【文献学习】Artificial Intelligence-aided OFDM Receiver:Design and Experimental Results

Artificial Intelligence-aided OFDM Receiver论文下载

1 创新点

在FC-DNN和ComNet网络的基础上进行的研究和真实的实现。并针对离线训练的信道模型与实际环境不一致而导致的仿真与（over-the-air）OTA测试之间的性能差异，提出了一种新的在线训练策略SwitchNet接收机。SwitchNet接收机具有灵活、可扩展的结构，可以通过在线训练一个参数来适应真实信道。OTA测试验证了它的可行性和对实际环境的鲁棒性。

2 模型介绍

（1）介绍了FCDNN，由于需要训练大量的权值，FC-dnn需要一个巨大的标记数据集来训练其权值，并且收敛速度较慢。FC-DNN神经网络个数是500 -25-120-8，除了最后一层使用sigmoid激活函数，其他层都使用Relu激活函数。

（2）介绍了ComNet（详见文献Power of Deep Learning for Channel Estimation and Signal Detection in OFDM），并在此基础上改进，使得AI的接收机能够适应真实的环境称为SwitchNet。其他部分是ComNet一样，只有CE部分进行了改进。如下图是替换CE部分。

（3）上图为SwitchNet接收机的CE子网，由LS CE、两个CE RefineNet和一个设置为0或1的在线训练参数。LS CE和每个CE RefineNet的结构与ComNet中的结构相同。为了简单起见，考虑了两个信道模型，包括短信道和长信道。然而，该体系结构可以扩展到更多的通道模型。其中CE RefineNet 1是用于信道估计的基本神经网络，而CERefineNet 2是CERefineNet 1的补偿网络，以适应不同的信道环境。

（4）这两个CE RefineNet是为两个通道模型离线训练的，而开关参数 α \alpha α是可在线训练的，以决定是否访问CE RefineNet 2。由于训练参数的误差只有一个，因此可以使用少量带比特标签的OFDM符号，避免了过拟合。在离线阶段，首先针对特定的短信道训练CE RefineNet 1。其次，保持CE RefineNet1的训练参数不变，并训练CE RefineNet 2适应长信道。在在线阶段，参数 α \alpha α被限制以切换到特定的信道。在短信道下，将 α \alpha α训练为0，只访问CE RefineNet 1。如果通道很长，则将会训练成1，这表明CERefineNet 1和CERefineNet 2级联在一起。

3 实验数据 3.1 帧的结构

和论文【MIMO-OFDM wireless communications with MATLAB】和 【Pilot-based LMMSE channel estimation for OFDM systems with power–delay profileapproximation】中的数据相同 每个OFDM符号包含128个样本，其中64个样本用于导航符号或数据符号传输，其他样本用于保护带和直流偏移（DC）

3.2 信道

（1）短信道 短信道仿真采用IEEE 802.11b中定义的指数(EXP)功率延迟曲线(PDP)来模拟载频为2.4GHz[11]的室内信道。 （2）长信道 长通道采用斯坦福大学过渡(SUI)通道模型[11]。在IEEE 802.16中，郊区路径损耗环境可以根据树密度和路径损耗条件分为三种地形，即SUI信道模型。它可以用不同的信道参数组合来描述，其中选用SUI-5信道模型来使用 （3）理论上的信道 利用理论信道得到方程中最小二乘法的权值矩阵最小二乘法的初始值。假设该算法服从多径衰落，其PDP具有指数分布。

3.3 参数设置

（1）神经网络参数

（2）仿真训练参数

仿真系统中，采样率为300000sps，一个包含20个OFDM符号的帧有6000个采样。 从训练序列中随机选取50个OFDM符号作为一个epoch，学习速率设为0.006

4 实验分析（仅SwitchNet理论部分） 4.1 现有的深度学习接收机的问题

（1）信道匹配的情况下 FC-DNN、ComNet、传统的LMMSE这三个接收机在20db信噪比下表现出相似的BER性能。当SNR=40dB时，ComNet的误码率增益几乎是LMMSE方法的10倍。这意味着与传统的LMMSE算法相比，DNN网络可以挖掘出更多的数据信息。 （2）信道不匹配的情况下 导致误码率性能反过来了，传统的LMMSE成为最佳，而ComNet则退化到最差。尽管FC-DNN和ComNet都是人工智能辅助方法，但它们对信道失配的容忍度却完全不同。 ComNet接收机很容易过度适应训练信道模型，从而产生了训练信道的极精确信道估计，但它对未训练信道模型不具有鲁棒性。相比之下，FC-DNN对信道失配的鲁棒性要比ComNet强，这可能是由于冗余网络参数造成的，同时也会受到性能下降的影响。这表明，尽管现有的人工智能辅助OFDM接收端性能优于传统的匹配信道方法，但它们仍不能有效地处理不匹配信道。 （3）分析原因 现有AI接收机在不匹配信道下的性能下降是由于它们完全离线训练模式所致，这使得它们只知道经过训练的信道，并且对未经训练的信道“陌生”。对于真实场景下的AI接收器,未经训练的频道离线，性能可能无法保证。为了解决信道不匹配问题，需要在多信道模式下训练AI接收机，或像在所提出的SwitchNet中那样，在线训练接收机以适应环境。

4.2 解决方案-SwitchNet

通过各种仿真测试，说明了SwitchNet能够适应真实的环境。

5 论文评价和思考 5.1 评价

论文主要讲了在ComNet进行了改进，使得ComNet得以落实。因为不管是FC-DNN还是ComNet都是还存在于理论阶段，训练的数据都是仿真得来的，和现实传播中的数据是有差异的。整篇文章，提出了这个差异在FC-DNN和ComNet上的影响，并拿传统的LMMSE方法进行比较。最终去证明作者提出的SwitchNet能够很好的弥补这些缺点。

5.2 思考

（1）作者是通过SUI-5信道模型和EXP信道模型去训练和测试SwitchNet，当然这只是针对陆地上的模型，如果能把这个信道模型换成海洋环境的信道模型，那又如何去做。这是我接下来要去做的事情。 （2）完成以上理论实现后，再模仿作者做一个Over-the-Sea测试。 （3）研究一下是否有人做过Oer-the-Sea 信号分类，如果可以，深入这个方向。

6 其他论文中的模型

在ComNet 的基础上改进的其他数据驱动模型论文

• Deep learning for an effective nonorthogonal multiple access scheme
• Deep learning for interference cancellation in non-orthogonal signal based opticalcommunication systems