[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

说明书

本发明公开了一种基于模型驱动深度学习的无循环前缀OFDM接收方法，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本发明时间消耗少，检测性能高。

技术领域

本发明涉及通信技术，尤其涉及一种基于模型驱动深度学习的无循环前缀OFDM接收方法。

背景技术

近年来，深度学习作为人工智能中的基础技术，在计算机视觉和自然语言处理等学科取得了巨大成功。深度学习是机器学习领域的一个分支，是一种监督学习的方法，通过最小化深度神经网络的预测值与真实值之间的损失函数，得到一组最优的神经网络参数，来使得深度神经网络能够进行准确预测。

深度学习在无线通信物理层应用的已经有了一些探索性的研究，包括信道估计、信号检测、编码器、译码器，信道反馈信息重建和端到端的深度学习通信系统。但是目前将无线通信领域的算法知识融入到神经网络设计中的实例还很少，已有的神经网络的功能大多将无线通信系统或模块看作为一个黑盒子，对神经网络的训练完全依赖于大量数据驱动，神经网络的参数量也比较大，训练速度慢。在无循环前缀的OFDM中，多径信道造成的符号间干扰和载波间干扰，使得信道估计和信道检测面临很大的挑战。基于数据驱动的神经网络在高阶调制下误比特率很高，期望利用模型驱动的神经网络进一步提升性能。

发明内容

发明目的：本发明针对现有技术存在的问题，提供一种基于模型驱动深度学习的无循环前缀OFDM接收方法。

技术方案：本发明所述的基于模型驱动深度学习的无循环前缀OFDM接收方法包括：

(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

进一步的，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；