[发明专利]一种基于深层分类网络的时变信道OFDM信号均衡方法

说明书

本发明公开了一种基于深层分类网络的时变信道OFDM信号均衡方法。所述方法包括以下步骤：给定实测信道数据集，构造基于分类思想的深度学习网络，分别构造基于分类思想的深度学习网络的输入和输出；对构建的基于分类思想的深度学习网络进行在线训练，得到深层分类网络模型；在具体的时变信道通信中，将需要均衡的输入数据进行分块处理，输入基于分类思想的深度学习网络，调用可用的深层分类网络模型，得到频域发射信号在星座图中的独热编码估计值，实现不同调制方式下的时变信道OFDM信号均衡。本发明同时利用了通信的理论模型和通信数据集的多样性，网络对于不同的实测信道具有较好的鲁棒性，能够适应不同复杂程度的信道并达到较好的表现。

技术领域

本发明涉及通信领域的均衡技术，特别涉及一种基于深层分类网络的时变信道OFDM信号均衡方法。

背景技术

均衡技术是借助信道的结构知识来消除失真影响。均衡器一般已知信道脉冲响应或不完全已知信道的脉冲响应。均衡器的作用主要是校正信道畸变，以帮助恢复频域发射信号。均衡器的输出通常是符号序列估计值。由于在移动通信领域研究的信道对象逐渐扩展到复杂信道领域，因此均衡技术的研究具有重要意义。

目前常用的传统均衡方法有最小均方差均衡(Minimum mean square error，MMSE)均衡，判决反馈(Decision feedback equalizer，DFE)均衡。近年来深度学习(Deeplearning,DL)算法在通信领域的优势也逐渐展现。目前的DL方法主要分为两大类。一种是使用纯数据驱动的网络。2018年，Ye提出了一种基于DNN网络的端到端OFDM系统信号估计模型。在该模型中，OFDM接收器的信道估计、信号均衡和解调模块全部被DNN网络代替。但是，它没有利用无线通信中发送与接收信号之间固有的数学关系，丢失了先验知识，导致接收器是一个黑匣子，对网络的运行机理难以解释。另外，纯数据驱动的方法需要依赖大量数据进行训练，一般参数量也很庞大，因此收敛速度慢，计算的代价高。另一种是基于模型和数据驱动的网络。基于模型与数据的方法能够结合先验知识，在经典的通信理论基础上，使深度学习网络能替代OFDM接收机的某个模块的功能。2019年，SCN均衡器结合了无线通信算法的专家知识,基于回归思想做星座图的估计，是一种深层回归网络，该网络对于不同信道的鲁棒性不好。

在快速时变信道中，具有严重的多普勒效应、时变多径等特点。正交频分复用(Orthogonal frequency division multiplexing,OFDM)技术在此类信道中应用广泛。快速时变信道产生的多普勒频移会使OFDM信号出现严重的载波间干扰(Inter-carrierinterference，ICI)，降低传统均衡器的性能，从而影响OFDM信号的传输。因此研发能够应对时变信道的OFDM信号均衡技术对降低误符号率(Symbol error rate,SER)非常重要。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于分类深度学习网络的时变信道OFDM信号均衡方法。由于星座图估计根本上是多分类任务，因此基于分类的思想比基于回归思想构建的深度学习网络性能更优。基于分类深度学习网络的均衡方法能克服对时变信道畸变的影响，得到更精确的频域发射信号在星座图中的独热(one-hot)编码估计值，从而取得更良好的SER表现。

本发明的目的至少通过如下技术方案之一实现。

一种基于深层分类网络的时变信道OFDM信号均衡方法，包括以下步骤：

S1、给定实测信道数据集，构造基于分类思想的深度学习网络，分别构造基于分类思想的深度学习网络的输入和输出；

S2、对构建的基于分类思想的深度学习网络进行在线训练，得到深层分类网络模型；

S3、在具体的时变信道通信中，将需要均衡的输入数据进行分块处理，输入基于分类思想的深度学习网络，调用可用的深层分类网络模型，得到频域发射信号在星座图中的独热编码估计值，实现不同调制方式下的时变信道OFDM信号均衡。