[发明专利]一种OFDM系统检测器设计方法

说明书

本发明公开了一种OFDM系统检测器设计方法，在OFDM系统接收机端采用Bi‑LSTM神经网络代替传统的信道估计、均衡和信号检测环节，将整个复杂过程简化为单一操作，以节省系统的计算开销。在神经网络数据集的构建中，通过寻找具有最优信道增益的子载波的方式对原始数据进行预处理，以得到更有利于网络训练的优质数据集。本发明充分利用Bi‑LSTM神经网络对时间序列的双向记忆能力，通过小批量学习的方式最小化估计数据与真实数据间的误差，实现隐式的信号检测过程，简化了接收机端的信号检测流程，降低了误码率，进而提高了OFDM系统的整体性能。

技术领域

本发明属于无线通信技术领域，具体涉及一种OFDM系统检测器设计方法。

背景技术

作为无线通信中的关键性技术，OFDM的并行传输有效的提高了信号的传输效率，降低了频率选择性衰落和窄带干扰(NBI)。同时，循环前缀(CP)的引入为对抗符号间干扰(ISI)和载波间干扰(ICI)提供了解决方案。

OFDM的确存在诸多优势，但OFDM子载波间是严格正交的，对多普勒偏移和相位噪声较敏感，微小的变化都会使OFDM通信系统的性能骤降。OFDM信号传输的正交性会受到CP长度的影响，当峰值平均功率比(PAPR)相对较大时，将导致非线性失真，严重影响信号检测的准确性。同时，接收机端的信道估计、均衡和信号检测环节计算过程复杂，给系统带来了较大的计算开销。传统最小二乘法(LS)、最小均方误差(MMSE)等接收机检测器方法虽然能够完成显式估计，但性能有待提高。

深度学习致力于让机器模仿人类的学习能力，从海量数据中提取有价值的特征信息进行学习以代替人类工作。目前，深度学习已经在自然语言和图像处理领域取得了不错的成就，正不断向其他领域渗透。在无线通信领域中，基于数据和模型双驱动的深度学习方法在解决无线通信物理层方面的问题充满活力。

发明内容

为解决无线通信网络中OFDM系统易受非线性失真影响和信号检测过程复杂导致的信号检测准确度下降的问题，基于Bi-LSTM神经网络提出一种OFDM系统检测器设计方法。

本发明的具体技术方案包括以下步骤：

步骤1：构建OFDM信号模型；

步骤2：基于历史观测的OFDM符号寻找具有最优信道增益的子载波，并根据该子载波的传输序列数据构建数据集；

步骤3：搭建OFDM系统检测器的网络模型并初始化网络模型的网络参数、训练的迭代次数和超参数；

步骤4：输入数据集，包括训练集和验证集，开始网络正向传播并计算损失；

步骤5：通过随机梯度下降法进行反向传播，更新网络模型的权重和偏置参数，直至训练结束；

步骤6：统计网络模型的损失曲线和准确率拟合曲线以观察收敛状态，若收敛则继续执行下一步骤，若未收敛则调整网络模型的网络参数、训练的迭代次数和超参数并返回步骤4；

步骤7：OFDM系统生成测试符号，检测器完成在线检测。

进一步地，所述步骤1中的OFDM信号模型构建如下：在发送机端，由数据符号和导频符号组成的传输符号序列首先经串并转换(S/P)以并行方式输出，然后经傅里叶逆变换(IFFT)后进行并串转换(P/S)，并插入循环前缀(CP)经数模转换(D/A)后以串行方式通过信道传输；在信道传输过程中，信道噪声为加性高斯白噪声；在接收机端，接收信号首先通过模数转换(A/D)后移除循环前缀，然后经串并转换后进行傅里叶变换(FFT),最后经并串转换后进入检测器以进行信号检测。

进一步地，所述步骤2中具有最优信道增益的子载波的公式表达为：