【文献学习】Deep Learning for Joint Channel Estimation and Signal Detection in OFDM Systems

2020 IEEE Communications Letters

1 引言

提出了一种基于深度学习的新方法，用于正交频分复用（OFDM）系统中的联合信道估计和信号检测。信道估计网络（CENet）被设计为在导频辅助估计方案中替代常规插值过程。信号检测部分根据信道条件恢复网络（CCRNet）以恢复发送信号。

2 介绍 2.1 发展现状

• 《Power of deep learning for channel estimation and signal detection in OFDM systems》一种全连接DNN（FC-DNN）通过将联合信道估计和信号检测任务视为黑匣子来解调信号 • 《Artificial intelligence-aided OFDM receiver: Design and experimental results》进行了空中实验以证明FC-DNN方法在实际环境中的性能 • 《RoemNet: Robust meta learning based channel estimation in OFDM system》提出元学习应用到信道估计 • 《Artificial intelligenceaided receiver for A CP-free OFDM system: Design, simulation, and experimental test》和《Deep learning-based detector for OFDM-IM》研究了基于AI的无CP OFDM系统和带索引调制的OFDM的设计。 • 《One-Bit OFDM receivers via deep learning》在一比特复杂量化约束下，针对OFDM接收机提出了一种新颖的深度学习架构和设计方法

2.2 作者思路

《Second-order attention network for single image super-resolution》利用图像超分辨率技术，设计了一种信道估计网络（CENet）来取代传统的插值机制 《Bilinear Representation for Language-based Image Editing Using Conditional Generative Adversarial Networks》利用条件图像合成技术，设计一种新颖的信道条件恢复网络（CCRNet），该网络利用CENet的输出来恢复传输的信号。 提出的解调器优于传统的迫零（ZF）检测器和正则归零（RZF）检测器

3 系统模型 3.1 传统模型

（1）信道估计 使用公最小二乘法（LS）或最小均方误差（MMSE），在导频位置估计信道系数

Yp表示接收到的导频信号，Xp是一个矩阵，在对角线上包含已知的导频符号，RH表示导频符号处的信道相关矩阵 总之，可以通过诸如线性插值或高斯插值之类的插值方案来获得整个信道系数矩阵H~ （2）信号检测 利用信道系统矩阵H~，使用迫零（ZF）检测器或正则归零（RZF）检测器来恢复信号。因此，副载波k和时隙n处的后处理信号可以表示为

或者

其中α表示正则化参数。

3.2 提出模型

（1）信道估计

将时频信道矩阵建模为2D图像，因此，问题是从导频位置（我们称为低分辨率（LR）图像）处的小百分比已知信道系数恢复整个信道矩阵，我们称之为高分辨率（HR）图像。 采用了二阶注意网络（SAN）体系结构去做高分辨图像问题。 （2）信号检测 利用提出的条件图像合成技术，设计了一种信道条件恢复网络（CCRNet）去做信号恢复

其中V表示编码的条件特征,U在i=1时表示编码数据,U在i>1时表示第（i-1）个BRL的输出。⭕️表示文献中定义的双线性运算，+ 表示沿通道轴的两个不同特征贴图的串联。 CCRNet采用生成对抗网络（GAN），由生成器G和鉴别器D组成。对发生器进行训练以恢复发射的信号，并且对鉴别器D进行训练以区分恢复的信号是否与输入信道条件匹配。与文献《Bilinear Representation for Language-based Image Editing Using Conditional Generative Adversarial Networks》中使用文本描述作为条件输入对给定图像进行调制不同，本文采用估计信道作为条件输入对接收信号进行调制并恢复发射信号。提出的CCRNet有两个输入，即接收信号和估计的信道矩阵，分别由数据编码器和条件编码器编码成特征映射，然后采用双线性残差层（BRL）对接收信号进行调制，恢复编码后的信道特征图上的发射信号。三个BRL块通过短切连接级联，一步一步地重建原始数据。

4 模型参数

（1）信道和数据参数

（2）两个子网络参数

（3）CCRNEet网络模块参数

5 实验分析

考虑了两种典型的无线信道模型，即Vehicular A (VehA) 模型和Pedestrain A (PedA) 模型。对于运行在2.5GHz频段的LTE系统，当以80km/h的速度移动时，载波间干扰（ICI）可以忽略不计。 根据静态信道模型，即VehA模型和PedA模型，离线生成用于训练和测试的数据集。对于CENet训练，进行了不同的实验：一个是用单个SNR值（22dB和32dB）训练CENet，另一个是用一组SNR值（{10dB，20dB，30dB}）训练CENet。如表一所示，使用90000个数据样本（每个信噪比30000个）进行训练。28000个数据样本（每个信噪比4000个）用于测试。 采用均方误差作为评价准则 （1）信道估计 对比实验：传统的模型，LS或MMSE估计方法+高斯插值（GI）方法

分析一：提出的基于DL的信道估计方法在PedA和VehA两种情况下都比传统的LS信道估计算法和MMSE信道估计算法有很大的优越性 分析二：基于DL的信道估计方法在不同snr下训练时获得不同的性能。例如，当工作信噪比小于20db时，如果将CENet训练为22db，则估计精度更高。相比之下，当工作信噪比大于25db时，最好使用经过32db训练的CENet 分析三：最好使用一组snr来训练模型。在所有信噪比范围内，用{10dB，20dB，30dB}训练的CENet的MSE性能均低于单信噪比（22dB和32dB）训练的CENet （2）信号检测 对比实验 1）LS用于信道估计，ZF用于信号检测； 2）CENet用于信道估计，ZF用于信号检测； 3）CENet用于信道估计和正则归零（RZF）用于信号检测； 4）CENet用于信道估计，CCRNet用于信号恢复

结合了CENet和CCRNet的方案仍可产生最佳的BER性能

6 疑问和思考

（1）把信道估计类似于图像超分辨率技术，把信号检测类似于条件图像合成技术。利用两个技术方向的网络来实现信道估计和信号检测。其中信号检测利用GAN网络实现，是一个可以继续挖掘的思路。 （2）还有未看明白的点，就是GAN网络如何实现的信号恢复，并且在图三中左边模块的V、U是怎么得到的，还没有看明白 （3）CENet的网络结构作者未在论文中介绍 （4）信道估计的技术是直接利用别人提出的《Model-Driven Channel Estimation for OFDM Systems Based on Image SuperResolution Network》。自己的创新点仅仅在信号检测上。