一种基于维特比网络的OTFS系统信号检测方法

一种基于维特比网络的otfs系统信号检测方法
技术领域
1.本发明涉及通信技术领域，尤其涉及一种基于维特比网络的otfs系统信号检测方法。


背景技术：

2.无人机、卫星、高速铁路等高移动性场景下的无线通信系统已成为6g通信的重要要求之一。然而，正交频分复用(orthogonal frequency division multiplexing,ofdm)不适合高移动性场景，因为高的多普勒扩展会破坏ofdm系统中子载波的正交性。
3.最近，正交时频空时(otfs)调制技术被提出用于解决终端高速移动时无线信道剧烈变化带来的信号处理问题。在高移动性场景中，otfs系统将时频(time frequency,tf)域中的快速变化信道转换为时延多普勒(delay doppler,dd)域中相对稳定的信道，dd域中的信道稀疏而紧凑，因此更容易估计。
4.为了充分发挥otfs系统的优势，信号检测方案至关重要。然而，现有的otfs检测方案的实现通常依赖于对信道模型参数的完全了解，需要信道状态信息(csi)来进行信号检测检测方案的实施。现实系统是非线性的，有许多缺陷，这使得信道模型只能近似描述。如采用非线性激励函数relu函数作为系统的激活函数，其实就是一个取最大值函数，并不是全区间可导的，表达能力较弱，无法真正意义上拟合所有函数，对信道模型只能近似描述。对于未来的无线网络，建立一个既准确又可解的数学模型可能是不切实际的。更糟糕的是，在水下无线光通信(underwaterwireless optical communications,uwoc)和分子通信等“高移动性场景”中，具体的如高铁无线通信、车联网、无人机通信这些都算在内，目前都还没有统一的、可分析处理的通道模型。


技术实现要素：

5.本发明提供了一种基于维特比网络的otfs系统信号检测方法，目的是为了解决现有技术中存在的缺点。
6.为了实现上述目的，本发明提供如下技术方案：一种基于维特比网络的otfs系统信号检测方法，包括：
7.对发送符号sj进行otfs调制，并对通过无线信道后的otfs调制信号进行otfs解调，得到接收符号yj；
8.当接收符号yj＝y[j]时，yj通过有限混合模型概率密度估计与维特比网络计算对数似然cj(s[j])；
[0009]
对得到本轮最小对数似然的过程进行遍历，获得最终第j轮的对数似然并根据最终第j轮的对数似然恢复发送符号sj；
[0010]
所述对得到本轮最小对数似然的过程进行遍历包括如下步骤：
[0011]
对获得的所述对数似然cj(s[j])进行更新路径损耗，并获取最小的对数似然
[0012]
对所述第j轮得到的对数似然与前j-1轮得到的叠加，获取前j轮的对数似然
[0013]
所述维特比网络将激活函数relu替换为softplus。
[0014]
优选的，所述yj通过有限混合模型概率密度估计与维特比网络计算得到对数似然cj(s[j])，具体包括以下步骤：
[0015]
根据贝叶斯公式：
[0016][0017]
将所述对数似然cj(s[j])拆分为两部分p
y[j]
(y[j])与p
s[j]|y[j]
(s[j]|y[j])；
[0018]
通过有限混合模型概率密度估计得到p
y[j]
(y[j])；
[0019]
通过维特比网络计算得到给定y[j]＝y[j]时s[j]＝s[j]的条件分布p
s[j]|y[j]
(s[j]|y[j])；
[0020]
将p
y[j]
(y[j])与p
s[j]|y[j]
(s[j]|y[j])带入贝叶斯公式得到对数似然p
y[j]|s[j]
(y[j]|s[j]，即cj(s[j])。
[0021]
优选的，所述维特比网络对接收符号yj进行处理，所述处理的过程包括：
[0022]
对输入的接收符号yj通过lstm模块进行逐个符号检测；
[0023]
对符号检测后的特征通过两个全连接层fc+softplus层与fc层进行提取；
[0024]
对全部特征提取后通过softmax层和分类层classification进行输入符号的分类。
[0025]
优选的，在第一个所述全连接层fc+softplus层中，使用softplus函数作为激活功能来取代relu，所述softplus函数表达式如下：
[0026]
softplus(x)＝log(1+e
x
)。
[0027]
优选的，所述获得最终第j轮的对数似然的具体方法如下：
[0028][0029]
其中，是前j-1轮迭代的总路径损耗。
[0030]
优选的，将所述最终第j轮的对数似然带入中，恢复发送符号sj。
[0031]
优选的，还包括对维特比网络进行离线训练，其包括如下步骤：
[0032]
向维特比网络输入接收符号yj；
[0033]
对传输信号sj进行分类，作为维特比网络的标签；
[0034]
根据接收符号yj与分类后的传输信号sj优化维特比网络中的参数。
[0035]
优选的，对所述传输信号sj进行分类的步骤如下：：
[0036]
将所述传输信号sj重塑为具有交错列的矩阵；
[0037]
对每组矩阵的符号组合成单独的类别。
[0038]
本发明与现有技术相比具有以下有益效果：
[0039]
1、本发明将维特比网络应用于otfs系统的信号检测，通过用神经网络代替维特比算法中需要信道状态信息的对数似然计算模块，本发明基于维特比网络的otfs信号检测方案可在不需要csi的情况下获得良好的检测性能。
[0040]
2、本发明神经网络仅用于估计对数似然，因此所提出的基于维特比网络的方案只需要较小的神经网络和少量的训练数据。
[0041]
3、本发明对多普勒频移具有较强的鲁棒性。
[0042]
4、本发明采用softplus函数代替广泛使用的relu作为激活函数，softplus函数解决了relu函数存在的消失梯度问题，从而可以更好地训练模型。
附图说明
[0043]
图1为本发明提供的基于维特比网络的otfs检测基本原理图。
[0044]
图2为本发明提供的对数似然计算基本原理图。
具体实施方式
[0045]
下面结合附图，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0046]
为了理解和说明，下面详细说明本发明实施例的一种基于维特比网络的otfs系统信号检测方法。
[0047]
我们考虑在有限记忆的信道上恢复j个符号块的问题，s[j]是第j个传输符号，j∈{1,
…
,j}，同理y[j]是第j个接收符号。y[j]可以表示为传输符号向量,j}，同理y[j]是第j个接收符号。y[j]可以表示为传输符号向量的随机映射，其中p为信道记忆长度，otfs系统中信道记忆长度是dd域的信道抽头数目。为了便于数学表达，我们将j个传输符号表示为同样地，将j个接收符号表示为同样地，将j个接收符号表示为
[0048]
当给定发送符号sj时，yj的条件概率密度函数可以表示为
[0049][0050]
给定任意接收符号yj，发送符号序列sj的似然估计为
[0051][0052]
其中是q个星座点的集合，q为星座点的数量。
[0053]
通过定义
[0054][0055]
对数似然函数可以表示为
[0056][0057]
其中cj(s[j])是第j次迭代的损耗，并且优化问题(4)可以被重新表示为
[0058][0059]
以上可以看作是一个动态规划问题，即在一个j阶段网格中寻找最短路径。对于这个问题，最广泛使用的方案是维特比算法。维特比算法具有复杂度低、性能好的优点。然而，使用维特比算法的信号检测需要所有j∈j的cj(s[j])。因此，必须知道完整的csi，这是相当困难的。
[0060]
为了解决这个问题，如图1-2所示，本发明提供了一种基于维特比网络的otfs系统信号检测方法，包括如下步骤：
[0061]
步骤1：对发送符号sj进行otfs调制，并对通过无线信道后的otfs调制信号进行otfs解调，得到接收符号yj。
[0062]
步骤2：当接收符号yj＝y[j]时，yj通过有限混合模型概率密度估计与维特比网络计算得到对数似然cj(s[j])。
[0063]
步骤3：对得到本轮最小的对数似然过程进行遍历，获得最终第j轮的对数似然并根据最终第j轮的对数似然恢复发送符号sj。
[0064]
对得到本轮最小对数似然的过程进行遍历包括如下步骤：
[0065]
步骤4：对获得的对数似然cj(s[j])进行更新路径损耗，并获取本轮最小对数似然
[0066]
步骤5：对第j轮得到的对数似然与前j-1轮得到的进行叠加，获取前j轮的对数似然
[0067]
维特比网络将激活函数relu替换为softplus。
[0068]
其中，维特比网络通过用神经网络代替维特比算法中需要信道状态信息的对数似然计算模块。
[0069]
具体的，cj(s[j])为给定s[j]＝s[j]时y[j]＝y[j]的对数似然，考虑到深度学习更易于计算在给定y[j]＝y[j]时s[j]＝s[j]的条件分布，因此我们采用了图2所示的方案计算cj(s[j])。所述yj通过有限混合模型概率密度估计与维特比网络计算得到对数似然cj(s[j])，具体包括以下步骤：
[0070]
根据贝叶斯公式：
[0071][0072]
根据贝叶斯公式，对数似然计算被拆成两部分，其中p
y[j]
(y[j])为有限混合模型概率密度估计，p
s[j]|y[j]
(s[j]|y[j])为给定y[j]＝y[j]时s[j]＝s[j]的条件分布，这部分通过神经网络获得。
[0073]
所提出的基于维特比网络的otfs信号检测方案采用的神经网络如图2中所示，在输入层之后是lstm模块，用于逐个符号检测。
[0074]
神经网络对接收符号yj进行处理，处理的过程包括：对输入的接收符号yj通过lstm模块进行逐个符号检测、对符号检测后的特征通过fc+softplus层与fc层进行提取以及对全部特征提取后通过softmax层和分类层classification进行输入符号的分类。
[0075]
具体的，lstm模块中的单元数为100。lstm模块之后是两个完全连接的fc+softplus层与fc层，用于提取前一层的所有特征，而不会造成信息丢失。两个全连接层的神经元数目分别为50个和q
p
个。在第一个全连接层中，应用softplus函数作为激活功能来取代relu。softplus函数表达式如下：
[0076]
softplus(x)＝log(1+e
x
)
[0077]
softplus的函数曲线比relu更平滑，可以解决relu中因神经元死亡而导致的梯度消失问题。因此，与广泛使用的relu函数相比，softplus函数可以更好地训练模型以生成高性能的网络。所提出的网络结构的末端是softmax层和分类层，它们用于对神经网络的输入进行分类。
[0078]
在通过神经网络计算出p
s[j]|y[j]
(s[j]|y[j])并估计出p
y[j]
(y[j])之后，通过公式(6)即可得到对数似然p
y[j]|s[j]
(y[j]|s[j]。
[0079]
接下来，使用图1中的维特比网络的其余模块来更新cj(s[j])，如下所示
[0080][0081]
其中是前j-1轮迭代的总路径损耗。
[0082]
当获得最终的时，可以根据公式(5)恢复发送的符号sj。
[0083]
同时，在训练过程中，首先，我们需要对提出的基于维特比网络的otfs检测方案进行训练。
[0084]
在离线训练阶段，训练数据集为dd域中的接收信号和发射信号，接收符号yj是神经网络的输入，传输信号sj的分类可以通过以下方式实现：首先将传输信号sj重塑成具有交错列的矩阵形式，然后将每组符号组合成单独的类别。接收信号yj和传输信号sj的分类分别是神经网络的输入和标签。然后使用这些训练符号来优化神经网络中的参数。
[0085]
经过训练过程，提出的基于维特比网络的otfs信号检测方案可以在没有csi的情况下恢复传输的数据。
[0086]
以上所述实施例仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，
任何熟悉本领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换，均属于本发明的保护范围。