基于深度学习的OFDM接收机：冗余问题

  • 摘要：
  • 第一节 导言
  • 第二节 系统模型
  • 第三节 最小冗余OFDM接收机
    • A CEsubnet
    • B.SDMR-子网

2021 ieee会议

摘要：

在正交频分复用(OFDM)系统中，为了对抗多径衰落引起的码间干扰(ISI)和块间干扰(IBI)，通常建议使用长度等于信道顺序的循环前缀(CP)。然而，在某些实际情况下，信道顺序还不完全清楚。为了在一个完整的CP和它的缺失之间找到一个平衡，我们研究了冗余问题，并提出了一个使用深度学习(DL)工具的最小冗余OFDM接收机。这样，与无CP的情况相比，我们可以获得更好的接收性能，而且与CP-OFDM相比，我们的频谱利用率也更好。此外，与无CP的情况相比，即使在没有信道指令的情况下，也可以获得更好的性能。仿真结果表明，该技术可以达到较好的误码率水平，并可应用于其它基于DL的接收机中。
M. O. K. Mendonça and P. S. R. Diniz, “OFDM Receiver Using Deep Learning: Redundancy Issues,” 2020 28th European Signal Processing Conference (EUSIPCO), 2021, pp. 1687-1691, doi: 10.23919/Eusipco47968.2020.9287725.Abstract: To combat the inter-symbol interference (ISI) and the inter-block interference (IBI) caused by multi-path fading in orthogonal frequency-division multiplexing (OFDM) systems, it is usually recommended employing a cyclic prefix (CP) with length equal to the channel order. In some practical cases, however, the channel order is not exactly known. Looking for a balance between a full-sized CP and its absence, we investigate the redundancy issues and propose a minimum redundancy OFDM receiver using deep-learning (DL) tools. In this way, we can benefit from an improved reception performance, when compared with CP-free case, and also a better spectrum utilization when compared with the CP-OFDM case. Moreover, compared with the CP-free case, improved performance can be obtained even when the channel order is not available. Simulation results indicate that a good BER level can be achieved and the proposed technique can also be applied in other DL-based receivers.
URL: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9287725&isnumber=9287310

第一节 导言

在无线通信领域，正交频分复用(OFDM)系统在处理多径衰落时的有效性是众所周知的。以额外带宽为代价，ofdm能够抵抗由发送信号的多个延迟版本引起的符号间干扰(Isi)和块间干扰(Ibi)。[1]。冗余元素数L，也称为循环前缀(Cp)，至少应该等于与信道的最大延迟扩展相关的信道顺序。[2]。这样，将物理信道的线性卷积转换为圆形卷积，消除了符号间干扰，简化了接收机。尽管如此，如果频谱效率是一个问题，去cp的ofdm系统是一个很有吸引力的选择。[3]只要为收发信机提供适当的设计。众所周知，在零填充(Zp)ofdm的情况下，通过有效的信道均衡[4]，[5]可以将所需的冗余降低到L/2。此解决方案要求最小冗余量，允许零强制(Zf)均衡[6], [7]。对于冗余度不足的CP-OFDM，通常不讨论ZF解决方案，但现有的学习方法可以提高性能，简化接收。

由于深度学习(Dl)在许多领域取得了巨大的成功，近年来在无线通信中采用了深度神经网络(Dnn)的方法。[3], [8][9][10]–[11]已经有人提出了。选择深度模型代表了一种信念，即我们想要学习的系统应该包含几个更简单的系统的组成。[12]。事实上，ofdm系统的接收是由几个块组成的，这些块可以用dnn建模。[8]。然而，利用无线通信中的专家知识可以获得更多的控制，例如，[3], [9]中将单个dnn分解为两个。在本文中，我们提出了一种基于双块DL的OFDM接收，减少了冗余，即我们的工作给出了如何在无CP和CP-OFDM之间执行一种解决方案的答案。结果表明，我们可以从改善接收性能以及获得更好的频谱利用率中获益。

这篇论文组织如下。中定义了所考虑的系统模型。第二节. 第三节介绍了一种具有最小冗余度的OFDM系统的接收方案。第四节通过仿真结果验证了该方法的有效性。第五节包括一些结束语。
//==[3]J. Zhang, H. He, C. K. Wen, S. Jin and G. Y. Li, “Deep learning based on orthogonal approximate message passing for CP-free OFDM”, IEEE International Conference on Acoustics Speech and Signal Processing (ICASSP), pp. 8414-8418, 2019.

[9] X. Gao, S. Jin, C. K. Wen and G. Y. Li, “Comnet: Combination of deep learning and expert knowledge in OFDM receivers”,==

第二节 系统模型

考虑的ofdm系统在图1。在发送端，输入二进制数据b=[b]1，b2、…，bB]T都是生成的。输入符号是从M-正交调幅(M)并转换为并行数据流。x∈ℂN×1。然后利用N点逆快速傅里叶变换(IFFT)将信号从频域x转换到时域x。增加这个K-长度CP，从而产生的ofdm信号u：
公式1
The N-point inverse fast Fourier transform (IFFT) is then employed to convert the signal from the frequency domain x to the time domain x. The K-length CP is added, resulting in the OFDM signal

图1 基本OFDM系统框图。
发射机与接收机之间的信道模型具有脉冲响应。h=[h(0)h(1)…]H(L)]T。在z-区域，伪循环信道矩阵是

The channel model between transmitter and receiver has the impulse response h = [h(0) h(1) …h(L)]T. In the z-domain, the pseudo-circulant channel matrix is
公式3 介绍了冲激响应其中HISI和H伊比表示无线信道产生的ISI和IBI效应 ?。[2]

[2]P. S. R. Diniz, W. A. Martins and M. V. S. Lima, Block Transceivers: OFDM and Beyond, USA:Morgan & Claypool Publishers, 2012.

将接收到的信号在时域表示为
公式4

接收端：
我们假设在OFDM帧的传输过程中，信道基本保持不变。为了简单起见，如[3], [9]一样，OFDM帧由一个导频和一个数据OFDM符号组成。如图2所示，每个OFDM符号都受到IBI效应的影响。遵循下面的示例图2，即在k点的接收到的数据信号（ the received data signal at instant k is）为yD(k)
---------------------------------------------------------------------公式5
uD和uP分别是数据符号和导频OFDM符号。

[3] J. Zhang, H. He, C. K. Wen, S. Jin, and G. Y. Li, “Deep learning basedon orthogonal approximate message passing for CP-free OFDM,” IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP), pp. 8414–8418, 2019, Brighton.
[9] X. Gao, S. Jin, C. K. Wen, and G. Y. Li, “Comnet: Combination
of deep learning and expert knowledge in OFDM receivers,” IEEE
Communications Letters, vol. 22, no. 12, pp. 2627–2630, Dec 2018.

如图1，首先是导频信号uP使用S子载波获取信道状态信息(CSI).接收器通过乘法删除CP。y(k)RCP=[0N×KIN]∈CN×S.
然后采用最小二乘(LS)方法进行信道估计。
公式7
为了获得csi，我们还可以使用线性最小均方误差(Lmmse)信道估计。
公式8
关于lmmse此解决方案有一些实际的实现形式，请参阅[13].
//[13]H. He, C.-K Wen, S. Jin and G. Y. Li, “Model-driven deep learning for MIMO detection”, IEEE Transactions on Signal Processing, vol. 68, pp. 1702-1715, Feb 2020.

然后，数据信号uD发送，并使用先前获得的信道估计来执行频域均衡(Fde)：
公式9
它等价于K≥L的ZF均衡

//简化接受机

第三节 最小冗余OFDM接收机

让我们定义最小冗余(MR)OFDM接收机，允许ZF解决方案的总冗余长度等于L/2.建议的mrofdm接收机由两个子网组成，如下所示图3.

第一个子网与[3]、[9]中使用的相同]。信道估计器(CE)子网负责获得改进的信道估计。第二种是对接收到的符号进行检测，称为符号检测器最小冗余(symbol detector minimum redundancy ,SDMR)子网。

A CEsubnet

CE子网是在[9]中首次提出的。。在方程(8)的启发下，CE子网利用一个两层神经网络获得了一个改进的信道估计[9]，如图4所示。方程(7)中描述的LS估计是在一个实值块中转换的:
hls
并将其作为CE子网的输入。此外，CE子网由实值lmmse权矩阵初始化。

B.SDMR-子网

所提出的符号检测子网络是一个具有三个隐藏层的dnn，如图5。隐藏层以双曲线切线为激活函数。在此工作中，SDMR子网在输出层使用线性激活函数。不像[8], [9]在比特估计方面，SDMR子网输出层被选择为线性激活函数，因为它为符号提供了更好的估计。
The hidden layers have as activation function== the hyperbolic tangent==. In this work, the SDMR subnet utilizes a linear activation function at the output layer. Unlike [8], [9] works concerning bits estimation, the SDMR subnet output layer has been chosen as a linear activation function since it provides a better estimation for the symbols.
//8.Power of deep learning for channel estimation and signal detection in OFDM systems", IEEE Wireless Communications Letters, Feb 2018.

  1. “Comnet: Combination of deep learning and expert knowledge in OFDM receivers”, IEEE Communications Letters, Dec 2018.
    都是隐层的激励函数常采用ReLU函数，最后一层采用 Sigmod激励函数。【8】fc-dnn:五层，【9】FC-SD两层FC-DNN

【文献译文】OFDM Receiver Using Deep Learning: Redundancy Issues相关推荐

  1. 深度学习文本分类文献综述（翻译自Deep Learning Based Text Classification: A Comprehensive Review）

    深度学习文本分类文献综述 摘要 介绍 1. 文本分类任务 2．文本分类中的深度模型 2.1 Feed-Forward Neural Networks 2.2 RNN-Based Models 2.3 ...

  2. 【文献阅读】Applications of deep learning in stock market prediction: Recent progress

    Applications of deep learning in stock market prediction: Recent progress 1 本文相关介绍 本文为 2021 年 CCF-C ...

  3. 生物学深度学习的十个技巧（Ten quick tips for deep learning in biology）

    本文是文献Ten quick tips for deep learning in biology的阅读报告,该文章讲述了在将深度学习方法应用于生物学研究时应该考虑的十个关键因素:本文不是纯粹.完全的文 ...

  4. 【文献学习】 2021 Deep-Waveform: A Learned OFDM Receiver Based on Deep Complex Convolutional Networks

    2018版 https://arxiv.org/abs/1810.07181 2018译文 参考文章 参考文章 深波:一种基于深复卷积网络的学习OFDM接收机: V 结果评估 OFDM系统和衰落信道配 ...

  5. The Wide and Deep Learning Model（译文+Tensorlfow源码解析） 原创 2017年11月03日 22:14:47 标签： 深度学习 / 谷歌 / tensorf

    The Wide and Deep Learning Model(译文+Tensorlfow源码解析) 原创 2017年11月03日 22:14:47 标签: 深度学习 / 谷歌 / tensorfl ...

  6. 文献阅读2019-Computer-aided diagnosis system for breast ultrasound images using deep learning

    文献阅读2019-Computer-aided diagnosis system for breast ultrasound images using deep learning 1 通过生成热图来探 ...

  7. 【CTR预估】The Wide and Deep Learning Model（译文+Tensorlfow源码解析）

    本文主要讲解Google的Wide and Deep Learning 模型.本文先从原始论文开始,先一步步分析论文,把论文看懂.再去分析官方开源的Tensorflow源码,解析各个特征的具体实现方法 ...

  8. 【文献学习】Complex-Valued Convolutions for Modulation Recognition using Deep Learning

    目录 1 简介和创新点 1.1 DL中复数的处理综述 1.2 DL对于调制分类的综述 2 系统模型 2.1 二维实数卷积 2.2 整合到现有的DL架构中 3 模型参数 4 实验分析 5 思考和收获哦 ...

  9. 译文Deep Learning in Bioinformatics --深度学习在生物信息学领域的应用（1）

    译文Deep Learning in Bioinformatics --深度学习在生物信息学领域的应用(1) 深度学习在生物信息学领域的应用(1) 原文链接:https://arxiv.org/abs ...

最新文章

  1. CentOS7之新建用户与SSH登陆
  2. 开关电源反馈环路设计matlab,开关电源控制环路设计(初级篇).pdf
  3. DIV+CSS 入门
  4. 【文摘】 雪念——作者：蓝色妖姬
  5. pandas中size方法_如何使用pdpipe与Pandas构建管道？
  6. CIA怎么监控黑掉的Linux服务器？用流量劫持
  7. 英伟达宣布与GSK AI实验室达成合作，研发药物和疫苗
  8. 可调用对象、std::function、std::bind
  9. Qt同时加载多个项目
  10. SPHINX安装步骤
  11. 世界末日倒计时 js代码
  12. [H5-Compress-Image]利用canvas实现 javascript 图片压缩处理_基于requirejs模块化的代码实现...
  13. 生物学软件大汇总！史上最全
  14. 计算机专业毕业论文参考文献(精选115个最新)
  15. C语言实现快速排序算法
  16. 金融类自定义View（二）--股票分时图
  17. Failed to process import candidates for configuration class :Annotation-specified bean name ‘XXX‘ fo
  18. 原生代码开发小米官网首页
  19. oracle log network server,记录一次ARC1: Destination LOG_ARCHIVE_DEST_2 network reconnect abandoned解决...
  20. list.sort() 方法可以用函数作 key 的参数

热门文章

  1. 在VUE中使用Echarts世界地图，并根据经纬度标记位置
  2. error: fatal error: no input files
  3. OSChina 周日乱弹 —— 别国的程序员是怎么结婚的
  4. 【MATLAB】P图神器，初露锋芒：第一周作业
  5. 大学计算机基础教程实验答案,大学计算机基础试验教程习题参考答案
  6. DBA运维福音：10分钟，一行命令安装Oracle数据库
  7. 删除非空目录linux_如何在Linux中删除空的非空目录
  8. 教育的未来--我的感想
  9. Go字符串拼接-源码+Benchmark
  10. JAVA集成支付宝支付 周期扣费 （证书方式）