[发明专利]基于自归一化网络的OFDM信道估计与信号检测方法

说明书

本发明涉及高速无线通信领域，尤其是一种基于自归一化网络的OFDM信道估计与信号检测方法，本发明采用创新性的逻辑设计，首先通过OFDM系统产生训练SNN网络所需的数据集，将数据集划分为训练集和测试集并进行数据预处理，其次搭建SNN网络，随后将数据输入SNN网络，对模型进行训练和学习，并利用Adam优化器对网络参数进行优化。本发明可应用于子载波数量较多、导频数量较少的OFDM系统，有效解决了此类系统已有和传统算法中信道估计与信号检测精度较低、子载波间干扰严重等问题，同时可以使用较少的导频数和循环前缀数便能达到较高的信道估计与信号检测精度和较低的误码率，大大节省了频谱资源。

技术领域

本发明涉及智能高速无线通信领域，特别涉及一种基于自归一化网络的OFDM信道估计与信号检测方法。

背景技术

OFDM因具有较高的频谱效率及较强的抗多径信道衰落能力，在无线通信系统中具有重要地位。无线信道受频率选择性衰落、阴影衰落等影响，使得信号传输路径变得多样复杂，从而造成接收端误码率较高，使接收信号受到干扰。为满足社会的需求，高效利用有限的信道资源，进行信道估计和信号检测是必不可少的一步。

从接收的信号里估计出某一信道模型的模型参数的过程就是信道估计，通常根据是否使用导频可分为全盲信道估计、半盲信道估计和非盲信道估计。在实际应用中，非盲信道估计所包含的最小二乘法(LS)估计因其复杂度较低而被广泛应用。但其忽略了子载波间干扰及噪声带来的影响，因此这也成为阻碍LS算法进一步发展的原因。

近些年，深度学习掀起了一大波浪潮，成为研究中所用的热门工具，其在医疗健康、语言处理、目标检测、图像识别等领域取得了史无前例的成果。由于其强大的学习能力，通信领域也逐步与深度学习所结合，目前已应用于CSI反馈、信道估计、信号检测等技术。

在通信与深度学习结合的技术中，最为经典的莫过于DNN与OFDM系统相结合的算法，通过数据驱动的方式将通信系统当作整体，利用8个相同构造的DNN和大量标签数据对其进行训练。实验结果表明，此算法优于LS算法，但DNN在子载波较多时表现的性能一般，需增加导频数才可降低误码率(BER)、提升准确度，同时其均方误差(MSE)较高，收敛速度慢。

发明专利CN 112600772A提出一种基于数据驱动神经网络的OFDM信道估计与信号检测方法，其本质是在DNN网络前加入8层卷积神经网络(CNN)与8层BN层进行降噪处理，可实现低于LS算法的BER。但其网络层数较多，计算量较大，容易时间和资源的浪费。

发明专利CN 111404849A提出一种基于深度学习的OFDM信道估计与信号检测方法，其利用CNN、Dense组成信道估计子网络和信号检测子网络，分别实现信道估计与信号检测。但此发明在子载波数量较多时，其网络训练时间较长，易出现准确率较低的问题，并不适用于高数量子载波的OFDM系统。

发明专利CN 111510402B提出一种基于深度学习的OFDM信道估计方法，通过3层Dense提升信道估计质量。但此发明在提升子载波数量的情况下，易出现梯度消失和过拟合的问题。

发明内容

针对上述问题，本发明提出一种基于自归一化网络SNN的OFDM信道估计与信号检测方法，SNN采用全连接层、Selu加强处理单元、Dropout Selu网络层，以降低MSE，加快网络收敛，同时提高系统误码率性能。

本发明提供如下技术方案：一种基于自归一化网络的OFDM信道估计与信号检测方法,包括如下步骤，

步骤1：利用OFDM系统框架生成训练自归一化网络所需要的数据集；

步骤2：划分数据集并进行数据预处理，其中训练集包含80％的数据，测试集包含20％的数据；

步骤3：搭建用于OFDM系统信道估计与信号检测的自归一化网络；

步骤4：设定训练自归一化网络所需要的超参数；