[發明專利]一種基于模型驅動深度學習的信號檢測方法

有效

• 申請號: 202011451458.0
• 申請日: 2020-12-09
• 公開（公告）號: CN112637093B
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 李軍;李文鑫;何波;付文文;張少蔚;韓永力;石鈞;高鶴
• 申請（專利權）人: 齊魯工業大學
• 主分類號: H04L25/02
• 分類號: H04L25/02;H04L27/26;G06N3/08;G06N3/04
• 代理公司: 濟南格源知識產權代理有限公司 37306
• 代理人: 韓洪淼

本發明涉及一種基于模型驅動深度學習的信號檢測方法。該發明基于OFDM系統建立信道估計和信號檢測模型。信道估計采用以基于DFT的MMSE估計器和FC?DNN為子網絡的組合神經網絡模型，通過MMSE估計器對自適應分配的導頻數據做預處理并且提取出DNN網絡初始化信息，根據訓練學習網絡ChannelEstNe得到的較為準確的信道估計模型。SignalDetNet采用ZF均衡檢測預處理器、LSTM和DNN構成組合網絡，實現最終的信號檢測并恢復原始信號。該結構保持了OFDM系統逐塊處理信號的形式，可恢復具有線性和非線性失真的OFDM系統中的發送數據，并且結合傳統算法初始化訓練速度更快，從而提高部署效率。

技術領域

本發明屬于智能通信領域，涉及一種基于模型驅動深度學習的信號檢測方法，特別涉及一種基于模型驅動和深度學習的OFDM無線通信接收機的信號檢測方法。

背景技術

OFDM接收機方案主要包括信道估計和信號檢測兩個功能模塊，即首先通過信道估計得到準確的信道狀態信息(CSI)，再利用估計得到的CSI恢復發送信號。傳統的信道估計和信號檢測技術大多通過復雜的算法來提高通信系統的接收性能，但是對目前要求高維度、高速率、高密度的5G無線通信來說，較高復雜度計算大大影響了通信的有效性。智能通信是將人工智能應用到無線通信的各個層面，實現人工技術與傳統通信系統的有機融合，將深度學習與無線通信系統結合能大大提升系統效能。

人工智能應用于無線通信系統物理層的研究主要有兩種類型的深度學習網絡，一種基于數據驅動，另一種基于模型驅動。基于模型的深度學習網絡在通信系統原有模型基礎上，將深度學習網絡替代某個模塊或訓練相關參數來提升模塊性能，和基于數據驅動相比可以顯著減少訓練的信息量，具有更好的泛化性和自適應性。

發明內容

本發明解決現有正交頻分復用系統(OFDM)接收器中傳統信道估計和信號檢測算法造成的信號可靠性低的問題，提出了一種分別采用ChannelEstNet和SignalDetNet神經網絡模型來實現接收信號信道估計和信號檢測的算法。

本發明所采用的技術方案是，一種基于模型驅動深度學習的OFDM信號檢測接收器，所述方法包括以下步驟：

步驟1：基于OFDM無線通信系統框架生成ChannelEstNet和SignalDetNet所需的數據集。ChannelEstNet數據集的特征信息來自發送信號的導頻信息、接收信號的導頻信息，根據信道響應矩陣分配標簽。SignalDetNet數據集的特征信息來自ChannelEstNet輸出的信道估計信息、接收信號信息，根據原發送符號分配標簽。

步驟2：將步驟1所述的兩個模型的數據集樣本隨機打亂并重新分為12000組訓練集用于離線訓練，3000組驗證集用于驗證模型的性能和2000組測試集用于網絡性能的在線測試；

步驟3：基于步驟2中所述的樣本數據，利用線性判別分析(LDA)算法對特征信息進行線性降維，將多種維度的特征信息作為ChannelEstNet和SignalDetNet網絡模型的輸入；

步驟4：信道估計模塊ChannelEstNet和信號檢測模塊SignalDetNet，兩者都是將深度學習網絡與通信算法結合，以類似于常規通信系統的逐塊信號處理方式構造，其中ChannelEstNet子網絡DNN-1的初始化由MMSE和LS算法設置權重，SignalDetNet的子網絡輸入采用ZF預檢測處理的數據。

步驟5：基于步驟3中生成的樣本數據集的特征信息，ChannelEstNet采用接收導頻和已知的發送導頻輸入MMSE預處理生成的導頻處信道頻域響應進行DNN-1網絡訓練估計OFDM符號處的信道頻域響應，并采用DFT技術進行時域平滑再次進行DNN-2網絡訓練獲得信道估計信息，接下來將信道估計信息和接收的數據符號進行ZF檢測處理生成初步估計的xZF，輸入SignalDetNet子網絡LSTM+DNN即LSTM與DNN組合的網絡進行進一步信號檢測訓練。