方法，其特征在于，所述的信号检测改进网络由三个级联的一维CNN层、三个级联的长短期记忆单元层和一层全连接层组成；

其中，三层级联的一维CNN卷积核长度依次减小，优先选择减少1/2，，三个级联的BiLSTM隐藏层单元数依次减小，优先选择减少1/2，第三层BiLSTM以全连接方式连接到输出层，输出层包含的神经元数目与原始信号的实部和虚部之和相同，输出层的激活函数使用的是sigmoid函数。

4.如权利要求1所述的一种基于深度学习的OFDM信道估计与信号检测方法，其特征在于，所述的样本数据包括：第k个子载波对应的发送导频信号x_p(k)、接收导频信号y_p(k)、接收数据信号y_D(k)以及样本标签为原始二进制数据信号b(k)。

Images