用于信道估计和信号检测深度学习的方法

现有的ofdm接收机，首先明确地估计信道状态信息（CSI）。然后利用已知的CSI检测或恢复传输的符号，基于深度学习的方法含蓄地估计CSI并直接恢复传输符号。为了解决信道失真，深度模型首先使用基于信道的仿真生成的数据来离线训练，然后直接用于恢复在线传输的数据。深度学习基于方法比传统方法更健壮，它使用较少的训练导频，省略循环前缀（CP），存在非线性限幅噪声。总之，深度学习是一种很有前途的信道估计和信号检测工具。

人工神经网络已被证明通过在线训练可用于信道均衡，也就是根据在线导频数据对参数进行调整。然而，这种方法不能直接应用，因为深度神经网络（DNNs）参数的数目逐渐增加，这就需要大量的训练数据，增加了长期训练的负担。为了解决这个问题，我们训练了一个DNN模型来预测多种信道条件下的发送数据，然后该模型用于在线部署以恢复传输的数据。

基于估计和检测的深度学习

我们介绍一种模型即深度学习以端对端的方法来进行信道估计和符号检测。 DNN模型是基于模拟产生的数据进行离线训练，可以视OFDM和无线信道为完整的黑匣子。

二、系统架构

基于信道估计和信号检测的深度学习的ofdm系统的体系结构见图2 ，基带ofdm系统与传统的一样。在发射机端，插入导频的传输符号首先被转换为一个并行数据流，然后逆离散傅里叶变换（IDFT）用于将信号从频域转换到时间域。之后，插入循环前缀(CP)减少码间干扰（ISI），CP长度应不小于信道的最大延迟。

我们假设导频符号在第一ofdm块，而后面的ofdm块由发送数据组成，它们一起形成一个帧。我们可以把信道一个帧上的导频和数据符号看成不变的，但是帧与帧之间是变化的。在我们的初步研究中，DNN模型把包括一个导频块和一个数据块的所接收的数据作为输入，并以端到端方式恢复传输数据。

如图2所示，以获得一个有效的DNN模型，分为两个阶段。在离线训练阶段，用接收到的ofdm样本对模型进行训练，样本是不同信道条件下具有特定统计特性的各种不同的信息序列，比如，如典型的城市或丘陵地形延迟剖面。在在线部署阶段，DNN模型生成恢复传输数据的输出，而没有明确估计无线信道。

三、模型训练

该模型可以通过把ofdm调制和无线信道看作黑盒来训练。从以往来看，研究人员 已经开发了许多CSI的信道模型，很好地描述信道统计中的真实信道。对于这些信道模型，训练数据可以通过模拟的方式得到。在每次模拟中，产生一个随机数据序列作为传输符号并且和导频符号组成相应的ofdm帧。当前基于信道模型的随机信道状态就被模拟了。基于ofdm框架下的接收到的ofdm信号要经历当前信道失真，包括信道噪声。接收信号和原始发送数据构成训练数据，神经网络通过训练神经网络的输出和训练数据的差异来进行训练，这种差异也可以用不同的方法来描述。

作者简介：姚海梅，重庆大学无线通信技术实验室硕士研究生，主研方向为AI在无线通信中的应用。