CN115664898B - 一种基于复数卷积神经网络的ofdm系统信道估计方法及系统 - Google Patents
一种基于复数卷积神经网络的ofdm系统信道估计方法及系统 Download PDFInfo
- Publication number
- CN115664898B CN115664898B CN202211305185.8A CN202211305185A CN115664898B CN 115664898 B CN115664898 B CN 115664898B CN 202211305185 A CN202211305185 A CN 202211305185A CN 115664898 B CN115664898 B CN 115664898B
- Authority
- CN
- China
- Prior art keywords
- complex
- neural network
- channel
- convolutional neural
- channel estimation
- 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.)
- Active
Links
Classifications
-
- 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
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明涉及一种基于复数卷积神经网络的OFDM系统信道估计方法及系统,包括:通过最小二乘法对OFDM系统接收端所接收到的导频信号进行初步估计得到OFDM系统信道特征矩阵pr_H;构建复数信道估计卷积神经网络CEN,对信道特征矩阵pr_H进行缺失值检查处理,并与已知信道信息H打包作为复数信道估计卷积神经网络CEN的训练样本;将训练样本输入到复数信道估计卷积神经网络CEN中进行训练,通过复数信道估计卷积神经网络CEN能够学习到信道的真实状态信息,得到估计的信道信息矩阵H_est;利用训练得到的权重信息对后续信号进行估计。本发明用复数卷积神经网络有效的提高了信道估计的准确率。
Description
技术领域
本发明涉及信号处理技术领域,尤其涉及一种基于复数卷积神经网络的OFDM系统信道估计方法及系统。
背景技术
OFDM(正交频分复用)将信道分成若干正交信道,将数据封装成OFDM帧结构每个子载波传输一个OFDM帧,正交信号能够减少信道间的相互干扰(ISI),每个载波在一个符号时间内有整数个载波周期,每个载波的频谱零点与相邻载波零点重叠,在减少载波间干扰的同时又提高了频带利用率。同时,信息流经过了串并转换,能够将传输速率分配到不同的子载波上,每个载波的符号周期相对增加,能够减少多径时延扩展产生的码间串扰。OFDM系统引入了保护间隔,保护间隔大于最大多径时延,能够最大限度的消除多径带来的符号间干扰,并且OFDM利用了快速傅里叶变换和快速傅里叶逆变换来实现调制和解调,运算复杂度低。
由于接收端接收到的信号容易因为信道的特性而失真,为了能够更加准确的恢复比特信息流,需要在接收端对信道对信号的影响进行估计和补偿。在不发生载波间串扰的前提下,每个OFDM子载波都能够看作是一个独立的信道,由于OFDM信号各个子载波之间正交,因此只要估计每个子载波的信道响应就可以恢复发射信号,可以利用发射端和接收端都已知的导频符号进行估计,并利用不同的插值技术对导频子载波间的信道进行估计。
目前有多种神经网络信道估计算法,包括把待估计信道矩阵转换为低分辨率图像,用超分辨率网络获得时频信道;利用深度可分离卷积加残差结构从而改善信道性能;采用双网络联合操作,一个网络处理导频中的噪声,另一个网络弥补噪声与多径效应造成的误差;利用卷积神经网络模拟通信信道,通过接收的导频信号与数据信号直接恢复出发送信号。
但是目前Pytorch、TensorFlow、Keras等深度学习平台均不支持各种复数操作,如复数卷积、复数激活函数、复数池化、复数上采样等,因此绝大多数复数神经网络(Complex-Valued Neural Network,CVNN)都是将复数分离为实部、虚部,将实部与虚部分别作为样本送入神经网络进行训练,最后拼接成复数进行输出,这样做虽然能够解决复数操作的问题,但复数中实部与虚部的相关性就被直接或间接的抛弃,失去了复数操作的实际意义。在通信中,信号的实部与虚部蕴含了信号的幅度与相位等重要信息,若机械性分离实部与虚部将会失去幅度与相位信息,使网络的输出精度无法满足解调后的信息到达预期的误码率。
需要说明的是,在上述背景技术部分公开的信息只用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的在于克服现有技术的缺点,提供了一种基于复数卷积神经网络的OFDM系统信道估计方法及系统,解决了现有神经网络信道估计方法存在的不足。
本发明的目的通过以下技术方案来实现:一种基于复数卷积神经网络的OFDM系统信道估计方法,所述信道估计方法包括:
S1、通过最小二乘法对OFDM系统接收端所接收到的导频信号进行初步估计得到OFDM系统信道特征矩阵pr_H;
S2、构建复数信道估计卷积神经网络CEN,对信道特征矩阵pr_H进行缺失值检查处理,并与已知信道信息H打包作为复数信道估计卷积神经网络CEN的训练样本;
S3、将训练样本输入到复数信道估计卷积神经网络CEN中进行训练,通过复数信道估计卷积神经网络CEN能够学习到信道的真实状态信息,得到估计的信道信息矩阵H_est;
S4、利用训练得到的权重信息对后续信号进行估计。
所述通过最小二乘法对OFDM系统接收端所接收到的导频信号进行初步估计得到OFDM系统信道特征矩阵pr_H包括:
OFDM系统发送端生成基带信号并对其依次进行卷积编码和16QAM调制,并对调制后的信号在约定位置插入导频信号,然后再进行OFDM调制得到信号Xl,经过并串转换后从发送端发送;
信号经过多径信道后被接收端接收得到接收信号Y=HX+B,并进行时域同步以及串并转换,其中,H代表信道状态信息矩阵,B代表噪声;
对经过初步处理的接收信号进行OFDM解调,得到解调后的信号为Yl;
通过最小二乘法以及根据代价函数J(pr_H[k])=||Yl[k]-Xl[k]pr_H[k]||2计算出信道特征矩阵其中Xl[k]、Yl[k]分别表示为发送信号、接收信号第k个子载波上的导频信号。
所述构建复数信道估计卷积神经网络CEN包括:
训练数据表示为h=c+di,其中c为训练数据的实部,d为训练数据的虚部,构建卷积核A与B分别对应实部c和虚部d,卷积核的复数表示形式为W=A+Bi,进而得到卷积的复数表示形式为W*h=(A*c-B*d)+i(B*c+A*d);
构建全连接层M与N分别对应实部c和虚部d,得到全连接层的复数表示形式为L=M+Ni,并得到全连接操作的复数表示形式为L(h)=(Mc-Nd)+i(Nc+Md);
最终得到由5层复数表示形式的隐藏层和2层复数表示形式的全连接层构成的复数信道估计卷积神经网络CEN。
所述复数信道估计卷积神经网络CEN中每一层隐藏层对信号数据进行特征提取与维度变换,并将特征提取到更高维以便于后续的特征提取;复数全连接层将前一层计算得到的特征信息映射到样本的特征空间,减少特征信息所在样本空间对输出的影响并输出目标信道状态信息H_est。
所述通过复数信道估计卷积神经网络CEN能够学习到信道的真实状态信息,得到估计的信道信息矩阵H_est包括:
神经网络复数卷积过程通过公式表示其中u表示为维度,为某一个神经元,位于第l层第j个,/>为上一层经过激活函数的输出,其中激活函数可表示为/>其中c与d为输入h的实部与虚部,/>与/>分别为该层复数卷积核的权重与偏置,经过激活函数运算后还需要进行批归一化;
将批归一化得到的结果输入到复数全连接层,通过公式表示C=wT+b,其中T与C分别为全连接层的输入与输出,w与b分别为全连接层的权重与偏置;最后一层复数全连接层的输出即为估计结果H_est。
一种基于复数卷积神经网络的OFDM系统信道估计系统,它包括OFDM时域同步模块、OFDM数据提取模块、最小二乘估计模块、复数信道估计卷积神经网络模块和数据输出模块;
所述OFDM时域同步模块用于通过OFDM系统的发送端发送OFDM帧到接收端,对帧结构进行定时,确定导频信号位置并去除循环前缀仅保留需要的信息;
所述OFDM数据提取模块用于通过OFDM系统的接收端根据OFDM时域同步模块提供的导频位置信息,从帧结构中逐个提取出导频信号和数据信号;
所述最小二乘估计模块用于对导频信号进行最小二乘估计,在最小化已知导频与接收导频的最小化残差平方和的过程中计算出信道特征矩阵pr_H;
所述复数信号估计卷积神经网络模块用于通过复数信道估计卷积神经网络CEN提取pr_H中的特征信息,替代原有的导频线性插值过程,利用神经网络高效的非线性拟合能力,对pr_H进行还原得到H_est;
所述数据输出模块用于利用H_est对接收端接收到的OFDM帧进行信道均衡、解调和译码。
所述导频信号的导频矩阵提取计算过程包括:设置接收信号为矩阵Y,将矩阵Y延迟N个采样点得到矩阵Y′,令Tmp1=Y-Y′,则Tmp1中必有某特定时间段内数据为零,将非零数据后段取出设为Tmp2,则Tmp2即为经过时域同步后的接收信号,经过解调后得到解调信号Yl,按照已知导频位置信息,OFDM数据提取模块将提取出导频矩阵Yl[k]与数据矩阵D。
所述信道特征矩阵pr_H的计算过程包括:将OFDM数据提取模块将提取出的导频矩阵Yl[k]传递给最小二乘估计模块,设置最小代价函数J(pr_H[k])=||Yl[k]-Xl[k]pr_H[k]||2计算出信道特征矩阵其中Xl[k]、Yl[k]分别表示为发送信号、接收信号第k个子载波上的导频信号。
所述H_est的计算过程包括:
复数信道估计卷积神经网络CEN将利用最小二乘模块估算OFDM导频信号所得到的pr_H作为其训练数据,pr_H矩阵的大小为P×Q,P为导频个数,Q为OFDM符号个数;
每次训练复数信道估计卷积神经网络CEN通过读取多个pr_H作为其训练数据,进行多轮训练,首先,读取一批数据,数据将经过多层隐藏层,每一层隐藏层都将提取pr_H的特征信息并将特征提升到更高维度以便后续的特征提取;经过隐藏层后,数据的特征维度从1维上升到更高维度,同时长和宽也将相应减小;经过隐藏层处理过后的数据将被送入复数全连接层,复数全连接层将数据转换成所需要的大小,最后输出的结果即为估计结果H_est。
本发明具有以下优点:一种基于复数卷积神经网络的OFDM系统信道估计方法及系统,首先利用最小二乘估计提取出低精度信道信息,最小二乘估计算法简单,响应速度快,能够降低系统的开销节约时间,为后续的复数信道估计卷积神经网络提供样本。复数信道估计卷积神经网络利用了复数卷积核、复数激活函数、复数批归一化代替普通的卷积核、激活函数、批归一化操作,相较于普通复数处理方法,复数信道估计卷积神经网络更加有效的利用了信号的幅度与相位等信息,能够更加有效的对信道信息进行分类学习;本发明利用复数卷积神经网络有效的提高了信道估计的准确率。
附图说明
图1为本发明系统的结构示意图;
图2为本发明复数信道估计卷积原理示意图;
图3为本发明复数信道估计卷积神经网络原理示意图;
图4为本发明复数信道估计卷积神经网络结构示意图;
图5为仿真结果均方误差对比示意图;
图6为仿真结果误码率对比示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下结合附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的保护范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。下面结合附图对本发明做进一步的描述。
如图1所示,本发明其中一种实施方式涉及一种基于复数卷积神经网络的OFDM系统信道估计系统,它包括OFDM时域同步模块、OFDM数据提取模块、最小二乘估计模块、复数信道估计卷积神经网络模块和数据输出模块;
OFDM时域同步模块用于通过OFDM系统的发送端发送OFDM帧到接收端,对帧结构进行定时,确定导频信号位置并去除循环前缀仅保留需要的信息;
OFDM数据提取模块用于通过OFDM系统的接收端根据OFDM时域同步模块提供的导频位置信息,从帧结构中逐个提取出导频信号和数据信号;
最小二乘估计模块用于对导频信号进行最小二乘估计,在最小化已知导频与接收导频的最小化残差平方和的过程中计算出信道特征矩阵pr_H;
复数信号估计卷积神经网络模块用于通过复数信道估计卷积神经网络CEN提取pr_H中的特征信息,替代原有梳状导频频域线性插值过程,利用神经网络高效的非线性拟合能力,对pr_H进行还原得到H_est;
数据输出模块用于利用H_est对接收端接收到的OFDM帧进行信道均衡、解调和译码。
进一步地,导频信号的导频矩阵提取计算过程包括:由于循环前缀是每一个OFDM符号的前Tg秒是后Tg秒的复制,因此OFDM时域同步模块可以利用循换前缀对接收信号进行时域同步,因此设置接收信号为矩阵Y,将矩阵Y延迟N个采样点得到矩阵Y′,令Tmp1=Y-Y′,则Tmp1中必有某特定时间段内数据为零,将非零数据后段取出设为Tmp2,则Tmp2即为经过时域同步后的接收信号,经过解调后得到解调信号Yl,按照已知导频位置信息,OFDM数据提取模块将提取出导频矩阵Yl[k]与数据矩阵D。
进一步地,信道特征矩阵pr_H的计算过程包括:将OFDM数据提取模块将提取出的导频矩阵Yl[k]传递给最小二乘估计模块,最小二乘算法相较于其他算法速度快消耗低,最小二乘模块将对导频矩阵做如下处理:设置最小代价函数J(pr_H[k])=||Yl[k]-Xl[k]pr_H[k]||2计算出信道特征矩阵其中Xl[k]、Yl[k]分别表示为发送信号、接收信号第k个子载波上的导频信号。
进一步地,H_est的计算过程包括:
复数信道估计卷积神经网络CEN将利用最小二乘模块估算OFDM导频信号所得到的pr_H作为其训练数据,pr_H矩阵的大小为P×Q,P为导频个数,Q为OFDM符号个数;
如图2所示,每次训练复数信道估计卷积神经网络CEN通过复数卷积核读取多个pr_H作为其训练数据,进行多轮训练,首先,读取一批数据,数据将经过多层隐藏层,每一层隐藏层都将提取pr_H的特征信息并将特征提升到更高维度以便后续的特征提取;经过隐藏层后,数据的特征维度从1维上升到更高维度,同时长和宽也将相应减小;经过隐藏层处理过后的数据将被送入复数全连接层,复数全连接层将数据转换成所需要的大小,最后输出的结果即为估计结果H_est。如图3所示,经过一轮的操作后,网络的输出将会与标签进行对比并反向传播Loss对权重进行更新。
本发明另一种实施方式涉及一种基于复数卷积神经网络的OFDM系统信道估计方法,相较于传统方法,该方法有更高的性能,误码率更低。为降低误码率,其具体包括以下内容:
S1、通过最小二乘法对OFDM系统接收端所接收到的导频信号进行初步估计得到OFDM系统信道特征矩阵pr_H;
进一步地,得到导频最小二乘估计的信道特征矩阵pr_H,具体包括:根据先验信息提取导频信号,假设接收端提取到的导频矩阵为Yl[k],发送端发送导频矩阵为Xl[k];则最小二乘估计的信道特征矩阵为其中Xl[k]、Yl[k]分别表示为发送信号、接收信号第k个子载波上的导频信号。
S2、构建复数信道估计卷积神经网络CEN,对信道特征矩阵pr_H进行缺失值检查处理,并与已知信道信息H打包作为复数信道估计卷积神经网络CEN的训练样本;
其中,复数信道估计卷积神经网络CEN针对复数卷积操作与信道估计进行优化,使得在输入数据时无需进行复数拆分操作,网络输出结果为可直接利用的信道状态信息矩阵。
S3、将训练样本输入到复数信道估计卷积神经网络CEN中进行训练,通过复数信道估计卷积神经网络CEN能够学习到信道的真实状态信息,得到估计的信道信息矩阵H_est;
进一步地,通过复数信道估计卷积神经网络CEN能够学习到信道的真实状态信息,得到估计的信道信息矩阵H_est包括:
神经网络复数卷积过程通过公式表示其中u表示维度,/>为某一个神经元,位于第l层第j个,/>为上一层经过激活函数的输出,其中激活函数可表示为/>其中c与d为输入h的实部与虚部,/>与/>分别为该层复数卷积核的权重与偏置,经过激活函数运算后还需要进行批归一化;
将批归一化得到的结果输入到复数全连接层,通过公式表示C=wT+b,其中T与C分别为全连接层的输入与输出,w与b分别为全连接层的权重与偏置;最后一层复数全连接层的输出即为估计结果H_est。
S4、利用训练得到的权重信息对后续信号进行估计。
由于样本是复数形式,不同于实数,一般的卷积网络都无法直接处理复数;一个复数h=c+di有一个实数部分c和一个虚数部分d,在本申请中将复数的实数部分c和虚数部分d表示为逻辑上不同的实值实体,并在复数信道估计卷积神经网络内部使用实值算术模拟复数运算;网络的样本为复数矩阵,矩阵大小为P×Q,其中P表示导频个数,Q表示OFDM符号。
本发明中,使用了双卷积核以达到实现复数卷积的目的,声明卷积核W=A+Bi,其中A,B为两个实数矩阵,利用卷积核W对复数h进行卷积可以得到:
W*h=(A*c-B*d)+i(B*c+A*d)
一般的激活函数也并不支持复数运算,本申请中将经过卷积的输出值看作两个相互关联的实体结构,利用相同的激活函数对两实体做如下处理:
当h的实部和虚部同时为严格的正数或严格的负数时,满足Cauchy-Riemann方程,即当θh∈[0,π/2]或θh∈[π,3π/2]时,/>满足Cauchy-Riemann方程。激活函数的使用并不仅限于本实施例中使用的Tanh,也可以视实际情况替换为ReLU、LeakyRelu、P-Relu等激活函数。
经过卷积操作后的数据会逐渐的向激活函数的饱和区间靠近导致梯度消失,在本申请的实施例中使用了复数批归一化来避免梯度消失的问题。一般批归一化被视为二维向量的白化问题,数据按其对应的两个主成分的方差的平方根进行缩放。这可以通过将以为0中心的数据乘以2×2协方差矩阵V的平方根的倒数来实现:
协方差矩阵可表示为:
在本发明中复数批归一化与实数批归一化类似,引入参数β、γ,其中β为一个复数参数具有可学习的实部与虚部;γ为一个半正定矩阵仅包含三个可学习维度。γ归一化的方式与归一化的方式相似,γ归一化沿着所需的新主成分对输入进行分析,从而得到所需方差,γ可表示为:
由此,在本发明中复数批归一化表示为:
根据上述计算方法,对复数信道估计卷积神经网络进行初始化。根据本实施例的数据量大小,隐藏层数设置为5层,复数全连接层设置为2层,如图4所示。将样本以8:2划分成训练集和验证集,复数信道估计卷积神经网络的训练分为一下3个步骤:
1、首先用训练集训练模型,利用损失函数计算损失,然后反向传播更新模型的权重weight和偏置bias,具体过程如下:每次训练复数信道估计卷积神经网络将读取多个pr_H作为其训练数据,共训练100次,Loss函数使用smooth L1,激活函数使用上述复数激活函数使用复数卷积核W;首先,网络读取一批数据,数据将经过隐藏层,隐藏层中卷积核大小为K步长为1的复数隐藏层,每一层隐藏层都将提取pr_H的特征信息并将特征提升到更高维度以便后续的特征提取;经过隐藏层处理后,数据的特征维度从1维上升到更高维度,长和宽将按比例下降;经过卷积操作过后的数据将被送入全连接层,全连接层将会把数据转换成所需要的大小。
2、然后用验证集验证模型,根据检验结果,调整训练模型过程中的超参数(训练过程中会有除了权重和偏置外的其他参数,也称超参数,只在训练模型的过程中涉及到,如优化器的参数、学习率等)。
3、记录下模型调整过后的信息。
重复上述步骤在经过一定次数的训练后之后,即可得到训练完成的复数信道估计卷积神经网络,在本实施例中训练轮数设置为100轮。
经过训练后,在线估计过程即可使用离线训练权重快速进行信道估计。在线估计过程与离线训练过程类似,OFDM时域同步模块利用接收信号的循环前缀进行同步,OFDM数据提取模块提取信号导频,最小二乘模块利用导频进行初步估计,复数信道估计卷积神经网络加载离线训练的权重信息对初步估计数据进行重建得到高精度OFDM信道信息矩阵H_est。
如图5和图6所示,为按本发明中的参数进行数据仿真的结果。图5比较了传统算法与CEN的均方误差,如图5所示CEN的均方误差要明显好于LS、LMMSE、LRMMSE、DFT、OMP。图6比较了传统算法与CNE的误码率,如图6所示CEN的误码率要优于LS、LMMSE、LRMMSE、DFT、OMP。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (3)
1.一种基于复数卷积神经网络的OFDM系统信道估计方法,其特征在于:所述信道估计方法包括:
S1、通过最小二乘法对OFDM系统接收端所接收到的导频信号进行初步估计得到OFDM系统信道特征矩阵pr_H;
S2、构建复数信道估计卷积神经网络CEN,对信道特征矩阵pr_H进行缺失值检查处理,并与已知信道信息H打包作为复数信道估计卷积神经网络CEN的训练样本;
S3、将训练样本输入到复数信道估计卷积神经网络CEN中进行训练,通过复数信道估计卷积神经网络CEN能够学习到信道的真实状态信息,得到估计的信道信息矩阵H_est;
S4、利用训练得到的权重信息对后续信号进行估计;
所述构建复数信道估计卷积神经网络CEN包括:
训练数据表示为h=c+di,其中c为训练数据的实部,d为训练数据的虚部,构建复数卷积核A与B分别对应实部c和虚部d,卷积核的复数表示形式为W=A+Bi,进而得到卷积的复数表示形式为W*h=(A*c-B*d)+i(B*c+A*d);
构建复数全连接层M与N分别对应实部c和虚部d,得到全连接层的复数表示形式为L=M+Ni,并得到全连接操作的复数表示形式为L(h)=(Mc-Nd)+i(Nc+Md);
最终得到由5层复数表示形式的隐藏层和2层复数表示形式的全连接层构成的复数信道估计卷积神经网络CEN;
所述通过复数信道估计卷积神经网络CEN能够学习到信道的真实状态信息,得到估计的信道信息矩阵H_est包括:
神经网络复数卷积过程通过公式表示其中u表示维度,/>为某一个神经元,位于第l层第j个,/>为上一层经过激活函数的输出,其中激活函数可表示为其中c与d为输入h的实部与虚部,/>与/>分别为该层复数卷积核的权重与偏置,经过激活函数运算后还需要进行批归一化;
将批归一化得到的结果输入到复数全连接层,通过公式表示C=wT+b,其中T、C分别为全连接层的输入与输出,w与b分别为全连接层的权重与偏置;最后一层复数全连接层的输出即为估计结果H_est;
所述通过最小二乘法对OFDM系统接收端所接收到的导频信号进行初步估计得到OFDM系统信道特征矩阵pr_H包括:
OFDM系统发送端生成基带信号并对其依次进行卷积编码和16QAM调制,并对调制后的信号在约定位置插入导频信号,然后再进行OFDM调制得到信号Xl,经过并串转换后从发送端发送;
信号经过多径信道后被接收端接收得到接收信号Y=HX+B,并进行时域同步以及串并转换,其中,H代表信道状态信息矩阵,B代表噪声;
对经过初步处理的接收信号进行OFDM解调,得到解调后的信号Yl;
通过最小二乘法以及根据代价函数J(pr_H[k])=||Yl[k]-Xl[k]pr_H[k]||2计算出信道特征矩阵其中Xl[k]、Yl[k]分别表示为发送信号、接收信号第k个子载波上的导频信号;
所述复数信道估计卷积神经网络CEN中每一层隐藏层对信号数据进行特征提取与维度变换,并将特征提取到更高维以便于后续的特征提取;复数全连接层将前一层计算得到的特征信息映射到样本的特征空间,减少特征信息所在样本空间对输出的影响并输出目标信道状态信息H_est。
2.一种基于复数卷积神经网络的OFDM系统信道估计系统,其特征在于:它包括OFDM时域同步模块、OFDM数据提取模块、最小二乘估计模块、复数信道估计卷积神经网络模块和数据输出模块;
所述OFDM时域同步模块用于通过OFDM系统的发送端发送OFDM帧到接收端,对帧结构进行定时,确定导频信号位置并去除循环前缀仅保留需要的信息;
所述OFDM数据提取模块用于通过OFDM系统的接收端根据OFDM时域同步模块提供的导频位置信息,从帧结构中逐个提取出导频信号和数据信号;
所述最小二乘估计模块用于对导频信号进行最小二乘估计,在最小化已知导频与接收导频的最小化残差平方和的过程中计算出信道特征矩阵pr_H;
所述复数信号估计卷积神经网络模块用于通过复数信道估计卷积神经网络CEN提取pr_H中的特征信息,替代原有的导频线性插值过程,利用神经网络高效的非线性拟合能力,对pr_H进行还原得到H_est;
所述数据输出模块用于利用H_est对接收端接收到的OFDM帧进行信道均衡、解调和译码;
构建复数信道估计卷积神经网络模块包括:
训练数据表示为h=c+di,其中c为训练数据的实部,d为训练数据的虚部,构建复数卷积核A与B分别对应实部c和虚部d,卷积核的复数表示形式为W=A+Bi,进而得到卷积的复数表示形式为W*h=(A*c-B*d)+i(B*c+A*d);
构建复数全连接层M与N分别对应实部c和虚部d,得到全连接层的复数表示形式为L=M+Ni,并得到全连接操作的复数表示形式为L(h)=(Mc-Nd)+i(Nc+Md);
最终得到由5层复数表示形式的隐藏层和2层复数表示形式的全连接层构成的复数信道估计卷积神经网络CEN;
复数信号估计卷积神经网络模块通过复数信道估计卷积神经网络CEN能够学习到信道的真实状态信息,得到估计的信道信息矩阵H_est包括:
神经网络复数卷积过程通过公式表示其中u表示维度,/>为某一个神经元,位于第l层第j个,/>为上一层经过激活函数的输出,其中激活函数可表示为其中c与d为输入h的实部与虚部,/>与/>分别为该层复数卷积核的权重与偏置,经过激活函数运算后还需要进行批归一化;
将批归一化得到的结果输入到复数全连接层,通过公式表示C=wT+b,其中T、C分别为全连接层的输入与输出,w与b分别为全连接层的权重与偏置;最后一层复数全连接层的输出即为估计结果H_est;
所述信道特征矩阵pr_H的计算过程包括:将OFDM数据提取模块将提取出的导频矩阵Yl[k]传递给最小二乘估计模块,设置代价函数J(pr_H[k])=||Yl[k]-Xl[k]pr_H[k]||2计算出信道特征矩阵其中Xl[k]、Yl[k]分别表示为发送信号、接收信号第k个子载波上的导频信号;
所述H_est的计算过程包括:
复数信道估计卷积神经网络CEN将利用最小二乘模块估算OFDM导频信号所得到的pr_H作为其训练数据,pr_H矩阵的大小为P×Q,P为导频个数,Q为OFDM符号个数;
每次训练复数信道估计卷积神经网络CEN通过读取多个pr_H作为其训练数据,进行多轮训练,首先,读取一批数据,数据将经过多层隐藏层,每一层隐藏层都将提取pr_H的特征信息并将特征提升到更高维度以便后续的特征提取;经过隐藏层后,数据的特征维度从1维上升到更高维度,同时长和宽也将相应减小;经过隐藏层处理过后的数据将被送入复数全连接层,复数全连接层将数据转换成所需要的大小,最后输出的结果即为估计结果H_est。
3.根据权利要求2所述的一种基于复数卷积神经网络的OFDM系统信道估计系统,其特征在于:所述导频信号的导频矩阵提取计算过程包括:设置接收信号为矩阵Y,将矩阵Y延迟N个采样点得到矩阵Y’,令Tmp1=Y-Y’,则Tmp1中必有某特定时间段内数据为零,将非零数据后段取出设为Tmp2,则Tmp2即为经过时域同步后的接收信号,经过解调后得到解调信号Yl,按照已知导频位置信息,OFDM数据提取模块将提取出导频矩阵Yl[k]与数据矩阵D。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211305185.8A CN115664898B (zh) | 2022-10-24 | 2022-10-24 | 一种基于复数卷积神经网络的ofdm系统信道估计方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211305185.8A CN115664898B (zh) | 2022-10-24 | 2022-10-24 | 一种基于复数卷积神经网络的ofdm系统信道估计方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115664898A CN115664898A (zh) | 2023-01-31 |
CN115664898B true CN115664898B (zh) | 2023-09-08 |
Family
ID=84991316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211305185.8A Active CN115664898B (zh) | 2022-10-24 | 2022-10-24 | 一种基于复数卷积神经网络的ofdm系统信道估计方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115664898B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116319195B (zh) * | 2023-04-04 | 2023-10-20 | 上海交通大学 | 基于剪枝卷积神经网络的毫米波和太赫兹信道估计方法 |
CN116455706A (zh) * | 2023-04-12 | 2023-07-18 | 华南理工大学 | 一种信道估计与均衡的设计方法及系统 |
CN116915555B (zh) * | 2023-08-28 | 2023-12-29 | 中国科学院声学研究所 | 一种基于自监督学习的水声信道估计方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110266620A (zh) * | 2019-07-08 | 2019-09-20 | 电子科技大学 | 基于卷积神经网络的3d mimo-ofdm系统信道估计方法 |
CN111884976A (zh) * | 2020-07-21 | 2020-11-03 | 西安电子科技大学 | 基于神经网络的信道插值方法 |
CN112491442A (zh) * | 2020-11-17 | 2021-03-12 | 中山大学 | 一种自干扰消除方法及装置 |
CN114598575A (zh) * | 2022-03-11 | 2022-06-07 | 中国科学技术大学 | 一种基于自注意机制的深度学习信道估计方法 |
CN114884775A (zh) * | 2022-03-31 | 2022-08-09 | 南京邮电大学 | 一种基于深度学习的大规模mimo系统信道估计方法 |
CN115021787A (zh) * | 2022-05-30 | 2022-09-06 | 大连大学 | 一种基于复数卷积神经网络的信道状态信息反馈方法 |
-
2022
- 2022-10-24 CN CN202211305185.8A patent/CN115664898B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110266620A (zh) * | 2019-07-08 | 2019-09-20 | 电子科技大学 | 基于卷积神经网络的3d mimo-ofdm系统信道估计方法 |
CN111884976A (zh) * | 2020-07-21 | 2020-11-03 | 西安电子科技大学 | 基于神经网络的信道插值方法 |
CN112491442A (zh) * | 2020-11-17 | 2021-03-12 | 中山大学 | 一种自干扰消除方法及装置 |
CN114598575A (zh) * | 2022-03-11 | 2022-06-07 | 中国科学技术大学 | 一种基于自注意机制的深度学习信道估计方法 |
CN114884775A (zh) * | 2022-03-31 | 2022-08-09 | 南京邮电大学 | 一种基于深度学习的大规模mimo系统信道估计方法 |
CN115021787A (zh) * | 2022-05-30 | 2022-09-06 | 大连大学 | 一种基于复数卷积神经网络的信道状态信息反馈方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115664898A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115664898B (zh) | 一种基于复数卷积神经网络的ofdm系统信道估计方法及系统 | |
Gao et al. | ComNet: Combination of deep learning and expert knowledge in OFDM receivers | |
CN109617847B (zh) | 一种基于模型驱动深度学习的无循环前缀ofdm接收方法 | |
CN108833311A (zh) | 联合时域聚类去噪与均衡判决的变换域二次估计方法 | |
CN106789764A (zh) | 联合加权阈值去噪与均衡判决的变换域二次估计方法 | |
CN107332797B (zh) | 一种电力线ofdm通信系统中的信道估计方法 | |
CN108616314B (zh) | 一种基于ofdm的水声通信系统脉冲噪声抑制方法 | |
CN113381951A (zh) | 时变频选衰落信道下mftn联合信道估计与均衡方法 | |
Sun et al. | ICINet: ICI-aware neural network based channel estimation for rapidly time-varying OFDM systems | |
CN115943395A (zh) | 用于无导频ofdm通信的无线电接收器、发射器和系统 | |
Chen et al. | Neural network-based symbol detection in high-speed OFDM underwater acoustic communication | |
CN115426224B (zh) | 一种基于otfs信号的信道估计方法及系统 | |
US11368349B1 (en) | Convolutional neural networks based computationally efficient method for equalization in FBMC-OQAM system | |
Zhao et al. | Model-Driven Based Deep Unfolding Equalizer for Underwater Acoustic OFDM Communications | |
Liu et al. | RecNet: Deep learning-based OFDM receiver with semi-blind channel estimation | |
CN113556305B (zh) | 适用于高频率选择性衰落的fbmc迭代信道均衡方法及系统 | |
Yıldırım et al. | Deep receiver design for multi-carrier waveforms using cnns | |
CN111147157B (zh) | 一种用于水声信道上正交信号分复用的软干扰消除Turbo均衡方法 | |
Zheng et al. | Deep learning-aided receiver against nonlinear distortion of hpa in ofdm systems | |
CN111953626A (zh) | 一种面向正交切普复用调制的低复杂度频选信道估计方法 | |
Gümüş et al. | Channel estimation and symbol demodulation for OFDM systems over rapidly varying multipath channels with hybrid deep neural networks | |
Ren et al. | A Deep Neural Network with Residual Skip Connections for Channel Estimation | |
CN114528925B (zh) | 一种基于深层分类网络的时变信道ofdm信号均衡方法 | |
CN114143146B (zh) | 一种基于图信号方法的ofdm系统信道估计系统和方法 | |
Ou et al. | Learning-Based Signal Detection for OFDM Systems with I/Q Imbalance |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |