一种适用于无CPOFDM系统的基于DenseNet的并行干扰消除检测方法

本发明涉及一种适用于无cpofdm系统的基于densenet的并行干扰消除检测方法，属于无线移动通信
技术领域：
。
背景技术：
：正交频分复用(ofdm)技术频谱利用率高，实现简单，在资源管理方面具有较大的灵活性，被广泛的应用于4glte和5gnr。每个ofdm符号的开始均附有长于信道冲激响应长度的循环前缀(cp)用于保证抵抗前一ofdm符号的干扰，保持子载波间的正交性。然而，cp承载的是一段重复的信息，会造成频谱效率的降低。因此有必要研究一种无cpofdm通信系统。当cp不存在时，接收ofdm符号中存在严重的子载波间干扰(ici)和符号间干扰(isi)，导致常用的单抽头检测技术会完全不能工作。针对ici和isi，有国内外学者提出了串行干扰消除技术(sic)，然而sic技术只能处理cp短于但与信道冲激响应长度差距不大的场景，在高阶qam调制的无cpofdm系统中sic技术由于存在严重的误码传播无法工作。针对无cpofdm系统，误码率最小的检测方法为最大似然序列检测(mlse)技术，然而mlse技术的复杂度随着调制阶数和子载波数目的增加呈现指数性的增长，在实际的子载波数目较多的高阶调制无cpofdm系统中难以应用。技术实现要素：本发明的目的是提供一种适用于无cpofdm系统的基于densenet的并行干扰消除检测方法，能够应用于高阶调制无cpofdm系统，从存在ici和isi的接收ofdm符号中以较高的精确度检测出发送ofdm符号，最终实现ofdm系统频谱效率的提高。为实现上述目的，本发明采用的技术方案为：一种适用于无cpofdm系统的基于densenet的并行干扰消除检测方法，其特征在于：包括以下步骤：步骤1，对发送机的m-qam符号进行串并变换并映射到频域ofdm符号xk的可用子载波上，xk经过快速反傅里叶变换后得到时域ofdm符号，将该时域ofdm符号经过并串变换、数模处理后调制到载频上，然后由发送天线送入时变多径信道；其中，xk中包含的总子载波数为n，位于中间位置的为nu个可用子载波，位于两侧位置的为虚拟子载波，虚拟子载波个数分别为nv；步骤2，对接收机天线上的接收信号进行解调后得到基带信号，对该基带信号进行模数变换、同步、快速傅里叶变换后得到频域接收ofdm符号yk，取接收ofdm符号yk中的有用子载波上的接收信号用于发送ofdm符号的检测，其中上式中，表示造成有用子载波间干扰的频域信道矩阵，表示造成符号间干扰的频域信道矩阵，表示有用子载波上的频域加性高斯白噪声，表示第k个频域发送ofdm符号xk在有用子载波上发送的m-qam符号；步骤3，对按下式进行符号间干扰消除其中，表示已消除符号间干扰的ofdm接收符号，表示对第k-1个ofdm接收符号有用子载波上发送的m-qam符号的硬判决结果；步骤4，根据和生成第一级神经网络densenet-1的输入数据将输入densenet-1得到实数输出然后将densenet-1的实数输出转化为对应的复数，得到densenet-1的检测输出对进行硬判决得到其中其中，1≤n≤nu，[·]n,m表示矩阵的第n行第m列元素，b1表示输入densenet-1的信道参数宽度，的复数化按照下式进行[·]:,i表示矩阵的第i列，i＝1,2，j表示虚数单位；步骤5，基于densenet-1输出的判决结果对按下式进行部分干扰消除，其中，表示消除了部分子载波间干扰的接收ofdm符号，含义同b2与b1的取值相同或不同；步骤6，基于和生成第二级神经网络densenet-2的输入数据将输入densenet-2得到实数输出然后将densenet-2的实数输出参考复数化方式转化为对应的复数，得到densenet-2的检测输出对进行硬判决得到最终的检测输出所述步骤4和步骤6中，第一级神经网络densenet-1和第二级神经网络densenet-2的输入数据通过下式获得：其中，以统一表示和统一表示和b统一表示b1和b2，1≤n≤nu，表示取元素实部运算，表示取虚部运算。所述步骤4和步骤6中，第一级神经网络densenet-1和第二级神经网络densenet-2的输出通过以下步骤计算得到：因densenet-1和densenet-2架构相同，唯一区别在于输入数据的不同，下面以densenet统一表示densenet-1和densenet-2，统一表示和以统一表示和b统一表示b1和b2，统一表示densenet-1和densenet-2中间层的输出和其中，统一表示densenet-1和densenet-2中总的densenet块数和1≤ld≤ld+1，ld统一表示densenet-1和densenet-2中第d个densenet块内总的微网络数和m1＝1,2,3，对于可训练参数同样忽略densenet-1的上标标识-1和densenet-2的上标标识-2统一表示；计算步骤包括：步骤i，对按照下式进行补零操作并重新赋值给步骤ii，按照下式与卷积核进行运算得到第一个densenet块第一个微网络的输入数组其中，的数组大小为relu(x)为对单个数组元素运算的激活函数，当x＞0时，该函数输出x，当x≤0时，该函数输出0，w1为的可训练参数数组，b1为大小为可训练参数数组，表示索引为i1-n+1,i2,i3的数组元素，表示索引为i3的数组元素；步骤iii，初始化d＝1,ld＝1；步骤iv，按照下式与卷积核进行运算得到其中，为nu×2r的微网络第1层卷积层的输出数组，r表示densenet块每个微网络最终输出数组第2维的大小，设置为大于0的整数，表示的第n行，为的可训练参数数组，为第2维的大小，为大小为1×2r的可训练参数数组；步骤v，对按照下式进行补零操作并重新赋值给步骤vi，按照下式与卷积核进行运算得到其中，1≤i3≤2r，为nu×2r的微网络第2层卷积层的输出数组，为3×2r×2r的可训练参数数组，为大小为1×2r的可训练参数数组；步骤vii，对按照下式进行补零操作并重新赋值给步骤viii，按照下式与卷积核进行运算得到其中，1≤i3≤r，为nu×r的微网络输出层输出数组，为3×2r×r的可训练参数数组，为大小为1×r的可训练参数数组；步骤ⅸ，将与在第2维进行拼接并赋值给其中，赋值后的为大小为的数组，步骤x，ld＝ld+1，如果ld＞ld则进入步骤xi，否则进入步骤iv；步骤xi，按照下式与卷积核进行运算得到其中，为的第d个densenet块最后过渡层的输出数组，设置为大于0小于的整数，为的可训练参数数组，为大小为的可训练参数数组；步骤xii，d＝d+1，如果则进入步骤xiii，否则，令ld＝1；步骤xiii，对按照下式进行补零操作并重新赋值给步骤xiv，按照下式与卷积核进行运算得到其中，为nu×co的卷积层输出数组，1≤i3≤co，co设置为大于0的整数，wo为的可训练参数数组，bo为大小为1×co的可训练参数数组；步骤xv，对按照下式进行补零操作并重新赋值给步骤xvi，按照下式与卷积核进行运算得到其中，为nu×2的densenet输出，1≤i3≤2，wout为3×co×2的可训练参数数组，bout为小为1×2的可训练参数数组，a为ofdm系统发送m-qam调制符号的实部或者虚部的幅度最大值，m表示调制阶数，tanh(x)为激活函数，所述第一级神经网络densenet-1和第二级神经网络densenet-2的训练阶段包括如下步骤：步骤一，获得训练样本组成训练样本集ψ1，其中，训练样本集ψ1的生成信噪比在工作信噪比区间snrlow至snrhigh内均匀分布，训练样本集ψ1的大小为bs1,zk表示训练标签，为nu×2的数组，由下式生成步骤二，应用xavier初始化方法初始化densenet-1所有的可训练参数，然后根据训练数据完成对densenet-1的训练；步骤三，基于已训练densenet-1检测输出的硬判决结果对做干扰消除得到进而得到densenet-2的训练样本组成训练样本集ψ2，其中，训练样本集ψ2的生成信噪比在工作信噪比区间snrlow至snrhigh内均匀分布，训练样本集ψ2的大小为bs2；步骤四，应用xavier初始化方法初始化densenet-2所有的可训练参数，然后根据训练数据完成对densenet-2的训练。有益效果：本发明提供的一种适用于无cpofdm系统的基于densenet的并行干扰消除检测方法，与现有技术相比，具有以下优点：1、相比于cp充分ofdm系统，本发明设计方案可以在提高ofdm系统的频谱效率的同时达到相似的检测性能；2、相比于传统的干扰消除算法，本发明设计方案检性能大大提高；3、相比于最大似然检测，本发明设计方案的计算复杂度随着子载波数目呈线性增长，复杂度较低，可应用于实际系统；4、相比于无干扰消除的基于densenet的检测方法，相同可训练参数量下，本发明设计方案具有更优的检测性能，尤其是在子载波数目较多的时候；5、针对信道延迟功率谱以及ofdm系统的子载波数目，本发明设计方案具有良好的鲁棒性，不需要重复训练神经网络；6、本发明同样适用于cp存在的ofdm系统，但其中cp长度小于信道冲激响应长度。附图说明图1是本发明设计densenet-pic算法流程框图；图2是本发明设计应用实施例一的ber仿真曲线图；图3是本发明设计应用实施例二的ber仿真曲线图；图4是本发明设计应用实施例三的ber仿真曲线图；图5是本发明设计应用实施例四的ber仿真曲线图。具体实施方式下面结合附图对本发明作更进一步的说明。本发明的一种适用于无cpofdm系统的基于densenet的并行干扰消除检测方法，用于对无cpofdm系统接收ofdm符号的均衡检测，本发明通过两级基于cnn框架的神经网络densenet实现，第一级神经网络densenet-1对已消除符号间干扰的接收ofdm符号实现粗略检测；基于第一级神经网络的粗略检测，对已消除符号间干扰的接收ofdm符号并行地进行部分子载波间干扰消除，然后由第二级神经网络densenet-2对干扰消除后的接收ofdm符号实现进一步的精确检测。具体包括以下步骤：步骤1，对发送机的m-qam符号进行串并变换并映射到频域ofdm符号xk的可用子载波上，xk经过快速反傅里叶变换后得到时域ofdm符号，将该时域ofdm符号经过并串变换、数模处理后调制到载频上，然后由发送天线送入时变多径信道；其中，xk中包含的总子载波数为n，位于中间位置的为nu个可用子载波，位于两侧位置的为虚拟子载波，虚拟子载波个数分别为nv；步骤2，对接收机天线上的接收信号进行解调后得到基带信号，对该基带信号进行模数变换、同步、快速傅里叶变换后得到频域接收ofdm符号yk，取接收ofdm符号yk中的有用子载波上的接收信号用于发送ofdm符号的检测，其中上式中，表示造成有用子载波间干扰的频域信道矩阵，表示造成符号间干扰的频域信道矩阵，表示有用子载波上的频域加性高斯白噪声，表示第k个频域发送ofdm符号xk在有用子载波上发送的m-qam符号；步骤3，对按下式进行符号间干扰消除其中，表示已消除符号间干扰的ofdm接收符号，表示对第k-1个ofdm接收符号有用子载波上发送的m-qam符号的硬判决结果；步骤4，根据和生成第一级神经网络densenet-1的输入数据将输入densenet-1得到实数输出然后将densenet-1的实数输出转化为对应的复数，得到densenet-1的检测输出对进行硬判决得到其中其中，1≤n≤nu，[·]n,m表示矩阵的第n行第m列元素，b1表示输入densenet-1的信道参数宽度，的复数化按照下式进行[·]:,i表示矩阵的第i列，i＝1,2，j表示虚数单位；步骤5，基于densenet-1输出的判决结果对按下式进行部分干扰消除，其中，表示消除了部分子载波间干扰的接收ofdm符号，b2表示输入densenet-2的信道参数宽度，含义同唯一区别在于b2与b1的取值可以相同也可以不同；步骤6，基于和生成第二级神经网络densenet-2的输入数据将输入densenet-2得到实数输出然后将densenet-2的实数输出参考复数化方式转化为对应的复数，得到densenet-2的检测输出对进行硬判决得到最终的检测输出步骤4和步骤6中，第一级神经网络densenet-1和第二级神经网络densenet-2的输入数据通过下式获得：其中，以统一表示和统一表示和b统一表示b1和b2，1≤n≤nu，表示取元素实部运算，表示取虚部运算。步骤4和步骤6中，第一级神经网络densenet-1和第二级神经网络densenet-2的输出通过以下步骤计算得到：因densenet-1和densenet-2架构相同，唯一区别在于输入数据的不同，下面以densenet统一表示densenet-1和densenet-2，统一表示和以统一表示和b统一表示b1和b2，统一表示densenet-1和densenet-2中间层的输出和其中，统一表示densenet-1和densenet-2中总的densenet块数和1≤ld≤ld+1，ld统一表示densenet-1和densenet-2中第d个densenet块内总的微网络数和m1＝1,2,3，对于可训练参数同样忽略densenet-1的上标标识-1和densenet-2的上标标识-2统一表示；计算步骤包括：步骤i，对按照下式进行补零操作并重新赋值给步骤ii，按照下式与卷积核进行运算得到第一个densenet块第一个微网络的输入数组其中，的数组大小为relu(x)为对单个数组元素运算的激活函数，当x＞0时，该函数输出x，当x≤0时，该函数输出0，w1为的可训练参数数组，b1为大小为可训练参数数组，表示索引为i1-n+1,i2,i3的数组元素，表示索引为i3的数组元素；步骤iii，初始化d＝1,ld＝1；步骤iv，按照下式与卷积核进行运算得到其中，为nu×2r的微网络第1层卷积层的输出数组，r表示densenet块每个微网络最终输出数组第2维的大小，设置为大于0的整数，表示的第n行，为的可训练参数数组，为第2维的大小，为大小为1×2r的可训练参数数组；步骤v，对按照下式进行补零操作并重新赋值给步骤vi，按照下式与卷积核进行运算得到其中，1≤i3≤2r，为nu×2r的微网络第2层卷积层的输出数组，为3×2r×2r的可训练参数数组，为大小为1×2r的可训练参数数组；步骤vii，对按照下式进行补零操作并重新赋值给步骤viii，按照下式与卷积核进行运算得到其中，1≤i3≤r，为nu×r的微网络输出层输出数组，为3×2r×r的可训练参数数组，为大小为1×r的可训练参数数组；步骤ⅸ，将与在第2维进行拼接并赋值给其中，赋值后的为大小为的数组，步骤x，ld＝ld+1，如果ld＞ld则进入步骤xi，否则进入步骤iv；步骤xi，按照下式与卷积核进行运算得到其中，为的第d个densenet块最后过渡层的输出数组，设置为大于0小于的整数，为的可训练参数数组，为大小为的可训练参数数组；步骤xii，d＝d+1，如果则进入步骤xiii，否则，令ld＝1；步骤xiii，对按照下式进行补零操作并重新赋值给步骤xiv，按照下式与卷积核进行运算得到其中，为nu×co的卷积层输出数组，1≤i3≤co，co设置为大于0的整数，wo为的可训练参数数组，bo为大小为1×co的可训练参数数组；步骤xv，对按照下式进行补零操作并重新赋值给步骤xvi，按照下式与卷积核进行运算得到其中，为nu×2的densenet输出，1≤i3≤2，wout为3×co×2的可训练参数数组，bout为小为1×2的可训练参数数组，a为ofdm系统发送m-qam调制符号的实部或者虚部的幅度最大值，m表示调制阶数，tanh(x)为激活函数，第一级神经网络densenet-1和第二级神经网络densenet-2的训练阶段包括如下步骤：步骤一，获得训练样本组成训练样本集ψ1，其中，训练样本集ψ1的生成信噪比在工作信噪比区间snrlow至snrhigh内均匀分布，训练样本集ψ1的大小为bs1,zk表示训练标签，为nu×2的数组，由下式生成步骤二，应用xavier初始化方法初始化densenet-1所有的可训练参数，然后根据训练数据完成对densenet-1的训练；步骤三，基于已训练densenet-1检测输出的硬判决结果对做干扰消除得到进而得到densenet-2的训练样本组成训练样本集ψ2，其中，训练样本集ψ2的生成信噪比在工作信噪比区间snrlow至snrhigh内均匀分布，训练样本集ψ2的大小为bs2；步骤四，应用xavier初始化方法初始化densenet-2所有的可训练参数，然后根据训练数据完成对densenet-2的训练。下面结合实施例对本发明做进一步说明。实施例1实际应用当中，神经网络中采用均方误差形式的代价函数。表1将上述所设计适用于无cpofdm系统的基于densenet的并行干扰消除检测方法，具体应用于实际，当中，诸如实施例1，实际应用中cp不充分ofdm系统参数以及densenet-1和densenet-2训练参数如表1所示。对发送机的64阶qam符号进行串并变换并映射到频域ofdm符号xk的有用子载波上，xk经过快速反傅里叶变换后得到时域ofdm符号，将该时域ofdm符号经过并串变换、数模处理后调制到载频上，然后由发送天线送入时变多径信道。其中，xk中包含的总子载波数为n，位于中间位置的为nu个可用子载波，位于两侧位置的为虚拟子载波，虚拟子载波个数分别为nv。其中时变多径信道的功率延时谱如表2所示。表2延时012391417功率(db)00.79043.53123.12320.45593.69980.4744接着对接收机天线上的接收信号进行解调后得到基带信号，对该基带信号进行模数变换、同步、快速傅里叶变换后得到频域接收ofdm符号ykyk＝hkxk+φkxk-1+θk其中，g＝diag{fv}其中，v＝[1,0,0,...,0]t，v的大小为n×1，n表示ofdm系统子载波数，[·]t表示转置运算；diag{}表示生成对角方阵，其对角线上的值为括号内矢量的值，fh表示f的共轭转置；l＝0,1,2,...,l-1，表示对应于第k个ofdm符号、可分辨径l的时域信道参数，在时域多径信道参数后补零得到n×1维矢量hk，l表示多径数目，时域多径信道利用jakes模型进行仿真。在检测中取yk、xk、hk、φk和θk在nu个有用子载波上的部分，分别记为和则对按下式进行符号间干扰消除其中，表示已消除符号间干扰的ofdm接收符号，表示对第k-1个ofdm接收符号有用子载波上发送的m-qam符号的硬判决结果。根据和生成densenet-1的输入数据将输入densenet-1得到实数输出然后将densenet-1的实数输出转化为对应的复数，得到densenet-1的检测输出对进行硬判决得到其中1≤n≤nu，[·]n,m表示矩阵的第n行第m列元素，b1表示输入densenet-1的信道参数宽度，的复数化按照下式进行[·]:,i表示矩阵的第i列，i＝1,2，j表示虚数单位，基于densenet-1输出的判决结果对按下式进行部分干扰消除，其中，表示消除了部分子载波间干扰的接收ofdm符号，含义同唯一区别在于b2的取值可以不同于b1。基于和生成densenet-2的输入数据将输入densenet-2得到实数输出然后将densenet-2的实数输出参考复数化方式转化为对应的复数，得到densenet-2的检测输出对进行硬判决得到最终的检测输出图2为实施例1中本发明设计方案densenet-pic与并行干扰消除算法pic、mmse以及cnn-pic的ber对比，其中，cnn-pic由将densenet-pic中的densenet-1和densenet-2替换为等可训练参数量的cnn-1和cnn-2得到。由图2可知，本发明设计方案densenet-pic具有最优的检测性能，并且明显优于复杂度相同的cnn-pic。实施例2实施例2由将实施例1的ofdm系统参数换为表3，信道功率延迟分布换位表4得到表3表4延时04162174116140功率(db)00.79043.53123.12320.45593.69980.4744图3为实施例2中本发明设计方案densenet-pic与无干扰消除的densenet大网络的ber对比，其中densenet大网络的可训练参数量与detsenet-1和densenet-2总的参数量相同，densenet-pic与densenet大网络中神经网络均在实施例1的参数设置下训练，在实施例2的参数设置下测试。由图3可知，densenet-pic的检测性能明显优于densenet大网络，验证了干扰消除设计方案的有效性。此外根据图3的仿真性能可知，densenet-pic在128子载波数目的ofdm系统中训练，在1024子载波数目的ofdm系统中也能取得良好检测效果，证明了densenet-pic对于子载波数目具有鲁棒性，针对不同子载波数目的ofdm系统，网络densenet-1和densenet-2只需要在某个固定的子载波数目下训练一次。实施例3实施例3为将实施例1中的信道延迟功率分布分别换为表5和表6。表5延时0124功率(db)3.42346.34230.45595.3901表6延时012589功率(db)05.34603.12320.45593.69980.4744图4为实施例3的仿真结果，其中mmse(l＝5)、densenet-pic(l＝5)为信道功率延迟分布采用表5，其余测试参数同实施例1的仿真结果；mmse(l＝10)、densenet-pic(l＝10)为信道功率延迟分布采用表6，其余测试参数同实施例1的仿真结果；mmse(l＝18)、densenet-pic(l＝18)为实施例1的仿真结果；其中densenet-pic中densenet-1和densenet-2均根据实施例1参数训练。由图4可知，在表2的信道延迟功率分布下训练得到的densenet-pic在其他的不同于表2的延迟功率分布下也能表现良好，没有出现剧烈的性能恶化，始终优于mmse，证明了densenet-pic针对不同的信道延迟功率分布具有良好的鲁棒性，可以在实际系统中使用。实施例4实施例4为densenet-pic算法在cp存在但长度小于信道冲激响应长度的ofdm系统中的测试。在实施实施例1中的发送机中增加附加cp的模块，接收机中增加减去cp的模块。图5为实施例4的仿真结果。densenet-pic算法中densenet的训练测试cp长度为9，其余训练测试参数参考实施例1。由图可知，densenet-pic算法的检测性能超过了pic和mmse，逼近cp充分ofdm系统的ber性能。图5的仿真结果证明了本发明提出的densenet-pic算法同样适用于cp存在但小于信道冲激相应的ofdm系统。以上所述仅是本发明的优选实施方式，应当指出：对于本
技术领域：
的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。当前第1页12