CN114584448A - 基于深度神经网络的sm-ofdm信号分组检测方法 - Google Patents

Abstract

基于深度神经网络的SM‑OFDM信号分组检测方法，属于无线通信技术领域。该方法的实现过程主要分为三步：首先，基于SM‑OFDM系统仿真生成数据集，对数据进行预处理后生成特征向量；其次，搭建DNN网络，将特征向量与标签成对输入网络，采用监督学习方法进行离线训练；最后，在不同信噪比下，生成测试数据并输入训练好的网络，输出预测信息比特，进一步与发送信息比特比较，测试该网络的检测性能。本发明通过使用深度学习方法对SM‑OFDM信号按子载波分组进行检测，显著降低了网络复杂度。同时利用DNN强大的学习能力，能够以较低复杂度实现与传统最优最大似然(ML)检测方法相比拟的误比特率(BER)性能。

Description

基于深度神经网络的SM-OFDM信号分组检测方法

技术领域

本发明涉及一种基于深度神经网络的SM-OFDM信号分组检测方法，属于无线通信技术领域。

背景技术

空间调制(SM)是一种具有较高频谱效率和能量利用率的新型多天线传输技术，它将数字调制二维映射扩展为三维映射，增加空间维度，利用激活天线的索引携带部分信息比特，在较低复杂度水平下有效提升系统的频谱利用率，是一类非常有发展前景的无线物理层传输技术。另一方面，正交频分复用(OFDM)被认为是一种成熟的、非常流行的多载波调制方案，通过频分复用实现高速串行数据的并行传输，可以消除码间串扰的影响，具有较好的抗多径衰落的能力。将两种方案结合在一起称为空间调制正交频分复用(SM-OFDM)技术，额外的信息比特由子载波的激活天线索引传输，以提高数据传输速率和对抗子载波内天线间干扰(IAI)的能力。针对该系统的信号检测问题，一般采用传统的最大似然(ML)、最小均方误差(MMSE)检测方法，其中最大似然是最优检测，但其复杂度会随着天线数、调制阶数的增加呈指数型增长。近年来，机器学习在无线通信领域得到了长足的发展，并得到了广泛的应用。尤其是深度神经网络(DNN)，由于其强大的学习和适应能力，已在无线通信的信号检测领域显示出了良好的前景。

T.V.Luong等(参见T.V.Luong,Y.Ko,N.A.Vien,D.H.N.Nguyen andM.Matthaiou,"Deep Learning-Based Detector for OFDM-IM,"IEEE WirelessCommun.Lett.,vol.8,no.4,pp.1159-1162,Aug.2019.)介绍了利用深度学习在正交频分复用索引调制(OFDM-IM)系统信号检测中的首次尝试，提出一种新型的基于DNN的检测器，称为DeepIM，它使用一个具有全连接层的深度神经网络来恢复数据比特，仿真表明该方法可实现明显优于贪婪检测方法的性能，能够在较低运行时间下实现最优的误码率性能。上述检测方案利用了深度学习对信号检测进行处理，但复杂度的降低与性能的提升还有所欠缺，且未在SM-OFDM系统信号检测中得以应用。

发明内容

随着天线数和调制阶数的增加，传统最优ML检测方法的复杂度会呈指数型增长。为克服这一问题，本发明提出了一种基于深度神经网络的SM-OFDM信号分组检测方法，能够以较低复杂度实现与传统最优检测方法相比拟的性能。

本发明的技术方案如下：

一种基于深度神经网络的SM-OFDM即空间调制正交频分复用信号分组检测方法，由空间调制正交频分复用系统来实现，该系统包括发送端和接收端，发送端包括依次相连的SM模块、OFDM块生成器、OFDM调制模块和N_t根发射天线，接收端包括依次相连的N_r根接收天线、OFDM解调模块、特征向量生成器和G-DNN检测器；SM模块包括N组发射天线选择和调制符号选择；每根发射天线发送的OFDM符号包含N个子载波，设系统收发端天线间链路均经历独立瑞利衰落，噪声为加性高斯白噪声，接收端已知完美信道状态信息，信号调制阶数为M；首先，基于SM-OFDM系统仿真生成数据集，并对数据进行预处理后生成特征向量；其次，搭建DNN网络，将特征向量与标签成对输入网络，采用监督学习方法进行离线训练；最后，在不同信噪比下，生成测试数据并输入训练好的网络，输出预测信息比特，进一步与发送信息比特比较，测试该网络的检测性能，该方法利用DNN对SM-OFDM信号按子载波分组进行检测，其具体步骤如下：

1)基于SM-OFDM系统仿真生成数据集，对数据集进行预处理，生成特征向量：

在SM-OFDM系统中，信息比特流用一个N×P维的二元矩阵B表示，将其按行分为N组送入SM模块中，每组包含P＝log₂N_t+log₂M个比特，前项log₂N_t个比特进入发射天线选择后选择一根激活天线，其索引记为g；后项log₂M个比特进入调制符号选择后选择M阶调制星座符号，记为x_s；对第n组比特，经过SM映射后的发送符号向量表示为

其中n∈{1,2,...,N}，[]表示矩阵符号，T表示矢量转置，

表示复数集，

表示N_t×1维的复数向量，x_s位于向量X_n的第g行，即第g个位置处为非零元素x_s，其余元素均为零，对N组比特流完成SM映射后，得到N个调制符号向量，通过OFDM块生成器将其分配到N_t×N个子载波上，进入OFDM调制模块对每根天线上待发送的符号进行OFDM调制，即通过N_t个并行的归一化N点逆快速傅里叶变换生成N_t个OFDM符号；然后，对每个OFDM符号添加循环前缀，经过数模转换后同时从N_t根发射天线上发射；

该信号矩阵由发射天线经瑞利衰落信道发送到接收端，接收天线接收的符号输入到OFDM解调模块，对接收的N_r路数据进行与发送端相反的操作，即模数转换、去循环前缀，随后再进行归一化快速傅里叶变换得到一个N_r×N维的频域接收信号矩阵Y，其表达式为Y＝HX+V，

表示瑞利衰落信道矩阵，其各元素是独立的复高斯随机变量，服从均值为0，方差为1的复高斯分布，

表示发送信号矩阵，

表示加性高斯白噪声向量，其元素服从均值为0，方差为σ²的复高斯分布，第n列接收符号向量Y_n可表示为：

其中，

为第n组发送符号向量，

为第n组加性复高斯白噪声向量；

基于SM-OFDM系统仿真生成数据集，令其大小为2×10⁵，其中70％用于训练，30％用于验证；使用特征向量生成器对原始数据进行预处理，将其从复数数据转变为实向量，对第n组接收符号向量Y_n和信道矩阵H进行数据预处理，生成网络的输入矢量

其中

表示实数集，

表示(2N_r+2N_rN_t)×1维的实数向量，符号Re和Im分别表示复数的实部和虚部；

2)搭建DNN网络，将特征向量与标签成对输入网络，采用监督学习方法进行离线训练：

DNN网络包括输入层及L个全连接层，其中隐藏层个数为L-1个，根据输入特征矢量及标签即信息比特组的尺寸，设置输入层神经元个数为2(N_r+N_rN_t)，输出层神经元个数为P个，隐藏层层数及神经元个数可视实际系统大小而定，使用λ表示深度神经网络的网络参数，λ＝{λ₁,...,λ_l,...,λ_L}，l＝1,2,...,L，第l层的参数可以表示为λ_l＝{W_l,b_l}，W_l和b_l分别表示该层的权重矩阵和偏置矢量，那么第l层的输出可表示为Z_l＝f(W_lZ_l-1+b_l)，其中f(·)表示激活函数符号；设置隐藏层激活函数为ReLU函数，其表达式为f_Relu(x)＝max(0,x)，设置输出层激活函数为Sigmoid函数，其表达式为

深度神经网络的检测结果即第L层的输出表示为Z_L＝f_Sig(W_L(f_Relu(W_L-1(...f_Relu(W₁Z₀+b₁)...)+b_L-1))+b_L)，其中，Z₀是网络的输入向量，等价于d_n，W_L、W_L-1和W₁分别表示第L，L-1和1层的权重矩阵，b_L、b_L-1和b₁分别表示第L，L-1和1层的偏置矢量；选择交叉熵

作为损失函数，其中z_i为实际的比特，

为预测的比特；在损失函数后加入L2正则项优化目标函数，得到平滑的解，其中L2正则项为权重向量的L2范数，即对权重向量各元素的平方和求平方根；设置学习率为0.001，采用高效自适应动量优化算法加快网络收敛速度，实现轻量化DNN设计；所提方案对信号按子载波分组进行检测，仅需用某组比特流对应的接收信号和信道状态信息训练网络，可实现对所有分组比特流的解调与恢复，将第n组特征向量与标签成对输入上述的网络模型，采用监督学习的方法进行离线训练；

3)在不同信噪比下，生成测试数据并输入训练好的网络，输出预测信息比特，进一步与发送信息比特比较，测试该网络的检测性能：

网络离线训练完成后，实现在线部署，首先，基于SM-OFDM系统在不同信噪比下生成测试数据，针对每条数据，通过特征向量生成器分别对N组比特对应的接收信号和信道矩阵进行数据预处理并提取特征，生成特征向量，然后将其输入到G-DNN检测器，输出N组信息比特，随后拼接N组比特得到最终检测信息比特矩阵

然后，对比原始发送的信息比特矩阵B和检测信息比特矩阵

测试该网络的检测性能。

所述G-DNN为英文Group-Deep Neural Network的缩写，意思为分组深度神经网络。

本发明提出了一种基于深度神经网络的SM-OFDM信号分组检测方法，使用深度学习对SM-OFDM信号按子载波分组进行检测，显著降低了网络复杂度，同时利用DNN强大的学习能力，能够以较低复杂度实现与传统最优检测方法相比拟的性能。

附图说明

图1是本发明方法的系统结构示意框图。

图2是本发明方法的检测网络结构示意图。

图3是在发射天线N_t＝2，接收天线N_r＝2，子载波数N＝128，调制方式为BPSK的配置下，本发明方法与最大似然(ML)、最大比合并(MRC)等传统检测方法的系统误比特率性能仿真对比图。由图3可以看出，该方法的误比特率性能远好于MRC检测，且能达到与ML最优检测方法相比拟的性能。

具体实施方式

下面结合附图和实施例对本发明作进一步说明，但不限于此。

实施例：

一种基于深度神经网络的SM-OFDM即空间调制正交频分复用信号分组检测方法，由空间调制正交频分复用系统来实现，如图1所示，该系统包括发送端和接收端，发送端包括依次相连的SM模块、OFDM块生成器、OFDM调制模块和N_t根发射天线，接收端包括依次相连的N_r根接收天线、OFDM解调模块、特征向量生成器和G-DNN检测器；SM模块包括N组发射天线选择和调制符号选择；每根发射天线发送的OFDM符号包含N个子载波，设系统收发端天线间链路均经历独立瑞利衰落，噪声为加性高斯白噪声，接收端已知完美信道状态信息，信号调制阶数为M；首先，基于SM-OFDM系统仿真生成数据集，并对数据进行预处理后生成特征向量；其次，搭建DNN网络，将特征向量与标签成对输入网络，采用监督学习方法进行离线训练；最后，在不同信噪比下，生成测试数据并输入训练好的网络，输出预测信息比特，进一步与发送信息比特比较，测试该网络的检测性能，该方法利用DNN对SM-OFDM信号按子载波分组进行检测，其具体步骤如下：

1)基于SM-OFDM系统仿真生成数据集，对数据集进行预处理，生成特征向量：

在SM-OFDM系统中，信息比特流用一个N×P维的二元矩阵B表示，将其按行分为N组送入SM模块中，每组包含P＝log₂N_t+log₂M个比特，前项log₂N_t个比特进入发射天线选择后选择一根激活天线，其索引记为g；后项log₂M个比特进入调制符号选择后选择M阶调制星座符号，记为x_s；对第n组比特，经过SM映射后的发送符号向量表示为

其中n∈{1,2,...,N}，[]表示矩阵符号，T表示矢量转置，

表示复数集，

表示N_t×1维的复数向量，x_s位于向量X_n的第g行，即第g个位置处为非零元素x_s，其余元素均为零，对N组比特流完成SM映射后，得到N个调制符号向量，通过OFDM块生成器将其分配到N_t×N个子载波上，进入OFDM调制模块对每根天线上待发送的符号进行OFDM调制，即通过N_t个并行的归一化N点逆快速傅里叶变换生成N_t个OFDM符号；然后，对每个OFDM符号添加循环前缀，经过数模转换后同时从N_t根发射天线上发射；

该信号矩阵由发射天线经瑞利衰落信道发送到接收端，接收天线接收的符号输入到OFDM解调模块，对接收的N_r路数据进行与发送端相反的操作，即模数转换、去循环前缀，随后再进行归一化快速傅里叶变换得到一个N_r×N维的频域接收信号矩阵Y，其表达式为Y＝HX+V，

表示瑞利衰落信道矩阵，其各元素是独立的复高斯随机变量，服从均值为0，方差为1的复高斯分布，

表示发送信号矩阵，

表示加性高斯白噪声向量，其元素服从均值为0，方差为σ²的复高斯分布，第n列接收符号向量Y_n可表示为：

其中，

为第n组发送符号向量，

为第n组加性复高斯白噪声向量；

基于SM-OFDM系统仿真生成数据集，令其大小为2×10⁵，其中70％用于训练，30％用于验证；使用特征向量生成器对原始数据进行预处理，将其从复数数据转变为实向量，对第n组接收符号向量Y_n和信道矩阵H进行数据预处理，生成网络的输入矢量

其中

表示实数集，

表示(2N_r+2N_rN_t)×1维的实数向量，符号Re和Im分别表示复数的实部和虚部；

2)搭建DNN网络，将特征向量与标签成对输入网络，采用监督学习方法进行离线训练：

DNN网络包括输入层及L个全连接层，其中隐藏层个数为L-1个，根据输入特征矢量及标签即信息比特组的尺寸，设置输入层神经元个数为2(N_r+N_rN_t)，输出层神经元个数为P个，隐藏层层数及神经元个数可视实际系统大小而定，使用λ表示深度神经网络的网络参数，λ＝{λ₁,...,λ_l,...,λ_L}，l＝1,2,...,L，第l层的参数可以表示为λ_l＝{W_l,b_l}，W_l和b_l分别表示该层的权重矩阵和偏置矢量，那么第l层的输出可表示为Z_l＝f(W_lZ_l-1+b_l)，其中f(·)表示激活函数符号；设置隐藏层激活函数为ReLU函数，其表达式为f_Relu(x)＝max(0,x)，设置输出层激活函数为Sigmoid函数，其表达式为

深度神经网络的检测结果即第L层的输出表示为Z_L＝f_Sig(W_L(f_Relu(W_L-1(...f_Relu(W₁Z₀+b₁)...)+b_L-1))+b_L)，其中，Z₀是网络的输入向量，等价于d_n，W_L、W_L-1和W₁分别表示第L，L-1和1层的权重矩阵，b_L、b_L-1和b₁分别表示第L，L-1和1层的偏置矢量；选择交叉熵

作为损失函数，其中z_i为实际的比特，

为预测的比特；在损失函数后加入L2正则项优化目标函数，得到平滑的解，其中L2正则项为权重向量的L2范数，即对权重向量各元素的平方和求平方根；设置学习率为0.001，采用高效自适应动量优化算法加快网络收敛速度，实现轻量化DNN设计；所提方案对信号按子载波分组进行检测，仅需用某组比特流对应的接收信号和信道状态信息训练网络，可实现对所有分组比特流的解调与恢复，将第n组特征向量与标签成对输入上述的网络模型，采用监督学习的方法进行离线训练；

3)在不同信噪比下，生成测试数据并输入训练好的网络，输出预测信息比特，进一步与发送信息比特比较，测试该网络的检测性能：

网络离线训练完成后，实现在线部署，首先，基于SM-OFDM系统在不同信噪比下生成测试数据，针对每条数据，通过特征向量生成器分别对N组比特对应的接收信号和信道矩阵进行数据预处理并提取特征，生成特征向量，然后将其输入到G-DNN检测器，输出N组信息比特，随后拼接N组比特得到最终检测信息比特矩阵

然后，对比原始发送的信息比特矩阵B和检测信息比特矩阵

测试该网络的检测性能。

Claims (1)

1.一种基于深度神经网络的SM-OFDM即空间调制正交频分复用信号分组检测方法，由空间调制正交频分复用系统来实现，该系统包括发送端和接收端，发送端包括依次相连的SM模块、OFDM块生成器、OFDM调制模块和N_t根发射天线，接收端包括依次相连的N_r根接收天线、OFDM解调模块、特征向量生成器和G-DNN检测器；SM模块包括N组发射天线选择和调制符号选择；每根发射天线发送的OFDM符号包含N个子载波，设系统收发端天线间链路均经历独立瑞利衰落，噪声为加性高斯白噪声，接收端已知完美信道状态信息，信号调制阶数为M；首先，基于SM-OFDM系统仿真生成数据集，并对数据进行预处理后生成特征向量；其次，搭建DNN网络，将特征向量与标签成对输入网络，采用监督学习方法进行离线训练；最后，在不同信噪比下，生成测试数据并输入训练好的网络，输出预测信息比特，进一步与发送信息比特比较，测试该网络的检测性能，该方法利用DNN对SM-OFDM信号按子载波分组进行检测，其具体步骤如下：

1)基于SM-OFDM系统仿真生成数据集，对数据集进行预处理，生成特征向量：

在SM-OFDM系统中，信息比特流用一个N×P维的二元矩阵B表示，将其按行分为N组送入SM模块中，每组包含P＝log₂N_t+log₂M个比特，前项log₂N_t个比特进入发射天线选择后选择一根激活天线，其索引记为g；后项log₂M个比特进入调制符号选择后选择M阶调制星座符号，记为x_s；对第n组比特，经过SM映射后的发送符号向量表示为

其中n∈{1,2,...,N}，[]表示矩阵符号，T表示矢量转置，

表示复数集，

表示N_t×1维的复数向量，x_s位于向量X_n的第g行，即第g个位置处为非零元素x_s，其余元素均为零，对N组比特流完成SM映射后，得到N个调制符号向量，通过OFDM块生成器将其分配到N_t×N个子载波上，进入OFDM调制模块对每根天线上待发送的符号进行OFDM调制，即通过N_t个并行的归一化N点逆快速傅里叶变换生成N_t个OFDM符号；然后，对每个OFDM符号添加循环前缀，经过数模转换后同时从N_t根发射天线上发射；

该信号矩阵由发射天线经瑞利衰落信道发送到接收端，接收天线接收的符号输入到OFDM解调模块，对接收的N_r路数据进行与发送端相反的操作，即模数转换、去循环前缀，随后再进行归一化快速傅里叶变换得到一个N_r×N维的频域接收信号矩阵Y，其表达式为Y＝HX+V，

表示瑞利衰落信道矩阵，其各元素是独立的复高斯随机变量，服从均值为0，方差为1的复高斯分布，

表示发送信号矩阵，

表示加性高斯白噪声向量，其元素服从均值为0，方差为σ²的复高斯分布，第n列接收符号向量Y_n可表示为：

其中，

为第n组发送符号向量，

为第n组加性复高斯白噪声向量；

基于SM-OFDM系统仿真生成数据集，令其大小为2×10⁵，其中70％用于训练，30％用于验证；使用特征向量生成器对原始数据进行预处理，将其从复数数据转变为实向量，对第n组接收符号向量Y_n和信道矩阵H进行数据预处理，生成网络的输入矢量

其中

表示实数集，

表示(2N_r+2N_rN_t)×1维的实数向量，符号Re和Im分别表示复数的实部和虚部；

2)搭建DNN网络，将特征向量与标签成对输入网络，采用监督学习方法进行离线训练：

DNN网络包括输入层及L个全连接层，其中隐藏层个数为L-1个，根据输入特征矢量及标签即信息比特组的尺寸，设置输入层神经元个数为2(N_r+N_rN_t)，输出层神经元个数为P个，隐藏层层数及神经元个数可视实际系统大小而定，使用λ表示深度神经网络的网络参数，λ＝{λ₁,...,λ_l,...,λ_L}，l＝1,2,...,L，第l层的参数可以表示为λ_l＝{W_l,b_l}，W_l和b_l分别表示该层的权重矩阵和偏置矢量，那么第l层的输出可表示为Z_l＝f(W_lZ_l-1+b_l)，其中f(·)表示激活函数符号；设置隐藏层激活函数为ReLU函数，其表达式为f_Relu(x)＝max(0,x)，设置输出层激活函数为Sigmoid函数，其表达式为

深度神经网络的检测结果即第L层的输出表示为Z_L＝f_Sig(W_L(f_Relu(W_L-1(...f_Relu(W₁Z₀+b₁)...)+b_L-1))+b_L)，其中，Z₀是网络的输入向量，等价于d_n，W_L、W_L-1和W₁分别表示第L，L-1和1层的权重矩阵，b_L、b_L-1和b₁分别表示第L，L-1和1层的偏置矢量；选择交叉熵

作为损失函数，其中z_i为实际的比特，

为预测的比特；在损失函数后加入L2正则项优化目标函数，得到平滑的解，其中L2正则项为权重向量的L2范数，即对权重向量各元素的平方和求平方根；设置学习率为0.001，采用高效自适应动量优化算法加快网络收敛速度，实现轻量化DNN设计；所提方案对信号按子载波分组进行检测，仅需用某组比特流对应的接收信号和信道状态信息训练网络，可实现对所有分组比特流的解调与恢复，将第n组特征向量与标签成对输入上述的网络模型，采用监督学习的方法进行离线训练；

3)在不同信噪比下，生成测试数据并输入训练好的网络，输出预测信息比特，进一步与发送信息比特比较，测试该网络的检测性能：

网络离线训练完成后，实现在线部署，首先，基于SM-OFDM系统在不同信噪比下生成测试数据，针对每条数据，通过特征向量生成器分别对N组比特对应的接收信号和信道矩阵进行数据预处理并提取特征，生成特征向量，然后将其输入到G-DNN检测器，输出N组信息比特，随后拼接N组比特得到最终检测信息比特矩阵

然后，对比原始发送的信息比特矩阵B和检测信息比特矩阵

测试该网络的检测性能。

Images