一种适用于时频双选信道的OFDM智能传输方法技术

本发明专利技术公开了一种适用于时频双选信道的OFDM智能传输方法，该方法针对时频双选信道下的OFDM系统，主要包括如下步骤：(1)根据时频双选信道模型生成用于训练神经网络的信道数据集；(2)搭建线性神经网络，利用步骤(1)生成的信道数据训练网络权重，得到用于OFDM信号传输的发射和接收均衡矩阵，其中发射均衡矩阵满足发射端功率约束条件；(3)将该对均衡矩阵分别作用于OFDM系统的发射端和接收端；(4)接收端再利用等效信道矩阵的对角元进行单子载波均衡，从而恢复各子载波上的发射符号。本发明专利技术能够逼近最优子载波联合线性均衡性能，并能够显著降低最优子载波联合线性均衡的计算复杂度，利于工程实现。利于工程实现。利于工程实现。

【技术实现步骤摘要】
一种适用于时频双选信道的OFDM智能传输方法


[0001]本专利技术针对时频双选信道下的OFDM系统，提出一种适用于时频双选信道的OFDM智能传输方法，以较低的计算复杂度显著提升传统单子载波均衡的性能。

技术介绍

[0002]对于时频双选信道场景，多普勒扩展会引起OFDM的子载波间相互干扰，如果在接收端仅采用传统的单子载波均衡，会导致系统性能的严重下降。针对该问题，可以在接收端进行多子载波联合均衡消除子载波间干扰，例如最小均方误差(MMSE)均衡算法。虽然该类方法能够获得优异的性能，但是随着OFDM子载波数的增大，所需要的计算复杂度显著上升。
[0003]近年来，深度学习方法在通信领域的应用得到了广泛的研究，通过神经网络强大的优化和拟合能力，可以有效提升通信系统的性能。与传统方法相比，基于深度学习的方法具有性能优异、在线计算复杂度低以及鲁棒性强等优点。

技术实现思路

[0004]针对上述现有技术存在的缺陷，本专利技术的目的是提供一种适用于时频双选信道的OFDM智能传输方法，在降低计算复杂度的同时，逼近MMSE均衡的性能。
[0005]为实现上述目的，本专利技术采用如下技术方案：
[0006]一种适用于时频双选信道的OFDM智能传输方法，包括如下步骤：
[0007](1)根据时频双选信道模型生成用于训练神经网络的信道数据集；
[0008](2)搭建线性神经网络，利用步骤(1)生成的信道数据训练网络权重，得到用于OFDM信号传输的发射和接收均衡矩阵，其中发射均衡矩阵满足发射端功率约束条件；
[0009](3)将该对均衡矩阵分别作用于OFDM系统的发射端和接收端；
[0010](4)接收端再利用等效信道矩阵的对角元进行单子载波均衡，从而恢复各子载波上的发射符号。
[0011]所述步骤(1)中，信道数据集为双选信道模型生成的一组反映双选信道衰落特性的信道矩阵组成，其中N为子载波数。
[0012]所述步骤(2)中，线性神经网络的输入为双选信道矩阵H，输出为均衡矩阵作用后的等效信道矩阵H
eff
＝Q
R
HP
T
，其中发射均衡矩阵P
T
和接收均衡矩阵Q
R
为神经网络可训练参数且在训练完成后由网络权重得到，且发射均衡矩阵P
T
满足发射端功率约束条件，即其中‖
·
‖
F
表示Frobenius范数，P
max
表示最大发射功率。
[0013]所述步骤(2)中，线性神经网络由两个单层的线性网络组成，用于发射端均衡的单层线性网络的权重为发射端均衡矩阵P
T
，用于接收端均衡的单层线性网络的权重为接收端均衡矩阵Q
R
，整个网络的输出为等效信道矩阵H
eff
＝Q
R
HP
T
，参与非监督学习策略下的网络训练。
[0014]所述步骤(2)中，采用如下训练目标进行网络训练：
[0015]训练目标为：最小化
[0016]其中，表示对信道数据求期望，N为子载波数，|
·
|表示复数模值，H
k，k
和H
k，m
分别表示等效信道矩阵H
eff
的第k个对角元和第k行第m列的元素，分别对应于OFDM第k个子载波上的信道增益和第k个子载波与第m个子载波之间的干扰信道增益。
[0017]有益效果：与现有技术相比，本专利技术具有如下优点：
[0018]1、相对于传统单子载波均衡方法，本专利技术以较低的计算复杂度获得显著的性能提升。
[0019]2、相对于多子载波联合MMSE均衡方法，本专利技术可以获得相近的性能，并显著降低计算复杂度。
[0020]3、本专利技术中的神经网络结构简单，利于工程实现。
附图说明
[0021]图1是本专利技术的方法流程图。
[0022]图2是网络结构图。
[0023]图3、图4是仿真实验结果图。
具体实施方式
[0024]下面结合附图及实施例对本专利技术进行详细说明。
[0025]本专利技术的典型应用场景为时频双选信道下的单用户OFDM通信，设计目标为最小化子载波间干扰功率与信号功率之比，从而消除子载波间干扰的影响。
[0026]如图1所示，本专利技术的一种适用于时频双选信道的OFDM智能传输方法，包括如下步骤：
[0027](1)根据时频双选信道模型生成用于训练神经网络的信道数据集；
[0028]其中，双选信道模型为由3GPP TDL
‑
A模型下的功率时延谱和Clarke
‑
Jakes模型下的多普勒谱共同决定的SISO信道模型，信道数据集为上述信道模型生成的一组反映双选信道衰落特性的信道矩阵组成，其中N为子载波数。
[0029](2)搭建线性神经网络，利用步骤(1)生成的信道数据训练网络权重，得到用于OFDM信号传输的发射和接收均衡矩阵，其中发射均衡矩阵满足发射端功率约束条件；
[0030]其中，训练目标描述为：
[0031]训练目标为：最小化
[0032]其中，表示对信道数据求期望，N为子载波数，|
·
|表示复数模值，H
k，k
和H
k，m
分别表示等效信道矩阵H
eff
的第k个对角元和第k行第m列的元素，分别对应于OFDM第k个子载波上的信道增益和第k个子载波与第m个子载波之间的干扰信道增益。
[0033]其中，神经网络结构的设计方案为：频域信道矩阵H作为输入数据，将数据组织成实部和虚部分开的形式，便于网络训练；线性神经网络由两个单层的线性网络组成，用于发
射端均衡的单层线性网络的权重为发射端均衡矩阵P
T
，用于接收端均衡的单层线性网络的权重为接收端均衡矩阵Q
R
，整个网络的输出为等效信道矩阵H
eff
＝Q
R
HP
T
，参与非监督学习策略下的网络训练；训练结束后，利用线性网络的权重得到均衡矩阵P
T
和Q
R
。
[0034](3)将该对均衡矩阵分别作用于OFDM系统的发射端和接收端；
[0035](4)接收端再利用等效信道矩阵的对角元进行单子载波均衡，从而恢复各子载波上的发射符号。
[0036]为了验证本专利技术的技术效果，进行了仿真实验，两层线性的神经网络均使用128个神经元，对应子载波的维数为N＝128，网络权重随机初始化。仿真实验所涉及的参数如下表所示：
[0037]表1仿真实验参数表
[0038]参数取值子载波数128子载波间隔15kHz符号数1000调制方式16QAM功率时延谱TDL
‑
A时延扩展100ns多普勒谱Jakes谱归一化多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于时频双选信道的OFDM智能传输方法，其特征在于：包括如下步骤：(1)根据时频双选信道模型生成用于训练神经网络的信道数据集；(2)搭建线性神经网络，利用步骤(1)生成的信道数据训练网络权重，得到用于OFDM信号传输的发射和接收均衡矩阵，其中发射均衡矩阵满足发射端功率约束条件；(3)将该对均衡矩阵分别作用于OFDM系统的发射端和接收端；(4)接收端再利用等效信道矩阵的对角元进行单子载波均衡，从而恢复各子载波上的发射符号。2.根据权利要求1所述的一种适用于时频双选信道的OFDM智能传输方法，其特征在于：所述步骤(1)中，信道数据集为双选信道模型生成的一组反映双选信道衰落特性的信道矩阵组成，其中N为子载波数。3.根据权利要求1所述的一种适用于时频双选信道的OFDM智能传输方法，其特征在于：所述步骤(2)中，线性神经网络的输入为双选信道矩阵H，输出为均衡矩阵作用后的等效信道矩阵H
eff
＝Q
R
HP
T
，其中发射均衡矩阵P
T
和接收均衡矩阵Q
R
为神经网络可训练参数且在训练完成后由网络权重得到，且发射均衡矩阵P
T
满足发射端功率约束条件，即其中‖
·

【专利技术属性】
技术研发人员：沈弘，林琪，赵春明，
申请(专利权)人：东南大学，
类型：发明
国别省市：