[发明专利]一种基于模型驱动深度学习的无循环前缀OFDM接收方法

权利要求书

1.一种基于模型驱动深度学习的无循环前缀OFDM接收方法，其特征在于包括：

(1)将接收信号y中的导频信号y_p进行变换得到频域导频信号，并与本地频域导频信号进行最小二乘估计初始化，得到最小二乘信道估计结果，再输入至全连接的第一深度神经网络进行改进，将改进结果进行傅里叶反变换得到时域信道估计信号

(2)将接收信号y消除符号间干扰后转换为实数域接收信号

(3)将实数域接收信号作为输入，根据时域信道估计信号采用将OAMP算法展开的第二深度神经网络进行迭代求解，得到最终估计的调制信号

(4)将调制信号解调后获得发送信息比特

2.根据权利要求1所述的基于模型驱动深度学习的无循环前缀OFDM接收方法，其特征在于：步骤(1)具体包括：

(1.1)将接收信号y中的导频信号y_p进行傅里叶变换得到频域导频信号Y^p；

(1.2)将频域导频信号Y^p与本地频域导频信号X^p进行最小二乘估计初始化，得到最小二乘信道估计结果其中，第k个子载波的最小二乘信道估计结果为：

式中，Y^p(k)、X^p(k)分别为第k个子载波的接收频域导频信号、本地频域导频信号，N为子载波个数；

(1.3)将最小二乘信道估计结果的实部和虚部串联成一个向量输入至全连接的第一深度神经网络进行改进，其中，所述第一深度神经网络包括一层网络，用于执行以下计算：

式中，W_LMMSE为采用线性最小均方误差信道估计的权重矩阵，为W_LMMSE的实值矩阵，且Re{}、Im{}分别表示取实部和虚部，为第一深度神经网络的输出改进结果；

(1.4)将改进结果进行傅里叶反变换得到时域信道估计信号

3.根据权利要求2所述的基于模型驱动深度学习的无循环前缀OFDM接收方法，其特征在于：所述权重矩阵W_LMMSE通过训练得到，训练过程为：

获取多个样本，每个样本包括一个真实的频域信道H和对应的最小二乘信道估计结果将作为待训练参数，采用Adam优化器，小批量梯度下降法，进行多轮训练，并动态调整学习速率，得到参数的最优值；损失函数采用平方误差损失H(k)表示k个子载波的H值，表示k个子载波的值。

4.根据权利要求1所述的基于模型驱动深度学习的无循环前缀OFDM接收方法，其特征在于：步骤(2)具体包括：

(2.1)将接收信号y按照下式消除符号间干扰：

式中，为消除符号间干扰的接收信号，A为载波间干扰和符号间干扰矩阵，表达式为

为A的估计值，q_-1为导频OFDM符号，N为子载波个数；h_i表示形成N×N的循环信道矩阵H的第i个时域冲击响应；

(2.2)将消除符号间干扰的接收信号按照下式转换为实数域接收信号

5.根据权利要求1所述的基于模型驱动深度学习的无循环前缀OFDM接收方法，其特征在于：步骤(3)中所述第二深度神经网络由LS层网络层串联而成，每层结构相同，第l层网络层的输入为第l-1层的输出和实数域接收信号输出为执行的运算为：

式中，为线性MMSE矩阵，A为载波间干扰和符号间干扰矩阵，为A的估计值，为时域信道估计信号的频域信号，F为归一化的傅里叶变换矩阵，为噪声方差，I为单位矩阵，β为更新参数，λ_l、γ_l为训练参数，N为载波个数，ε为小于预设阈值的正数，初始化u₁＝0，调制信号u来自于实数调制集合表示调制符号被判为a_m的概率，uⁿ为第n个子载波调制符号，为第l层接收的第n个子载波符号。

6.根据权利要求5所述的基于模型驱动深度学习的无循环前缀OFDM接收方法，其特征在于：所述训练参数λ_l、γ_l通过训练得到，训练过程为：

获取多个样本，每个样本包括一个的调制信号u和对应的实数域接收信号将λ_l、γ_l作为待训练参数，采用Adam优化器，小批量梯度下降法，进行多轮训练，并动态调整学习速率，得到参数λ_l、γ_l的最优值；损失函数采用平方误差损失u(k)表示k个子载波的u值，表示k个子载波的值。