OFDM接收方法和装置、信道估计模型训练方法和装置

ofdm接收方法和装置、信道估计模型训练方法和装置
技术领域
1.本技术涉及通信技术领域，具体而言，涉及一种ofdm接收方法和装置、信道估计模型训练方法和装置、电子设备和计算机存储介质。


背景技术：

2.正交频分复用(orthogonal frequency division multiplexing,ofdm)广泛应用于无线通信中，是无线通信系统的关键调制方案。然而ofdm系统的峰均功率比较高，且放大器线性范围有限，会引起信号的非线性失真，从而严重影响估计精度和信道容量。为了保证数据的高速率及高可靠传输，ofdm系统的接收机往往采用相干解调，这就需要对信道状态信息进行估计。
3.现有技术中，通常采用最小二乘法进行信道状态信息估计。然而，采用最小二乘法对信道状态信息进行估计，所得估计结果的准确性较低，无法实现对信道状态信息的准确估计，进而影响接收机的接收性能。


技术实现要素：

4.本技术实施例的目的在于提供一种ofdm接收方法和装置、信道估计模型训练方法和装置、电子设备和计算机存储介质，用以提高信道状态信息的估计精度，从而提高接收机的接收性能。
5.第一方面，本发明提供一种ofdm接收方法，包括：获取频域信号；对所述频域信号进行预处理，得到信道估计信息；根据所述信道估计信息确定多个低分辨率的二维图像；将所述多个低分辨率的二维图像输入预先训练好的信道估计模型中，获得信道状态信息；基于所述频域信号和所述信道状态信息确定发送端发送的比特信息。
6.在本技术实施例中，根据频域信号确定信道估计信息，将信道估计信息(精度较低的信道状态信息)分解为多个低分辨率的二维图像，将多个低分辨率的二维图像输入信道估计模型中，利用预先训练好的信道估计模型提取多个低分辨率的二维图像中的特征信息，从而确定出精度较高的信道状态信息，进而基于该信道状态信息确定发送端发送的比特信息，提高了ofdm接收机的接收性能。
7.在可选的实施方式中，所述信道估计模型包括图像超分辨网络和上采样网络，所述将所述多个低分辨率的二维图像输入预先训练好的信道估计模型中，获得信道状态信息，包括：利用所述超分辨网络对所述多个低分辨率的二维图像进行特征提取，得到二维图像对应的特征；利用所述上采样网络对所述二维图像对应的特征进行上采样得到所述信道状态信息。
8.在本技术实施例中，通过图像超分辨技术对多个低分辨率的二维图像进行特征提取，得到对应的特征，然后基于这些特征进行上采样，确定出精度较高的信道状态信息，实现更准确的信道估计。
9.在可选的实施方式中，所述基于所述频域信号和所述信道状态信息确定发送端发
送的比特信息，包括：对所述频域信号和所述信道状态信息进行迫零均衡，确定发射符号估计信息；将所述发射符号估计信息输入预先训练好的信号检测模型中，获得发送端发送的比特信息。
10.在可选的实施方式中，所述信号检测模型包括去噪网络和并行检测网络，所述将所述发射符号估计信息输入预先训练好的信号检测模型中，获得发送端发送的比特信息，包括：将所述发射符号估计信息输入所述去噪网络进行去噪，得到去噪后的发射符号估计信息；将所述去噪后的发射符号估计信息输入所述并行检测网络，得到所述比特信息。
11.在本技术实施例中，利用去噪网络对发射符号估计信息进行去噪，去除了发射符号估计信息中的噪声，再将去噪后的发射符号估计信息输入并行检测网络中，降低了确定出的比特信息的误码率，从而提高了ofdm接收机的接收性能。
12.在可选的实施方式中，所述对所述频域信号进行预处理，得到信道估计信息，包括：根据所述频域信号和导频位置，确定导频信号；将所述导频信号与本地导频信号进行最小二乘信道估计，确定所述信道估计信息。
13.第二方面，本发明提供一种信道估计模型训练方法，包括：获取多个频域信号和所述多个频域信号对应的完整信道状态信息；对每个所述频域信号进行预处理，得到对应的信道估计信息；根据对应的信道估计信息确定多个低分辨率的二维图像；将所述多个低分辨率的二维图像作为训练样本，并将每个所述频域信号对应的完整信道状态信息作为训练标签输入至预设的信道估计模型进行训练，直至模型训练至收敛，得到训练好的信道估计模型。
14.在本技术实施例中，采用多个频域信号对应的信道估计信息作为训练样本，并将每个频域信号对应的完整信道状态信息作为训练标签对信道估计模型进行训练，利用预先训练好的信道估计模型提取多个低分辨率的二维图像中的特征信息，从而确定出与真实信道状态信息相近的信道状态信息，提高了信道状态信息估计的准确性。
15.第三方面，本发明提供一种ofdm接收装置，所述装置包括：获取模块，用于获取频域信号；预处理模块，用于对所述频域信号进行预处理，得到信道估计信息；确定模块，用于根据所述信道估计信息确定多个低分辨率的二维图像；信道预测模块，用于将所述多个低分辨率的二维图像输入预先训练好的信道估计模型中，获得信道状态信息；比特信号确定模块，用于基于所述频域信号和所述信道状态信息确定发送端发送的比特信息。
16.在可选的实施方式中，所述信道估计模型包括图像超分辨网络和上采样网络，所述信道预测模块，具体用于利用所述超分辨网络对所述多个低分辨率的二维图像进行特征提取，得到二维图像对应的特征；利用所述上采样网络对所述二维图像对应的特征进行上采样得到所述信道状态信息。
17.在可选的实施方式中，所述比特信号确定模块，具体用于对所述频域信号和所述信道状态信息进行迫零均衡，确定发射符号估计信息；将所述发射符号估计信息输入预先训练好的信号检测模型中，获得发送端发送的比特信息。
18.在可选的实施方式中，所述信号检测模型包括去噪网络和并行检测网络，所述比特信号确定模块，具体用于将所述发射符号估计信息输入所述去噪网络进行去噪，得到去噪后的发射符号估计信息；将所述去噪后的发射符号估计信息输入所述并行检测网络，得到所述比特信息。
19.在可选的实施方式中，所述预处理模块，具体用于根据所述频域信号和导频位置，确定导频信号；将所述导频信号与本地导频信号进行最小二乘信道估计，确定所述信道估计信息。
20.第四方面，本发明提供一种信道估计模型训练装置，所述装置包括：获取模块，用于获取多个频域信号和所述多个频域信号对应的完整信道状态信息；预处理模块，用于对每个所述频域信号进行预处理，得到对应的信道估计信息；确定模块，用于根据对应的信道估计信息确定多个低分辨率的二维图像；训练模块，用于将所述多个低分辨率的二维图像作为训练样本，并将每个所述频域信号对应的完整信道状态信息作为训练标签输入至预设的信道估计模型进行训练，直至模型训练至收敛，得到训练好的信道估计模型。
21.第五方面，本发明提供一种电子设备，包括：处理器、存储器和总线；所述处理器和所述存储器通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如前述实施方式任一项所述的方法。
22.第六方面，本发明提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被计算机读取并运行时，执行如前述实施方式中任一项所述的方法。
附图说明
23.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
24.图1为本技术实施例提供的一种ofdm接收方法的流程图；
25.图2为本技术实施例提供的一种信道估计模型训练方法的流程图；
26.图3为本技术实施例提供的一种信道估计模型的结构图；
27.图4为本技术实施例提供的一种信号检测模型的结构图；
28.图5为本技术实施例提供的一种ofdm接收装置的结构框图；
29.图6为本技术实施例提供的一种信道估计模型训练装置的结构框图；
30.图7为本技术实施例的电子设备的结构示意图。
31.图标：500
‑
ofdm接收装置；501
‑
获取模块；502
‑
预处理模块；503
‑
确定模块；504
‑
信道预测模块；505
‑
比特信号确定模块；600
‑
信道估计模型训练装置；601
‑
获取模块；602
‑
预处理模块；603
‑
确定模块；604
‑
训练模块；700
‑
电子设备；701
‑
处理器；702
‑
通信接口；703
‑
存储器；704
‑
总线。
具体实施方式
32.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述。
33.请参阅图1，图1为本技术实施例提供的一种ofdm接收方法的流程图，该ofdm接收方法可以包括如下步骤：
34.步骤101：获取频域信号。
35.步骤102：对频域信号进行预处理，得到信道估计信息。
36.步骤103：根据信道估计信息确定多个低分辨率的二维图像。
37.步骤104：将多个低分辨率的二维图像输入预先训练好的信道估计模型中，获得信道状态信息。
38.步骤105：基于频域信号和信道状态信息确定发送端发送的比特信息。
39.下面将结合示例对上述流程进行详细说明。
40.根据上述步骤可知，本技术是采用预先训练好的信道估计模型进行信道估计，从而获得信道状态信息，进而根据信道状态信息和频域信号确定发送端发送的比特信息。为了便于对本方案的理解，在介绍步骤s101之前，先介绍信道估计模型的训练过程。
41.请参阅图2，图2为本技术实施例提供的一种信道估计模型训练方法的流程图，该信道估计模型训练方法可以包括如下步骤：
42.步骤201：获取多个频域信号和多个频域信号对应的完整信道状态信息。
43.步骤202：对每个频域信号进行预处理，得到对应的信道估计信息。
44.步骤203：根据对应的信道估计信息确定多个低分辨率的二维图像。
45.步骤204：将多个低分辨率的二维图像作为训练样本，并将每个频域信号对应的完整信道状态信息作为训练标签输入至预设的信道估计模型进行训练，得到训练好的信道估计模型。
46.以下对上述步骤201
‑
203进行详细介绍。
47.步骤201：获取多个频域信号和多个频域信号对应的完整信道状态信息。
48.本技术实施例中，本地随机生成多组发送信号，多组发送信号经ofdm发送机和非线性放大器后，将多组发送信号置于不同信噪比的信道中传输，并在ofdm接收机接收这些信号。在一个ofdm发送信号中，包含n
c
个子载波和n
s
个时隙，其中导频采用梳状模式，大小为n
cp
×
n
sp
。
49.ofdm接收机接收到的信号为时域信号，将接收到的时域信号进行快速傅里叶变换得到频域信号y。
50.在进行信道估计模型训练时，信道的状况由人工模拟确定。因此，频域信号对应的完整信道状态信息为已知量，可以根据人工模拟的信道的状况直接确定。
51.步骤202：对每个频域信号进行预处理，得到对应的信道估计信息。
52.本技术实施例中，在获取到频域信号y后，参照导频位置，提取导频信号y
p
。将本地导频信号x
p
与导频信号y
p
做最小二乘信道估计，确定出该频域信号y对应的信道估计信息
[0053][0054]
其中，x
p,i
，y
p,i
，h
p,i
，分别代表第i次训练时的本地导频信号、导频信号、频域信道信息和信道估计信息。由于信道为人工模拟的信道，因此，频域信道信息为已知量。diag(x
p,i
)表示导频的平方对角矩阵，向量x
p,i
的元素位于平方对角线矩阵的主对角线上。
[0055]
步骤203：根据对应的信道估计信息确定多个低分辨率的二维图像。
[0056]
本技术实施例中，将第i次训练时的信道估计信息的实部和虚部
拆分并拼接为一个二维张量。该二维张量可以视为一张二维低分辨率图像。由于导频大小为n
cp
×
n
sp
，因此，该二维张量可以看做是一个n
cp
×
n
sp
的矩阵。根据导频的时隙维度，将该二维张量分解为n
sp
个n
cp
×
1的列向量。然后根据导频n
sp
的大小，将该n
sp
个n
cp
×
1的列向量整形为n
sp
张低分辨率的二维图像。
[0057]
需要说明的是，在整形时，可以根据n
cp
是否能开平方确定低分辨率的二维图像的形式。例如，若n
cp
为9，n
cp
能开平方则将n
cp
×
1的列向量整形为一个3
×
3的低分辨率的二维图像；若n
cp
为10，n
cp
不能开平方，则将n
cp
×
1的列向量整形为一个2
×
5的低分辨率的二维图像。可以理解，上述整形方式仅为本技术实施例提供的一种具体实施方式，本领域技术人员可以根据实际需要进行相应的调整，本技术不以此为限。
[0058]
步骤204：将多个低分辨率的二维图像作为训练样本，并将每个频域信号对应的完整信道状态信息作为训练标签输入至预设的信道估计模型进行训练，直至模型训练至收敛，得到训练好的信道估计模型。
[0059]
本技术实施例中，作为一种可选的实施方式，如图3所示，预设的信道估计模型可以包括图像超分辨网络和上采样网络。
[0060]
图像超分辨网络的输入层为卷积层。其中，卷积层包括卷积核和滤波器。具体地，采用3*3的卷积核，为保证图片的数量不变，采用n
sp
个滤波器滤波器。隐藏层由多个残差特征聚合(residual feature aggregation，rfa)模块和一个卷积层组成。通过在残差特征聚合模块间添加跳跃连接的方式，直接在每个局部残差分支上传播特征，更有效地提取导频信息中的残差特征。每个rfa模块由四个残差模块组成，每个残差模块由两个卷积层(步长为1)和一个leaky relu激活函数组成。前三个残差模块的跳转连接到rfa模块的末端并与最后一个残差模块组合。最终由一层卷积层整合所有特征。
[0061]
图像超分辨网络对n
sp
个低分辨率的二维图像进行特征提取，提取导频信息和相关性。
[0062]
上采样网络代替传统插值过程，由两层神经网络组成，大小为完整信道状态信息的两倍，不采用激活函数。第一层网络用于将低分辨率图像映射为高分辨率图像，第二层网络通过神经元的权重和偏置微调图像，最终输出高分辨率的估计结果将的实部和虚部结合，得到信道状态信息在实际使用中，网络层数和每一层的网络参数可根据实际情况修改，以提高网络的泛化能力与鲁棒性。
[0063]
用于训练预设的信道估计模型的损失函数为：
[0064][0065]
其中，θ
s
,θ
m
分别为超分辨网络和上采样网络参数，f
s
,f
m
为两个网络激活函数。
[0066]
作为一种可选的实施方式，信道估计模型训练采用50批量，训练次数为4000次，每次训练包含300个时隙样本；学习率初始化为0.01，且随着训练次数的增加而减小；优化器采用adam优化器。
[0067]
可以理解，上述训练批量、训练次数、时隙样本、学习率的值均为本技术实施例提
供的一种具体实施方式，本领域技术人员可以根据实际需要进行相应的调整，本技术不以此为限。
[0068]
作为一种可选的实施方式，在确定信道状态信息后，对频域信号和信道状态信息进行迫零均衡，确定发射符号估计信息，然后将发射符号估计信息输入至预先训练好的信号检测模型中，获得发送端发送的比特信息。为了方便理解，先对信号检测模型的训练过程进行介绍。
[0069]
需要说明的是，信号检测模型的训练步骤可以在上述信道估计模型的训练步骤之后，并采用信道估计模型训练时模拟的信道情况确定的频域信号和与频域信号对应的信道状态信息。
[0070]
本技术实施例中，首先获取多组频域信号和多组频域信号对应的信道状态信息。将信道状态信息和与其对应的频域信号做迫零均衡，确定发射符号估计值，将该发射符号估计值作为信号检测模型的训练样本。
[0071]
具体地，对频域信号和信道状态信息进行迫零均衡可以表示为：
[0072][0073]
其中，y
i
和分别为第i次训练时频域信号和信道状态信息，为第i次训练时确定的发射符号估计值。
[0074]
将发送端发送的比特信息b
i
作为信号检测模型的训练标签。需要说明的是，本技术实施例采用信道估计模型训练时模拟的信道情况确定的频域信号和与频域信号对应的信道状态信息。因此，发送端发送的比特信息为已知量。
[0075]
将发射符号估计值的实部和虚部拆分并拼接为一个二维张量作为信号检测模型的训练样本，将发送端发送的比特信息b
i
作为信号检测模型的训练标签输入至预设的信号检测模型进行训练，直至模型训练至收敛，得到训练好的信号检测模型。
[0076]
如图4所示，预设的信号检测模型可以包括去噪网络和并行检测网络。
[0077]
作为一种可选的实施方式，去噪网络包括输入层、中间隐藏层和输出层。具体地，去噪网络的输入层使用16个大小为3
×3×
1的滤波器用于生成16个特征图，同时加入批量归一化和非线性激活函数relu。中间隐藏层由多个卷积层组成，每个卷积层有16个大小的过滤器，并且在每一层引入批量归一化和非线性激活函数relu。输出层采用1个大小为3
×3×
16的滤波器被用于重建信号并输出去噪后的发射符号估计值。
[0078]
并行检测网络可以由三个相同的并行网络构成，每一个检测网络均由一个多层神经网络构成，每层神经网络之间采用全连接的方式，将去噪后的发射符号估计值映射为发送端的比特信息。每个并行检测网络的输出层的神经元数量为当前网络的映射比特数，将多个并行网络的比特数串联即为发送端发送的比特信息。
[0079]
在训练过程中，采用平均均方误差作为训练信号检测模型的损失函数：
[0080]
[0081]
其中，θ
d
为网络参数，f
d
为非线性映射函数。
[0082]
作为一种可选的实施方式，信号检测模型训练采用50批量，练次数为2000次，每次训练包含300个时隙样本；学习率初始化为0.01，且随着训练次数的增加而减小；优化器采用adam优化器。
[0083]
可以理解，上述训练批量、训练次数、时隙样本、学习率的值均为本技术实施例提供的一种具体实施方式，本领域技术人员可以根据实际需要进行相应的调整，本技术不以此为限。
[0084]
本技术实施例考虑到在ofdm传输时，信道为时变信道，存在高斯白噪声。在预设的信号检测模型中加入去噪网络，用于去除发射符号估计值中的高斯白噪声，从而使得训练出的信号检测模型在使用中能去除时变信道引入的高斯白噪声，从而提高信号检测的准确性。
[0085]
本技术实施例将深度学习引入传统ofdm接收机中，用于ofdm信道估计和信号检测，在提升了接收机误码率性能的同时，也可克服非线性放大器对信号产生的非线性失真。接收机采用线下训练的方式训练信道估计模型和信号检测模型，在实际使用中可对其进行迁移训练，以获得更优性能。两个模型均采用多信噪比训练方式，能在无信道和噪声等先验信息的情况下，完成非线性信道的估计和信号检测。
[0086]
介绍完信道估计模型和信号检测模型的训练过程后，下面将结合示例对上述步骤s101至步骤s105进行详细说明。
[0087]
步骤101：获取频域信号。
[0088]
本技术实施例中，ofdm系统可以采用单输入单输出方式，在一个ofdm发送信号中，包含n
c
个子载波和n
s
个时隙，其中导频采用梳状模式，大小为n
cp
×
n
sp
。一个ofdm发送信号经ofdm发送机和非线性放大器后，通过一个信道的传输，由ofdm接收机接收到一时域信号。将接收到的时域信号进行快速傅里叶变换得到频域信号。
[0089]
步骤102：对频域信号进行预处理，得到信道估计信息。
[0090]
步骤103：根据信道估计信息确定多个低分辨率的二维图像。
[0091]
本技术实施例中，步骤102和步骤103与前述步骤202和步骤203对应，为使说明书简洁，相同或相近部分可互相参照，在此不再赘述。
[0092]
步骤104：将多个低分辨率的二维图像输入预先训练好的信道估计模型中，获得信道状态信息。
[0093]
本技术实施例中，根据前述对信道估计模型的训练过程的介绍可知，信道估计模型包括图像超分辨网络和上采样网络。超分辨网络对多个低分辨率的二维图像进行特征提取，得到二维图像对应的特征；上采样网络对二维图像对应的特征进行上采样得到信道状态信息。步骤104的具体实施过程与前述步骤204对应，为使说明书简洁，相同或相近部分可互相参照，在此不再赘述。
[0094]
步骤105：基于频域信号和信道状态信息确定发送端发送的比特信息。
[0095]
作为一种可选的实施方式，步骤105可以包括如下步骤：
[0096]
第一步，对频域信号和信道状态信息进行迫零均衡，确定发射符号估计信息；
[0097]
第二步，将发射符号估计信息输入预先训练好的信号检测模型中，获得发送端发送的比特信息。
[0098]
具体地，对频域信号和信道状态信息进行迫零均衡可以表示为：
[0099][0100]
其中，为信道估计模块输出的第k个子载波的信道状态信息，y(k)为频域信号的第k个子载波，第k个子载波的发射符号估计信息。
[0101]
将的实部和虚部拆分并拼接为一个二维张量输入预先训练好的信号检测模型中，获得发送端发送的比特信息。
[0102]
根据前述对信号检测模型的训练过程的介绍可知，信号检测模型包括去噪网络和并行检测网络。去噪网络和并行检测网络的工作原理与前述对信号检测模型的训练过程中的介绍相对应，为使说明书简洁，相同或相近部分可互相参照，在此不再赘述。
[0103]
综上所述，本技术实施例根据频域信号确定信道估计信息，将信道估计信息(精度较低的信道状态信息)分解为多个低分辨率的二维图像，将多个低分辨率的二维图像输入信道估计模型中，利用预先训练好的信道估计模型提取多个低分辨率的二维图像中的特征信息，从而确定出精度较高的信道状态信息，进而基于该信道状态信息确定发送端发送的比特信息，提高了ofdm接收机的接收性能。
[0104]
基于同一发明构思，本技术实施例中还提供一种ofdm接收装置。请参阅图5，图5为本技术实施例提供的一种ofdm接收装置的结构框图，该ofdm接收装置500可以包括：
[0105]
获取模块501，用于获取频域信号；
[0106]
预处理模块502，用于对所述频域信号进行预处理，得到信道估计信息；
[0107]
确定模块503，用于根据所述信道估计信息确定多个低分辨率的二维图像；
[0108]
信道预测模块504，用于将所述多个低分辨率的二维图像输入预先训练好的信道估计模型中，获得信道状态信息；
[0109]
比特信号确定模块505，用于基于所述频域信号和所述信道状态信息确定发送端发送的比特信息。
[0110]
在可选的实施方式中，所述信道估计模型包括图像超分辨网络和上采样网络，所述信道预测模块504，具体用于利用所述超分辨网络对所述多个低分辨率的二维图像进行特征提取，得到二维图像对应的特征；利用所述上采样网络对所述二维图像对应的特征进行上采样得到所述信道状态信息。
[0111]
在可选的实施方式中，所述比特信号确定模块505，具体用于对所述频域信号和所述信道状态信息进行迫零均衡，确定发射符号估计信息；将所述发射符号估计信息输入预先训练好的信号检测模型中，获得发送端发送的比特信息。
[0112]
在可选的实施方式中，所述信号检测模型包括去噪网络和并行检测网络，所述比特信号确定模块505，具体用于将所述发射符号估计信息输入所述去噪网络进行去噪，得到去噪后的发射符号估计信息；将所述去噪后的发射符号估计信息输入所述并行检测网络，得到所述比特信息。
[0113]
在可选的实施方式中，所述预处理模块502，具体用于根据所述频域信号和导频位置，确定导频信号；将所述导频信号与本地导频信号进行最小二乘信道估计，确定所述信道
估计信息。
[0114]
此外，本技术实施例还提供一种信道估计模型训练装置。请参阅图6，图6为本技术实施例提供的一种信道估计模型训练装置的结构框图，该信道估计模型训练装置600可以包括：
[0115]
获取模块601，用于获取多个频域信号和所述多个频域信号对应的完整信道状态信息；
[0116]
预处理模块602，用于对每个所述频域信号进行预处理，得到对应的信道估计信息；
[0117]
确定模块603，用于根据对应的信道估计信息确定多个低分辨率的二维图像；
[0118]
训练模块604，用于将所述多个低分辨率的二维图像作为训练样本，并将每个所述频域信号对应的完整信道状态信息作为训练标签输入至预设的信道估计模型进行训练，直至模型训练至收敛，得到训练好的信道估计模型。
[0119]
请参阅图7，图7为本技术实施例的电子设备700的结构示意图，该电子设备700包括：至少一个处理器701，至少一个通信接口702，至少一个存储器703和至少一个总线704。其中，总线704用于实现这些组件直接的连接通信，通信接口702用于与其他节点设备进行信令或数据的通信，存储器703存储有处理器701可执行的机器可读指令。当电子设备700运行时，处理器701与存储器703之间通过总线704通信，机器可读指令被处理器701调用时执行如上述ofdm接收方法。
[0120]
处理器701可以是一种集成电路芯片，具有信号处理能力。上述处理器701可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processing，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本技术实施例中公开的各种方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0121]
存储器703可以包括但不限于随机存取存储器(random access memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read
‑
only memory，prom)，可擦除只读存储器(erasable programmable read
‑
only memory，eprom)，电可擦除只读存储器(electric erasable programmable read
‑
only memory，eeprom)等。
[0122]
可以理解，图7所示的结构仅为示意，电子设备700还可包括比图7中所示更多或者更少的组件，或者具有与图7所示不同的配置。图7中所示的各组件可以采用硬件、软件或其组合实现。于本技术实施例中，电子设备700可以是，但不限于台式机、笔记本电脑、智能手机、智能穿戴设备、车载设备等实体设备，还可以是虚拟机等虚拟设备。另外，电子设备700也不一定是单台设备，还可以是多台设备的组合，例如服务器集群，等等。
[0123]
此外，本技术实施例还提供一种计算机存储介质，该计算机存储介质上存储有计算机程序，该计算机程序被计算机运行时，执行如上述实施例中ofdm接收方法的步骤。
[0124]
在本技术所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可
以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0125]
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0126]
再者，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0127]
需要说明的是，功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read
‑
only memory，rom)随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0128]
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
[0129]
以上所述仅为本技术的实施例而已，并不用于限制本技术的保护范围，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。