CN118200103A - 一种ofdm信号检测方法 - Google Patents
一种ofdm信号检测方法 Download PDFInfo
- Publication number
- CN118200103A CN118200103A CN202410440103.3A CN202410440103A CN118200103A CN 118200103 A CN118200103 A CN 118200103A CN 202410440103 A CN202410440103 A CN 202410440103A CN 118200103 A CN118200103 A CN 118200103A
- Authority
- CN
- China
- Prior art keywords
- signal
- signal detection
- detection model
- training
- transmitted
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 136
- 238000012549 training Methods 0.000 claims abstract description 84
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 238000003780 insertion Methods 0.000 claims abstract description 10
- 230000037431 insertion Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 34
- 238000000034 method Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000007493 shaping process Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research 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
- 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
- H04L27/2655—Synchronisation arrangements
- H04L27/2666—Acquisition of further OFDM parameters, e.g. bandwidth, subcarrier spacing, or guard interval length
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明公开了一种OFDM信号检测方法，包括以下步骤：基于信道仿真接收OFDM系统信息；对发送的接收信号和插入导频后的发送信号进行处理，获得第一重构信号；基于深度学习构建信号检测模型，基于发送的接收信号、待复原的原始发送信号和第一重构信号对信号检测模型进行预训练，获得预训练参数；对发送的接收信号和导频信号进行处理，获得第二重构信号；基于发送的接收信号、待复原的原始发送信号和第二重构信号对信号检测模型继续进行训练，获得训练参数，进而获得训练后的信号检测模型；基于训练后的信号检测模型对OFDM信号进行检测。本发明提出的训练后的信号检测模型具有更高的检测准确性和鲁棒性，具有更优的性能和信号检测能力。
Description
技术领域
本发明属于无线通信的信号检测技术领域，尤其涉及一种OFDM信号检测方法。
背景技术
正交频分复用技术是一种广泛应用于无线宽带系统的调制方式，用于对抗无线信道中的频率选择性衰落。在无线信道中，接收信号往往因为信道特性而失真，在接收端必须估计和补偿信道效应以恢复发送信号。信道状态信息对OFDM无线通信系统的相干检测和解码至关重要，OFDM无线通信系统信号检测问题一直是学术界研究的热点。
传统方法有最小二乘法、最小均方误差法等。其中最小二乘法不需要信道统计量的先验，计算简单、复杂度低，但由于其不能消除噪声对导频符号的影响，因此其性能不够理想；最小均方误差法一般利用信道的二阶统计量来获得更好的检测性能，但其复杂度略高。
近年来深度学习法在无线通信系统中得到了广泛的应用，包括信道解码、CSI反馈与重建、信道估计和信号检测等方面。因此，亟需提出一种基于深度学习的OFDM信号检测方法。
发明内容
为解决上述技术问题，本发明提出了一种OFDM信号检测方法，以解决上述现有技术存在的问题。
为实现上述目的，本发明提供了一种OFDM信号检测方法，包括以下步骤：
基于信道仿真接收OFDM系统信息，所述OFDM系统信息包括发送的接收信号、插入导频后的发送信号、导频信号和待复原的原始发送信号；
对所述发送的接收信号和插入导频后的发送信号进行处理，获得第一重构信号；
基于深度学习构建信号检测模型，基于所述发送的接收信号、待复原的原始发送信号和第一重构信号对所述信号检测模型进行预训练，获得预训练参数；
对所述发送的接收信号和导频信号进行处理，获得第二重构信号；
基于发送的接收信号、待复原的原始发送信号和第二重构信号对所述信号检测模型继续进行训练，获得训练参数，进而获得训练后的信号检测模型；
基于所述训练后的信号检测模型对OFDM信号进行检测。
可选地，所述第一重构信号和第二重构信号的获取过程包括：基于ZF均衡器对所述发送的接收信号和插入导频后的发送信号进行重构，获得第一重构信号；基于ZF均衡器对所述发送的接收信号和导频信号进行重构，获得第二重构信号。
可选地，基于发送的接收信号对信号检测模型进行预训练和训练之前还包括：基于数据整形函数对所述发送的接收信号的每一个元素进行整形处理。
可选地，所述信号检测模型的模型结构包括：一个输入层，L-2个隐藏层和一个输出层，其中，所述隐藏层采用ReLU函数，所述输出层采用Sigmoid函数。
可选地，所述信号检测模型的估计损失函数表达式为：
其中，为第m个样本的发送信号预测值，v′(m)为发送信号的真实值，M为训练样本集中的总样本数，θ＝{Wl，bl}l＝12，…，L-1为权重和偏置的参数模型。
可选地，对所述信号检测模型进行预训练的过程包括：将所述发送的接收信号、待复原的原始发送信号和第一重构信号输入到所述信号检测模型中，采用ReLU函数初始化信号检测模型的权值，并将信号检测模型的偏置初始化接近于零的常数，然后采用RMSProp算法最小化代价函数直到信号检测模型收敛，获得预训练参数。
可选地，对所述信号检测模型进行训练的过程包括：将发送的接收信号、待复原的原始发送信号和第二重构信号输入到所述信号检测模型中，加载所述预训练参数作为继续训练的初始参数，然后采用RMSProp算法最小化代价函数直到信号检测模型收敛，获得训练参数，完成训练。
可选地，还包括对所述信号检测模型进行模型测试；
所述模型测试的过程包括：基于OFDM系统在不同信噪比下发送测试信号，输入到训练后的信号检测模型中，输出预测信号，进一步与发送的测试信号进行比较，测试训练后的信号检测模型的模型性能。
与现有技术相比，本发明具有如下优点和技术效果：
本发明使用ZF均衡器重构信号检测模型的输入，可以大大提高信号检测模型的学习能力；本发明通过增加的预训练阶段为离线训练提供了更优的初始化参数，能够进一步提高信号检测模型的检测准确度；本发明提出的训练后的信号检测模型具有更高的检测准确性和鲁棒性，具有更优的性能和信号检测能力。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例的信号检测方法流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1所示，本实施例中提供一种OFDM信号检测方法，先通过信道仿真数据进行离线训练得到最优参数，再在线检测信号。为了更好的解决信道失真等问题，本文在离线训练中加入预训练阶段，使得神经网络模型在得到良好的初始化参数后进行训练。在设计的基于深度学习的信号检测框架中，输入信号经过重构后被送入神经网络训练，从而补偿信道的影响，提高了信号检测的能力。
具体包括以下步骤：基于信道仿真接收OFDM系统信息，所述OFDM系统信息包括发送的接收信号、插入导频后的发送信号、导频信号和待复原的原始发送信号；对所述发送的接收信号和插入导频后的发送信号进行处理，获得第一重构信号；基于深度学习构建信号检测模型，基于所述发送的接收信号、待复原的原始发送信号和第一重构信号对所述信号检测模型进行预训练，获得预训练参数；对所述发送的接收信号和导频信号进行处理，获得第二重构信号；基于发送的接收信号、待复原的原始发送信号和第二重构信号对所述信号检测模型继续进行训练，获得训练参数，进而获得训练后的信号检测模型；基于所述训练后的信号检测模型对OFDM信号进行检测。
可实施的，所述信号检测模型的模型结构包括：一个输入层，L-2个隐藏层和一个输出层，其中，所述隐藏层采用ReLU函数，所述输出层采用Sigmoid函数。
具体的，本实施例的信号检测模型由一个输入层，L-2个隐藏层和一个输出层组成。每一层由多个神经元组成，每个神经元将各个输入与对应权重相乘，再加上偏置，最后通过非线性激活函数输出。本实施中，隐藏层使用ReLU函数，输出层使用Sigmoid函数，因此，网络输出是一系列非线性变化的级联，输出
式中，v和分别为信号检测模型的输入和输出数据；/> 表示L-2个隐藏层使用ReLU函数；/>表示输出层使用Sigmoid函数；Wl和bl分别为l层的权重和偏置，其中l＝1，2，…，L-1，通过训练阶段最小化代价函数获得，本实施例选择L2正则化为代价函数。
可实施的，所述信号检测模型的估计损失函数表达式为：
其中，为第m个样本的发送信号预测值，v′(m)为发送信号的真实值，M为训练样本集中的总样本数，θ＝{Wl，bl}l＝1，2，…L-1为权重和偏置的参数模型。
本实施例设计了信号检测模型来代替OFDM无线通信系统的信号检测模块.该模型能够很好地利用信道统计数据描述真实的信道，可以通过仿真得到训练数据。在每个仿真中，首先生成一个随机数据序列作为发送信号，然后利用导频符号生成相应的OFDM帧，在信道模型的基础上，对当前随机信道进行了仿真，接收到的OFDM信号是基于当前信道失真(包括信道噪声)的OFDM帧得到的。为了得到一个有效的用于信号检测的信号检测模型，本实施例设计的模型包括离线训练和在线信号检测，其中离线训练分2个阶段：预训练阶段和训练阶段。在预训练阶段，利用接收到的OFDM样本对模型进行训练，在训练阶段，再次利用仿真数据得到最优参数。
可实施的，对所述信号检测模型进行预训练的过程包括：将所述发送的接收信号、待复原的原始发送信号和第一重构信号输入到所述信号检测模型中，采用ReLU函数初始化信号检测模型的权值，并将信号检测模型的偏置初始化接近于零的常数，然后采用RMSProp算法最小化代价函数直到信号检测模型收敛，获得预训练参数。
具体的，在预训练阶段，首先利用信道仿真收集OFDM的1帧中包含导频符号和数据符号在内的所有OFDM系统信息，将接收信号Y、插入导频后的发送信号XDP和待复原的原始发送信号XD作为信号检测模型的训练数据。为了弥补信道的影响以及减少信号检测模型的输入数量，利用ZF均衡器将Y和XDP进行重构得到即第一重构信号。此外，为进一步提高检测信号检测模型的性能，发送信号功率也被丢到信号检测模型中训练，在信号检测模型中定义fe(a)为信号功率函数，即：fe(a)＝{|a1|2，|a2|2，…，|aN|2}，式中，a1，a2，…，aN为N维向量a的每个元素。同时，通常由于信号检测模型的权重和偏置均为实数，很难处理复杂的输入数据，因此需要对原始数据进行处理以方便神经网络进行训练。定义fc(a)为数据整形函数，即：fc(a)＝{Re(a)，Im(a)}。并定义/>为fc(a)的反函数。由此，信号检测模型预训练阶段的输入数据/> 其中Y1，Y2，…，YN为接收信号向量Y的每个元素，输出数据/>将信号检测模型的参数初始化为随机变量θ1，使用ReLU作为激活函数初始化DNN的权值，并将信号检测模型的偏置初始化为接近于零的常数。然后用RMSProp算法来最小化小代价函数直到信号检测模型收敛，最后将信号检测模型的收敛参数表示为θ2。预训练阶段可以为训练阶段获得一个理想的初始参数，预训练阶段中导频符号是已知的，数据符号可以通过信道仿真得到，经过预训练阶段获得的最优参数已接近最优，因此可以避免由于信号检测模型参数随机初始化所导致的局部极小值问题，使得信号检测模型得到良好初始化，从而更准确地进行信号检测。此外，预训练可以有效地缓解梯度消失问题，使信号检测模型收敛速度更快。
可实施的，对所述信号检测模型进行训练的过程包括：将发送的接收信号、待复原的原始发送信号和第二重构信号输入到所述信号检测模型中，加载所述预训练参数作为继续训练的初始参数，然后采用RMSProp算法最小化代价函数直到信号检测模型收敛，获得训练参数，完成训练。
可实施的，所述第一重构信号和第二重构信号的获取过程包括：基于ZF均衡器对所述发送的接收信号和插入导频后的发送信号进行重构，获得第一重构信号；基于ZF均衡器对所述发送的接收信号和导频信号进行重构，获得第二重构信号。
可实施的，基于发送的接收信号对信号检测模型进行预训练和训练之前还包括：基于数据整形函数对所述发送的接收信号的每一个元素进行整形处理。
具体的，训练阶段中，信号检测模型的原始输入数据为只包含了导频符号的OFDM传输信号，即将Y、导频信号XP和XD作为信号检测模型的训练数据。信号检测模型训练阶段的输入数据为v＝{|Y1|2，|Y2|2，…，|YN|2， 为ZF均衡器将Y和XP重构后的估计值，即第二重构信号，输出数据/>训练阶段和预训练阶段的区别在于，数据符号和导频符号在预训练阶段都用来作为信号检测模型的输入添加到训练中，而在训练阶段只有导频符号作为信号检测模型的输入，这在实际应用中更具普遍性。在训练阶段，首先加载θ2作为信号检测模型的初始参数，然后通过RMSProp算法最小化代价函数直到信号检测模型收敛，训练后的信号检测模型参数为θ3。
经过离线训练，包括预训练和训练2个阶段，信号检测模型已经获得了最优参数θ3，具有了良好的检测能力并可以在线检测信号。
可实施的，还包括对所述信号检测模型进行模型测试；所述模型测试的过程包括：基于OFDM系统在不同信噪比下发送测试信号，输入到训练后的信号检测模型中，输出预测信号，进一步与发送的测试信号进行比较，测试训练后的信号检测模型的模型性能。
本实施例使用ZF均衡器重构信号检测模型的输入，可以大大提高信号检测模型的学习能力。本实施例通过增加的预训练阶段为离线训练提供了更优的初始化参数，能够进一步提高信号检测模型的检测准确度。本实施例提出的训练后的信号检测模型具有更高的检测准确性和鲁棒性，具有更优的性能和信号检测能力。
以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种OFDM信号检测方法，其特征在于，包括以下步骤：
基于信道仿真接收OFDM系统信息，所述OFDM系统信息包括发送的接收信号、插入导频后的发送信号、导频信号和待复原的原始发送信号；
对所述发送的接收信号和插入导频后的发送信号进行处理，获得第一重构信号；
基于深度学习构建信号检测模型，基于所述发送的接收信号、待复原的原始发送信号和第一重构信号对所述信号检测模型进行预训练，获得预训练参数；
对所述发送的接收信号和导频信号进行处理，获得第二重构信号；
基于发送的接收信号、待复原的原始发送信号和第二重构信号对所述信号检测模型继续进行训练，获得训练参数，进而获得训练后的信号检测模型；
基于所述训练后的信号检测模型对OFDM信号进行检测。
2.根据权利要求1所述的OFDM信号检测方法，其特征在于，
所述第一重构信号和第二重构信号的获取过程包括：基于ZF均衡器对所述发送的接收信号和插入导频后的发送信号进行重构，获得第一重构信号；基于ZF均衡器对所述发送的接收信号和导频信号进行重构，获得第二重构信号。
3.根据权利要求1所述的OFDM信号检测方法，其特征在于，
基于发送的接收信号对信号检测模型进行预训练和训练之前还包括：基于数据整形函数对所述发送的接收信号的每一个元素进行整形处理。
4.根据权利要求1所述的OFDM信号检测方法，其特征在于，
所述信号检测模型的模型结构包括：一个输入层，L-2个隐藏层和一个输出层，其中，所述隐藏层采用ReLU函数，所述输出层采用Sigmoid函数。
5.根据权利要求4所述的OFDM信号检测方法，其特征在于，
所述信号检测模型的估计损失函数表达式为：
其中，为第m个样本的发送信号预测值，v′(m)为发送信号的真实值，M为训练样本集中的总样本数，θ＝{Wl，bl}l＝，2，…，L-1为权重和偏置的参数模型。
6.根据权利要求1所述的OFDM信号检测方法，其特征在于，
对所述信号检测模型进行预训练的过程包括：将所述发送的接收信号、待复原的原始发送信号和第一重构信号输入到所述信号检测模型中，采用ReLU函数初始化信号检测模型的权值，并将信号检测模型的偏置初始化接近于零的常数，然后采用RMSProp算法最小化代价函数直到信号检测模型收敛，获得预训练参数。
7.根据权利要求6所述的OFDM信号检测方法，其特征在于，
对所述信号检测模型进行训练的过程包括：将发送的接收信号、待复原的原始发送信号和第二重构信号输入到所述信号检测模型中，加载所述预训练参数作为继续训练的初始参数，然后采用RMSProp算法最小化代价函数直到信号检测模型收敛，获得训练参数，完成训练。
8.根据权利要求1所述的OFDM信号检测方法，其特征在于，还包括对所述信号检测模型进行模型测试；
所述模型测试的过程包括：基于OFDM系统在不同信噪比下发送测试信号，输入到训练后的信号检测模型中，输出预测信号，进一步与发送的测试信号进行比较，测试训练后的信号检测模型的模型性能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410440103.3A CN118200103A (zh) | 2024-04-12 | 2024-04-12 | 一种ofdm信号检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410440103.3A CN118200103A (zh) | 2024-04-12 | 2024-04-12 | 一种ofdm信号检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118200103A true CN118200103A (zh) | 2024-06-14 |
Family
ID=91398097
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410440103.3A Pending CN118200103A (zh) | 2024-04-12 | 2024-04-12 | 一种ofdm信号检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118200103A (zh) |
-
2024
- 2024-04-12 CN CN202410440103.3A patent/CN118200103A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Caciularu et al. | Blind channel equalization using variational autoencoders | |
| CN110266620B (zh) | 基于卷积神经网络的3d mimo-ofdm系统信道估计方法 | |
| CN114499601B (zh) | 一种基于深度学习的大规模mimo信号检测方法 | |
| CN114039821B (zh) | 一种宽带mmWave MIMO-OFDM系统波束空间信道估计方法 | |
| Liu et al. | Toward intelligent wireless communications: Deep learning-based physical layer technologies | |
| CN115250216A (zh) | 一种基于深度学习的水声ofdm联合信道估计和信号检测方法 | |
| CN111555990A (zh) | 基于长短时记忆残差网络的信道插值估计方法 | |
| CN112422208B (zh) | 未知信道模型下基于对抗式学习的信号检测方法 | |
| CN109729035A (zh) | 一种正交频分复用技术通信系统中的脉冲噪声抑制方法 | |
| CN115664898A (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 | |
| CN114301545A (zh) | 信号检测方法、装置、电子设备及存储介质 | |
| CN112887237B (zh) | 光纤通信系统的复信道均衡器设计方法 | |
| Liu et al. | RecNet: Deep learning-based OFDM receiver with semi-blind channel estimation | |
| Yıldırım et al. | Deep receiver design for multi-carrier waveforms using cnns | |
| CN118200103A (zh) | 一种ofdm信号检测方法 | |
| CN116418633A (zh) | 基于稀疏与低秩特征的深度展开水声信道估计方法 | |
| CN112671419B (zh) | 一种无线信号重建方法、装置、系统、设备和存储介质 | |
| CN114301742A (zh) | 信道估计方法及装置 | |
| CN111683026B (zh) | 一种基于cma-sae的水声信道信号处理方法及系统 | |
| Jing et al. | A Learned Denoising-Based Sparse Adaptive Channel Estimation for OTFS Underwater Acoustic Communications | |
| Krishnama Raju et al. | An efficient deep neural networks-based channel estimation and signal detection in ofdm systems | |
| Zheng et al. | Deep learning-aided receiver against nonlinear distortion of HPA in OFDM systems | |
| CN114528925B (zh) | 一种基于深层分类网络的时变信道ofdm信号均衡方法 | |
| Xin et al. | Dmcnet: Data-driven multi-Pilot convolution neural network for MIMO-OFDM receiver | |
| Ren et al. | A Deep Neural Network with Residual Skip Connections for Channel Estimation |
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 |