CN112242969A - 一种基于模型驱动的深度学习的新型单比特ofdm接收机 - Google Patents
一种基于模型驱动的深度学习的新型单比特ofdm接收机 Download PDFInfo
- Publication number
- CN112242969A CN112242969A CN202011115068.6A CN202011115068A CN112242969A CN 112242969 A CN112242969 A CN 112242969A CN 202011115068 A CN202011115068 A CN 202011115068A CN 112242969 A CN112242969 A CN 112242969A
- Authority
- CN
- China
- Prior art keywords
- bit
- model
- channel estimation
- signal detection
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
- H04L27/2647—Arrangements specific to the receiver only
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Detection And Prevention Of Errors In Transmission (AREA)
Abstract
本发明公开了一种基于模型驱动的深度学习的新型单比特OFDM接收机,其特征在于:由信道估计模块和信号检测模块组成,所述信道估计模块和信号检测模块先利用通信算法对输入数据进行初始化,然后利用神经网络对输出结果进行优化。本发明在传统的单比特OFDM接收机设计基础之上,利用深度学习领域中模型驱动方法改进其设计,旨在提高其误码率。对于正交频分复用(OFDM)接收机,在单比特量化的限制下,进行精确的信道估计和信号检测非常困难,但是单比特量化可以大大降低系统功率损耗和复杂度。从误码率(BER)性能的角度来看,该方案优于AE‑OFDM方案以及传统的单比特接收机方案。
Description
技术领域
本发明涉及无线通信以及深度学习领域,特别是涉及无线通信中OFDM系统的单比特接收机。
背景技术
正交频分复用(OFDM)技术由于其强大的抗频率选择性衰落或窄带干扰的能力,目前被广泛应用在很多技术领域,比如:数字音频广播(DAB)、无线局域网(WLAN)、4G以及5G等。通常,在OFDM系统接收机中,模数转换器(ADC)导致大量的功率损耗,这一特性阻碍了多天线和大带宽系统的发展,虽然对OFDM接收信号进行单比特量化可以显著降低功率损耗,但这样做会导致在频域中出现严重的载波间干扰(ICI)。这是由于OFDM子载波的正交性很容易被破坏,并且OFDM系统往往会产生较高的峰均功率比(PAPR)。因此,对于具有单比特接收机的OFDM系统进行精确的信道估计和信号检测是极其困难的。这意味着我们很难从接收到的数据中准确地恢复原始输入数据。所以,设计一种不仅可以降低系统功率损耗,而且可以更精确地恢复原始输入数据的OFDM接收机是很有必要的。
当前,已有大量学者对低分辨率ADC进行了充分研究。在一些文献中,研究者将低分辨率ADC应用于多输入多输出系统中(MIMO),基于毫米波多输入多输出系统提出了一种宽带信道估计算法。还有一些文献正在研究如何将单比特ADC应用于上行大规模MIMO系统。有学者提出了一种应用于上行链路的多用户大规模MIMO系统的近最大似然(nML)检测器,其中每个天线均与一个单比特ADC对应连接。另有文献研究了大规模MIMO系统中单载波和OFDM传输的频谱效率,并得出结论,具有单比特ADC的宽带大规模MIMO的上行链路性能表现良好。
近年来,由于深度学习(DL)在数据挖掘(DM)、视觉(CV)、自动语音识别(ASR)和自然语言处理(NLP)等方面的巨大成功,其已成为最热门的研究领域之一。更重要的是,DL不仅是用于认知任务的工具,而且由于其强大的数据处理和分析能力,在无线通信物理层领域中也显示出了巨大的应用潜力。已有一些文献探讨了将DL与通信物理层相结合的可行性,研究方向主要分为数据驱动型DL和模型驱动型DL,并已经得到了初步的研究结论,证明了DL在无线通信领域具有巨大的应用潜力。但目前还没有将DL应用与单比特OFDM接收机的相关研究,因此,本发明针对此应用进行了研究。
发明内容
本发明针对单比特OFDM接收机的应用可以降低系统功率损耗,但是对于OFDM接收信号进行单比特量化,会引起巨大的非线性失真,导致整个系统的误码率性能下降的缺陷,提出一种基于模型驱动的深度学习的新型单比特OFDM接收机。
本发明结合DL在信道估计和信号检测方面的巨大应用潜力,利用DL分别优化了OFDM系统中的信道估计和信号检测模块,而不仅仅是利用自编码器代替整个接收机,旨在保证系统低功耗的同时,提高误码率性能。
技术方案:为了实现上述目的,本发明的技术方案如下所述:
本发明的新型单比特OFDM接收机结构与传统接收机结构的主要区别点如下:
第一:本发明的接收机在接收到信号y(k)之前,该信号首先被单比特ADC进行单比特量化处理,接下来去除循环前缀(CP)并执行傅立叶变换(FFT),处理完成后的频域接收信号Yq(n)由如下公式表达:
其中,Yq(k)表示量化后的接收信号,考虑到量化误差Q(n)和ISII(n),Yq(n)可以被表示成:
Yq(n)=X(n)H(n)+1(n)+Q(n)+W(n)
其中
第二:本发明的频域接收信号Yq(n)分别经过基于DL的信道估计和信号检测模块处理之后,可以获取到原始输入信号。与自编码器结构不同,本发明所设计接收机利用传统通信算法如LS、ZF分别对信道估计和信号检测模块的输入信号进行预处理。除此之外,考虑到DL所展现出的强大的从大量数据中提取信息的能力,本发明利用神经网络对信道估计和信号检测模块的输入信号进一步处理,以提高输出的准确性。
为了获取更为精确的信道状态信息 被分解为实部和虚部,然后串联通过一个单隐藏层的神经网络,其输出为该层网络隐藏层数量可设置为128,与实部和虚部分解组合而成的输入数组长度一致。为了简化该层网络的结构,没有对网络中的神经元设置激活函数。
其中YD,q(n)代表第n个子载波的量化接收符号。为了恢复原始的输入比特流,经过一个具备多个隐藏层的神经网络,每一层网络含有nl个神经元和1个偏差单元。每个神经元表示前一层输出值加权总和的非线性变换。
该网络的输入数据可由下列公式表示:
该网络的输出可表示为:
L表示总层数,Wl为第l层和第l-1层的权重矩阵,bl为该网络结构第l层的偏差向量σ(·)代表激活函数。
训练细节:我们将原始输入比特流s作为标签数据,通过减少s和之间的损失函数值对整个DL神经网络模型进行训练,在训练过程中不断优化每个神经元的权重和偏差值,直至损失函数值达到最小。为了能够达到这一目标,需要对该神经网络选择合适的损失函数。对于DNN模型,最小均方误差函数(MSE)是目前深度学习领域中应用最广泛的损失函数之一,因此,我们选择MSE作为损失函数进行训练。该损失函数可由如下公式表示:
在深度学习领域中,研究者已经提出了大量的优化算法,通过这些算法来更新网络中每一个神经元的权重和偏差值,以使得损失函数值达到最小。在本发明所设计的单比特OFDM接收机中,我们选择ADAM优化器。该优化器利用一阶和二阶动态调整DL网络每个参数的学习率。更重要的是,对于ADAM优化器,每次迭代后,学习率都会有一个清晰的范围,这使得每个神经元的参数平缓地发生变化。在信道估计模块中,网络结构是一个单隐藏层的神经网络,其输入数据是的实部和虚部级联构成的一个一维数组。输入数据转换为实值的原因是基于DL的算法支持实数运算。
对于整个OFDM系统,子载波数量设置为64,因此该层网络的神经元数量被设置为128。需要注意,该网络的每一个神经元都没有激活函数,可以称之为线性信道估计器。对于信号检测模块,采用了一个更为复杂的有多个隐藏层的FC-DNN的网络结构来预测原始输入比特流。由于DNN型网络比单层神经网络具有更多的参数,这意味着DNN网络可以通过训练更多数据以发现数据之间的联系。该网络的输入数据由的实部和虚部以及的实部和虚部四部分级联而成的一维数组构成,重要的是,与当前接收到的数据合并在一起,以便FC-DNN可以提取有关信道的更多信息,并进一步提高信号检测的准确性。因此,输入层的神经元数量被设置为256。
对于输出层中的每一个神经元,选择线性函数作为其激活函数。在线性激活函数的影响下,可以获取到连续向量。然后,根据最小欧式距离准则,将该向量的每一项分别映射到星座图中。对于输入层和隐藏层中的每一个神经元,选择RELU激活函数作为其激活函数。RELU激活函数可由如下公式表示:
接收到的数据经过信道估计模块和信号检测模块的处理之后,再经过QAM解调处理,可以获取到最终的二进制输出比特流。下表展示了整个DNN网络结构的详细参数:
其中l1表示信道估计模块中的单层网络,神经元数量为128,没有激活函数。l2表示信号检测模块中的输入层,神经元数量为256,激活函数选用RELU,l3,l4,l5分别表示信号检测模块中的隐藏层,每一层神经元的数量依次为512、256、128,激活函数均采用RELU。l6为信号检测模块的输出层,神经元数量为64,激活函数采用Sigmoid。网络模型搭建完成后,在TensorFlow中依次训练两个模块,其中将信道估计模块训练1000个周期,然后固定其网络参数,对信号检测模块进行1000个周期的训练。选择合适的超参数对于提高整个网络的训练效率十分重要。对于本发明中所采用的ADAM优化器而言,需要设置的超参数有学习率α,指数衰减率(β1,β2)以及干扰项∈。一般来说,这些超参数在训练的后期阶段几乎不需要调整,这极大地促进了网络训练的效率。下表展示了本发明在训练过程中所设置的超参数的初始值:
学习率设置为0.001并且呈指数下降,为了加速网络的训练,采用了最小批梯度下降算法。总批次大小为1000,每一个大批次包含50个小批次。借助mini-batch技术,我们可以充分利用GPU的高吞吐量并行处理能力来最大程度地降低其高IO延迟。除此之外,如果训练的关键指标系统误码率(BER)在最近一次训练中几乎没有改善,我们采用了提前停止机制来终止整个网络的训练,以防止训练陷入局部最优解。
有益效果:本发明在传统的单比特OFDM接收机设计基础之上,利用深度学习领域中模型驱动方法改进其设计,旨在提高其误码率。对于正交频分复用(OFDM)接收机,在单比特量化的限制下,进行精确的信道估计和信号检测非常困难,但是单比特量化可以大大降低系统功率损耗和复杂度。从误码率(BER)性能的角度来看,该方案优于AE-OFDM方案以及传统的单比特接收机方案,同时降低了系统功率损耗。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1整个OFDM系统结构图;
图2单比特OFDM接收机框图;
图3不同神经网络层数下的误码率曲线图;
图4不同导频符号数量下的误码率曲线图;
图5传统接收机、基于自编码器的接收机以及本发明方案误码率曲线对比图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例
为了评估本发明所设计的新型单比特OFDM接收机的性能,我们进行了大量实验进行验证,具体实施环节可分为以下步骤:
S1、根据附图1搭建OFDM系统模型,整个系统的默认参数如下表所示:
子载波数量设置为64,循环前缀长度为16,载频fc为2.6GHZ,调制方式为正交振幅调制(QAM),采样周期设置为4μs。
S2、整个OFDM系统模型搭建好之后,需要对信道估计模块和信号检测模块中的神经网络结构进行配置,按照表1,表2参数值进行配置。
S3/待神经网络模型搭建完毕,可以开始对整个模型进行训练。训练和测试数据均在WINNER2信道条件下生成,其中训练数据集共包含300000个样本,测试数据集共包含100000个样本。在训练过程中监控损失函数值变化,同时监控不同信噪比(SNR)下的系统误码率曲线变化。
仿真结果1:图3展示出不同数量的DNN网络层数下的误码率曲线变化,可以看出随着误码率的增加,每条曲线都呈现出微弱的下降趋势,当隐藏层数为3时,误码率性能表现最佳,因此网络最终的隐藏层数设置为了3。理论上来看,神经网络的学习能力随着网络层数的加深会进一步改善,但是在本发明中,隐藏层数不再是影响网络的唯一因素,并且随着梯度的消失,网络越深,对其的训练将变得越来越困难。这也就解释了为什么随着隐藏层的数量增加(大于5)时,其误码率性能不再提高,反而变得更差。因此,网络层数的选择对于训练结果的影响也是至关重要的。
仿真结果2:考虑到在OFDM系统中,导频符号的数量对于信道估计的性能有重要影响。因此,我们对比了不同导频符号数量下的误码率,如附图4所示。可以看出,由于在传统方案的检测中未使用信道的先验统计信息,因此本发明的误码率性能比具有相同导频数的传统单比特OFDM接收机的性能要好得多。还可以看出,随着导频数量的增加,无论是传统的接收机方案还是本发明方案,其误码率性能都有所提升。这主要是由于,导频符号的数量越多,所估计出的信道状态信息越精确。但是导频符号的数量过分会导致频谱利用率降低。因此,本发明方案中设置导频符号数量为16,这样设置既保证了误码率也保证了频谱利用率。
仿真结果3:最后我们对比了本发明方案的误码率性能与传统的单比特OFDM接收机以及基于自编码器的单比特接收机方案,结果如图5所示。可以看出,传统方案的误码率性能最差,这主要是由于对于接收信号进行单比特量化会导致OFDM系统出现严重的非线性失真,因此信道估计的准确性会非常低。另外,基于自编码器的方案以及本方案的误码率性能要优于传统方案,这也证明了神经网络确实能够弥补单比特量化导致的误码率性能损失。更重要的是,本发明方案的误码率性能优于基于自编码器的方案。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于模型驱动的深度学习的新型单比特OFDM接收机,其特征在于:由信道估计模块和信号检测模块组成,所述信道估计模块和信号检测模块先利用通信算法对输入数据进行初始化,然后利用神经网络对输出结果进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011115068.6A CN112242969A (zh) | 2020-10-19 | 2020-10-19 | 一种基于模型驱动的深度学习的新型单比特ofdm接收机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011115068.6A CN112242969A (zh) | 2020-10-19 | 2020-10-19 | 一种基于模型驱动的深度学习的新型单比特ofdm接收机 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112242969A true CN112242969A (zh) | 2021-01-19 |
Family
ID=74169035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011115068.6A Withdrawn CN112242969A (zh) | 2020-10-19 | 2020-10-19 | 一种基于模型驱动的深度学习的新型单比特ofdm接收机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112242969A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113242195A (zh) * | 2021-06-30 | 2021-08-10 | 重庆邮电大学 | 一种低精度全数字架构下窄带毫米波mimo信道估计方法 |
CN113676431A (zh) * | 2021-07-08 | 2021-11-19 | 东南大学 | 一种基于模型驱动的无循环前缀mimo-ofdm接收方法 |
CN115395991A (zh) * | 2022-07-13 | 2022-11-25 | 北京信息科技大学 | 一种非线性多输入多输出信道估计方法和估计系统 |
CN116400319A (zh) * | 2023-06-08 | 2023-07-07 | 深圳大学 | 基于单比特量化天线阵列的到达角估计方法及相关设备 |
-
2020
- 2020-10-19 CN CN202011115068.6A patent/CN112242969A/zh not_active Withdrawn
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113242195A (zh) * | 2021-06-30 | 2021-08-10 | 重庆邮电大学 | 一种低精度全数字架构下窄带毫米波mimo信道估计方法 |
CN113242195B (zh) * | 2021-06-30 | 2022-06-24 | 重庆邮电大学 | 一种低精度全数字架构下窄带毫米波mimo信道估计方法 |
CN113676431A (zh) * | 2021-07-08 | 2021-11-19 | 东南大学 | 一种基于模型驱动的无循环前缀mimo-ofdm接收方法 |
CN115395991A (zh) * | 2022-07-13 | 2022-11-25 | 北京信息科技大学 | 一种非线性多输入多输出信道估计方法和估计系统 |
CN115395991B (zh) * | 2022-07-13 | 2023-08-25 | 北京信息科技大学 | 一种非线性多输入多输出信道估计方法和估计系统 |
CN116400319A (zh) * | 2023-06-08 | 2023-07-07 | 深圳大学 | 基于单比特量化天线阵列的到达角估计方法及相关设备 |
CN116400319B (zh) * | 2023-06-08 | 2023-08-25 | 深圳大学 | 基于单比特量化天线阵列的到达角估计方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112242969A (zh) | 一种基于模型驱动的深度学习的新型单比特ofdm接收机 | |
CN112600772B (zh) | 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法 | |
CN110113288B (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
CN110336594B (zh) | 一种基于共轭梯度下降法的深度学习信号检测方法 | |
CN109672639B (zh) | 一种基于机器学习的信号解调方法 | |
CN113630130B (zh) | 端到端数字通信解调方法 | |
Zhang et al. | Deep learning based on orthogonal approximate message passing for CP-free OFDM | |
CN109474388B (zh) | 基于改进梯度投影法的低复杂度mimo-noma系统信号检测方法 | |
CN110598677A (zh) | 一种用于自动调制识别的时空多通道深度学习系统 | |
CN113965440A (zh) | 一种双通道混合深度神经网络ofdm无线通信盲接收方法 | |
CN110311876A (zh) | 基于深度神经网络的水声正交频分复用接收机的实现方法 | |
Daldal et al. | Deep long short-term memory networks-based automatic recognition of six different digital modulation types under varying noise conditions | |
CN112953862A (zh) | 一种基于深度学习的高速铁路场景信道估计方法 | |
Zhao et al. | Multi-task learning based underwater acoustic OFDM communications | |
CN114337750B (zh) | 一比特量化输出的大规模天线系统实现方法以及系统装置 | |
CN114745248A (zh) | 基于卷积神经网络的dm-gsm信号检测方法 | |
He et al. | Deep learning-based automatic modulation recognition algorithm in non-cooperative communication systems | |
An et al. | Blind high-order modulation recognition for beyond 5G OSTBC-OFDM systems via projected constellation vector learning network | |
CN115913849A (zh) | 基于一维复值残差网络的电磁信号辨识方法 | |
KR102596571B1 (ko) | 가시광 통신에서 일반적인 led 인덱스 기반 변조 방식용 딥 러닝 기반의 인덱스 추정기 | |
Yıldırım et al. | Deep receiver design for multi-carrier waveforms using cnns | |
Huynh-The et al. | Deep learning-based automatic modulation classification for wireless ofdm communications | |
Yadav et al. | Application of Machine Learning Framework for Next‐Generation Wireless Networks: Challenges and Case Studies | |
Lu et al. | An improved one-bit ofdm receiver based on model-driven deep learning | |
Jariwala et al. | Automatic modulation classification: a novel convolutional neural network based approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210119 |
|
WW01 | Invention patent application withdrawn after publication |