基于深度学习算法的OFDM信号检测

发布时间：2024-12-04 23:27

　　 为了提高正交频分复用(OFDM)无线通信系统的信号检测能力,提出了一种基于深度学习(DL)算法的信号检测框架来代替系统信号检测模块.首先利用迫零(ZF)均衡器重构深度神经网络(DNN)的输入;然后在离线训练中增加预训练阶段,以导频符号和数据符号作为训练数据,为训练阶段提供良好的初始参数;最后在线信号检测通过加载离线训练获得的最优参数进行信号检测.实验结果表明:当信噪比(SNR)为25 dB时,无预训练阶段和无ZF均衡器的框架性能相对于完整的DL信号检测框架性能分别损失了2和4 dB;在导频符号数目减少和无循环前缀(CP)的情况下,DL框架的误码率相比传统方法均明显下降;在不同信道参数下,DL框架的性能损失比传统方法更小.ZF均衡器和预训练阶段均可提高DL框架性能,DL框架能更好地检测信号并具有较强的鲁棒性.

【文章页数】：6 页

【部分图文】：

图1 OFDM发送符号结构

在OFDM无线通信系统中,发送端插入导频符号形成完整的OFDM发送符号,符号经过离散傅里叶逆变换转换为时域信号,接着加入CP形成完整的时域OFDM信号.接收端的信号被去除CP后进行离散傅里叶变换得到频域信号,信号检测模块从衰落失真的接收信号中进行信号检测,最后经过解调恢复出信息比....

图2 DNN的基本结构

DNN由一个输入层、L-2个隐层和一个输出层组成,如图2所示,每一层由多个神经元组成,每个神经元将各个输入与相应权重相乘,再加上偏置,最后通过非线性激活函数输出.本文中,隐层使用整流线性单元(rectifiedlinearunit,ReLU)函数fReLU(a)=max(0,....

图3 基于DNN的信号检测框架

如图3所示,在预训练阶段,首先利用信道仿真收集OFDM的1帧中包含导频符号和数据符号在内的所有OFDM系统信息,将接收信号Y、插入导频后的发送信号XDP和待复原的原始发送信号XD作为框架的训练数据.为了弥补信道的影响以及减少DNN的输入数量,利用ZF均衡器[13]将Y和XDP进行....

图4 不同层数下的DNN模型性能比较

图4比较了选择不同的层数对DNN模型性能的影响.可以看出在不同层数情况下,DNN模型的性能均能得到提高,尤其当层数为5时性能最佳.虽然神经网络的学习能力从理论上讲是随着层数的增加而提高,但事实上随着神经网络的深入,梯度消失和模型退化等问题使得训练DNN变得更具挑战性.此外,当SN....

本文编号：4014340