CN115943395A - 用于无导频ofdm通信的无线电接收器、发射器和系统 - Google Patents
用于无导频ofdm通信的无线电接收器、发射器和系统 Download PDFInfo
- Publication number
- CN115943395A CN115943395A CN202080103530.2A CN202080103530A CN115943395A CN 115943395 A CN115943395 A CN 115943395A CN 202080103530 A CN202080103530 A CN 202080103530A CN 115943395 A CN115943395 A CN 115943395A
- Authority
- CN
- China
- Prior art keywords
- receiver
- resource elements
- constellation
- transmitter
- ofdm
- 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.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
Description
技术领域
本公开总体上涉及无线通信领域,尤其涉及使用正交频分复用(OFDM)在时间和频率选择性衰落信道之上进行无线通信的方法和设备。
背景技术
在时间和频率选择性衰落信道之上的无线通信中,发射器发送的信号经历随机变换,其必须在接收器处被撤销,以对所发送的信号或消息进行解码。
针对在时间和频率选择性衰落信道之上进行通信存在两种广泛的方案:相干和非相干技术。
在相干通信中,接收器根据发射器发送的导频来估计信道,然后在基本上消除信道影响的均衡步骤之后决定发送了哪些符号。通常,可以通过正交或超强制导频来估计信道。在前一种情况下,不干扰数据符号的专用导频符号被发送。在后一种情况下,导频和数据符号同时发送(因此是超强制的),因此相互干扰。正交导频使信道估计和检测变得简单,但通常比需要非常复杂的接收器算法的超强制导频的频谱效率低。还存在数据辅助方案,其中(在基于导频的信道估计的第一检测步骤之后)使用数据符号来计算细化的信道估计,这反过来又可以实现更好的数据检测。这种技术提供了一些增益,但仅在足够高的信噪比(SNR)下。
在非相干通信中,发射器对两个随后发送的符号之间的差异中的信息进行编码,即使在信道未知的情况下,接收器也可以检测到。因此不需要导频传输,但是这种技术通常会受到误差传播的影响,并且在信道变化太快时不能很好地工作。
最近在Honkala等人的“DeepRx:Fully Convolutional Deep LearningReceiver";arXiv preprint arXiv:2005.01494(2020)中展示了这一点,卷积神经网络可用于替代OFDM接收器中的大多数算法。训练全卷积神经网络,以处理5G系统的后置快速傅里叶变换(post-FFT)接收的传输时间间隔(TTI)符号,包括跨14个OFDM符号的几百个子载波,并计算所发送的比特的对数似然比(LLR)。仍然需要使用正交导频来实现接收器对被发送的信号的重构,特别是在接收器处使用符合5G的导频信令。
已知的解决方案涉及大量导频信令,以允许接收器准确地估计信道脉冲响应。发送的导频越多,信道估计的质量越好,但留给数据传输的资源越少。因此,为了最大化吞吐量,在要使用的导频和数据符号的数目之间存在非平凡的最优折衷。
当信道快速变化时,例如,由于发射器或接收器的高速,需要许多导频,而在准静态场景中,很少的导频就足够了。出于这个原因,大多数无线通信标准指定发射器可以使用的多个导频模式。然而,与决定要使用的最佳导频模式相关的信令和计算开销很大。
因此,期望提供一种解决上述缺点的基于OFDM的传输的解决方案。
发明内容
独立权利要求陈述了本发明的各种示例实施例所寻求的保护范围。本说明书中描述的不属于独立权利要求范围的示例实施例和特征(如果有)将被解释为对理解本发明的各种示例实施例有用的示例。
在第一方面中,提供了一种通信系统的接收器。接收器被配置为使用通信系统的时频网格OFDM网格内的多个资源元素与通信系统的至少一个发射器通信。接收器包括用于从至少一个发射器接收被发送的信号的器件,该被发送的信号包括使用星座调制的数据承载符号,其中数据承载符号在OFDM网格内使用的多个资源元素的所有资源元素上被发送和接收。此外,所述接收器包括用于实现神经网络的器件,神经网络被配置为在多个资源元素上联合操作,特别是在所述OFDM网格的多个OFDM符号和子载波上联合操作,并且基于接收的数据承载符号输出多个LLR,以从接收的数据承载符号重构信息比特,其中神经网络相对于星座被优化。
由于没有发送参考信号(即,没有叠加的或正交的导频),所以接收器只能利用星座,特别是星座几何结构来重构发送的比特。为此,基于神经网络的接收器(基于NN的接收器)相对于星座被优化。所提出的基于NN的接收器允许在不需要参考信号或导频信号的情况下成功地重构(例如,解调和解映射)所接收的数据承载符号。除了星座之外,基于NN的接收器还可以针对其他参数(例如,基础信道模型或使用的硬件)被优化。
通过能够对作为联合输入的多个资源元素进行操作,即同时对多个OFDM符号和子载波进行操作(即,时频OFDM网格的所选择或使用的多个资源元素的所有资源元素),基于NN的接收器学习信道统计信息以更准确地估计信道行为,其不依赖于附加的参考或导频信号。由于所有资源元素仅分配给数据承载符号,因此实现了显著的吞吐量增益,尤其是在高速场景中。此外,由于不需要导频模式,因此避免了由于为给定信道状态选择最佳导频模式的算法和信令复杂性而产生的开销。
贯穿本申请,表示“所有资源元素”可以理解为“多个OFDM符号的所有子载波”。当发射器使用较少的资源元素时,即当发射器仅使用OFDM网格的所有资源元素中的一些资源元素(即,多个)时,本文公开的实施例也可以工作。也就是说,在一些实施例中,多个发射器可以共享例如由调度算法提供的可用资源元素。
在本公开的一些实施例中,接收器神经网络可以包括多个参数,特别是权重和层,这些参数具有通过联合训练接收器和星座获得的值。优选地,用于调制多个资源元素上的编码比特的星座成形(即,几何)和相关联的比特标记以及接收器参数被联合学习。
在本公开的一些实施例中,神经网络可以是卷积神经网络CNN,其包括多个层,特别是第一层,该第一层将所接收的数据承载符号映射到实值张量,以及多个隐藏层,其中至少一个隐藏层具有残差连接。优选地,至少一个隐藏层可以实现残差块。优选地,残差块包括具有相同维度的两个可分离卷积层。换句话说,接收器使用的神经网络具有完全卷积结构,并在多个子载波和OFDM符号上联合操作。
在本公开的一些实施例中,接收器可以对接收到的数据承载符号执行离散傅里叶变换和/或循环前缀去除,以获得多个OFDM符号作为神经网络的输入。
在第二方面,本说明书描述了通信系统的发射器。发射器被配置为使用时频OFDM网格内的多个资源元素与至少一个接收器通信。发射器包含器件,该器件被配置为执行:根据星座调制比特,以获得要在OFDM网格的多个资源元素上发送的数据承载符号。发射器被配置为使用OFDM网格的多个资源元素中的所有资源元素向至少一个接收器发送数据承载符号,其中发射器被配置为从具有可训练参数的算法获得星座
与经典系统相比,根据第二方面的发射器使用从OFDM网格中选择的多个资源元素中的所有资源元素来承载数据符号。没有资源元素被分配给参考信号。这允许更高的吞吐量,因为所有使用的资源元素都承载数据。因此,完全避免了由于资源元素被分配给参考信号而导致的数据丢失。
星座的标准化确保其具有单位平均功率,而中心化迫使星座具有零均值,因此避免了不期望的DC偏移。
在第三方面中,本说明书描述了一种通信系统,包括至少一个接收器、至少一个发射器和至少一个通信信道。至少一个接收器被配置为使用在时频OFDM网格内的多个资源元素在对应信道之上与至少一个发射器通信。至少一个发射器被配置为使用在OFDM网格内的多个资源元素中的所有资源元素来发送数据承载符号,其中数据承载符号使用星座被调制。接收器被配置为在OFDM网格的多个资源元素的所有资源元素上接收数据承载符号,并且实现神经网络,该神经网络被配置在多个资源元素上操作,特别是在OFDM网格中的多个OFDM符号和子载波上操作,基于所接收的数据承载符号来输出多个LLR,以从所接收的数据承载符号重构信息比特。此外,神经网络相对于星座被优化。
优选地,接收器是根据第一方面的接收器。优选地,发射器是根据第二方面的发射器。
在第四方面中,本说明书描述了一种在通信系统中执行的方法。该通信系统包括至少一个接收器、至少一个发射器和至少一个通信信道。至少一个接收器和至少一个发射器使用OFDM网格的多个资源元素在对应的信道之上通信。至少一个接收器可以是根据第一方面的接收器。至少一个发射器可以是根据第二方面的发射器。该方法包括在步骤(a)中初始化用于生成星座的可训练算法的参数以及初始化至少一个接收器的参数。在另一步骤(b)中,多个比特使用星座被采样和调制,以获得被发送的信号。在另一步骤(c)中,通过使用接收器的神经网络从在接收器处接收的与发送的信号对应的符号中确定多个LLR。随后,在步骤(d)中,基于损失函数更新可训练算法的参数和接收器的参数,并且重复步骤b)至步骤d)直到达到终止条件。
优选地,通信系统是根据第三方面的通信系统。
在本公开的一些实施例中,损失函数基于通信系统的信息速率度量被确定,特别是基于通信系统的总二元交叉熵被确定。
在本公开的一些实施例中,损失函数基于每个OFDM网格的资源元素的数目、在多个资源元素的所有资源元素上发送的多个比特以及由接收器获得的对应的多个LLR被确定。
在本公开的一些中,可训练算法的参数和接收器的参数通过应用用于优化损失函数的迭代方法、特别是随机梯度下降(SGD)或其变体被更新。
在本公开的一些实施例中,该方法还包括采样信道实现和确定信道输出,其中多个LLR使用神经网络从信道输出中被确定。
在本公开的一些实施例中,被发送的信号基于在发射器处生成的扰动信道符号,其中信道符号和扰动在接收器处已知,并且其中损失函数基于信道符号和扰动被确定。优选地,损失函数基于信道符号和使用增强学习的扰动被确定。
这允许在信道包括不可微分量(例如量化)时,或者甚至在没有信道模型可用的情况下,实现用于学习星座(特别是高性能星座)的训练过程。这样的高性能星座在BER(误码率)方面提供了良好的性能,BER接近于接收器处的完美信道知识所实现的BER。
在本公开的一些实施例中,用于生成星座的可训练算法由神经网络模型实现,该神经网络模型具体地将信道特性作为输入,并且输出所述星座所述信道特征特别是SNR、用户速度、延迟扩展、多普勒扩展、载波频率、和/或子载波间隔。
在本公开的一些实施例中,终止条件包括定义的迭代的数目或在预定义的迭代的数目上没有改善的损失函数的值。
根据第四方面的方法将通信系统的已知端到端学习扩展到OFDM信道,以提供星座几何、比特标记和基于神经网络的接收器的联合优化,从而实现无导频通信。因为没有正交导频被发送,所以由于没有参考信号(叠加的或正交的)被发送,接收器只能利用星座几何结构来重构发送的比特。优选地,可以学习用于所有信噪比(SNR)、多普勒和延迟扩展的单个星座。
在第五方面,本说明书描述了一种计算机可读介质,包括存储在其上的程序指令,该程序指令用于执行至少以下操作的:a)在通信系统的接收器处初始化用于生成星座的可训练算法的参数以及初始化接收器的神经网络NN的参数;b)在接收器处接收来自至少一个发射器的被发送的信号,其中至少一个发射器使用时频OFDM网格的多个资源元素与接收器通信,其中被发送的信号包括使用星座调制的数据承载符号,其中数据承载符号在OFDM网格内所使用的多个资源元素中的所有资源元素上被发送和接收;c)使用接收器的神经网络从在接收器处接收的与被发送的信号对应的符号中确定多个LLR;d)基于损失函数更新可训练算法的参数和接收器的神经网络的参数;以及e)重复步骤b)至步骤d),直到达到终止条件。
在结合附图回顾本发明的优选实施例和变型的以下详细描述后,本发明的其他方面、特征和优点对于本领域普通技术人员将变得明显。
附图说明
现在将仅通过示例的方式参考以下示意图描述示例实施例,其中:
图1示出了根据示例实施例的系统的框图;
图2示出了根据示例实施例的学习星座和比特标记;
图3示出了根据示例实施例的基于NN的接收器的ResNet块的架构;
图4示出了根据示例实施例的发送(a)和接收(b)数据承载符号的过程的流程图;
图5示出了示出根据示例实施例的训练方法的流程图;
图6示出了示出根据示例实施例的训练方法的流程图;
图7a示出了示出根据示例实施例的资源元素和学习星座之间的映射的图;
图7b示出了示出根据比较示例的资源元素和QAM星座之间的映射的图;
图8示出了本文描述的实施例的示出资源分配的比较示例;
图9和图10示出了根据示例实施例的仿真结果;
图11是根据示例实施例的系统的组件的框图;
图12a和图12b示出了有形介质,分别是存储计算机可读代码的可移动非易失性存储单元和光盘(CD),该计算机可读代码当由计算机运行时执行根据示例实施例的操作。
具体实施方式
下面参照图示本发明的具体实施例示例的附图给出本发明的详细说明。这些实施例被充分详细地描述以使本领域技术人员能够实践本发明。应当理解,本公开的各种实施例虽然不同,但不一定是互斥的。例如,在不脱离本发明的范围的情况下,本文结合一个实施例描述的特定特征、结构或特性可以在其他实施例中实现。此外,应当理解,在不脱离本发明的范围的情况下,可以修改每个公开的实施例中的各个元件的位置或布置。因此,以下详细描述不应被视为限制性的,并且本发明的范围仅由所附的权利要求以及权利要求所享有的全部范围的等同权利要求来限定。在附图中,相同的数字表示贯穿多个视图的相同或相似的功能。
图1是根据示例性实施例的通信系统的框图,该通信系统通常由参考数字100指示。下面参照图4根据示例实施例描述系统100的部署。可以提供训练程序来训练系统100。下面参照图5描述根据示例实施例的训练过程。
作为示例,通信系统100可以是OFDM通信系统,其中在OFDM传输的资源元素之间分配信号。
参照图1,系统100包括可以使用OFDM信道130彼此通信的发射器110和接收器120。
接收器120可以被实现为基于神经网络的接收器(基于NN的接收器)。优选地,基于NN的接收器120实现残差卷积神经网络。
编码比特的调制(参见图4中的步骤S10)是通过将编码比特流分成大小为m的向量,并根据星座点的预定义标记将每个向量映射到基带信道符号来完成的。所得到的被发送的信号X是大小为N×T的基带符号的矩阵,其中N是子载波的数目,T是形成OFDM网格的OFDM符号的数目。在进一步处理之后,例如在步骤S12中应用IFFT,以及在步骤S14中插入循环前缀(CP)131,信号X通过OFDM信道130发送。在接收器120处接收的信号Y是具有与被发送的信号X相同维度的接收基带符号的矩阵。
参照图1和图4b,在步骤S24中,在接收器侧,将接收的基带符号Y(即,接收的样本)馈送到(残差卷积)神经网络120。在该步骤之前,可以通过在步骤S20中应用FFT,然后在步骤S22中去除循环前缀来处理基带符号Y。在另一步骤S24中,从处理后的信号中累积OFDM符号,以获得数据承载符号,这些符号在步骤S26中被馈送到基于NN的接收器。基于NN的接收器120的输出是编码比特上的LLR。这些LLR然后在步骤S28中被馈送到信道解码器140,例如,信任传播解码器,其重构所发送的信息比特。
下面将参照图1和图3描述基于神经网络NN的接收器120的架构,图1和3示出了根据示例实施例的基于NN的接收器的ResNet块的架构。
基于NN的接收器120可以实现卷积神经网络CNN。CNN的第一层C2R 121可以通过将接收到的符号的实部和虚部堆叠到附加维度中来将复基带符号的网格Y映射到实值张量,优选地映射到二维张量。第二层122和最后一层124可以是传统的二维卷积层Conv2D。隐藏层123-1至123-5可以具有残差连接。参照图3,五个ResNet块123-1至123-5形成隐藏层。
ResNet 123块的示例实现如图3所示。这个架构只是示例,其他架构也是可能的。
参照图3,每个ResNet块123包括两个可分离的卷积层1233、1236,优选地具有相同的维度,每个卷积层之前都有各自的整流线性单元ReLU层1232、1235和批量归一化层1231、1234。使用可分离卷积层的优点是减少了权重的数目,而不会导致性能的显著损失。
基于NN的接收器的其他实现是可能的。例如,可以使用递归神经网络RNN来实现基于NN的接收器。
基于NN的接收器120可以被配置为在多个资源元素(即,多个OFDM符号和子载波)上操作。也就是说,与一次处理一个资源元素的传统去映射器不同,基于NN的接收器120被配置为一次处理多个资源元素。这允许在没有参考信号或导频信号的帮助下成功地解调所接收的基带符号。
本公开通过联合优化神经网络接收器和用于调制数据承载符号的星座来实现无导频通信。图2示出了根据示例实施例的学习星座和比特标记。星座150的放大部分由附图标记150-a和150-b标识。星座由一组2m个复点151组成,每个复点具有几何位置和位标签。优选地,m是整数。m的值可以包括2、4、6和8,分别对应于QPSK、16QAM、64QAM和256QAM。备选地,任何整数值都是可能的,对m的值没有任何限制。
在端到端系统100的训练期间学习最佳星座即星座点的最佳几何和比特标记。这里,最佳星座指的是在BER(误码率)方面提供良好性能的星座,如下面参照图9所示,BER(误码率)接近于通过接收器处的完美信道知识实现的BER。
学习星座150相对于单个轴对称。单轴对称具有这样的效果,即当解码接收信号时,可以在接收器处估计由于物理传播而导致的被发送的信号中的相位旋转。因此,被发送的信号所经历的变换可以在接收器处撤销,而不需要附加的导频来估计信道。这样的星座在BER(误码率)方面提供了良好的性能,BER接近于由接收器处的完美信道知识所实现的BER。
由于在训练过程中联合学习星座几何和标记以获得最佳性能,因此不需要附加的和计算上昂贵的标记步骤。
下面参照图5描述根据示例实施例的用于生成最佳星座的训练方法。
在接收到发送的信号后,接收器120在步骤S34中使用在接收器中实现的神经网络确定与发送的信号对应的多个LLR。
如下面进一步讨论的,可训练算法的参数和接收器的参数可以在步骤S36中基于损失函数被更新。
重复步骤S32至S36,直到达到终止或停止标准(S38)。如果已经达到停止标准,则训练算法终止并输出训练后的星座。如果尚未达到停止标准,则算法返回到操作S32。
步骤S38处的停止准则可以采取多种形式,例如,在预定义次数的迭代之后或者在损失函数未减少预定义次数的重复时停止。
可以基于通信系统的信息速率度量,特别是通信系统的总二进制交叉熵来确定损失函数。
优选地,基于每个OFDM网格的资源元素的数目、在多个资源元素上发送的多个比特以及由接收器获得的对应的多个LLR来确定损失函数,
其中NT是每个OFDM网格的资源元素的数目,Bijk是在第i批示例的第j资源元素中发送的第k比特,LLRijk是由神经接收器计算的对应LLR,并且σ(·)是S形函数。
可训练算法的参数和接收器的参数可以在步骤S36中根据损失函数进行更新/调整,例如,通过对上述定义的损失函数应用一个随机梯度下降(SGD)步骤。备选地,也可以使用SGD的变体,例如Adam优化器或RMSProp。所应用的SGD变体的学习速率、批大小B和可能的其他参数(例如Adam、RMSProp…)是优化超参数。
为了基于上述定义的损失函数应用反向传播,假设了可微信道模型。这样的信道模型可以是标准OFDM信道模型
Y=H·X+W(eq2)
其中H是具有维度N×T的信道实现矩阵,W是具有维度N×T的高斯非独立同分布(i.i.d.)噪声矩阵,并且·表示元素乘积。
然后,如下表所示并且如图6所示,如果信道实现(H(i)),i=1,2...的数据集可用,则可以按照参照图5所述的训练方法对端到端系统进行训练,包括采样信道实现和计算信道输出的附加步骤。
参照图5和表1,步骤1对应于步骤S30、步骤2对应于步骤S32、步骤5对应于步骤S34、步骤6对应于步骤S36并且步骤7对应于步骤S38。
表1.端到端训练
在步骤4中,基于等式2的规范OFDM信道模型计算信道输出。
除了上述可微分信道模型之外,还可以使用其他和可能更复杂的信道模型。
此外,如果没有可用的信道模型,或者如果信道模型是不可微的(例如,因为它涉及量化步骤),则可以使用强化学习来实现训练过程,例如,在IEEE Journal on SelectedAreas in Communications,vol.37,no.11,pp.2503-2516,Nov.2019中的F.Ait Aoudia和J.Hoydis,“Model-Free Training of End-to-End Communication Systems”中描述的训练过程。
特别地,在一个实施例中,其中被发送的信号基于在发射器处生成的扰动信道符号,其中信道符号和扰动在接收器处是已知的,可以使用增强学习基于信道符号和扰动来确定损失函数。这里,例如在上述IEEE论文中描述的训练过程也可以用于学习损失函数。
标准化确保单位平均功率,而中心化确保零DC偏移(假设编码比特均匀分布)。从实现的角度来看,防止DC偏移是有利的。
用于生成星座的可训练算法可以通过神经网络模型来实现,所述神经网络模型将信道特性作为输入,并且输出所述星座所述信道特征特别是SNR、用户速度、延迟扩展、多普勒扩展、载波频率、和/或子载波间隔。神经网络模型可以在通信系统100的发射器110中实现。备选地,神经网络模型可以在云中实现。在后一种情况下,发射器可能通过专用信令从云中获得星座
上述实施例基于应用机器学习ML来联合优化神经接收器、星座几何和星座标记以实现无导频通信。图7a所示,一旦训练,学习的星座被用于调制承载编码比特的数据,使得所有资源元素(即,多个OFDM符号的子载波)被分配给数据承载符号,而没有资源元素被分配给参考信号。当发射器使用较少的资源元素时,即当发射器仅使用OFDM网格的所有资源元素中的一些资源元素(即,多个)时,本文公开的实施例也起作用。在这种情况下,多个发射器可以共享可用资源元素,例如,如调度算法所提供的。
相反,在图7b所示的比较示例中,其示出了资源元素300和QAM星座240之间的映射,一些资源元素被分配给导频220。
如图9和图10所示的仿真结果所示,尽管缺少导频(或参考)信号,但上述实施例使BER(误码率)接近于通过接收器处的完美信道知识实现的BER。
仿真设置
在具有72个子载波(6个物理资源块,PRB)和14个OFDM符号(1个时隙)的OFDM信道上执行仿真。频率载波被设置为2.6GHz,副载波间隔被设置为15kHz。通用Jakes模型被认为在3GPP TDL功率延迟曲线被用于计算频谱协方差的同时生成信道的时间演化。调制阶数设置为64(m=6),其比特数与64QAM相同。
考虑了两个基线:
-QAM在接收器处具有完美的信道知识。
-在接收器处具有线性最小均方误差估计(LMMSE)信道估计和高斯解映射的正交振幅调制(QAM)。LMMSE信道估计是在整个网格(72个子载波和14个OFDM符号)上使用在10^6信道实现之上估计的相关矩阵进行的。典型的实际信道估计器将仅在发送导频的地方估计信道,然后在数据承载资源元素的估计之间进行插值。这不是基线的运作方式。它使用LMMSE信道估计和信道相关矩阵的知识来估计整个OFDM网格上的信道。这样的基线需要大小为1008×1008的矩阵的反转,以及整个资源网格上的信道相关矩阵的知识,这使得在实际设置中难以实现。然而,它被认为是高性能的基线,可以替代性能良好的传统方法。但应该注意,实际基线通常会实现较低的性能。
图8示出了针对LMMSE基线考虑的5G导频模式。图8a中的模式仅在一个OFDM信道符号的每个其他子载波上承载导频符号。图8b中的模式在附加OFDM符号上承载导频。这两个导频模式分别称为1P和2P。2P导频模式承载更多的导频,因此能够以可能更低的吞吐量为代价进行更好的信道估计,因为将更少的资源元素分配给数据承载符号。注意,导频模式仅用于LMMSE基线。当使用所提出的基于学习的方法时,没有发送参考信号,即,在OFDM网格的所有资源元素上发送数据符号(如图7a所示)。
考虑了三个速度范围:
-低:(0.5)m/s,即(0,18)km/h
-中(15,20)m/s,即(54,72)km/h
-高(30,35)m/s,即(108,126)km/h
训练
使用TDL-B和TDL-C功率延迟曲线,在速度范围(0,30)m/s下对端到端系统进行训练。神经网络接收器在整个OFDM网格上运行。对每个速度范围和TDL-A功率延迟曲线进行了不同方案的评估。图7a示出了所学习的星座,其使得接收器能够在不需要参考信号的情况下重构数据。
结果
图9示出了由三个速度范围的评估方案实现的BER。当使用1P导频模式时,LMMSE基线无法实现良好的BER,尤其是在中高速时。本文描述的实施例实现了对于所有速度范围接近完美信道知识的BER,与使用2P导频模式时的LMMSE基线的情况相当。这些结果表明,尽管缺少参考信号,但本公开使得BER接近于利用完美的信道知识可以实现的BER。
图10示出了通过图9的不同方案实现的实际吞吐量。本文中,实际吞吐量是指发送的正确比特的数量,即,每个PRB的正确解码比特的数量。LMMSE基线在较低值处饱和,因为可用资源元素的一部分被分配给参考信号。另一方面,根据本公开的解决方案对于高SNR实现了与在接收器处假设完美信道知识时相同的性能。特别地,与具有1P导频模式的LMMSE基线相比,在高速场景下观察到高达25%的良好输出增益。
上述实施例提供了几个优点,特别是:
-通过能够在作为联合输入的多个资源元素上操作,即同时在多个OFDM符号和子载波上操作,基于NN的接收器学习信道统计信息,以更准确地估计信道行为,而不依赖于附加的参考或导频信号。由于将所有资源元素分配给数据承载符号,因此实现了显著的吞吐量增益,尤其是在高速场景中。
-由于不需要导频模式,因此避免了由于为给定信道状态选择最佳导频模式的算法和信令复杂性而产生的开销。通过使用根据本公开的学习星座,可以完全避免5G中的解调参考信号(DMRS)。
所学习的星座几何结构和神经接收器可由基站和移动终端两者使用,因此适用于下行链路和上行链路通信。
因此,本公开实现了一种新的干扰性通信方式,无需任何导频,且具有前所未有的吞吐量或可靠性,这可以是消除导频分配/优化负担的精益6G空中接口的基础。通过本申请描述的实施例非常适合于超可靠和低延迟通信、非常高速的场景或物联网类型的通信。
为了完整起见,图11是先前描述的一个或多个示例实施例的组件的示意图,其在下文中统称为处理系统400。例如,处理系统400可以是以下权利要求中提到的装置。
处理系统400可以具有处理器402、与处理器紧密耦合并由RAM 414和ROM 412组成的存储器404,以及可选的用户输入410和显示器418。处理系统400可以包括一个或多个网络/装置接口408,用于连接到网络/装置,例如可以是有线或无线的调制解调器。网络/装置接口408还可以作为到诸如不是网络侧装置的设备/装置之类的其他装置的连接来操作。因此,在没有网络参与的情况下,设备/装置之间的直接连接是可能的。
处理器402连接到每个其他组件,以便控制其操作。
存储器404可以包括非易失性存储器,例如硬盘驱动器(HDD)或固态驱动器(SSD)。存储器404的ROM 412尤其存储操作系统415,并且可以存储软件应用416。存储器404的RAM414被处理器402用于数据的临时存储。操作系统415可以包含当由处理器执行时实现上述算法的方面的代码。注意,在小型设备/装置的情况下,存储器可以最适合于小尺寸使用,即,不总是使用硬盘驱动器(HDD)或固态驱动器(SSD)。
处理器402可以采取任何合适的形式。例如,它可以是微控制器、多个微控制器、处理器或多个处理器。
处理系统400可以是独立计算机、服务器、控制台或其网络。处理系统400和所需的结构部件可以全部在诸如物联网设备/装置的设备/装置内部,即嵌入到非常小的尺寸。
在一些示例实施例中,处理系统400还可以与外部软件应用相关联。这些应用可以是存储在远程服务器设备/装置上的应用,并且可以部分地或排他地在远程服务器设备/装置上运行。这些应用可以被称为云托管应用。处理系统400可以与远程服务器设备/装置通信,以便利用存储在那里的软件应用。
图12a和图12b分别示出了存储计算机可读代码的有形介质,可移动存储单元465和光盘(CD)468,当计算机运行该计算机可读代码时,可以执行根据上述示例实施例的方法。可去除存储器单元465可以是具有存储计算机可读代码的内部存储器466的记忆棒,例如USB记忆棒。计算机系统可以经由连接器467访问内部存储器466。CD 468可以是CD-ROM或DVD或类似物。可以使用其他形式的有形存储介质。有形介质可以是能够存储数据/信息的任何设备/装置,这些数据/信息可以在设备/装置/网络之间交换。
本发明的实施例可以在软件、硬件、应用逻辑或软件、硬件和应用逻辑的组合中实现。软件、应用逻辑和/或硬件可以驻留在存储器或任何计算机介质上。在示例实施例中,应用逻辑、软件或指令集被维护在各种常规计算机可读介质中的任何一种上。在本文档的上下文中,“存储器”或“计算机可读介质”可以是任何非暂时性介质或装置,其可以包含、存储、通信、传播或运输指令,以供指令执行系统、装置或设备(例如计算机)使用或与之相关。
在相关情况下,提及“计算机可读介质”、“计算机程序产品”、“有形体现的计算机程序”等,或“处理器”或“处理电路”等,应理解为不仅包括具有不同架构的计算机,如单/多处理器架构和定序器/并行架构,而且还包括专用电路,例如现场可编程门阵列FPGA、专用电路ASIC、信号处理设备/装置和其他设备/装置。对计算机程序、指令、代码等的引用应理解为表示用于可编程处理器固件的软件,例如硬件设备/装置的可编程内容,作为用于处理器的指令,或用于固定功能设备/装置、门阵列、可编程逻辑设备/装置等的配置或配置设置。
如果需要,本文讨论的不同功能可以以不同的顺序和/或彼此同时执行。此外,如果需要,上述功能中的一个或多个可以是可选的或可以组合。类似地,还将认识到,图4、图5和图6的流程图仅是示例,其中描述的各种操作可以省略、重新排序和/或组合。
应当理解,上述示例实施例纯粹是说明性的,并不限制本发明的范围。本领域技术人员在阅读本说明书后将明显看到其他变化和修改。
此外,本申请的公开应当被理解为包括本文明确或隐含公开的任何新颖特征或特征的任何新颖组合或其任何概括,可以制定新的权利要求以覆盖任何此类特征和/或此类特征的组合。
尽管独立权利要求中阐述了本发明的各个方面,但本发明的其他方面包括来自所描述的示例性实施例和/或从属权利要求的特征与独立权利要求的特点的其他组合,而不仅仅是权利要求中明确阐述的组合。
本文还应注意到,尽管以上描述了各种示例,但不应以限制性的意义来看待这些描述。相反,在不脱离所附权利要求书中定义的本发明的范围的情况下,可以进行若干变化和修改。
Claims (18)
3.根据权利要求1或2所述的接收器,其中所述神经网络是卷积神经网络CNN,所述CNN包括多个层,特别是第一层以及多个隐藏层,所述第一层将所接收的所述数据承载符号映射到实值张量,其中至少一个隐藏层具有残差连接。
7.一种通信系统,包括至少一个接收器和至少一个发射器,其中:
所述至少一个接收器被配置为使用在时频OFDM网格内的多个资源元素与所述至少一个发射器通信;
9.根据权利要求8所述的方法,其中所述损失函数基于所述通信系统的信息速率度量、特别是所述通信系统的总二元交叉熵而被确定。
10.根据权利要求8或9所述的方法,其中所述损失函数基于每个OFDM网格的资源元素的数目、在所述多个资源元素中的所有资源元素上发射的所述多个比特以及由所述接收器获得的对应的所述多个LLR而被确定。
11.根据权利要求8至10中任一项所述的方法,其中所述可训练算法的所述参数和所述接收器的所述参数通过应用用于优化所述损失函数的迭代方法、特别是随机梯度下降(SGD)或其变体而被更新。
12.根据权利要求8至11中任一项所述的方法,其中所述方法还包括对信道实现进行采样以及确定信道输出,其中所述多个LLR通过使用所述神经网络从所述信道输出而被确定。
13.根据权利要求8或9所述的方法,其中所发射的所述信号基于在所述发射器处生成的扰动信道符号,其中所述信道符号和所述扰动在所述接收器处是已知的,并且其中所述损失函数基于所述信道符号和所述扰动而被确定。
17.根据权利要求8至16中任一项所述的方法,其中所述终止条件包括所定义的迭代数目或在预定义的迭代数目上保持恒定的损失函数的值。
18.一种计算机可读介质,包括存储在其上的程序指令,所述程序指令用于执行至少以下操作:
b)在所述接收器处接收来自至少一个发射器的所发射的信号,其中所述至少一个发射器使用在时频OFDM网格的多个资源元素与所述接收器通信,其中所发射的所述信号包括使用所述星座调制的数据承载符号,其中所述数据承载符号在所述OFDM网格内的所使用的所述多个资源元素中的所有资源元素上被发射和被接收;
c)使用所述接收器的所述神经网络,从在所述接收器处接收的符号确定与所发射的所述信号对应的多个LLR;
d)基于损失函数更新所述可训练算法的所述参数和所述接收器的所述神经网络的所述参数;以及
e)重复步骤b)至步骤d),直到达到终止条件。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/EP2020/074001 WO2022042845A1 (en) | 2020-08-27 | 2020-08-27 | Radio receiver, transmitter and system for pilotless-ofdm communications |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115943395A true CN115943395A (zh) | 2023-04-07 |
Family
ID=72432859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080103530.2A Pending CN115943395A (zh) | 2020-08-27 | 2020-08-27 | 用于无导频ofdm通信的无线电接收器、发射器和系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230344675A1 (zh) |
EP (1) | EP4205036A1 (zh) |
CN (1) | CN115943395A (zh) |
WO (1) | WO2022042845A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4270884A1 (en) * | 2022-04-27 | 2023-11-01 | Nokia Technologies Oy | Channel estimation using neural networks |
WO2023232228A1 (en) * | 2022-05-31 | 2023-12-07 | Nokia Solutions And Networks Oy | A machine learning model -based radio receiver with both time and frequency domain processing in the machine learning model, and related methods and computer programs |
WO2024008264A1 (en) * | 2022-07-04 | 2024-01-11 | Nokia Solutions And Networks Oy | Machine learning enhanced pilotless radio transmission with spatial multiplexing |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11575544B2 (en) * | 2018-10-29 | 2023-02-07 | Board Of Regents, The University Of Texas System | Low resolution OFDM receivers via deep learning |
CN113169752B (zh) * | 2018-11-22 | 2022-09-13 | 诺基亚技术有限公司 | 通信系统中的学习 |
-
2020
- 2020-08-27 EP EP20768520.7A patent/EP4205036A1/en active Pending
- 2020-08-27 CN CN202080103530.2A patent/CN115943395A/zh active Pending
- 2020-08-27 WO PCT/EP2020/074001 patent/WO2022042845A1/en unknown
- 2020-08-27 US US18/023,547 patent/US20230344675A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230344675A1 (en) | 2023-10-26 |
EP4205036A1 (en) | 2023-07-05 |
WO2022042845A1 (en) | 2022-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115943395A (zh) | 用于无导频ofdm通信的无线电接收器、发射器和系统 | |
Ho et al. | Added pilot semi-blind channel estimation scheme for OFDM in fading channels | |
Zhang et al. | Deep learning based on orthogonal approximate message passing for CP-free OFDM | |
CN113381951A (zh) | 时变频选衰落信道下mftn联合信道估计与均衡方法 | |
WO2022074639A2 (en) | Communication system | |
US20170078116A1 (en) | Signal detection in a communication system | |
US11722240B2 (en) | Rate adaptation | |
CN114826832B (zh) | 信道估计方法、神经网络的训练方法及装置、设备 | |
EP3800813B1 (fr) | Procédé et un dispositif de prédiction des performances d'un récepteur dans un système de communication | |
CN117397215A (zh) | 基于码本线性化的预编码信号的生成和接收 | |
CN112636855A (zh) | 一种ofdm信号检测方法 | |
Suga et al. | Scalar ambiguity estimation based on maximum likelihood criteria for totally blind channel estimation in block transmission systems | |
Liu et al. | RecNet: Deep learning-based OFDM receiver with semi-blind channel estimation | |
CN114172779B (zh) | 一种信道估计方法、装置、设备和存储介质 | |
EP4173244A1 (en) | A context aware data receiver for communication signals based on machine learning | |
CN113691290A (zh) | 用于对多用户多输入多输出(mu-mimo)通信系统的信号整形进行优化的方法和装置 | |
WO2016071673A1 (en) | Iterative mimo signal detection | |
Adegbite et al. | A time-domain control signal detection technique for OFDM | |
Zhang et al. | Improved ComNet Based on Expectation Propagation for CP-Free OFDM System | |
Gamal et al. | AdaBoost Algorithm-Based Channel Estimation: Enhanced Performance | |
Chang et al. | On the effect of channel estimation errors in sc-fde systems using widely linear iterative equalization | |
Vij | Deep learning in physical layer for various networks | |
WO2024002455A1 (en) | Method, apparatus and computer program for estimating a channel based on basis expansion model expansion coefficients determined by a deep neural network | |
CN117882342A (zh) | 用于确定经由正交频分复用信号传输的符号的方法和设备 | |
Kim et al. | CNN-Based DMRS Pattern Optimization for 5G Vehicle-to-Everything Communications |
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 |