[发明专利]一种基于模型驱动深度学习的信号检测方法

说明书

本发明涉及一种基于模型驱动深度学习的信号检测方法。该发明基于OFDM系统建立信道估计和信号检测模型。信道估计采用以基于DFT的MMSE估计器和FC‑DNN为子网络的组合神经网络模型，通过MMSE估计器对自适应分配的导频数据做预处理并且提取出DNN网络初始化信息，根据训练学习网络ChannelEstNe得到的较为准确的信道估计模型。SignalDetNet采用ZF均衡检测预处理器、LSTM和DNN构成组合网络，实现最终的信号检测并恢复原始信号。该结构保持了OFDM系统逐块处理信号的形式，可恢复具有线性和非线性失真的OFDM系统中的发送数据，并且结合传统算法初始化训练速度更快，从而提高部署效率。

技术领域

本发明属于智能通信领域，涉及一种基于模型驱动深度学习的信号检测方法，特别涉及一种基于模型驱动和深度学习的OFDM无线通信接收机的信号检测方法。

背景技术

OFDM接收机方案主要包括信道估计和信号检测两个功能模块，即首先通过信道估计得到准确的信道状态信息(CSI)，再利用估计得到的CSI恢复发送信号。传统的信道估计和信号检测技术大多通过复杂的算法来提高通信系统的接收性能，但是对目前要求高维度、高速率、高密度的5G无线通信来说，较高复杂度计算大大影响了通信的有效性。智能通信是将人工智能应用到无线通信的各个层面，实现人工技术与传统通信系统的有机融合，将深度学习与无线通信系统结合能大大提升系统效能。

人工智能应用于无线通信系统物理层的研究主要有两种类型的深度学习网络，一种基于数据驱动，另一种基于模型驱动。基于模型的深度学习网络在通信系统原有模型基础上，将深度学习网络替代某个模块或训练相关参数来提升模块性能，和基于数据驱动相比可以显著减少训练的信息量，具有更好的泛化性和自适应性。

发明内容

本发明解决现有正交频分复用系统(OFDM)接收器中传统信道估计和信号检测算法造成的信号可靠性低的问题，提出了一种分别采用ChannelEstNet和SignalDetNet神经网络模型来实现接收信号信道估计和信号检测的算法。

本发明所采用的技术方案是，一种基于模型驱动深度学习的OFDM信号检测接收器，所述方法包括以下步骤：

步骤1：基于OFDM无线通信系统框架生成ChannelEstNet和SignalDetNet所需的数据集。ChannelEstNet数据集的特征信息来自发送信号的导频信息、接收信号的导频信息，根据信道响应矩阵分配标签。SignalDetNet数据集的特征信息来自ChannelEstNet输出的信道估计信息、接收信号信息，根据原发送符号分配标签。

步骤2：将步骤1所述的两个模型的数据集样本随机打乱并重新分为12000组训练集用于离线训练，3000组验证集用于验证模型的性能和2000组测试集用于网络性能的在线测试；

步骤3：基于步骤2中所述的样本数据，利用线性判别分析(LDA)算法对特征信息进行线性降维，将多种维度的特征信息作为ChannelEstNet和SignalDetNet网络模型的输入；

步骤4：信道估计模块ChannelEstNet和信号检测模块SignalDetNet，两者都是将深度学习网络与通信算法结合，以类似于常规通信系统的逐块信号处理方式构造，其中ChannelEstNet子网络DNN-1的初始化由MMSE和LS算法设置权重，SignalDetNet的子网络输入采用ZF预检测处理的数据。

步骤5：基于步骤3中生成的样本数据集的特征信息，ChannelEstNet采用接收导频和已知的发送导频输入MMSE预处理生成的导频处信道频域响应进行DNN-1网络训练估计OFDM符号处的信道频域响应，并采用DFT技术进行时域平滑再次进行DNN-2网络训练获得信道估计信息，接下来将信道估计信息和接收的数据符号进行ZF检测处理生成初步估计的xZF，输入SignalDetNet子网络LSTM+DNN即LSTM与DNN组合的网络进行进一步信号检测训练。