【文献学习】2 Power of Deep Learning for Channel Estimation and Signal Detection in OFDM

偏执的太偏执、 2023-01-01 11:56 182阅读 0赞

### 目录 ###

*  1 介绍
 *  2 方法
 *  3 模型
 *  4 模型参数
 *  5 实验分析
 *   *  5.1 导频的分析
     *  5.2 CP的分析
     *  5.3 削波和滤波失真的分析
     *  5.4 综合所有条件分析
     *  5.5 不同信道分析
 *  6 疑问和反思
 *  7 论文源码下载

# 1 介绍 #

直接用全连接层构成的神经实现了传统的OFDM通信系统中的接收机。接收机部分包括信道估计和信号检测两个部分。将OFDM接收机视为完全的黑匣子。这个神经网络叫做FC-DNN。这一点是区别于另一片论文ComNet Combination of Deep Learning andExpert Knowledge in OFDM Receivers.pdf中的ComNet设计的。ComNet是把信道估计和信号检测分开用神经网络去计算，算是对FC-DNN的改进。性能的确所有提高。  
研究成果是：如果有足够的导频，则深度学习模型可以获得与传统方法相当的性能，但是在有限的导频、去除CP和非线性噪声下，深度学习模型更优。

# 2 方法 #

DNN模型将接收到的数据（由一个导频块和一个数据块组成）作为输入，并以端到端的方式恢复传输的数据

# 3 模型 #

每层中的神经元数量分别为256、500、250、120、16。 输入数量对应于包含导频并发送的2个OFDM块的实部和虚部的数量，基于独立训练的单个模型对传输数据的每16位进行分组和预测，然后将其串联起来作为最终输出。 Relu函数在大多数层中都用作激活函数，除了在最后一层中，使用Sigmoid函数将输出映射到间隔\[0，1\]。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center]

# 4 模型参数 #

（1）OFDM系统  
子载波：64  
CP长度：16  
调制方式：QPSK  
信道均衡方法：MMSE和LS（对比实验）  
导频数量：64  
（2）无线信道  
遵循无线世界倡议的新无线电模型（WINNER II）  
载波频率为2.6 GHz  
路径数为24  
使用最大延迟为16个采样周期的典型城市信道  
（3）网络模型参数  
神经元数量分别为256、500、250、120、16

# 5 实验分析 #

在以下实验中，在使用更少的训练导频，省略CP或存在非线性削波噪声的情况下，基于深度学习的方法被证明比LS和MMSE更健壮。

## 5.1 导频的分析 ##

在导频数量为64时，LS效果最差，MMSE和深度学习效果相似且都比LS效果好  
在导频为8，SNR= 10db时，LS和MMSE效果都趋于饱和，但是深度学习模型还能降低误码率，说明了深度学习模型具有鲁棒性  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 1]

## 5.2 CP的分析 ##

去除CP后，LS和MMSE在信噪比大于15db后就趋于饱和，但是深度学习模型还能降低误码率  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 2]

## 5.3 削波和滤波失真的分析 ##

当削波比=1（CR=1），SNR超过15 dB时，深度学习方法要优于MMSE方法，这证明了深度学习方法是对非线性削波噪声更鲁棒.  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 3]

## 5.4 综合所有条件分析 ##

在8个导频，去除CP，有削波噪声的条件下，深度学习模型更优秀。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 4]

## 5.5 不同信道分析 ##

在不同的信道中，即使最大延迟和路径数不同，不会影响深度学习的模型预测误码率。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 5]

# 6 疑问和反思 #

该模型的原理当输入数量对应于包含导频并发送的2个OFDM块的实部和虚部的数据，基于独立训练的单个模型对传输数据的每16位进行分组和预测，然后将其串联起来作为最终输出。  
疑问1 ：是如何实现的分组和串联？  
疑问2：如何一次发送2个OFDM ？  
以上两个问题都需要阅读源码去解决

# 7 论文源码下载 #

1、[原作者项目源码][Link 1]  
2、[简化版源码][Link 2]  
3、简化版源码来源[博士大佬的文章][Link 3]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center]: /images/20221120/4d6a8e71e5f24950b6bc67cce1820e59.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221120/13690405d79048589da3b821cf43db80.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20221120/42224e5d2ae04dc48834076b41dadd3f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 3]: /images/20221120/add0e4d190f34c53afec7d2f77279f3b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 4]: /images/20221120/7f81fdbc2fb4487797d30f9788bb5d3f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 5]: /images/20221120/48e22eed2b9b44feb49e88b79f58e764.png
[Link 1]: https://github.com/823316627bandeng/ComNet-OFDM
[Link 2]: https://github.com/823316627bandeng/DNN_detection_via_keras
[Link 3]: https://zhuanlan.zhihu.com/p/166159478