[发明专利]一种数据模型双驱动的OFDM接收方法

说明书

本发明公开了一种数据模型双驱动的OFDM接收方法，包括：分别对接收机内信道估计和信号检测模块中的深度神经网络进行训练；对于信道估计模块，输入接收的频域导频和本地频域导频，采用最小二乘估计方法估计获得最小二乘信道估计结果，取实部和虚部取出串联输入深度神经网络进行改进并输出信道估计结果；对于信号检测模块，输入接收的频域导频和信道估计模块得到的信道估计结果，采用迫零均衡方法获得迫零均衡结果，及输入深度神经网络进行改进并得到输出；对所得深度神经网络输出与设定门限做硬判决并获取判决结果，及由判决结果得到发送比特流的估计。本发明通过神经网络进行优化和改进，网络训练的时间消耗少，检测性能高、可快速获得信道信息。

技术领域

本发明涉及一种数据模型双驱动的OFDM接收方法方法，属于无线通信技术领域。

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，在图像分类、面部识别、语音识别、机器翻译、风格转换等场景下超越了传统机器学习方法的性能，使得无人驾驶、智能疾病诊断、智能家居、个性化推荐等应用成为了可能。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，包括整个通信系统完全由端到端的深度神经网络替代，或者仅由深度神经网络替换通信系统的部分模块，比如编码器、解码器、检测器等。但是目前所采用的方法没有将无线通信领域的知识应用到神经网络设计上，使得神经网络的功能完全是一个黑盒，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。

发明内容

本发明所要解决的技术问题在于克服现有技术的不足，提供一种数据模型双驱动的OFDM接收方法，解决现有技术存在的将深度学习网络应用于通信接收机时没有加入通信知识而完全依赖数据驱动的问题。

本发明具体采用以下技术方案解决上述技术问题：

一种数据模型双驱动的OFDM接收方法，包括以下步骤：

步骤1、分别对接收机内信道估计模块和信号检测模块中的深度神经网络进行训练；

步骤2、对于信道估计模块，输入接收的频域导频和本地频域导频，采用最小二乘估计方法估计获得最小二乘信道估计结果及取最小二乘信道估计结实部和虚部取出串联后输入已训练的深度神经网络进行改进并输出得到信道估计结果

步骤3、对于信号检测模块，输入接收的频域导频和信道估计模块得到的信道估计结果采用迫零均衡方法获得迫零均衡结果及将迫零均衡结果的实部和虚部取出串联和信道估计结果接收信号输入已训练的深度神经网络进行改进并得到输出；

步骤4、对步骤3所得深度神经网络输出与设定门限做硬判决并获取判决结果，及由判决结果得到发送比特流的估计。

进一步地，作为本发明的一种优选技术方案，所述步骤1中对深度神经网络训练采用的损失函数是平方误差损失，及采用的优化器是适应性动量估计优化器。

进一步地，作为本发明的一种优选技术方案，所述步骤1中采用的损失函数是平方误差损失，具体包括：

在信道估计模块中，采用的平方误差损失是：

在信号检测模块中，采用的平方误差损失是：

其中，N是子载波数，B是所要估计的比特数，H是实际的频域信道，是信道估计结果，b是实际发送比特流，是发送比特流的估计。

进一步地，作为本发明的一种优选技术方案，所述步骤2中获得最小二乘信道估计结果采用公式：

其中，Y′是接收的频域导频，X′是本地频域导频。