[发明专利]一种基于模型驱动的深度学习的新型单比特OFDM接收机

说明书

本发明公开了一种基于模型驱动的深度学习的新型单比特OFDM接收机，其特征在于：由信道估计模块和信号检测模块组成，所述信道估计模块和信号检测模块先利用通信算法对输入数据进行初始化，然后利用神经网络对输出结果进行优化。本发明在传统的单比特OFDM接收机设计基础之上，利用深度学习领域中模型驱动方法改进其设计，旨在提高其误码率。对于正交频分复用(OFDM)接收机，在单比特量化的限制下，进行精确的信道估计和信号检测非常困难，但是单比特量化可以大大降低系统功率损耗和复杂度。从误码率(BER)性能的角度来看，该方案优于AE‑OFDM方案以及传统的单比特接收机方案。

技术领域

本发明涉及无线通信以及深度学习领域，特别是涉及无线通信中OFDM系统的单比特接收机。

背景技术

正交频分复用(OFDM)技术由于其强大的抗频率选择性衰落或窄带干扰的能力，目前被广泛应用在很多技术领域，比如：数字音频广播(DAB)、无线局域网(WLAN)、4G以及5G等。通常，在OFDM系统接收机中，模数转换器(ADC)导致大量的功率损耗，这一特性阻碍了多天线和大带宽系统的发展，虽然对OFDM接收信号进行单比特量化可以显著降低功率损耗，但这样做会导致在频域中出现严重的载波间干扰(ICI)。这是由于OFDM子载波的正交性很容易被破坏，并且OFDM系统往往会产生较高的峰均功率比(PAPR)。因此，对于具有单比特接收机的OFDM系统进行精确的信道估计和信号检测是极其困难的。这意味着我们很难从接收到的数据中准确地恢复原始输入数据。所以，设计一种不仅可以降低系统功率损耗，而且可以更精确地恢复原始输入数据的OFDM接收机是很有必要的。

当前，已有大量学者对低分辨率ADC进行了充分研究。在一些文献中，研究者将低分辨率ADC应用于多输入多输出系统中(MIMO)，基于毫米波多输入多输出系统提出了一种宽带信道估计算法。还有一些文献正在研究如何将单比特ADC应用于上行大规模MIMO系统。有学者提出了一种应用于上行链路的多用户大规模MIMO系统的近最大似然(nML)检测器，其中每个天线均与一个单比特ADC对应连接。另有文献研究了大规模MIMO系统中单载波和OFDM传输的频谱效率，并得出结论，具有单比特ADC的宽带大规模MIMO的上行链路性能表现良好。

近年来，由于深度学习(DL)在数据挖掘(DM)、视觉(CV)、自动语音识别(ASR)和自然语言处理(NLP)等方面的巨大成功，其已成为最热门的研究领域之一。更重要的是，DL不仅是用于认知任务的工具，而且由于其强大的数据处理和分析能力，在无线通信物理层领域中也显示出了巨大的应用潜力。已有一些文献探讨了将DL与通信物理层相结合的可行性，研究方向主要分为数据驱动型DL和模型驱动型DL，并已经得到了初步的研究结论，证明了DL在无线通信领域具有巨大的应用潜力。但目前还没有将DL应用与单比特OFDM接收机的相关研究，因此，本发明针对此应用进行了研究。

发明内容

本发明针对单比特OFDM接收机的应用可以降低系统功率损耗，但是对于OFDM接收信号进行单比特量化，会引起巨大的非线性失真，导致整个系统的误码率性能下降的缺陷，提出一种基于模型驱动的深度学习的新型单比特OFDM接收机。

本发明结合DL在信道估计和信号检测方面的巨大应用潜力，利用DL分别优化了OFDM系统中的信道估计和信号检测模块，而不仅仅是利用自编码器代替整个接收机，旨在保证系统低功耗的同时，提高误码率性能。

技术方案：为了实现上述目的，本发明的技术方案如下所述：

本发明的新型单比特OFDM接收机结构与传统接收机结构的主要区别点如下：

第一：本发明的接收机在接收到信号y(k)之前，该信号首先被单比特ADC进行单比特量化处理，接下来去除循环前缀(CP)并执行傅立叶变换(FFT)，处理完成后的频域接收信号Y_q(n)由如下公式表达：