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

1 参考资料

本笔记是结合博士哥哥的笔记和文献的思考【https://zhuyulab.blog.csdn.net/article/details/89359860】

2 INTRODUCTION

数据驱动的方式有缺点，使用模型驱动的DL方法。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。 它的优势（参考大佬笔记）

• 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

3 COMNET

ComNet是包括两个部分的子网络，一个信道估计（CE）一个是信号检测（SD）。以下内容将介绍网络权值的初始化、代价函数和优化器的选择以及超参数的配置。

A ComNet Architecture

xD：源信号 xp：输入的导频 yD：接收到的信号 yp：接收到的导频 图2是CE的子网，它的输入是最小平方（LS）初始化，根据公式

得到。然后使用LS-RefineNet生成精确的CE输入，其中LS-RefineNet是一层DNN。它的输入是128维实值信号向量，由hLS的实部和虚部组成。下一层的神经元数目是128个，这些神经元没有激活函数，也就是说，它是一个线性信道估计器。 在SD子网中，它的输入由公式得到

xzf用于预测8个连续子载波上的8个符号的二进制数据。对于64个子载波的一个OFDM系统，需要8个独立的SD子网。反正这个子网就是为了得到更精确的传送的数据。对于子网中ZF-RefineNet网络本文提出了两种

• FC-SD：包括两层FC-DNN，每层有120和48个神经元。输入是xZF的实部和虚部的连接。隐藏层的激活函数使用ReLU，而输出层的激活函数是sigmoid函数。
• Bi-directional long short-term memory (AiLSTM)SD：包括一个三层64-time steps 的BiLSTM网络，每层有20个、10个和6个隐藏单元，然后是一个具有48个神经元的单层FC-DNN，如图3所示。考虑到ZF SD的性能下降，BiLSTM SD 结合了yD和h的输入。那个输出层的激活函数是sigmoid函数。

B Training Specification

为了加快训练过程，考虑了网络权值的初始化。CE子网由实值线性最小均方误差（LMMSE）CE权值矩阵̃WLMMSE初始化.公式如下

对于这两个子网，我们采用了[4]中的均方误差代价函数和自适应矩估计（Adam）优化器[12]。这两个子网按TensorFlow顺序训练，其中CE子网先训练2000个epoch，然后固定，然后再训练5000个epochs训练SD子网。 每个epoch使用50个小批量，总批量为1000。将学习速率设为循环函数，实现初始值为0.001的训练周期，子网每1000个周期减少10倍，SD子网每2000个周期减少5倍。

4 NUMERICAL RESULTS

OFDM系统包含64个子载波和16个CP样本，每个帧包含一个导频OFDM符号和一个数据OFDM符号。64qam的映射采用长期演进（LTE）标准。 以下是作者ComNet的一些算法或模型选择：

• ComNet-BiLSTM: 建议ComNet架构，带BiLSTM-Detection的 ZF_RefineNet
• ComNet-FC: 建议采用FC检测的 ComNet架构的ZF_RefineNet
• FC-DNN: 修改输出层神经元数量由16个变为48个，使其适合于64-QAM，因为FC-DNN中用的是4-QAM，所以它原本神经元个数是16个。
• LMMSE-MMSE: 传统LMMSE和最小均方误差（MMSE）SD
• Y/H_true: yD与真实频域信道h的商，可以实现线性情况下的最大似然解。假定信道已经的最大似然解，可以说是传统算法的最优了。

A CE SubNet

ComNet接收机相对于FC-DNN的一个优点是可以获得准确的信道状态信息（CSI），这对于下行链路传输中的信道分析和CSI反馈非常有用。图4显示了通信网CE子网和LMMSE，以及ComNet与传统方法在线性下和有CP（循环前缀）去线性下的MSE的mse性能对比。

实验表明：与传统的LMMSE-CE相比，CE子网可以更好地校正没有CP带来的影响。

B SD SubNet

（1）线性情况下：ComNet比FC-DNN误码率低

（2）ComNet没有CP的优势：传统的ofdms系统中引入CP来抑制多径信道引起的码间干扰（ISI），虽然降低了传输效率，但是增加了能量消耗。ComNet没有CP，效果还好。如图6（a）所示。这种能力得益于BiLSTM递归神经网络，该网络旨在利用序列数据的ISI的内在关系。

（3）Clipping（削波）：传统的OFDM必须要利用Clipping去克服峰值平均功率比（PAPR）。它应用于时域传输信号，但同时会导致信号的非线性失真。如图6（b）所示，ComNet BiLSTM的误码率最低。

C Performance Analysis

（1）信噪比下的鲁棒性：上述结果是在SNR=40 dBs下通过训练ComNet接收器获得。信噪比失配与匹配结果的差异表明，当信噪比=5dB时，信噪比匹配导致的MSE损失约为3dB。然而，信噪比失配会导致轻微的误码率性能损失，这表明通信网接收机在恢复二进制符号时对信噪比失配具有鲁棒性。 （2）复杂度：见表，ComNet就是最棒的。

5 疑问

（１） LMMSE、MMSE的具体用途

• MMSE的优化目标是为了使基于接收数据的估计值和源数据的均方误差最小化，
• LMMSE算是MMSE的特例，在这种情况下，基于接收数据的估计值是接收数据的线性变换。

（２）ComNet的网络结构实现是什么样子的？渴望代码。

• 求大神们

（３）FC-DNN用了4QAM的调制方式，ComNet用了64-QAM的调制方式，既然要对比为什么不使用同一种调制方式对比？为什么不实用其他调制方式实验，实验效果怎么样？

• 有待实验

（4）OFDM中线性和非线性是什么意思

• 通信中非线性调制又称为角度调制，是指调制信号控制高频载波的频率或相位，而载波的幅度保持不变。角度调制后信号的频谱不再保持调制信号的频谱结构，会产生与频谱搬移不同的新的频率成分，而且调制后信号的带宽一般要比调制信号的带宽大很多。从传输频带的利用率来讲，非线性调制是不经济的，但它具有较好的抗噪声性能，在不增加信号发送功率的前提下，可以用增加带宽的方法来换取输出信噪比的提高，且传输带宽越宽，抗噪声性能就越好。非线性调制分为频率调制（FM）和相位调制（PM），它们之间可相互转换。
• 线性顾名思义就是已调信号的些参数随着调制信号做线性变化，一般我们学的线性调制有AM,DSB,VSB,SSB

（5） expert Knowledge是什么意思

• 在此处应该指的是针对该种OFDM系统的专门知识，在其他通信系统中是不适用。可以翻译成“针对该系统的单独的一种方法”。如果有理解得不对的地方，请指出。

6 可深入研究或创新的点

（1） 分析比较RNN 网络相对于CNN网络在信号处理中的优势。神经网络用哪种比较合适信号处理，为什么适合，写一个分析报告出来。 （2）ComNet中每个子网共同使用一个相同的损失函数。尝试每个子网都有自己的损失函数。看性能有没有提升。 （3）比较ComNet和DCNN的区别。在这两个系统上进行结合或者优化。 （4）FC-DNN用了4QAM的调制方式，ComNet用了64-QAM的调制方式。没有明白既然要对比，不使用同一种调制方式，尝试用其他的调制方式进行对比。