CN116599800A - 一种基于深度卷积网络的ofdm信道估计方法 - Google Patents
一种基于深度卷积网络的ofdm信道估计方法 Download PDFInfo
- Publication number
- CN116599800A CN116599800A CN202310620850.0A CN202310620850A CN116599800A CN 116599800 A CN116599800 A CN 116599800A CN 202310620850 A CN202310620850 A CN 202310620850A CN 116599800 A CN116599800 A CN 116599800A
- Authority
- CN
- China
- Prior art keywords
- network
- denseblock
- layer
- channel estimation
- alpha
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000006854 communication Effects 0.000 claims abstract description 21
- 238000004891 communication Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 9
- 230000007423 decrease Effects 0.000 description 7
- 238000010295 mobile communication Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- H04L25/024—Channel estimation channel estimation algorithms
-
- 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
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Error Detection And Correction (AREA)
Abstract
本发明公开了一种基于深度卷积网络的OFDM信道估计方法,属于OFDM信道估计技术领域,包括如下步骤:步骤1,通信接收端对接到的数据Y进行数据处理;步骤2,建立基于深度卷积网络的OFDM信道估计模型,具体为首先建立基于DenseBlock的信道估计网络,即DenseBlock‑α网络,然后对DenseBlock‑α网络络进行横向扩展得到MNet‑L6网络,最后基于Keras深度学习框架对MNet‑L6网络进行网络训练;步骤3:将基于深度卷积网络的OFDM信道估计模型加载到OFDM系统接收端完成信道估计任务。本发明采用上述结构的基于深度卷积网络的OFDM信道估计方法,通过添加横向扩展后的DenseBlock结构,增加数据流路径和网络深度,提高了网络的拟合性,同时通过不同层次特征图的拼接实现了特征重用和缓解梯度消失,给网络性能带来了增益。
Description
技术领域
本发明涉及OFDM信道估计技术领域,尤其是涉及一种基于深度卷积网络的OFDM信道估计方法。
背景技术
第五代移动通信系统(the 5th Generation communication system, 5G)具有的高速率、低延时和大连接的特点,这给无人驾驶技术的发展提供了助力:车载移动通信作为车载应用的根基,是保障无人驾驶技术安全、实时、准确的基础。因此,面向车载移动通信的各种应用成为5G通信技术的重要应用场景,各大科技公司都竞相开展了相关研究。面向无人车辆高速移动场景,提供更加可靠、稳定、快速的移动通信服务是5G的目标之一,也是学术界和工业界广泛关注的研究热点。
正交频分复用(Orthogonal Frequency Division Multiplexing, OFDM)技术作为现代移动通信的基础技术之一,通过将高速串行数据流转换为多路并行低速数据流,并将并行数据流调制在相互正交的子载波上,有效地抵抗了频率选择性衰落,提高通信系统的可靠性,并且由于子载波相互正交,所以降低了在接收端分离子载波的难度。另外,子载波正交的特性使子载波频谱可以相互重叠,不需要传统频分复用技术中的保护带,大幅节约频谱资源,满足了当前愈发紧张的频谱资源需求。
OFDM技术的优势使其成为现代移动通信技术的重要部分,但是在无人车辆高速移动的环境下,信道的非平稳特性使得接受信号存在严重的多普勒频谱扩展,而且无人车辆的运行环境还包含较多的人为和自然干扰,这些都为高速移动下的无人车辆信道建模带来了挑战,而精准的信道模型是开展后续研究的前提。
在OFDM通信系统中,信道估计是必不可少的一环。OFDM系统在接收端估计信道状态信息(Channel State Information, CSI),然后利用估计的CSI和接收信号恢复发送端信号,进行后续的相干检测和解码等处理。传统的信道估计方法大多为导频辅助的信道估计,然而面对接收端高速移动下的信道环境,传统的信道估计方法出现了适应性差、精度低等问题。随着人工智能技术的快速发展,基于深度神经网络的信道估计方法被不断提出,在估计速度和精度上超越了传统的信道估计方法。面对无人车高速环境下信道特性日趋复杂的现状,有必要设计针对性的、处理能力更强的深度神经网络来实现更加准确的信道估计。
发明内容
本发明的目的是提供一种基于深度卷积网络的OFDM信道估计方法,针对高速移动环境下传统OFDM信道估计方法估计性能不佳的问题,本发明将拥有时-频域-实虚部三维特性的信道状态信息视为图信息,并搭建多个深度卷积神经网络,探索基于深度卷积神经网络实现OFDM信道估计的多个可优化方向;针对深度卷积神经网络难训练、容易出现梯度消失和梯度爆炸等问题,本发明在卷积网络中引入稠密连接和跳跃连接结构,使得网络充分挖掘数据不同层次的特征,并缓解网络难训练的问题;针对经典卷积神经网络数据流路径单一的问题,本发明在卷积神经网络中引入上、下采样结构,构建出数据流的多个路径,降低模型训练难度,提高模型性能;利用COST2100无线信道数据集完成模型训练和测试,使模型能够准确地信道估计。
为实现上述目的,本发明提供了如下技术方案:
一种基于深度卷积网络的OFDM信道估计方法,包括以下步骤:
步骤1,通信接收端对接到的数据Y进行数据处理:
在OFDM系统通信过程中,发送端发送每帧数据的频域值为X(m×n),X(m×n)包括数据序列和导频序列/>,X(m×n)经过无线信道到达通信接收端,此无线通道的信道全时频域CSI由符号H(m×n)表示,通信接收端接到的数据Y包括数据序列/>数据和接收导频序列/>,通信接收端从接收到的数据Y中提取接收导频/>,组成导频矩阵/>,利用最小二乘估计算法计算得出导频处的信道状态信息/>,/>;
步骤2,建立基于深度卷积网络的OFDM信道估计模型,具体方法如下:
1)建立基于DenseBlock的信道估计网络,即DenseBlock-α网络:
DenseBlock-α网络包括依次连接的输入层、隐藏层和输出层,其中隐藏层包括依次连接的DenseBlock结构、第二反卷积层和第二卷积层,DenseBlock结构包括6个依次设置的第一卷积层,在所有第一卷积层之间添加相连接的路径,连接方式为稠密连接,在每一次卷积之前,将之前所有的特征图按通道维度进行拼接,每一层都有从所有前面的层获得的额外输入,并且也会将自己的特征映射传递给所有后续层;
2)对DenseBlock-α网络络进行横向扩展得到MNet-L6网络:
增加DenseBlock-α网络中DenseBlock结构的层数,DenseBlock结构的层数设置为N,N层DenseBlock结构中第一列的第一卷积层为下采样列,剩余列为上采样列,下采样列中相邻的两个第一卷积层的输入端之间通过最大值池化层连接,上采样列中的第一卷积层的输出端通过第一反卷积层与位于其上一层的第一卷积层的输入端连接;
3)基于Keras深度学习框架对MNet-L6网络进行网络训练,得到最终的基于深度卷积网络的OFDM信道估计模型:
网络训练中的训练样本为无线通道的信道全时频域CSI:H(m×n),MNet-L6网络的输入层接收基于最小二乘估计算法计算得出的导频处的信道状态信息,每dB的训练样本为1000个,MNet-L6网络的输出层拟合出全时频域CSI后对其进行Loss函数运算,通过Loss算法迭代更新去优化隐藏层参数,每次迭代从训练样本中随机采样5%用作验证集,并通过验证集数据验证网络性能的提升,最终使Loss算法达到收敛,最后通过adam优化器进行优化,得到基于深度卷积神经网络的OFDM信道估计模型;
步骤3:将基于深度卷积网络的OFDM信道估计模型加载到OFDM系统接收端完成信道估计任务,模型输入为经步骤1经数据处理后得到的,输出为经过训练优化后的全时频域CSI,符号为/>,维度为/>。
优选的,输入层提取出导频处的估计CSI值的特征图/>后将其输入到隐藏层中,输出层拟合出全时频域CSI:/>。
优选的,步骤2中池化窗口大小为2×2,降维后的维度向上取整,DenseBlock结构的层数N为满足以下公式的最大值:,且/>,其中/>为/>的长,/>为/>的宽。
优选的,第一反卷积层和第二反卷积层对输入的特征图的处理流程包括:首先利用最近邻插值法得到长和宽的放大比例分别为2和7的插值扩维后的特征图,插值扩维后的特征图由卷积核进行卷积运算,再由激活函数实现非线性映射得到反卷积之后的输出特征图,使用的激活函数为Relu函数。
本发明采用上述结构的基于深度卷积网络的OFDM信道估计方法,具有以下有益效果:
1、本发明在传统卷积神经网络结构的基础上,添加了DenseBlock结构,在每一次卷积之前,将之前所有的特征图按通道维度进行拼接,每一层都有从所有前面的层获得的额外输入,并且也会将自己的特征映射传递给所有后续层,因此大大缓解了梯度消失现象,加强了特征传播,有效减少了参数量。
2、本发明对隐藏层中的DenseBlock结构进行了横向扩展,增加了数据流路径,缓解了单条路径可能存在的某一个环节出错进而影响到网络整体的问题,若训练时某一条路径出现难以训练的情况,网络可以在优化中偏向于其他路径,避免整体的训练进程受阻,从而简化训练,最终优化出最佳的数据流路径;另外,从单个数据流路径的角度来看进行横向扩展的同时实现了网络层数的加深,提高了网络的拟合性,同时通过不同层次特征图的拼接实现了特征重用和缓解梯度消失,给网络性能带来了增益。
附图说明
图1为本发明建立基于深度卷积网络的OFDM信道估计模型的流程图;
图2为本发明建立基于深度卷积网络的OFDM信道估计模型中隐藏层的前两层DenseBlock结构的示意图;
图3为通信接收端的信道估计流程;
图4为第一反卷积层和第二反卷积层对输入的特征图的处理流程;
图5为DenseBlock-α网络结构示意图;
图6为DenseBlock-α网络、传统插值方法和DenseBlock-β网络的NMSE性能对比图;
图7为DenseBlock-α网络、传统插值方法和DenseBlock-β网络的BER性能对比图;
图8为DenseBlock-α2网络的NMSE绝对值和DenseBlock-α3网络的NMSE绝对值相比于DenseBlock-α网络的NMSE收益对比图;
图9为DenseBlock-α2网络的BER绝对值和DenseBlock-α3网络的BER绝对值相比于DenseBlock-α网络的BER收益对比图;
图10为纵向加深各网络相比于DenseBlock-α网络的NMSE收益对比图;
图11为纵向加深各网络相比于DenseBlock-α网络的BER收益对比图;
图12为DenseBlock-α2网络、DenseBlock-α2-skip网络和MNet-L2网络相比于DenseBlock-α网络的NMSE收益对比图;
图13为DenseBlock-α2网络、DenseBlock-α2-skip网络和MNet-L2网络相比于DenseBlock-α网络的BER收益对比图;
图14为横向扩展的各网络和DenseBlock-α网络的全信噪比平均BER对比图;
图15为横向扩展的各网络模型相比于DenseBlock-α网络的NMSE收益对比图;
图16为横向扩展的各网络模型相比于DenseBlock-α网络的BER收益对比图;
图17为DenseBlock-α3-skip网络、MNet-L6网络、DenseBlock-α网络与传统插值方法的NMSE收益对比图;
图18为DenseBlock-α3-skip网络、MNet-L6网络、DenseBlock-α网络与传统插值方法的BER收益对比图。
具体实施方式
以下结合附图和实施例对本发明的技术方案作进一步说明。
如图1-5所示,一种基于深度卷积网络的OFDM信道估计方法,包括以下步骤:
步骤1,通信接收端对接到的数据Y进行数据处理:
在OFDM系统通信过程中,发送端发送每帧数据的频域值为X(m×n),X(m×n)包括数据序列和导频序列/>,X(m×n)经过无线信道到达通信接收端,此无线通道的信道全时频域CSI由符号H(m×n)表示,通信接收端接到的数据Y包括数据序列/>数据和接收导频序列/>,通信接收端从接收到的数据Y中提取接收导频/>,组成导频矩阵/>,利用最小二乘估计算法计算得出导频处的信道状态信息/>,/>;
步骤2,建立基于深度卷积网络的OFDM信道估计模型,具体方法如下:
1)建立基于DenseBlock的信道估计网络,即DenseBlock-α网络:
DenseBlock-α网络包括依次连接的输入层、隐藏层和输出层,输入层用于提取导频处的估计CSI值的特征图/>,并输入到隐藏层中,输出层用于拟合出全时频域CSI/>,隐藏层包括依次连接的DenseBlock结构、第二反卷积层和第二卷积层。DenseBlock结构包括6个依次设置的第一卷积层,第一卷积层的卷积核维度均为3×3,步长均为1×1,填充方式均为SAME,卷积核数量均为32。在所有第一卷积层之间添加相连接的路径,连接方式为稠密连接,在每一次卷积之前,将之前所有的特征图按通道维度进行拼接,每一层都有从所有前面的层获得的额外输入,并且也会将自己的特征映射传递给所有后续层。
第二反卷积层的插值方法为最近邻插值,长和宽的放大比例分别为2和7,卷积层步长为1×1,卷积核数量为32,填充方式为VALID,卷积核维度为3×8,第二反卷积层使用的激活函数均为Relu函数。第二卷积层用于将张量维度压缩至与标签相同,填充方式为SAME,卷积核维度为3×3,步长为1×1,卷积核数量为2。
2)对DenseBlock-α网络络进行横向扩展得到MNet-L6网络,横向扩展能够增大网络容量、提高拟合能力,并且为数据流提供多条可选择的路径以缓解路径单一所可能带来的问题,具体步骤为:
增加DenseBlock-α网络中DenseBlock结构的层数,N层DenseBlock结构中第一列的第一卷积层为下采样列,剩余列为上采样列,下采样列中相邻的两个第一卷积层的输入端之间通过最大值池化层连接,池化窗口大小为2×2,降维后的维度向上取整。上采样列中的第一卷积层的输出端通过第一反卷积层与位于其上一层的第一卷积层的输入端连接。
DenseBlock结构的层数设置为N,DenseBlock结构的层数N为满足以下公式的最大值:,且/>,其中/>为/>的长,/>为/>的宽。
第一反卷积层和第二反卷积层对输入的特征图的处理流程包括:首先利用最近邻插值法得到长和宽的放大比例分别为2和7的插值扩维后的特征图,插值扩维后的特征图由卷积核进行卷积运算,再由激活函数实现非线性映射得到反卷积之后的输出特征图,使用的激活函数为Relu函数。
3)基于Keras深度学习框架对MNet-L6网络进行网络训练,得到最终的基于深度卷积网络的OFDM信道估计模型:
网络训练采用Cuda加速,实验的软件及硬件配置见表1。
表1 实验配置参数表
软/硬件名称 | 版本 |
Windows | 11 |
Python | 3.7.12 |
TensorFlow | 2.7.0 |
Keras | 2.4.3 |
CPU | i9-12900K |
GPU | RTX3090 |
Cuda | 11.4.2 |
网络训练中的训练样本为无线通道的信道全时频域CSI:H(m×n),MNet-L6网络的输入层接收基于最小二乘估计算法计算得出的导频处的信道状态信息,频域导频数量为37,时域导频数量为21。信号在衰落信道中传播受到加性高斯噪声的影响,接受信号的信噪比范围是0~20dB,间隔为2dB。网络训练时,每dB的训练样本为1000个,MNet-L6网络的输出层拟合出全时频域CSI后对其进行Loss函数运算,通过Loss算法迭代更新去优化隐藏层参数,每次迭代从训练样本中随机采样5%用作验证集,并通过验证集数据验证网络性能的提升,最终使Loss算法达到收敛,最后通过adam优化器进行优化,得到基于深度卷积神经网络的OFDM信道估计模型。网络训练完成后,用测试集数据对网络性能进行测试,测试集中每dB样本量为100个。实验中涉及的CSI数据集的各项主要参数见表2。
表2 CSI数据集参数表
参数 | 值 |
输入数据维度 | 37×21×2 |
标签维度 | 72×140×2 |
信噪比范围 | 0~20dB |
信噪比间隔 | 2dB |
训练集样本量 | 11000 |
验证集比例 | 5% |
每dB训练样本量 | 1000 |
测试集样本量 | 1100 |
每dB测试样本量 | 100 |
优化器 | Adam |
损失函数 | 均方误差损失 |
激活函数 | Relu |
Batch大小 | 128 |
训练迭代轮次 | 10000 |
步骤3:将基于深度卷积网络的OFDM信道估计模型加载到OFDM系统接收端完成信道估计任务,模型输入为经步骤1得到的经数据处理后的CSI初始数据,输出为经过训练优化后的全时频域CSI的信道估计值,符号为,维度为/>。
下面对本发明基于深度卷积网络的OFDM信道估计方法的有效性进行验证:
验证过程中对下列网络进行对比实验:
本发明的MNet-L6网络;
DenseBlock-α网络;
DenseBlock-β网络: DenseBlock-β网络的结构与本文所介绍的DenseBlock-α网络类似,不同之处在于DenseBlock-β网络中第二反卷积层位于DenseBlock结构的前面;
DenseBlock-α2网络: DenseBlock-α2网络是一种纵向加深网络,其结构与本文所介绍的DenseBlock-α网络类似,不同之处在于DenseBlock-α2网络中DenseBlock结构设有连续的两个;
DenseBlock-α3网络:DenseBlock-α3网络网络是一种纵向加深网络,其的结构与本文所介绍的DenseBlock-α网络类似,不同之处在于DenseBlock-α3网络中DenseBlock结构设有连续的3个;
DenseBlock-α2-skip网络:DenseBlock-α2-skip网络网络是一种纵向加深网络,其与DenseBlock-α2网络的结构类似,不同之处在于DenseBlock-α2-skip网络在DenseBlock-α2网络的输入层和各个DenseBlock的输入之间、各个DenseBlock的输出和后续DenseBlock的输入之间中添加跳跃连接,跳跃连接的连接方式为稠密连接;
DenseBlock-α3-skip网络:DenseBlock-α3-skip网络网络是一种纵向加深网络,其与DenseBlock-α3网络的结构类似,不同之处在于DenseBlock-α3-skip网络在DenseBlock-α3网络的输入层和各个DenseBlock的输入之间、各个DenseBlock的输出和后续DenseBlock的输入之间中添加跳跃连接,跳跃连接的连接方式为稠密连接;
MNet-L2网络:MNet-L2网络是一种横向扩展网络,其与MNet-L6网络的结构类似,不同之处在于MNet-L2网络中DenseBlock结构的层数设置为2个;
MNet-L3网络:MNet-L3网络是一种横向扩展网络,其与MNet-L6网络的结构类似,不同之处在于MNet-L3网络中DenseBlock结构的层数设置为3个;
MNet-L4网络:MNet-L4网络是一种横向扩展网络,其与MNet-L6网络的结构类似,不同之处在于MNet-L4网络中DenseBlock结构的层数设置为4个;
MNet-L5网络:MNet-L5网络是一种横向扩展网络,其与MNet-L6网络的结构类似,不同之处在于MNet-L5网络中DenseBlock结构的层数设置为5个;
传统插值方法(LS-Nearest、LS-Linear、LS-Spline和LMMSE)。
由图6和图7可知,DenseBlock-α网络、DenseBlock-β网络的NMSE和BER性能都优于传统插值方法(LS-Nearest、LS-Linear、LS-Spline和LMMSE),对于DenseBlock-α网络和DenseBlock-β网络,虽然NMSE和BER曲线的趋势相同,但DenseBlock-α网络的性能处处优于DenseBlock-β网络,证明了β网络的反卷积前置的结构不利于网络整体的拟合。其中性能更好的α网络在信噪比20dB下的BER绝对值相比传统方法中同样基于LS估计的linear插值方法降低了0.27%,在0dB的低信噪比下,α网络比基于LS的linear插值方法的BER降低了0.74%。相比于传统方法中性能最好的LMMSE方法,α网络在信噪比20dB的BER数值降低了0.13%,而在0dB下的BER与LMMSE方法几乎相同。
如图8和图9所示,图8的纵轴表示DenseBlock-α2网络的NMSE绝对值和DenseBlock-α3网络的NMSE绝对值相比于DenseBlock-α网络的NMSE绝对值的降低幅度,图9的纵轴表示DenseBlock-α2网络的BER绝对值和DenseBlock-α3网络的BER绝对值相比于DenseBlock-α网络的BER绝对值的降低幅度,降低幅度越大说明网络性能相比于DenseBlock-α网络增长越多。由图可知,二者的NMSE和BER性能相比于DenseBlock-α网络在全信噪比范围内均有降低。DenseBlock-α3网络相比于DenseBlock-α2网络的NMSE性能收益并不明显,但具有更好的BER性能,且几乎在全信噪比范围内均优于DenseBlock-α2网络。相比于DenseBlock-α网络,在20dB信噪比下,DenseBlock-α2网络的BER降幅为1.21×10-4,而DenseBlock-α3网络的BER降幅为1.53×10-4;在0dB的低信噪比下,DenseBlock-α2网络的BER降幅为1.33×10-4,而DenseBlock-α3网络的BER降幅为2.80×10-4;仅在信噪比为18dB时DenseBlock-α3网络的BER降幅明显低于DenseBlock-α2网络,DenseBlock-α3网络的降幅为1.18×10-5,DenseBlock-α2网络的降幅为7.79×10-5。上述实验对比结果验证了加深网络层数可以进一步提高网络拟合性能。
如图10和图11所示,在添加了跳跃连接之后,DenseBlock-α2网络和DenseBlock-α3网络的NMSE性能获得明显提升,并且在全信噪比范围内都优于自身添加跳跃连接之前的性能。在20dB下,DenseBlock-α2-skip网络和DenseBlock-α3-skip网络的NMSE分别相比于无跳接结构的DenseBlock-α2和DenseBlock-α3网络降低了0.78%和0.82%,分别相比于DenseBlock-α网络分降低了2.26%和2.22%。在0dB下,DenseBlock-α2-skip网络和DenseBlock-α3-skip网络的NMSE各自相比于DenseBlock-α2和DenseBlock-α3网络降低了0.02%和0.04%,相比于DenseBlock-α网络分别降低了0.20%和0.22%。另外,在添加了跳跃连接之后DenseBlock-α3网络在信噪比为2dB时NMSE性能较差的现象也得到缓解。
此外,添加了跳跃连接的DenseBlock-α2-skip网络和DenseBlock-α3-skip网络的BER性能几乎处处优于无跳接的DenseBlock-α2网络和DenseBlock-α3网络。在信噪比为20dB时,DenseBlock-α2-skip和DenseBlock-α3-skip网络的BER绝对值各自比DenseBlock-α2和DenseBlock-α3网络降低了9.41×10-5和5.64×10-5,比DenseBlock-α网络分别降低了2.14×10-4和2.09×10-4;在0dB下,DenseBlock-α2-skip和DenseBlock-α3-skip网络的BER绝对值各自比DenseBlock-α2和DenseBlock-α3网络降低了3.12×10-5和1.88×10-5,比DenseBlock-α网络分别降低了1.95×10-4和2.61×10-4。添加了跳跃连接后DenseBlock-α3网络在信噪比为18dB时BER收益差的现象也得以缓解,DenseBlock-α3-skip网络在18dB处的BER优于其他所有网络。
如图12和图13所示,在全信噪比上MNet-L2网络的NMSE及BER性能均优于DenseBlock-α2网络,证明了MNet-L2网络基于上下采样结构实现对突出特征的提取和将特征反馈至主路径以辅助CSI重建的结构对网络性能带来的增益,以及多个数据流路径的有效性。MNet-L2网络的NMSE性能相比于DenseBlock-α2-skip网络,在高信噪比时相差无几,但在低信噪比时低于DenseBlock-α2-skip网络,说明了跳接结构对于网络的拟合带来的增益仍具有一定的优势,而BER性能方面,二者在全信噪比范围内均有高有低,无明显差距。
各横向扩展网络的隐藏层各行参数见表3:
表3 网络隐藏层参数表
如图14所示,随着隐藏层行数的增加,网络的BER逐渐下降,并在行数达到6行时达到最小。MNet-L6的平均BER相比于α网络降低了2.82×10-4,相比于MNet-L2降低了4.13×10-5。
如图15和16所示,随着隐藏层行数的增加,网络的NMSE和BER性能在各信噪比下的变化不一致,但总体呈上升趋势,并在行数达到6行时达到相对最佳的NMSE和BER性能。MNet-L6在20dB和0dB下的BER相比于α网络分别降低了2.18×10-4和2.06×10-4,并在各个MNet的BER降幅最小的18dB信噪比处达到了相对最佳的6.66×10-5。
因此,实验结果验证了建立跳跃连接能够进一步将浅层特征与深层特征结合,使深层卷积在计算时可以结合浅层结果的特征,提高信息的利用率,同时由于建立了浅层与深层之间直接相连的路径,使得梯度可以经由这些捷径直接传递到浅层,进一步缓解了梯度消失和梯度爆炸问题,进而带来的网络估计性能上的提升。
由图17和18可知,DenseBlock-α3-skip和MNet-L6的NMSE和BER几乎相同,在本发明提出的一系列深度卷积网络模型中达到了相对最佳的性能,并且均优于传统方法。相比于传统方法中Linear插值法,在信噪比为20dB时,MNet-L6和DenseBlock-α3-skip的NMSE分别为2.87×10-7和2.88×10-7,均降低了7.27×10-8;二者的BER均为0.66%,比LS-Linear降低了0.29%。在0dB的低信噪比下,MNet-L6和DenseBlock-α3-skip的NMSE均为2.41×10-5,相比于LS-Linear分别降低了1.18×10-6;BER分别为20.48%和20.47%,比LS-Linear分别降低了0.76%和0.77%。
相比于传统方法中的LMMSE方法,MNet-L6和α3-skip在20dB下的NMSE分别降低了5.19×10-8和5.08×10-8,BER均降低了0.15%;0dB下MNet-L6和α3-skip的NMSE分别降低了4.96×10-7和4.93×10-7,BER差距很小,均降低了不到0.01%。
为进一步对比各个网络的性能,进行如下的计算复杂度对比:
表4 算法复杂度对比表
算法 | 平均测试时间(ms) | Flops(G) | 参数量(个) |
LS-Nearest | 14.21 | -- | -- |
LS-Linear | 13.83 | -- | -- |
LS-Spline | 13.72 | -- | -- |
LMMSE | 15.70 | -- | -- |
DenseBlock-α | 13.32 | 0.723 | 164,194 |
DenseBlock-β | 13.44 | 3.100 | 153,650 |
DenseBlock-α2 | 13.11 | 0.953 | 311,842 |
DenseBlock-α3 | 12.63 | 1.180 | 459,490 |
DenseBlock-α2-skip | 12.84 | 1.480 | 338,530 |
DenseBlock-α3-skip | 13.11 | 2.220 | 520,546 |
MNet-L2 | 12.86 | 0.837 | 345,202 |
MNet-L3 | 12.84 | 0.868 | 526,210 |
MNet-L4 | 13.31 | 0.877 | 707,218 |
MNet-L5 | 13.26 | 0.879 | 842,146 |
MNet-L6 | 13.26 | 0.879 | 892,594 |
如表4所示,各个算法的复杂度对比中,平均测试时间表示用测试集数据进行测试时单条数据得到预测结果的平均运行时间,为了保持传统方法和深度学习方法在测试环境上的公平性,此处深度学习算法均使用CPU进行测试,而没有使用GPU加速。平均测试时间包括了导频处CSI估计、插值算法得到全时频域CSI、接收端信号恢复三部分。Flops代表深度神经网络中的浮点运算次数,Flops值越高代表浮点运算次数越多,模型计算复杂度就越高。参数量表示神经网络模型优化过程中总的可计算的参数数量。
从表4中可以看出,本发明提出的深度卷积神经网络模型的平均测试时间均与基于LS的传统信道估计方法相差无几,比LMMSE方法的平均测试时间略短。Flops值最大的是DenseBlock-β网络,这是因为DenseBlock-β网络中的卷积核需要在更大的特征图范围内进行计算,所以运算次数较多,而由于其卷积核数量、维度等参数均与DenseBlock-α网络相同,所以参数量也与DenseBlock-α网络接近。在纵向加深各网络中,随着网络深度的增大以及跳跃连接结构的添加,参数量和运算量均有所上升,这在横向扩展的各网络中也有所体现。然而在MNet中,随着隐藏层行数的增加,参数量虽然大幅上涨,但Flops的增长很慢,这是因为随着隐藏层行数的增加,隐藏层中的特征图数量成倍增加造成了参数量的快速上涨,但由于主路径以外的旁路中的特征图尺寸均是上一行的一半,所以卷积核需要计算的特征图范围成倍减小,运算量的增长自然也就不明显。
对比前述的各个算法的信道估计实验结果和算法复杂度,本发明提出的深度卷积网络模型性能最好的是DenseBlock-α3-skip网络和MNet-L6网络,在运行时间与基于LS估计的传统几乎一致的前提下,取得了更好的NMSE和BER性能,证明了算法的有效性。此外,MNet-L6网络在性能与α3-skip网络几乎一致的前提下,浮点运算量下降了60.41%,具有更优的算法复杂度。综上所述,本发明提出的MNet-L6网络模型为信道估计方法的优选模型。
因此,本发明采用上述基于深度卷积网络的OFDM信道估计方法,通过添加横向扩展后的DenseBlock结构,增加数据流路径和网络深度,提高了网络的拟合性,同时通过不同层次特征图的拼接实现了特征重用和缓解梯度消失,给网络性能带来了增益。
以上是本发明的具体实施方式,但本发明的保护范围不应局限于此。任何熟悉本领域的技术人员在本发明所揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内,因此本发明的保护范围应以权利要求书所限定的保护范围为准。
Claims (4)
1.一种基于深度卷积网络的OFDM信道估计方法,其特征在于:包括以下步骤:
步骤1,通信接收端对接到的数据Y进行数据处理:
在OFDM系统通信过程中,发送端发送每帧数据的频域值为X(m×n),X(m×n)包括数据序列 和导频序列/>,X(m×n)经过无线信道到达通信接收端,此无线通道的信道全时频域CSI由符号H(m×n)表示,通信接收端接到的数据Y包括数据序列/>数据和接收导频序列/>,通信接收端从接收到的数据Y中提取接收导频/>,组成导频矩阵/>,利用最小二乘估计算法计算得出导频处的信道状态信息/>,/>;
步骤2,建立基于深度卷积网络的OFDM信道估计模型,具体方法如下:
1)建立基于DenseBlock的信道估计网络,即DenseBlock-α网络:
DenseBlock-α网络包括依次连接的输入层、隐藏层和输出层,其中隐藏层包括依次连接的DenseBlock结构、第二反卷积层和第二卷积层,DenseBlock结构包括6个依次设置的第一卷积层,在所有第一卷积层之间添加相连接的路径,连接方式为稠密连接,在每一次卷积之前,将之前所有的特征图按通道维度进行拼接,每一层都有从所有前面的层获得的额外输入,并且也会将自己的特征映射传递给所有后续层;
2)对DenseBlock-α网络络进行横向扩展得到MNet-L6网络:
增加DenseBlock-α网络中DenseBlock结构的层数,DenseBlock结构的层数设置为N,N层DenseBlock结构中第一列的第一卷积层为下采样列,剩余列为上采样列,下采样列中相邻的两个第一卷积层的输入端之间通过最大值池化层连接,上采样列中的第一卷积层的输出端通过第一反卷积层与位于其上一层的第一卷积层的输入端连接;
3)基于Keras深度学习框架对MNet-L6网络进行网络训练,得到最终的基于深度卷积网络的OFDM信道估计模型:
网络训练中的训练样本为无线通道的信道全时频域CSI:H(m×n),MNet-L6网络的输入层接收基于最小二乘估计算法计算得出的导频处的信道状态信息,每dB的训练样本为1000个,MNet-L6网络的输出层拟合出全时频域CSI后对其进行Loss函数运算,通过Loss算法迭代更新去优化隐藏层参数,每次迭代从训练样本中随机采样5%用作验证集,并通过验证集数据验证网络性能的提升,最终使Loss算法达到收敛,最后通过adam优化器进行优化,得到基于深度卷积神经网络的OFDM信道估计模型;
步骤3:将基于深度卷积网络的OFDM信道估计模型加载到OFDM系统接收端完成信道估计任务,模型输入为经步骤1经数据处理后得到的,输出为经过训练优化后的全时频域CSI,符号为/>,维度为/>。
2.根据权利要求1所述的一种基于深度卷积网络的OFDM信道估计方法,其特征在于:输入层提取出导频处的估计CSI值的特征图/>后将其输入到隐藏层中,输出层拟合出全时频域CSI:/>。
3.根据权利要求2所述的一种基于深度卷积网络的OFDM信道估计方法,其特征在于:步骤2中池化窗口大小为2×2,降维后的维度向上取整,DenseBlock结构的层数N为满足以下公式的最大值:,且/>,其中/>为/>的长,/>为的宽。
4.根据权利要求3所述的一种基于深度卷积网络的OFDM信道估计方法,其特征在于:第一反卷积层和第二反卷积层对输入的特征图的处理流程包括:首先利用最近邻插值法得到长和宽的放大比例分别为2和7的插值扩维后的特征图,插值扩维后的特征图由卷积核进行卷积运算,再由激活函数实现非线性映射得到反卷积之后的输出特征图,使用的激活函数为Relu函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310620850.0A CN116599800B (zh) | 2023-05-30 | 2023-05-30 | 一种基于深度卷积网络的ofdm信道估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310620850.0A CN116599800B (zh) | 2023-05-30 | 2023-05-30 | 一种基于深度卷积网络的ofdm信道估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116599800A true CN116599800A (zh) | 2023-08-15 |
CN116599800B CN116599800B (zh) | 2023-09-26 |
Family
ID=87608062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310620850.0A Active CN116599800B (zh) | 2023-05-30 | 2023-05-30 | 一种基于深度卷积网络的ofdm信道估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116599800B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109218233A (zh) * | 2018-11-14 | 2019-01-15 | 国家电网有限公司 | 基于深度特征融合网络的ofdm信道估计方法 |
CN113422745A (zh) * | 2021-06-17 | 2021-09-21 | 中山大学 | 一种基于深度学习的空海无线信道估计方法 |
CN113965440A (zh) * | 2021-10-20 | 2022-01-21 | 嘉兴学院 | 一种双通道混合深度神经网络ofdm无线通信盲接收方法 |
CN114567359A (zh) * | 2022-03-02 | 2022-05-31 | 重庆邮电大学 | 一种大规模mimo系统中基于多分辨率融合卷积反馈网络的csi反馈方法 |
US20220303159A1 (en) * | 2021-03-18 | 2022-09-22 | San Diego State University (SDSU) Foundation, dba San Diego State University Research Foundation | Systems and methods for optimization and estimation of nonlinear mimo systems with deep neural networks |
-
2023
- 2023-05-30 CN CN202310620850.0A patent/CN116599800B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109218233A (zh) * | 2018-11-14 | 2019-01-15 | 国家电网有限公司 | 基于深度特征融合网络的ofdm信道估计方法 |
US20220303159A1 (en) * | 2021-03-18 | 2022-09-22 | San Diego State University (SDSU) Foundation, dba San Diego State University Research Foundation | Systems and methods for optimization and estimation of nonlinear mimo systems with deep neural networks |
CN113422745A (zh) * | 2021-06-17 | 2021-09-21 | 中山大学 | 一种基于深度学习的空海无线信道估计方法 |
CN113965440A (zh) * | 2021-10-20 | 2022-01-21 | 嘉兴学院 | 一种双通道混合深度神经网络ofdm无线通信盲接收方法 |
CN114567359A (zh) * | 2022-03-02 | 2022-05-31 | 重庆邮电大学 | 一种大规模mimo系统中基于多分辨率融合卷积反馈网络的csi反馈方法 |
Non-Patent Citations (1)
Title |
---|
GAO, WEI 等: "Efficient OFDM Channel Estimation with RRDBNet", 2022 IEEE SYMPOSIUM ON COMPUTERS AND COMMUNICATIONS (ISCC) * |
Also Published As
Publication number | Publication date |
---|---|
CN116599800B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110266620B (zh) | 基于卷积神经网络的3d mimo-ofdm系统信道估计方法 | |
CN111740934B (zh) | 一种基于深度学习的水声fbmc通信信号检测方法 | |
CN109194596A (zh) | 一种基于稀疏贝叶斯学习的水声ofdm时变信道估计方法 | |
CN104486267B (zh) | 一种短波信道下基于小波去噪的sc‑fde信道估计方法 | |
CN113381951B (zh) | 时变频选衰落信道下mftn联合信道估计与均衡方法 | |
CN111865863B (zh) | 一种基于rnn神经网络的ofdm信号检测方法 | |
CN109412725B (zh) | 无线电通信pcma信号盲解调方法及装置 | |
CN106302298A (zh) | 一种消除正交频分复用水声通信系统限幅噪声的方法 | |
CN116132239B (zh) | 采用预激活残差单元和超分辨网络的ofdm信道估计方法 | |
CN107359906A (zh) | 低压电力线通信系统中脉冲噪声的抑制方法 | |
CN114338305A (zh) | 一种针对正交时频空调制系统的符号检测方法 | |
CN113852575A (zh) | 一种基于时域信道均衡辅助的迭代otfs符号检测方法 | |
CN114039821A (zh) | 一种宽带mmWave MIMO-OFDM系统波束空间信道估计方法 | |
CN113660061A (zh) | 基于接收符号分块的otfs系统符号检测方法 | |
CN104079520B (zh) | 一种ofdm系统的脉冲干扰抑制方法 | |
CN113726697A (zh) | 一种基于置信空间动态判决的otfs符号检测方法 | |
CN116599800B (zh) | 一种基于深度卷积网络的ofdm信道估计方法 | |
CN115412416B (zh) | 一种面向高速移动场景的低复杂度otfs信号检测方法 | |
CN106161298A (zh) | 基于压缩感知的非线性ofdm系统迭代信道估计算法 | |
CN116248448A (zh) | 一种基于迂回式匹配追踪的otfs系统信道估计方法 | |
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 | |
CN109842581B (zh) | 基于三级阈值变步长自适应压缩感知技术的信道估计方法 | |
CN112671419B (zh) | 一种无线信号重建方法、装置、系统、设备和存储介质 | |
CN117675112B (zh) | 基于机器学习的通信信号处理方法、系统、设备及介质 | |
CN112702288B (zh) | 一种低导频开销的水声ofdm通信系统信道估计方法 |
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 |