[发明专利]一种基于级联结构的深度学习网络OFDM信号检测方法

权利要求书

1.一种基于级联结构的深度学习网络OFDM信号检测方法，用于针对经过多径衰落信道的待检测OFDM信号进行实时检测，其特征在于，针对实时所获得的待检测OFDM信号，执行如下步骤：

步骤A.接收待检测OFDM信号，并针对该待检测OFDM信号进行迫零解相关预处理，获得预处理待检测OFDM信号，然后进入步骤B；

步骤B.将该预处理待检测OFDM信号输入预设深度学习网络中，进行进一步均衡处理，获得OFDM信号检测结果，然后进入步骤C；

步骤C.以该OFDM信号检测结果所对应的频域发送信号为输入，该OFDM信号检测结果为输出，基于该OFDM信号检测结果所对应频域发送信号与该OFDM信号检测结果之间欧氏距离最小为目标的训练方向，针对该深度学习网络进行训练，更新获得深度学习网络，然后返回步骤A。

2.根据权利要求1所述一种基于级联结构的深度学习网络OFDM信号检测方法，其特征在于，所述步骤A包括如下步骤：

步骤A1.接收待检测OFDM信号，若该待检测OFDM信号的子载波数小于或等于32时，则进入步骤A2；若该待检测OFDM信号的子载波数大于32时，则进入步骤A3；

步骤A2.针对该待检测OFDM信号中的所有子载波，按如下公式，迫零解相关预处理：

X_in＝(H^TH)^-1H^TY

获得预处理待检测OFDM信号X_in，其中，H为信道矩阵的频域表达式，H^T为信道矩阵频域表达式H的转置，()^-1表示逆运算，Y表示该待检测OFDM信号，然后进入步骤B；

步骤A3.首先采用一级滑动窗针对该待检测OFDM信号，按预设步长顺序滑动，同时，采用二级滑动窗针对一级滑动窗中待检测OFDM信号，按预设步长顺序滑动，并按如下：

获得滑动窗中的预处理待检测OFDM信号X_in，其中，n_slip表示二级滑动窗针对一级滑动窗中待检测OFDM信号顺序滑动的总次数，表示二级滑动窗的长度，表示二级滑动窗中保护间隔的长度；表示二级滑动窗顺序滑动n_slip次后、二级滑动窗中的待检测OFDM信号，表示二级滑动窗中子载波所对应信道矩阵的逆运算，表示采用二级滑动针对一级滑动窗中待检测OFDM信号进行第n_slip次迫零预处理后输出，X_in表示二级滑动的总输出，然后进入步骤B。

3.根据权利要求2所述一种基于级联结构的深度学习网络OFDM信号检测方法，其特征在于，所述步骤A3中，滑动窗由中间为输出部分、两端为保护间隔部分所构成，按如下方法，获得滑动窗的长度l_T；

首先根据该待检测OFDM信号中子载波的数量N，按如下公式：

获得滑动窗两端保护间隔部分的长度均为l_G，其中，f_N表示归一化多普勒频偏，v表示用于进行滑动窗长设计的中间变量，且β为预设常数，其中，针对所述一级滑动窗和二级滑动窗，使用不同的预设常数β、分别进行对应的输出部分和保护间隔长度的设计；

然后根据滑动窗预设输出部分的长度l₀，结合滑动窗两端保护间隔部分的长度均为l_G，按l_T＝l₀+2l_G，获得滑动窗的长度l_T。

4.根据权利要求1所述一种基于级联结构的深度学习网络OFDM信号检测方法，其特征在于，所述步骤C中，针对所述预设深度学习网络进行训练优化，构建损失函数如下：

其中，H为信道矩阵的频域表达式，Y表示该待检测OFDM信号，表示以θ为训练参数，H、Y为输入的预设深度学习网络，k表示预设深度学习网络的第k层，N_L表示预设深度学习网络的总层数，表示预设深度学习网络所输出的OFDM信号检测结果，X表示该OFDM信号检测结果所对应频域发送信号。

5.根据权利要求4所述一种基于级联结构的深度学习网络OFDM信号检测方法，其特征在于：所述损失函数对应的训练方法为Adam训练方法，所述预设深度学习网络的总层数N_L为20层。