[发明专利]一种基于深度学习的时变OFDM系统信号检测方法

权利要求书

1.一种基于深度学习的时变OFDM系统信号检测方法，其特征在于包括下述步骤：

步骤一：信号检测网络模型输入数据集的生成

信号检测网络模型的输入数据的参数设置和生成方式如下：

导频训练符号设为其中，x_n表示频域训练符号，n表示子载波所在频点的索引号；Python仿真时先随机产生信道参数多普勒频移ν和复幅度h；信道参数的设置如下：L径归一化多普勒大小ν＝{v₁,…,v_i，…,v_L}，其中，根据实际应用场景，v_i满足0.1≤v_i≤0.2，i＝1,2,…,L；L径复幅度h＝{a₁+jb₁,a₂+jb₂,…,a_i+jb_i,…,a_L+jb_L}，其中a_i和b_i是独立同分布正态分布随机数；

一帧包括一个训练符号和一个数据符号，帧结构推广至一个训练符号和紧随多个数据符号；信号检测网络输入数据的流程如下：

系统先随机产生发送数据信号比特流，与导频训练符号组成发送帧，再进行二进制相移键控调制，经过快速傅里叶逆变换后，添加循环前缀以克服符号间干扰；进行并串转换后，经过快速时变OFDM信道和加噪，得到接收信号，将接收信号的实部和虚部连接构成向量，并将向量作为信号检测网络模型的输入特征向量，标签向量为对应真实的发送数据信号比特；

步骤二：构建信号检测网络模型

利用RNN处理和预测序列数据的功能，将按步骤一生成的数据集，送入RNN模型训练，使其对数据进行特征提取和学习，经过调参对比，构建基于五层RNN的信号检测网络模型，信号检测网络模型训练完成后，直接将接收信号喂入信号检测网络，信号检测网络产生接收信号比特，用信号检测网络代替整个时变OFDM接收机；

步骤三：信号检测网络模型的训练与测试

在网络训练前需预设好训练和测试参数：其中n_total为信号检测网络模型训练的总次数，n_train为每次训练中送入信号检测网络的训练数据组数，n_test为每次测试送入信号检测网络的测试数据组数，n_epoch为上一次测试与当前测试相隔的训练次数；

采用在线生成训练数据和测试数据的方式训练网络，每次训练时产生n_train组发送信号比特和对应输入特征向量作为训练数据喂入信号检测网络，并期望信号检测网络从中学习；信号检测网络自动推断出接收信号与发送信号比特之间的函数关系式；

同时在训练过程中，每隔n_epoch次，随机产生n_test组发送信号比特和对应输入特征向量作为测试数据喂入信号检测网络，信号检测网络模型根据喂入的特征向量，产生预测出的发送数据比特，与真实的发送数据比特进行对比，测试网络当前的性能，当损失函数值上下浮动小于10％时，认为网络已收敛。

2.根据权利要求1所述的一种基于深度学习的时变OFDM系统信号检测方法，其特征在于：

模型优化时，接收信号使用CPB信道估计算法，估计出信道参数信息，再将信道参数信息添加给信号检测网络模型，即RNN添加信道参数模型，进一步提高模型的信号检测性能。