CN111669344A - 一种基于深度学习的时变ofdm系统信号检测方法 - Google Patents

Abstract

本发明提供了一种基于深度学习的时变OFDM系统信号检测方法，生成信号检测网络模型输入数据集，构建一个信号检测网络模型，在网络训练前需预设好训练和测试参数，采用在线生成训练数据和测试数据的方式训练网络，测试数据喂入信号检测网络，信号检测网络模型根据喂入的特征向量，产生预测出的发送数据比特，与真实的发送数据比特进行对比，测试网络当前的性能。本发明于针对快速时变OFDM系统，结合深度学习方法，利用循环神经网络处理时间序列的优势，简化了接收机架构，成功实现信号的解调，改进了快速时变OFDM系统中的信号检测性能，本发明有效减小了系统实现复杂度，同时也提升了系统整体的误比特率性能。

Description

一种基于深度学习的时变OFDM系统信号检测方法

技术领域

本发明涉及无线通信技术领域，针对具有快速时变信道的OFDM系统，结合深度学习技术，提出了一种基于循环神经网络的信号检测方案，从而使系统具有更低的实现复杂度和更好的误比特率性能。

背景技术

正交频分复用(Orthogonal Frequency-Division Multiplexing，OFDM)技术是无线通信的一项重要技术，具有较好的抗多径衰弱能力和更高的频谱利用率，在未来移动通信中具有广泛应用前景。但由于OFDM系统采用正交子载波进行并行传输，其对无线传输中引入的频率偏移尤为敏感，一旦子载波间的正交性被破坏，系统的性能会急剧下降。随着现代交通工具移动速度的急剧提升，无线信道的变化速率变得越来越大，现有针对静态信道或缓慢变化信道的信道估计技术在快速时变信道下往往不能适用，导致接收端信号检测性能的下降。目前，已有众多算法研究如何在时变OFDM系统中获得准确的信道估计，从而提高信号检测性能。误比特率是衡量数字通信系统可靠性和信道质量的主要指标，为了适应现代交通工具的发展趋势，研究快速时变信道下OFDM系统的信号检测技术具有重要意义。

文献1“Du Z,Song X,Cheng J,et al.Maximum Likelihood Based ChannelEstimation for Macrocellular OFDM Uplinks in Dispersive Time-VaryingChannels.[J].IEEE Transactions on Wireless Communications,2011,10(1):176-187.”针对快速时变信道下OFDM传输系统，提出一种新的基于信道参数(ChannelParameter Based，CPB)的信道估计算法，然而联合估计会使计算复杂度大大增加。

文献2“Liu Y,Tan Z,Wang H,et al.Channel Estimation for MacrocellularOFDM Uplinks in Time-Varying Channels[J].IEEE Transactions on VehicularTechnology,2012,61(4):1709-1718.”通过采用一种特殊设计的训练符号，可以逐径估计信道参数，计算复杂度大大降低。然而因为其设计训练符号的固有特性，其峰均功率比是非常高的，这必须要求接收机有较大的动态接收范围，增加了接收机的成本。

文献3“Yao R,Liu Y,Li G,Xu J.Channel Estimation for OrthogonalFrequency Division Multiplexing Uplinks in Time-Varying Channels[J].IETCommunications,2015,9(2):156-166.”提出一种新的基于CPB的信道估计算法。通过设计特殊的训练符号，单独估计出各径的信道参数，在接收机重构信道冲激响应，获得更准确的信道估计参数，所提出的信道估计算法具有更优的估计性能和更低的复杂度。

文献4“Ye H,Li G Y,Juang B H F.Power of Deep Learning for ChannelEstimation and Signal Detection in OFDM Systems[J].IEEE WirelessCommunications Letters,2017,7(1):114-117.”针对非时变OFDM系统，首次尝试将深度学习方法运用于OFDM系统，并证明了深度学习在非时变OFDM系统中信道估计和信号检测的巨大潜力，但其并未考虑无线信道的时变性。

文献5“He,Hengtao,Wen,Chao-Kai,Jin,Shi.A Model-Driven Deep LearningNetwork for MIMO Detection[C].2018 IEEE Global Conference on Signal andInformation Processing，2018:584-588”针对多输入多输出系统(Multiple-InputMultiple-Output，MIMO)，提出了一种新型的基于模型驱动的深度学习网络，成功实现MIMO系统的低误比特率信号检测。

随着人工智能技术的发展，深度学习已与许多领域息息相关，将深度学习应用于无线通信系统的想法近来引起了极大的关注。针对具有快速时变信道的OFDM系统，本发明提出了一种结合了深度学习技术的信号检测方案，设计了基于循环神经网络的信号检测网络模型，相比传统的时变信道估计算法，快速时变OFDM系统具有更低的系统复杂度和更好的误比特率(Bit Error Rate,BER)性能。

发明内容

为了克服现有技术的不足，本发明提供一种基于深度学习的时变OFDM系统信号检测方法。针对时变信道，文献1,2,3提出了CPB信道估计算法。CPB算法将信道冲激响应归类为一组信道参数，其并不是直接估计信道冲激响应而是以信道参数为估计目标。信道参数一旦被估计出来，接收机即可重构信道冲激响应。因此，CPB算法适用于信道冲激响应在一个OFDM符号内变化的时变信道。本发明参考CPB算法，采取相同的时变OFDM系统信道冲激响应定义。

文献4使用了深度神经网络(Deep Neural Network，DNN)去实现非时变OFDM系统的信号检测。本发明针对快速时变OFDM系统，基于循环神经网络(Recurrent NeuralNetwork，RNN)设计了时变OFDM信号检测网络模型，通过将整个时变OFDM接收机视为一个黑匣子来简化OFDM系统结构，相比于复杂的CPB算法，本发明简化系统复杂度的同时也能获得很好的BER性能。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤一：信号检测网络模型输入数据集的生成

信号检测网络模型的输入数据的参数设置和生成方式如下：

导频训练符号设为

其中，x_n表示频域训练符号，n表示子载波所在频点的索引号；Python仿真时先随机产生信道参数多普勒频移ν和复幅度h；信道参数的设置如下：L径归一化多普勒大小ν＝{v₁,…,v_i,…,v_L}，其中，根据实际应用场景，v_i满足0.1≤v_i≤0.2，i＝1,2,…,L；L径复幅度

h＝{a₁+jb₁,a₂+jb₂,…,a_i+jb_i,…,a_L+jb_L}，其中a_i和b_i是独立同分布正态分布随机数；

一帧包括一个训练符号和一个数据符号，帧结构推广至一个训练符号和紧随多个数据符号；信号检测网络输入数据的流程如下：

系统先随机产生发送数据信号比特流，与导频训练符号组成发送帧，再进行二进制相移键控(Binary Phase Shift Keying，BPSK)调制，经过快速傅里叶逆变换(InverseFast Fourie Transformations，IFFT)后，添加循环前缀以克服符号间干扰；进行并串转换后，经过快速时变OFDM信道和加噪，得到接收信号，将接收信号的实部和虚部连接构成向量，并将向量作为信号检测网络模型的输入特征向量，标签向量为对应真实的发送数据信号比特；

步骤二：构建信号检测网络模型

利用RNN处理和预测序列数据的功能，将按步骤一生成的数据集，送入RNN模型训练，使其对数据进行特征提取和学习，经过调参对比，构建基于五层RNN的信号检测网络模型，信号检测网络模型训练完成后，直接将接收信号喂入信号检测网络，信号检测网络产生接收信号比特，用信号检测网络代替整个时变OFDM接收机；

步骤三：信号检测网络模型的训练与测试

在网络训练前需预设好训练和测试参数：其中n_total为信号检测网络模型训练的总次数，n_train为每次训练中送入信号检测网络的训练数据组数，n_test为每次测试送入信号检测网络的测试数据组数，n_epoch为上一次测试与当前测试相隔的训练次数；

采用在线生成训练数据和测试数据的方式训练网络，每次训练时产生n_train组发送信号比特和对应输入特征向量作为训练数据喂入信号检测网络，并期望信号检测网络从中学习；信号检测网络自动推断出接收信号与发送信号比特之间的函数关系式；

同时在训练过程中，每隔n_epoch次，随机产生n_test组发送信号比特和对应输入特征向量作为测试数据喂入信号检测网络，信号检测网络模型根据喂入的特征向量，产生预测出的发送数据比特，与真实的发送数据比特进行对比，测试网络当前的性能，当损失函数值上下浮动小于10％时，认为网络已收敛。

模型的进一步优化时，接收信号使用CPB信道估计算法，估计出信道参数信息，再将信道参数信息添加给信号检测网络模型，即RNN添加信道参数模型，进一步提高模型的信号检测性能。

本发明的有益效果在于针对快速时变OFDM系统，结合深度学习方法，利用循环神经网络处理时间序列的优势，简化了接收机架构，成功实现信号的解调，改进了快速时变OFDM系统中的信号检测性能。相比于传统的CPB信道估计算法，本发明有效减小了系统实现复杂度，同时也提升了系统整体的误比特率性能。

附图说明

图1是基于RNN的时变OFDM系统模型图。

图2是信号检测网络模型输入输出图。

图3是文献1和2中的CPB算法与信号检测网络模型的BER性能对比。

图4是DNN与RNN信号检测网络模型的BER性能对比。

图5是RNN信号检测网络模型与RNN添加信道参数模型的BER性能对比。

图6是SNR＝30dB下，两种不同RNN模型的损失函数收敛曲线对比。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤一：信号检测网络模型输入数据集的生成

监督学习需要给其所要训练的模型送入大量数据，其中数据由输入特征向量和标签向量组成，经过多次训练，使模型自动学习出输入数据的内在规律和关系，最终目标是训练后生成一个适用模型来满足特定需求。本发明提出的信号检测网络模型的输入数据的参数设置和生成方式如下：

导频训练符号设为

其中，x_n表示频域训练符号，n表示子载波所在频点的索引号；本发明中，Python仿真时先随机产生信道参数多普勒频移ν和复幅度h；信道参数的设置如下：L径归一化多普勒大小ν＝{v₁,…,v_i,…,v_L}，其中，根据实际应用场景，v_i满足0.1≤v_i≤0.2，i＝1,2,…,L；L径复幅度

h＝{a₁+jb₁,a₂+jb₂,…,a_i+jb_i,…,a_L+jb_L}，其中a_i和b_i是独立同分布正态分布随机数；

一帧包括一个训练符号和一个数据符号，帧结构推广至一个训练符号和紧随多个数据符号；信号检测网络输入数据的流程如下：系统先随机产生发送数据信号比特流，与导频训练符号组成发送帧，再进行二进制相移键控(Binary Phase Shift Keying，BPSK)调制，经过快速傅里叶逆变换(Inverse Fast Fourie Transformations，IFFT)后，添加循环前缀以克服符号间干扰；进行并串转换后，经过快速时变OFDM信道和加噪，得到接收信号，将接收信号的实部和虚部连接构成向量，并将向量作为信号检测网络模型的输入特征向量，标签向量为对应真实的发送数据信号比特；

步骤二：构建信号检测网络模型

全连接深度神经网络的缺点是参数数量过大，容易过拟合且极易陷入局部最优，因此其无法对时间序列上的变化进行建模。循环神经网络正是为了解决这种序列问题应运而生，循环神经网络对具有时间序列特性的数据非常有效，它能挖掘数据中的时序信息以及语义信息，与DNN相比，循环神经网络更擅长解决与时间序列相关的问题。时变OFDM信号通常是多路信号的叠加，每个载波上的信号并不是独立的，而是和临近的载波上的信号有一定关系。因此本发明利用RNN处理和预测序列数据的功能，将按步骤1生成的数据集，送入RNN模型训练，使其对数据进行特征提取和学习，经过调参对比，构建基于五层RNN的信号检测网络模型，信号检测网络模型训练完成后，如图1所示，不用再经过传统接收机的多项流程，直接将接收信号喂入信号检测网络，信号检测网络产生接收信号比特，用信号检测网络代替整个时变OFDM接收机，简化了接收机架构，同时也实现了对时变OFDM信号的低误比特率检测。

步骤三：信号检测网络模型的训练与测试

在网络训练前需预设好训练和测试参数：其中n_total为信号检测网络模型训练的总次数，n_train为每次训练中送入信号检测网络的训练数据组数，n_test为每次测试送入信号检测网络的测试数据组数，n_epoch为上一次测试与当前测试相隔的训练次数；

由于时变OFDM系统非常复杂，训练所需数据量十分巨大，为了防止过拟合，本发明采用在线生成训练数据和测试数据的方式训练网络，每次训练时产生n_train组发送信号比特和对应输入特征向量作为训练数据喂入信号检测网络，并期望信号检测网络从中学习；信号检测网络使用训练数据自动学习快速时变OFDM系统的特点，从而自动推断出接收信号与发送信号比特之间的函数关系式；

同时在训练过程中，每隔n_epoch次，随机产生n_test组发送信号比特和对应输入特征向量作为测试数据喂入信号检测网络，信号检测网络模型根据喂入的特征向量，产生预测出的发送数据比特，与真实的发送数据比特进行对比，测试网络当前的性能，当损失函数值上下浮动小于10％时，可认为网络已收敛。

本发明考虑了模型的进一步优化。如图1中虚线所示，对接收信号使用CPB信道估计算法，估计出信道参数信息，再将信道参数信息添加给信号检测网络模型，即RNN添加信道参数模型，进一步提高模型的信号检测性能。

误比特率是衡量数字通信系统可靠性和信道质量的主要指标。快速时变OFDM系统的信号检测误比特率会受到多普勒频移的影响，导致系统性能退化。针对快速时变OFDM系统，本发明提出了一种用于信号检测的信号检测网络模型，通过将整个时变OFDM接收端视为一个黑匣子来简化快速时变OFDM系统的结构。

实施例如下：

步骤一：信号检测网络模型输入数据的生成

本发明可预先设置时变OFDM系统中的参数来生成所需数据：

本发明中的导频训练符号设为

其中x_n/2是Matlab产生的伪随机噪声序列，n＝1,2,…,64；子载波数N＝64，循环前缀长度N_CP＝16；多径数目设为3，归一化后的三径多普勒频移大小ν＝{v₁,v₂,v₃}，其中v_i(i＝1,2,3)是服从均值区间[0.1,0.2]的均匀分布随机数；复幅度h＝{a₁+jb₁,a₂+jb₂,a₃+jb₃},其中a_i和b_i(i＝1,2,3)是服从均值为0，方差为0.5的独立正态分布随机数。

本发明采用的时变OFDM系统信号检测网络模型如图1所示，仿真时会先随机产生一组64位的发送数据信号比特流b_t＝{b₁,b₂,…,b₆₄}，其中b_i∈{0,1}，i＝1,2,…,64，与导频训练符号组成发送帧，经过BPSK调制后，进行串并转换。随后进行IFFT变换，再添加循环前缀以克服符号间干扰，得到最终的发送信号s[k]，其中k表示离散采样时间，经过并串转换后，送入快速时变OFDM信道，时变传输信道的冲激响应可以用下式表示

其中，h_l表示复幅度，v_l表示经过子载波间隔归一化后的各径多普勒频移大小；l表示可分辨的多径索引号；L和N分别表示可分辨的多径个数和子载波个数；m是一个临时变量，用来对这m条路径进行整体表达。同时，需注意到公式(1)中所给出的信道模型可以允许信道冲激响应在一个OFDM符号内发生变化，因此可以适用于快速时变信道。

经过时变信道和加噪后，在接收端得到接收信号r[k]的表达式如下

传统的OFDM接收机会对接收信号r[k]去除循环前缀，然后转换为并行数据流。经过快速傅立叶变换(Fast Fourie Transformations，FFT)，串并转换和解映射后，获得恢复的发送数据比特

在本发明提出的信号检测网络模型中，使用循环神经网络代替了整个OFDM接收机结构，也就是说，OFDM接收机被认为是一个大黑匣子，期望当网络训练完成后，给其输入接收信号，它能直接输出恢复数据比特流b_r，不用再进行接收端的后续处理，这样便简化了系统接收机的架构。

步骤二：构建信号检测网络模型

全连接深度神经网络的缺点是参数数量过大，容易过拟合且极易陷入局部最优，同时，DNN无法分析输入信息之间的整体逻辑序列，信息彼此间有着复杂的时间关联性，因此其无法对时间序列上的变化进行建模。相比于DNN，RNN在所有时刻中共享相同的参数，极大减少了需要学习参数的个数，更擅长解决与时间序列相关的问题。

在本发明中的快速时变OFDM系统中，规定一个训练符号和紧随其后的一个数据符号组成一个发送帧。由于子载波数N＝64，循环前缀长度N_cp＝16，所以一个符号的长度为80，一个发送帧的长度则为160。

经过多次调参尝试，本发明提出的信号检测网络模型的最优超参数设置如下：

RNN模型网络层数设为5层，分别由输入层，3层隐藏层，输出层组成。此网络针对设置工作场景具有足够的模拟能力，性能较好。如图2所示，输入层的神经元节点为320，，即信号检测网络模型的输入x_input＝{Re(r)，Im(r)}，其中接收信号r＝{r[1],r[2],…,r[160]}，Re(x)和Im(x)表示取复数x的实部和虚部；隐藏层节点分别为600，600，600；为了加快收敛速度并提高预测精度，将输出层节点设置为8，因此需要8个相同结构的RNN进行训练，将每8位进行连接以形成最终输出比特；隐藏层的激活函数为Relu(Rectified Linear Units)函数，即f_r＝max(x,0)，其中max(x,y)表示输出两个参数x和y的最大值；输出层的激活函数设为Sigmoid函数，即

因为发送数据比特是0或1，可以将其看成二分类问题，利用Sigmoid函数将网络的输出映射到区间[0,1]之间进行判断；损失函数选用均方误差(Mean Squared Error,MSE)函数，定义为

其中

是网络预测的发送比特，b_i是真实的发送比特，N是对应输出层的神经元节点数，本发明中N＝8；采用自适应矩估计法(Adaptive Moment Estimation，Adam)作为损失函数的优化器；学习学习速率设为0.001；网络的训练次数为5000次。

步骤三：信号检测网络模型的训练与测试

本发明采用在线生成训练数据和测试数据的方式来训练网络。每次训练时会按照步骤1产生5,000组发送信号比特和对应输入特征向量作为训练数据喂入网络。模型使用这些样本学习快速时变OFDM系统的特征，从而推断出接收信号与发送信号比特之间的复杂函数关系式，对于循环神经网络，它可以从大量数据中学习并推断出一个函数模型，逼近于这种关系式，形成一个稳定的模型。

通过反向传播(Back-Propagation,BP)算法将模型预测的发送信号比特与实际发送信号比特的误差，逐层向后传播；基于最小化损失函数的原则，网络神经元间的权重值将被自动调整并更新。每训练10次，我们随机产生5,000组发送信号比特和对应输入特征向量作为测试数据喂入网络，信号检测网络模型可以根据喂入的接收端信号与信道参数信息，生成模型预测出的发送数据比特，将其与真实发送数据比特进行对比，测试网络当前的性能。

信号检测网络模型的进一步优化：

在系统复杂度允许的情况下，本发明考虑模型的进一步优化。结合CPB算法，如图1中虚线所示，对接收信号r[k]使用CPB信道估计算法，估计出信道参数信息，将有用的信道参数信息添加给信号检测网络模型，即RNN添加信道参数模型，进一步提高模型的信号检测性能。

RNN添加信道参数模型网络的输入神经元节点为329，即模型的输入

其中

和

是使用CPB算法估计出的信道参数信息，模型的其余参数设置和训练测试方式皆与RNN模型保持一致。

本发明的效果可通过以下仿真进一步说明。

在实施例中，为了验证本发明所提方法的可行性，对所设计的基于深度学习的快速时变OFDM系统进行了性能仿真。

本发明的软件配置：编程语言Python 3.0，使用的深度学习平台为Google支持的Tensorflow。硬件配置:CPU为Inter Xeon Gold 5118，并使用GTX NVIDIA 1080Ti进行加速训练。

图3对文献1和文献2中的CPB算法与信号检测网络模型在不同SNR下的误比特性能进行了仿真。从图中可以看出，文献1中的CPB算法误比特性能最差。事实上，只有在多普勒频移参数较小时，例如，v_l＜0.1时，文献1中的算法才能使用，因此不能适用于快速时变信道。文献2的CPB算法误码率性能比文献1更好，Q(Q表示其算法中泰勒展开式的阶数)比较小时，增大Q值，会使算法性能提升，但这样做的代价是大大增加了算法的实现复杂度。与复杂的CPB算法相比，RNN的信号检测性能在低信噪比下提升明显，这是因为低信噪比下的CPB算法估计出的信道参数并没有特别精确，影响了后续信号检测的性能，但RNN不受影响。无论是低信噪比还是高信噪比条件下，本发明提出的信号检测网络模型都有着最优性能。同时，当网络训练完成后，只需喂入特征向量便能直接恢复出信号，大大减小了接收端信号处理的复杂度。

图4对比了RNN信号检测网络模型与DNN信号检测网络模型在不同SNR下的误比特性能。可以看出整体上DNN的检测性能低于RNN，当处于高信噪比时，DNN的检测性能趋于饱和，而RNN仍有很好的性能。这是因为DNN无法对时间序列上有变化的情况进行处理，在DNN中，每层神经元的信号只能向上一层传播，样本的处理在各个时刻独立，而在RNN中，神经元的输出可以在下一个时间段直接作用到自身，而OFDM时变信号通常是多路信号的叠加，每个载波上的信号并不是独立的，和临近的载波上的信号有叠加关系，所以相比于DNN，RNN更擅长解决与时间序列相关的问题。仿真结果表明经过训练的信号检测网络模型具有记住无线时变信道特征的能力，并提供了更准确，更强大的信号恢复性能。说明了本发明提出的信号检测方案具有良好的性能和可行性。

图5对比了RNN模型与添加信道参数的RNN模型的在不同SNR下的误差曲线。从图中可以看出，添加信道参数的RNN模型的性能始终优于不加参数的RNN模型，通过给模型增加有用的信道参数信息，模型更容易理解接收信号与信道参数之间的函数关系，从而更有效的进行信号恢复。所以，在系统复杂度允许的情况下，我们可以牺牲部分复杂度，换取信号检测性能的再一次提升。

图6展示了SNR＝30dB下，不加信道参数的RNN模型与添加信道参数的RNN模型的损失函数收敛曲线。从图中可以看出，通过给RNN增加有用的先验信道参数信息，有助于网络理解接收信号与信道参数之间的函数关系，使收敛速度更快，最终的损失函数收敛值也会更小，这再一次证明了RNN在解决与时间序列相关的问题上的强大能力。

本发明针对快速时变OFDM系统，在存在多路多普勒频移的情况下，打破原有的通信模式，将深度学习技术应用于快速时变OFDM系统，利用深度学习成功设计了一种基于循环神经网络的信号检测网络模型。通过Matlab和Python联合仿真验证了所提方法的可行性。本发明所提出的方法，具有很好的误比特性能，简化了OFDM接收机架构，降低了系统实现复杂度，表明了深度学习在无线通信系统具备了巨大的潜力。

Claims (2)

1.一种基于深度学习的时变OFDM系统信号检测方法，其特征在于包括下述步骤：

步骤一：信号检测网络模型输入数据集的生成

信号检测网络模型的输入数据的参数设置和生成方式如下：

导频训练符号设为

其中，x_n表示频域训练符号，n表示子载波所在频点的索引号；Python仿真时先随机产生信道参数多普勒频移ν和复幅度h；信道参数的设置如下：L径归一化多普勒大小ν＝{v₁,…,v_i，…,v_L}，其中，根据实际应用场景，v_i满足0.1≤v_i≤0.2，i＝1,2,…,L；L径复幅度h＝{a₁+jb₁,a₂+jb₂,…,a_i+jb_i,…,a_L+jb_L}，其中a_i和b_i是独立同分布正态分布随机数；

一帧包括一个训练符号和一个数据符号，帧结构推广至一个训练符号和紧随多个数据符号；信号检测网络输入数据的流程如下：

系统先随机产生发送数据信号比特流，与导频训练符号组成发送帧，再进行二进制相移键控调制，经过快速傅里叶逆变换后，添加循环前缀以克服符号间干扰；进行并串转换后，经过快速时变OFDM信道和加噪，得到接收信号，将接收信号的实部和虚部连接构成向量，并将向量作为信号检测网络模型的输入特征向量，标签向量为对应真实的发送数据信号比特；

步骤二：构建信号检测网络模型

利用RNN处理和预测序列数据的功能，将按步骤一生成的数据集，送入RNN模型训练，使其对数据进行特征提取和学习，经过调参对比，构建基于五层RNN的信号检测网络模型，信号检测网络模型训练完成后，直接将接收信号喂入信号检测网络，信号检测网络产生接收信号比特，用信号检测网络代替整个时变OFDM接收机；

步骤三：信号检测网络模型的训练与测试

在网络训练前需预设好训练和测试参数：其中n_total为信号检测网络模型训练的总次数，n_train为每次训练中送入信号检测网络的训练数据组数，n_test为每次测试送入信号检测网络的测试数据组数，n_epoch为上一次测试与当前测试相隔的训练次数；

采用在线生成训练数据和测试数据的方式训练网络，每次训练时产生n_train组发送信号比特和对应输入特征向量作为训练数据喂入信号检测网络，并期望信号检测网络从中学习；信号检测网络自动推断出接收信号与发送信号比特之间的函数关系式；

同时在训练过程中，每隔n_epoch次，随机产生n_test组发送信号比特和对应输入特征向量作为测试数据喂入信号检测网络，信号检测网络模型根据喂入的特征向量，产生预测出的发送数据比特，与真实的发送数据比特进行对比，测试网络当前的性能，当损失函数值上下浮动小于10％时，认为网络已收敛。

2.根据权利要求1所述的一种基于深度学习的时变OFDM系统信号检测方法，其特征在于：

模型优化时，接收信号使用CPB信道估计算法，估计出信道参数信息，再将信道参数信息添加给信号检测网络模型，即RNN添加信道参数模型，进一步提高模型的信号检测性能。

Images