[发明专利]基于深度学习的OTFS波形PAPR抑制方法及装置

说明书

本发明提出一种基于深度学习的OTFS波形PAPR抑制方法与装置，其中，方法包括：将在时延‑多普勒域中的数据符号传输至编码器进行编码；通过ISFFT运算，将编码后的数据符号从时延‑多普勒域转换到时频域，通过海森堡变换将编码后的数据符号转化为低PAPR的时域信号；将时域信号经过信道模块传输后，通过OTFS解调将时域信号转化为时延‑多普勒域信号；将时延‑多普勒域信号经过解码器输出得到原始信号；通过联合损失函数训练编码器和解码器，调整深度神经网络的参数直至收敛得到最优模型；其中，编码器和解码器是基于深度神经网络进行训练，本发明采用两步训练方法来提高网络的收敛性能在保持较好BER性能的同时有效地降低发射信号的峰均比。

技术领域

本发明涉及无线通信技术领域，尤其涉及一种基于深度学习的OTFS波形PAPR抑制方法及装置。

背景技术

第五代及以后的无线通信系统预计将支持多种使用场景，包括实时视频流和自动驾驶车辆。目前在移动通信系统中采用的正交频分复用(Orthogonal Frequency DivisionMultiplexing,OFDM)调制方案在快速时变信道中性能急剧恶化，为了应对这一挑战，最近提出了在延迟多普勒平面上工作的正交时频空间(Orthogonal Time Frequency Space,OTFS)调制。在OTFS调制中，信息符号被扩展到二维正交基函数上，并且借助于均衡可以将OFDM所经历的衰落的时变无线信道转换为一个时间无关的信道，其复杂信道增益对所有符号都是恒定的。这种对全信道分集的提取使得OTFS调制能够显著地减少由物理层自适应引起的开销，并且在许多情况下性能得到提升，特别是在双色散衰落信道中。

然而，作为一种多载波调制技术，OTFS调制也面临着高峰均功率比(Peak-to-Average Power Ratio,PAPR)的问题，高功率放大器(High Power Amplifier,HPA)的非线性特性导致了载波间的干扰。一般情况下，高功率放大器需要工作在线性区域，否则可能会导致高邻信道干扰，从而严重损害误码率(Bit Error Rate,BER)性能。这种情况导致放大效率低下，增加了硬件成本。因此，对于OTFS调制降低PAPR是非常必要的。

近年来，深度学习(Deep Learning,DL)技术在图像分类、目标检测等领域引起了广泛的关注。深度神经网络(Deep Neural Network,DNN)以其强大的特征提取能力已成功应用于通信系统中，如信道估计和信号检测。自动编码器是最常用的DNN结构之一，被广泛用于对损坏的数据进行去噪，但它在降低PAPR方面也显示出巨大的潜力。它是一种由编码器和解码器组成的前馈神经网络，其中编码器将输入信号转换为低维表示，而解码器则从低维表示重构输入信号。然后，基于自动编码器的整个通信系统可以通过最小化某一损失函数，而不需要对发射机和接收机有任何先验知识，从而以端到端的方式进行优化。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的第一个目的在于提出一种基于深度学习的OTFS波形PAPR抑制方法，通过训练编码器来降低峰均比，解码器在接收端重建原始信号。此外，还设计了一种新的损耗函数，其中引入了一个超参数来平衡PAPR降低和误码率性能，并采用两步训练方法来提高网络的收敛性。以实现能在保持较好BER性能的同时有效地降低发射信号的峰均比。

本发明的第二个目的在于提出一种基于深度学习的OTFS波形PAPR抑制装置。

为达上述目的，本发明第一方面实施例提出了一种基于深度学习的OTFS波形PAPR抑制方法，包括：

将在时延-多普勒域中的数据符号传输至编码器进行编码；

通过ISFFT运算，将编码后的数据符号从所述时延-多普勒域转换到时频域，通过海森堡变换将所述编码后的数据符号转化为低PAPR的时域信号；