本发明涉及一种基于深度学习的抗子载波间干扰(inter-carrierinterference,ici)的ofdm检测方法，属于无线移动通信
技术领域：
。
背景技术：
：ofdm技术能将高速数据流通过串并变换，变成低速并行数据流调制到相互正交的子载波上进行传输，通过添加循环前缀能够消除符号间干扰。从频域角度看，由于ofdm中子载波间隔小于信道的相干带宽，因此ofdm能够很好的对抗频率选择性衰落，并且ofdm技术容易和多输入多输出相结合，采用功率分配和自适应调制技术能够获得空间的分集和复用增益，最大程度满足信道传输的要求。因此ofdm技术已经成为无线局域网，wimax和3gpp长期演进系统(4g)的关键技术。ofdm系统的缺点在于其对于高速移动带来的doppler频偏和载波相位噪声较为敏感，由此产生的子载波间的干扰会严重影响系统性能。ofdm技术将高速数据流调制到正交的子载波上，高速移动导致信道是快速时变的，反映在doppler频偏上，时变速度越快，doppler频偏越大，由此产生的子载波间干扰越大。从频域来看doppler频偏产生的频率扩展破坏了子载波之间的正交性，导致接收端频域子载波间干扰，这是高速铁路场景下、毫米波段以及低轨卫星系统ofdm应用的一个瓶颈。目前已有的降低ici影响的技术主要包括：时域加窗、频域均衡，经典ici干扰自消除方法以及doppler分集。另外还有一些通过引入其他技术来降低ici的方法，例如通过采用全相位谱分析技术来压低子载波旁瓣的影响以降低ici等。近年来深度学习已经被成功应用于计算机视觉、自然语言处理等领域，其在通信系统物理层的应用也逐渐受到更多的关注，尤其是在未来通信系统更高速度、更低延时、更精确处理的要求下，深度学习由于其卓越的函数逼近能力、并行处理结构以及方便的优化能力成为一种颇有希望的技术。多种多样的框架库如tensorflow、theano、caffe等可以用于加速试验以及高效地使用神经网络结构。adagrad、momentum、adam等自适应学习率算法的提出也进一步提高了收敛速率，减少了计算复杂度，避免了收敛到局部最优解。综上所述，由于已有的ici消除方式存在复杂度高、频谱利用率低等问题，而深度学习展现出很强的算法学习潜力，因此期望能够基于深度学习找到一种检测网络有效对抗ici对系统性能的影响。技术实现要素：针对ofdm系统中doppler频偏和相位噪声带来的ici问题，本发明基于深度学习为ofdm通信系统提供一种基于深度学习的抗子载波间干扰的ofdm检测方法，通过训练深度检测网络来逼近最优ml解调器性能。本发明为解决上述技术问题采用以下技术方案：本发明提供一种基于深度学习的抗子载波间干扰的ofdm检测方法，通过一种深度检测网络进行ofdm检测，其中，深度检测网络的结构为：式中，分别表示第k+1层、第k层网络的输出，h表示ici信道矩阵，y表示接收符号；表示由线性整流函数ρ(x)＝max{0,x}构造的分段函数，wk、bk、tk均为第k层的网络参数。作为本发明的进一步技术方案，所述深度检测网络使用tensorflow框架搭建而成。作为本发明的进一步技术方案，所述深度检测网络采用adam算法、微小批次的方式进行训练。作为本发明的进一步技术方案，训练使用的学习率参考值为0.005，微小批次大小的参考值为500。作为本发明的进一步技术方案，采用微小批次的方式训练深度检测网络时，每个批次包含反映了一段时间内信道的变化的多个发送、接收符号及对应的信道矩阵，且发送符号随机产生，训练信噪比均匀分布在系统最小信噪比和最大信噪比之间；训练时先遍历一遍不同的信道信息，再循环使用这些信道信息进行训练，直到损失函数收敛。作为本发明的进一步技术方案，为了增强训练的稳定性，对于条件数大于104的信道矩阵在训练时剔除，但在测试时不做任何剔除操作。作为本发明的进一步技术方案，采用adam算法训练深度检测网络，利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率。作为本发明的进一步技术方案，所述深度检测网络的损失函数定义如下：式中，l表示深度检测网络的总层数，x表示发送符号，作为本发明的进一步技术方案，当调制阶数为qpsk调制及更高阶调制时，将ofdm系统频域模型y＝hx+w转换为等效实数模型。本发明采用以上技术方案与现有技术相比，具有以下技术效果：本发明提供的深度检测网络实现了一种抗ici的ofdm检测方式，其核心思想是通过训练深度检测网络来逼近最优ml解调器，其有益效果在于针对ofdm调制在较大多普勒频偏或相位噪声传输环境中性能下降的问题，该检测网络有效解决了存在子载波间干扰(ici)的ofdm调制信号的解调问题，提升了系统性能。附图说明图1为该发明设计的深度检测网络结构示意图；图2为归一化多普勒频偏为0.16，子载波数为16，调制方式为qpsk时，深度神经网络的检测性能图；图3为归一化多普勒频偏为0.24，子载波数为16，调制方式为qpsk时，深度神经网络的检测性能图；图4为归一化多普勒频偏为0.16，子载波数为32，调制方式为qpsk时，深度神经网络的检测性能图。图5为归一化多普勒频偏为0.1，子载波数为32，调制方式为qpsk时，深度神经网络的检测性能图。具体实施方式下面结合附图对本发明的技术方案做进一步的详细说明：本发明为逼近ml检测器，利用深度展开的方式基于投影梯度下降法设计了深度网络结构，可以用于受较大多普勒频偏或受较大相位噪声影响的ofdm系统的检测，训练算法为adam算法，采用微小批次的训练方式，每个批次包含多个输入输出ofdm符号及对应的信道矩阵h，即每个批次反映了一段时间内信道的变化，该时间应大于信道相干时间。训练先遍历一遍不同的信道信息，再循环使用这些信道信息进行深度学习，直到损失函数收敛到一个很小的值。为了增强训练的稳定性，对于条件数大于10^4的信道矩阵在训练时剔除，但在测试时不做任何剔除操作。训练好的深度检测网络会有效提高存在子载波间干扰的ofdm系统的性能。在时变多径信道模型中，当发送信号x(n,l)通过信道h(n,l)时，接收信号可以表示为：其中，*表示卷积，p是离散径的数目，h(n,l)表示在第n个采样间隔第l个径的时变复增益，w(n)是加性白高斯噪声。在接收端假设经过完美的同步，去除cp后进行n点fft，n表示子载波数目，频域第m个子载波上的信号为：其中，x[q]表示第q个子载波上传输的已调信号，w[m]是w(n)的fft变换，仍是awgn；是时变多径信道抽头l的fft变换，表示抽头l的时变特征，可写成：由式(2)可以看出，等式右边第一项是第m个子载波承载的数据和相应的信道冲激响应的频率响应，衰落因子由多径频率选择性产生，不含时变信道成分；第二项是其余子载波对第m个子载波的ici。可见公式(2)可以被简单地写为：其中，icim和h[m]分别表示ici和由第m个子载波上的多径造成的信道频域响应。进一步地，用h表示ici信道矩阵，即为包含子载波间交叉项的非对角阵。矩阵h中的元素h(i,j)表示子载波间的ici系数，可由公式(2)(3)计算得到。这样公式(2)可以表示为：y＝hx+w(5)h的对角线元素是对应子载波上的衰落因子，非对角线元素是ici干扰系数。当调制阶数为qpsk调制及更高阶调制时，(5)式为复数模型，可以转换为等效实数模型如下：检测的目标是通过接收符号y和信道矩阵h来得到发送符号的估计检测结构即为函数其中θ为检测结构的系数。训练的目的是在合理的集合内找到最佳的估计值为了找到最佳的检测器，设定一个衡量真实符号和估计值之间的误差函数接着，通过最小化这个误差函数来找到θ：其中期望是对于式(5)中的随机变量。训练的过程就是找到最佳的系数集θ来最小化误差函数满足分布(5)的期望。(7)的解是ml检测器：其中n表示子载波数目。最大似然准则在准确度方面是最优的，但是却需要很大的搜索量。为了逼近ml检测器，基于投影梯度下降法将根据式(8)可得下面循环的形式：其中，表示第k次循环的估计值，π[·]是一个非线性映射操作，δk是步进大小。根据(9)式可以得到下面的检测网络结构：其中，表示由线性整流函数ρ(x)＝max{0,x}构造的分段函数，定义如下：网络结构如附图1所示，为了训练得到网络参数的最佳取值，定义损失函数如下：其中，是标准的解相关的方法。l为深度网络的总层数，x为实际的发送符号，也即期望得到的检测符号。该损失函数联合考虑了深度网络各层的输出，相对解相关方法检测结果进行了归一化。该方案设计的检测网络，可应用于较大多普勒频偏或较大相位噪声下的ofdm系统的检测，该方法具体包括以下步骤：(1)在存在较大多普勒频偏或较大相位噪声影响的ofdm系统中，接收端进行信道估计，获得上述原理中所介绍的频域信道矩阵h，构建如公式(5)所示的ofdm系统频域模型。(2)构造深度网络训练集，包括满足系统模型的发送符号x，接收符号y以及相应的频域信道矩阵h。如果调制为qpsk调制及更高阶的调制，则需要按照公式(6)转换为其等效实数模型，将h、x、y对应由实部和虚部表示，保证输入网络的数据及网络中每个节点都是实数形式。(3)搭建如附图1所示的深度检测网络结构，本发明示例是使用tensorflow框架搭建。(4)使用训练集训练网络参数，训练采用微小批次的方式，每个批次包含多个输入输出ofdm符号(发送符号x，接收符号y)及对应的信道矩阵h，即每个批次反映了一段时间内信道的变化，该时间应大于信道相干时间。每次发送的ofdm符号随机产生，训练信噪比均匀分布在系统最小信噪比和最大信噪比之间。训练先遍历一遍不同的信道信息，再循环使用这些信道信息进行训练，直到损失函数收敛到一个很小的值。为了增强训练的稳定性，对于条件数大于10^4的信道矩阵在训练时剔除，但在测试时不做任何剔除操作。训练算法为adam算法，利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率。训练使用的学习率参考值为0.005，微小批次大小的参考值为500。训练好的网络即可用于受到较大多普勒频偏或较大相位噪声影响的ofdm系统的检测，且在训练信噪比范围内都可适用。网络的输出为调制符号的实部和虚部，对应组合成相应复数符号后进行解调。解调结果即为发送的信息比特。本实施方式主要包括以下步骤：首先根据需要设定相应的归一化多普勒频偏大小，仿真产生瑞利信道，由说明书中公式(2)(3)计算得频域信道矩阵，接着根据ofdm频域系统模型(5)独立产生训练数据集和测试数据集，每个数据集中包括若干发送符号、接收符号和对应的信道，每个发送的ofdm符号随机产生，训练数据信噪比均匀分布在系统最小信噪比和最大信噪比之间。将训练数据集分为多个批次用于训练深度网络，测试数据集用于测试深度网络检测性能。之后搭建如附图1所示的深度网络，使用训练数据集训练该网络，直到损失函数收敛到一个很小的值。最后用测试数据集测试训练好的网络的检测性能，方法是将测试数据集中的接收符号输入该网络，将网络检测输出的符号解调之后与原信息比特比较，获得检测误比特率，再加之与直接解相关的方式比较来衡量检测性能。仿真示例1仿真条件如下：子载波数16深度网络层数30调制方式qpsk批次大小500采样速率1mbps训练集信道个数100000最大多普勒频偏10khz整体循环次数500归一化多普勒频偏0.16仿真信道使用六个时延径的瑞利信道，相对功率大小使用itu车辆-a信道模型参数。图2给出了以上条件下的仿真结果，可以看出与直接解相关的方式相比，深度网络检测比特错误率小约2db。仿真示例2仿真条件如下：子载波数16深度网络层数30调制方式qpsk批次大小500采样速率1mbps训练集信道个数100000最大多普勒频偏15khz整体循环次数500归一化多普勒频偏0.24仿真信道使用六个时延径的瑞利信道，相对功率大小使用itu车辆-a信道模型参数。图3给出了以上条件下的仿真结果，可以看出与直接解相关的方式相比，深度网络检测比特错误率小约4db。与图2相比，也可以看出深度检测网络性能基本不会受到多普勒频偏大小的影响。仿真示例3仿真条件如下：子载波数32深度网络层数30调制方式qpsk批次大小500采样速率1mbps训练集信道个数100000最大多普勒频偏5khz整体循环次数500归一化多普勒频偏0.16仿真信道使用四个时延径的瑞利信道，相对功率大小使用itu行人-a信道模型参数。图4给出了以上条件下的仿真结果，可以看出与直接解相关的方式相比，深度网络检测比特错误率小约4-6db。仿真示例4仿真条件如下：子载波数32深度网络层数30调制方式qpsk批次大小500采样速率1mbps训练集信道个数100000最大多普勒频偏3.1khz整体循环次数500归一化多普勒频偏0.1仿真信道使用四个时延径的瑞利信道，相对功率大小使用itu行人-a信道模型参数。图5给出了以上条件下的仿真结果，可以看出与直接解相关的方式相比，深度网络检测比特错误率小约2-3db。综上所述，本发明公开了一种基于深度学习的抗子载波间干扰的ofdm检测方法，可应用于高速移动的ofdm通信系统和毫米波段载波相位噪声较大的ofdm系统，可有效对抗多普勒频偏和相位噪声带来的子载波间干扰。本发明为逼近ml检测器，利用深度展开的方式基于投影梯度下降法设计了深度网络结构，训练算法为adam算法，采用微小批次(batch)的训练方式，每个批次包含多个输入输出ofdm符号及对应的信道矩阵h，即每个批次反映了一段时间内信道的变化。通过训练先遍历一遍不同的信道信息，再循环使用这些信道信息进行深度学习，达到损失函数收敛到一个很小的值。利用训练好的深度检测网络解调ofdm信号，会有效提高受较大多普勒频偏或相位噪声产生的子载波间干扰影响的ofdm系统检测的性能。以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。当前第1页12