论文部分内容阅读
在正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)通信系统中,无线信道的多径效应使信号在传输过程中失真和衰减,发射器和接收器之间的相对运动产生了多普勒效应,最终导致信号载波发生偏移。因此,了解信道特性非常重要。为了从已被噪声污染的信号中恢复原信号,传统的OFDM信道估计算法根据导频估计信道脉冲响应,然后通过插值和均衡恢复原信号。本论文尝试利用机器学习的方法在OFDM系统中进行信道估计,以减少导频的使用,提高频谱利用率,并提高信道估计的准确度,结果证明了经过深度学习后的神经网络能够较好地恢复原发送信号。本文设计并实现了以下神经网络来进行信道估计:(1)在传统的最小二乘(Least Squares,LS)信道估计算法的基础上,提出了一种基于三层反向传播(Back Propagation,BP)神经网络的信道估计器,每个BP神经网络估计单个频点处的信道响应。仿真结果显示,BP神经网络的性能优于LS算法,与最小均方误差(Minimum Mean Square Error,MMSE)算法相比略有不足。尽管MMSE算法具有比BP神经网络更佳的性能,但BP神经网络进行线上估计时的的复杂度却比MMSE算法低,并且BP神经网络在线估计时不需要信道的先验信息。(2)将BP神经网络与遗传算法(Genetic Algorithm,GA)结合起来之后构成GA-BP神经网络。仿真结果表明,在各种调制方案和各种长度的导频符号下,GA-BP神经网络都比未改进过的BP神经网络拥有更高的估计性能和更快的收敛速度,并且在导频减少的情况下优于传统的LS算法,与MMSE算法性能相当。(3)设计了五层全连接神经网络用于信道估计,以端到端的方式处理无线OFDM信道。与现有的OFDM接收器先明确估计信道状态信息,然后使用估计出的信道状态信息估计和恢复传输的符号不同,该全连接神经网络在内部估计出信道状态信息并直接恢复传输的符号。从仿真结果来看,基于该神经网络的信道估计方法性能优于LS算法,与线性最小均方误差(Linear Minimum Mean Square Error,LMMSE)性能相当。此外,当使用较少的训练导频,省略循环前缀并且存在非线性削波噪声时,基于全连接神经网络的信道估计算法都比传统的LS、LMMSE信道估计算法更具鲁棒性。