[发明专利]一种基于深度学习的时变OFDM系统信号检测方法

说明书

本发明提供了一种基于深度学习的时变OFDM系统信号检测方法，生成信号检测网络模型输入数据集，构建一个信号检测网络模型，在网络训练前需预设好训练和测试参数，采用在线生成训练数据和测试数据的方式训练网络，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。本发明于针对快速时变OFDM系统，结合深度学习方法，利用循环神经网络处理时间序列的优势，简化了接收机架构，成功实现信号的解调，改进了快速时变OFDM系统中的信号检测性能，本发明有效减小了系统实现复杂度，同时也提升了系统整体的误比特率性能。

技术领域

本发明涉及无线通信技术领域，针对具有快速时变信道的OFDM系统，结合深度学习技术，提出了一种基于循环神经网络的信号检测方案，从而使系统具有更低的实现复杂度和更好的误比特率性能。

背景技术

正交频分复用(Orthogonal Frequency-Division Multiplexing，OFDM)技术是无线通信的一项重要技术，具有较好的抗多径衰弱能力和更高的频谱利用率，在未来移动通信中具有广泛应用前景。但由于OFDM系统采用正交子载波进行并行传输，其对无线传输中引入的频率偏移尤为敏感，一旦子载波间的正交性被破坏，系统的性能会急剧下降。随着现代交通工具移动速度的急剧提升，无线信道的变化速率变得越来越大，现有针对静态信道或缓慢变化信道的信道估计技术在快速时变信道下往往不能适用，导致接收端信号检测性能的下降。目前，已有众多算法研究如何在时变OFDM系统中获得准确的信道估计，从而提高信号检测性能。误比特率是衡量数字通信系统可靠性和信道质量的主要指标，为了适应现代交通工具的发展趋势，研究快速时变信道下OFDM系统的信号检测技术具有重要意义。

文献1“Du Z,Song X,Cheng J,et al.Maximum Likelihood Based ChannelEstimation for Macrocellular OFDM Uplinks in Dispersive Time-VaryingChannels.[J].IEEE Transactions on Wireless Communications,2011,10(1):176-187.”针对快速时变信道下OFDM传输系统，提出一种新的基于信道参数(ChannelParameter Based，CPB)的信道估计算法，然而联合估计会使计算复杂度大大增加。

文献2“Liu Y,Tan Z,Wang H,et al.Channel Estimation for MacrocellularOFDM Uplinks in Time-Varying Channels[J].IEEE Transactions on VehicularTechnology,2012,61(4):1709-1718.”通过采用一种特殊设计的训练符号，可以逐径估计信道参数，计算复杂度大大降低。然而因为其设计训练符号的固有特性，其峰均功率比是非常高的，这必须要求接收机有较大的动态接收范围，增加了接收机的成本。

文献3“Yao R,Liu Y,Li G,Xu J.Channel Estimation for OrthogonalFrequency Division Multiplexing Uplinks in Time-Varying Channels[J].IETCommunications,2015,9(2):156-166.”提出一种新的基于CPB的信道估计算法。通过设计特殊的训练符号，单独估计出各径的信道参数，在接收机重构信道冲激响应，获得更准确的信道估计参数，所提出的信道估计算法具有更优的估计性能和更低的复杂度。