[发明专利]一种基于深度学习的抗子载波间干扰的OFDM检测方法

说明书

本发明公开了一种基于深度学习的抗子载波间干扰的OFDM检测方法，可应用于高速移动的OFDM通信系统和毫米波段载波相位噪声较大的OFDM系统，可有效对抗多普勒频偏和相位噪声带来的子载波间干扰。本发明为逼近ML检测器，利用深度展开的方式基于投影梯度下降法设计了深度网络结构，训练算法为Adam算法，采用微小批次(batch)的训练方式，每个批次包含多个输入输出OFDM符号及对应的信道矩阵H，即每个批次反映了一段时间内信道的变化。通过训练先遍历一遍不同的信道信息，再循环使用这些信道信息进行深度学习，达到损失函数收敛到一个很小的值。利用训练好的深度检测网络解调OFDM信号，有效提高受较大多普勒频偏或相位噪声产生的子载波间干扰影响的OFDM系统检测的性能。

技术领域

本发明涉及一种基于深度学习的抗子载波间干扰(Inter-CarrierInterference,ICI)的OFDM检测方法，属于无线移动通信技术领域。

背景技术

OFDM技术能将高速数据流通过串并变换，变成低速并行数据流调制到相互正交的子载波上进行传输，通过添加循环前缀能够消除符号间干扰。从频域角度看，由于OFDM中子载波间隔小于信道的相干带宽，因此OFDM能够很好的对抗频率选择性衰落，并且OFDM技术容易和多输入多输出相结合，采用功率分配和自适应调制技术能够获得空间的分集和复用增益，最大程度满足信道传输的要求。因此OFDM技术已经成为无线局域网，WiMAX和3GPP长期演进系统(4G)的关键技术。

OFDM系统的缺点在于其对于高速移动带来的Doppler频偏和载波相位噪声较为敏感，由此产生的子载波间的干扰会严重影响系统性能。OFDM技术将高速数据流调制到正交的子载波上，高速移动导致信道是快速时变的，反映在Doppler频偏上，时变速度越快，Doppler频偏越大，由此产生的子载波间干扰越大。从频域来看Doppler频偏产生的频率扩展破坏了子载波之间的正交性，导致接收端频域子载波间干扰，这是高速铁路场景下、毫米波段以及低轨卫星系统OFDM应用的一个瓶颈。目前已有的降低ICI影响的技术主要包括：时域加窗、频域均衡，经典ICI干扰自消除方法以及Doppler分集。另外还有一些通过引入其他技术来降低ICI的方法，例如通过采用全相位谱分析技术来压低子载波旁瓣的影响以降低ICI等。

近年来深度学习已经被成功应用于计算机视觉、自然语言处理等领域，其在通信系统物理层的应用也逐渐受到更多的关注，尤其是在未来通信系统更高速度、更低延时、更精确处理的要求下，深度学习由于其卓越的函数逼近能力、并行处理结构以及方便的优化能力成为一种颇有希望的技术。多种多样的框架库如Tensorflow、Theano、Caffe等可以用于加速试验以及高效地使用神经网络结构。Adagrad、Momentum、Adam等自适应学习率算法的提出也进一步提高了收敛速率，减少了计算复杂度，避免了收敛到局部最优解。

综上所述，由于已有的ICI消除方式存在复杂度高、频谱利用率低等问题，而深度学习展现出很强的算法学习潜力，因此期望能够基于深度学习找到一种检测网络有效对抗ICI对系统性能的影响。

发明内容

针对OFDM系统中Doppler频偏和相位噪声带来的ICI问题，本发明基于深度学习为OFDM通信系统提供一种基于深度学习的抗子载波间干扰的OFDM检测方法，通过训练深度检测网络来逼近最优ML解调器性能。

本发明为解决上述技术问题采用以下技术方案：

本发明提供一种基于深度学习的抗子载波间干扰的OFDM检测方法，通过一种深度检测网络进行OFDM检测，其中，深度检测网络的结构为：

式中，分别表示第k+1层、第k层网络的输出，H表示ICI信道矩阵，Y表示接收符号；表示由线性整流函数ρ(x)＝max{0,x}构造的分段函数，W_k、b_k、t_k均为第k层的网络参数。