【文献学习】2 ComNet: Combination of Deep Learning andExpert Knowledge in OFDM Receiver

1 介绍

本文提出了一种模型驱动的DL结构，称为ComNet，以取代传统的或FC-DNN的OFDM接收机（参考论文Power of deep learning for channel estimation and signal detection in OFDM systems），它将DL与无线通信领域的expert knowledge相结合。所提出的ComNet 接收机使用DL来促进现有的接收机模型，如信道估计（CE）模块和信号检测（SD）模块，而不是用一个完整的DL替换整个接收机，然后集成通信信息。说白了就是分别用神经网络实现两个接收机的两个模块：信道估计和信号检测。 对数据驱动的模型评价是没有利用无线通信方面的专业知识，从而使基于FC-DNN的接收机变得无法解释和不可预测。 优势： • 通过传统通信中累积的大量前人工作来初始化网络， 可以极大地提升训练效率，减小数据依赖， 降低整体复杂度 • 使得每个子网络有清晰的物理意义，从而更容易地进行调整，获得进一步增益

2 模型

2.1 信道估计部分

分为两个步骤 第一步：计算 h L S = y p x p h_{LS} = \frac{y_p}{x_p} hLS​=xp​yp​​,其中 x p x_p xp​是已知的导频信号， y p y_p yp​是接收端该导频相应的第k个子载波的符号 第二步：由 L L S L_{LS} LLS​的实部和虚部组成一个128维实值信号向量传入LS_RefineNet 注意：LS_RefineNet的神经元没有激活功能，也就是说，它是线性通道估计器

2.2 信号检测部分

分为两个步骤 （虽然作者论文里说提出了两种SD的自网络BiLSTM-SD 和FS-SD，但是作者只介绍了BiLSTM-SD子网，以下以它为例讲解原理过程） 第一步：利用上一步得到的输出h,用公式 第二步：把把接收到的原始信号 y D y_D yD​ ,信道估计输出的h和信号检测初始化得到的 X Z F X_{ZF} XZF​合并实部和虚部信号后一块传入SD的网络

注意：对于具有64个子载波的OFDM系统，需要8个独立的SD子网

3 模型参数 3.1 发送端

64个QAM,一个符号6个bit,8个子载波 2.6 GHz的C1场景NLOS的WINNER II通道

3.2 接受端

SD网络的最后一层是48个输出，除了最后一层外，每一层的层数和神经元的数目取决于实验经验。

CE子网权重，通过使用实值线性最小均方误差（LMMSE）CE权重矩阵

两者都采用MMSE损失函数 都采用Adam优化器

CE训练2000epoch SD训练5000epoch

每个epoch使用50个mini-batch，有1000batch

学习率为阶梯函数，初始值为0.001，CE子网每1000个epoch减少10倍，SD子网每2000个epoch减少5倍。

ComNet接收机在线性情况下使用FC-SD，而在非线性情况下使用BiLSTM-SD

4 局限

由于本文的主要贡献是提出了一种新颖的模型驱动的OFDM接收机架构，而不是解决非线性问题，因此没有研究传统的非线性补偿方法。（没有明白，只是翻译了作者的原话）

5 实验分析

只是从各个方面介绍了ComNet优于FC-DNN,这里不做解析。比如 1、在更长的延迟扩展范围内，ComNet接收器明显优于FC-DNN。 2、ComNet只有FC-DNN的1/8的参数 3、ComNet 200epoch就达到FC-DNN2000epoch的同等误码率

6 疑问和反思

1、为什么采用QAM和不是FC-DNN的QPSK调制方式 2、为什么提出了两种SD的子网，只介绍了BiLSTM-SD ，没有介绍FS-SD 3、在SD提出的不同子网，作者说是针对线性问题和非线性问题，指的是什么？

7 源码下载

ComNet-OFDM原作者源码