智能无线通信 课件 第四章 物理层技术中AI的应用-PHY-AI-EXA2-Application-2

基于AI的信道估计与接收机设计课程案例

深度学习在物理层技术设计中应用的两种思路01宽带OFDM通信系统收发信机原理介绍02提纲OFDM系统中基于深度学习的信道估计和信号检测设计03基于仿真数据的验证过程及性能展示04案例代码说明0506作业及要求无线通信中的物理层技术及过程3信道编码Channelencoder信道译码Channeldecoder调制Modulation解调Demodulation发送天线映射AntennaMapping接收天线检测AntennaDetection无线信道WirelesschannelD/A&RFA/D&RF信源编码Channelencoder信源译码Channeldecoder发射机Transmitter接收机Receiver（1）基于功能模型的物理层设计（2）基于数据的物理层端到端设计新的物理层设计思路：基于数据的物理层端到端设计4可以通过自编码器训练信道模型已知，通过训练可获得某种损失函数下的最优发送/接收机设计信道模型未知，损失函数未知，虽然不能获得最优设计，但仍可应用将发射机、信道和接收机表征为一个DNN网络基于功能模型的物理层设计：OFDM信号检测5OFDM调制，单天线OFDM解调，单天线OFDM:实现高效宽带传输，子载波正交6频分复用FDM正交频分复用OFDM基于OFDM的多址方式非常灵活：FDMA+TDMAOFDM的多个子载波的正交设计7OFDM调制基本原理8单个子载波的调制信号：OFDM多载波调制信号：OFDM调制可以基于IFFT实现：9单个子载波的调制信号：OFDM多载波调制信号：OFDM调制可以基于IFFT实现：10IFFTOFDM解调可以基于FFT实现：11接收信号的时域表达式：接收信号的频域表达式：发送OFDM信号的时域表达式：(针对一个OFDM符号）OFDM调制：OFDM解调：接收信号的频域表达式：接收机从接收信号Y中检测信号XOFDM每个子载波上的信道特性近似平坦，有利于低复杂度接收机设计12OFDM符号加循环扩展CP：克服多径13CP是为了克服多径导致的符号间干扰而引入的，是一种冗余，需要消耗能量发送端在时域（OFDM调制后）增加CP，接收端接收信号后要首先在时域去除CP，然后再进行OFDM解调由于CP的循环扩展结构，OFDM在多径存在时，只要多径时延不超过循环扩展，OFDM不会受到符号间干扰OFDM的优点14OFDM频谱利用率高，实现复杂度低每个子载波上的信道特性近似平坦，接收机复杂度低OFDM通过循环扩展克服多径衰落的影响OFDM的缺点？峰均比，频偏敏感等本例OFDM参数说明15子载波数：K=64OFDM符号的CP长度：CP=161个导频OFDM符号1个数据OFDM符号时域帧结构：1个帧包含F=2个OFDM符号ttff63f62f61……f2f1f0tff63f62f61……f2f1f0时频二维帧结构OFDM收发信机系统框图16原理图：案例系统框图：H.Ye,G.Y.LiandB.Juang,"PowerofDeepLearningforChannelEstimationandSignalDetectioninOFDMSystems,"in

IEEEWirelessCommunicationsLetters,vol.7,no.1,pp.114-117,Feb.2018.信道估计和信号检测17发射机发射的时域信号经过多径信道，接收机得到的信号为：那么在接收机需要检测的频域信号为：首先进行信道估计，其次进行解调和解码，进而得到估计的发射信号H.Ye,G.Y.LiandB.Juang,"PowerofDeepLearningforChannelEstimationandSignalDetectioninOFDMSystems,"in

IEEEWirelessCommunicationsLetters,vol.7,no.1,pp.114-117,Feb.2018.信道估计和信号检测的传统经典算法18信道估计的经典算法LS算法/最小二乘MMSE算法/最小均方误差算法接收信号的频域表达式：信号检测首先，从接收的导频信号中获取信道信息，称为信道估计：信道估计信号检测的经典算法LS算法/最小二乘MMSE算法/最小均方误差算法ML算法/最大似然算法然后，从接收的信号中检测估计发送信号，称为信号检测：基于深度学习的信道估计和信号检查19深度神经网络的泛化能力能够对抗硬件非完美和无线信道衰落引起的信号畸变；利用神经网络代替信号接收机，完成信道估计和信号检测：通过神经网络直接得到联合进行信道估计和信号检测训练与部署过程20离线训练：利用仿真数据对神经网络进行训练。为了提高神经网络的泛在性，仿真数据尽量多种编码、调制和无线信道的情况在线部署：将离线训练后的网络部署在实际系统中。帧结构（数据组织结构）211个导频OFDM符号1个数据OFDM符号1个帧包含F=2个OFDM符号tDNNDNN……DNN输入:2M个实频域接收数据输出:Q个检测数据每个DNN：标签:对应Q发送比特tff63f62f61……f2f1f0tff63f62f61……f2f1f0本例：子载波K=64;F=2符号/帧检测器输出数据数量Q=16检测输出的起始数据序号j=16基于DNN的信号检测设计22输入2M个实频域接收数据标签：1个OFDM符号发送的比特序列本例：定义Loss函数本例超参数：L=4{256，500，250，120，16}本例：2M=256接收数据是复数vs.DNN处理实数？本例：子载波数K=64每帧OFDM符号数F=2每帧收到多少个符号？M=K*F=128隐藏层激活函数：ReLU函数输出层激活函数：sigmoid本例：QPSK符号J=?，128输出一个数据块（Q个数据）多个数据块，每个数据块单独DNN训练本例：j=16,Q=16性能分析：导频对不同接收机设计的影响23结论导频充足（导频开销较大）时，基于DNN的接收机可以获得和MMSE相同的性能导频较少时，基于DNN的接收机可以获得比MMSE，LS更好的性能，因此具有较高的效率和鲁棒性性能分析：OFDM的CP长度对不同接收机设计的影响24结论CP可以克服多径干扰，需要额外的能量开销传统接收机性能受CP影响较大，没有CP，多径干扰导致性能较差基于DNN的接收机对CP具有较好的鲁棒性，没有CP，比传统接收机有较大增益案例源程序说明25数据：导频数据：Pilot_64Pilot_8信道数据文件夹：Hdatas/channel_testchannel_train结果数据文件夹：result/定义参数及功能函数的子程序Global_parameters.py:定义参数：K=64，子载波数P=64，导频长度mu=2，调制阶数CP=K/4，CP长度定义功能函数：Modulation():QPSK调制IDFT():OFDM调制addCP():加CPchannel():时域输入信号与信道卷积，并加上噪声，得到时域输出removeCP():去CPDFT():OFDM解调ofdm_simulate():生成一个帧发送及接收数据/2个OFDM符号，输出为接收两个OFDM符号频域信号实部和虚部构成的向量生成数据子程序generations.pytraining_gen():生成训练数据帧validation_gen():生成验证数据帧案例源程序说明26数据：导频数据：Pilot_64Pilot_8信道数据文件夹：Hdatas/channel_testchannel_train结果数据文件夹：result/生成数据子程序generations.pytraining_gen():生成训练数据帧validation_gen():生成验证数据帧main

：主程序生成250批数据，迭代训练，并用验证数据看训练结果训练：生成epoch=100期数据，迭代训练，并用验证数据看训练结果1000帧训练数据/批次，训练一次DNN，更新参数结果处理及画图测试：不同SNR的测试数据集定义DNN网络及优化器提供资源说明27提供资源案例数据及源代码：original.rar案例讲解视频：演示.mvp下载地址：教学云平台作业及要求28实践案例2：基于DNN的联合信道估计和信号检测必做任务：根据提供的数据、源代码、讲解视频等完成案例2的编程、调试、性能画图及分析OFDM调制：K=64个子载波；CP长度：CP=K/4=16帧长=2个OFDM符号：1个导频符号，导频长度P=64，1个数据符号，符号调制为QPSK数据处理：生成100期训练数据epoch=100个（用于更好的训练），每一期有250个批次数据，每批次有1000帧数据，学习率=0.001调整参数，对比并分析结果，得出结论：（1）CP=16时，减小导频长度P，P=8（2）CP=0，即无CP；导频长度P=64（3）CP=0，即无CP；导频长度P=8开放任务(选作):(1)调整学习率lr；(2)调整超参数，例如层数，每层神经元数，激活函数等，完成编程、调试、及性能分析。

源程序作业及要求29实践案例2：基于DNN的联合信道估计和信号检测开发环境及编程语言：JupyterNotebook,Python提供数据：信道数据，见文件夹Hdatas/（不用提交，不用提交，不用提交）导频数据提交内容：输出数据：存储到文件夹result/，（运行main，结果会自动存储）主函数及子函数源程序：main,generations,Global_parameters实践报告：可以直接用JupyterNotebook完成报告，即main.ipynb；也可以用word完成报告。报告格式见模板。形