一种基于深度学习的水声OFDM联合信道估计和信号检测方法

一种基于深度学习的水声ofdm联合信道估计和信号检测方法
技术领域
1.本发明属于水声通信技术领域，尤其涉及一种基于深度学习的水声ofdm正交频分复用联合信道估计和信号检测方法。


背景技术：

2.水声信道(uwa)被认为是最具挑战性的通信介质之一，与一般的无线信道相比，具有快时变、多噪声、显著多径效应和多普勒频移等特性，导致对水声信道的建模和预测变得十分困难，从而加大求解难度；且水声信道带宽有限，同时存在毫秒量级的时延扩展，严重降低信号接收性能和限制水声通信的速率，对实现uwa通信高效和可靠传输提出了更高的要求和更大的挑战。ofdm技术是一种高频带利用率的通信方式，由于具有良好的抗符号间干扰(inter symbol interference，isi)和多径衰落效应的性能而被应用于uwa通信中。
3.在无线信道中，通常根据获取的数据先验概率分布或信道的某些特征，采用检测器模型从失真的接收符号中恢复发射符号。然而，由于在某些uwa环境中，信道和传输数据会受到频率选择性衰落和时变因素的影响，难以准确获得信道特征和数据分布的先验知识从而增大符号检测的误差。因此，为了在接收端能够解调出正确的原始信号，采用合适的信道估计算法对uwa-ofdm系统的性能至关重要，目前通常采用导频辅助的信道估计算法，利用时频域的导频信息获取传输数据处的信道频率响应，并对失真信号进行矫正后使得数据检测更加准确。
4.然而，在快速时变的复杂uwa信道中，特别是实际uwa环境中，上述基于传统算法的接收机存在导频开销大、复杂度高、鲁棒性差等问题，同时不能很好地匹配信道，从而降低数据恢复的准确度。


技术实现要素：

5.本发明的目的是提供一种基于深度学习的水声ofdm联合信道估计和信号检测方法，以提升数据恢复精度。
6.本发明采用以下技术方案：一种基于深度学习的水声ofdm联合信道估计和信号检测方法，包括以下步骤：
7.获取发送导频信号和接收导频信号，并采用信道估计网络估计对应的数据子载波信道频率响应；
8.获取接收频域信号，根据数据子载波信道频率响应对接收频域信号进行矫正；
9.以矫正前的接收频域信号、矫正后的接收频域信号和数据子载波信道频率响应为输入数据，采用信号检测网络确定信息比特序列。
10.进一步地，信号检测网络包括四个级联的长短期记忆网络，四个级联的长短期记忆网络的隐藏单元个数依次减小；
11.其中，前三个级联的长短期记忆网络为双向长短期记忆网络、第四个长短期记忆网络为单向长短期记忆网络；
12.第一个双向长短期记忆网络之前连接有注意力机制层，第四个长短期记忆网络之后连接全连接层。
13.进一步地，采用信号检测网络确定信息比特序列包括：
14.将矫正前的接收频域信号、矫正后的接收频域信号和数据子载波信道频率响应的实部和虚部拆分后再进行拼接。
15.进一步地，信号检测网络的训练方法为：
16.建立水声ofdm通信系统并进行数据传输；其中，水声ofdm通信系统包括发射机和接收机；
17.提取数据传输过程中的发送导频信号、接收导频信号、接收频域信号和发送信息比特序列，并生成训练样本集；
18.基于训练样本集对信号检测网络进行训练。
19.进一步地，对信号检测网络进行训练时的损失函数为
[0020][0021]
其中，l2为损失函数，m为训练样本集中的训练样本数量，{b}为发送信息比特序列，为信号检测网络确定的信息比特序列。
[0022]
进一步地，估计对应的数据子载波信道频率响应包括：
[0023][0024]
其中，为第k个导频子载波处的导频子载波信道频率响应，y
p
(k)为第k个导频子载波在频域中的接收导频信号，x
p
(k)为第k个导频子载波在频域中的发送导频信号。
[0025]
进一步地，估计对应的数据子载波信道频率响应还包括：
[0026]
基于信道估计网络对导频子载波信道频率响应进行估计，得到数据子载波信道频率响应；
[0027]
其中，信道估计网络由两个一维卷积神经网络层和两个一维反卷积神经网络层依次级联组成；前两个级联的一维卷积神经网络层的滤波器个数依次增加、卷积核和步长相同；后两个级联的一维反卷积神经网络层的滤波器个数依次减少、卷积核和步长相同；并且在一维卷积神经网络层和一维反卷积神经网络层间加入跳跃连接。
[0028]
进一步地，基于信道估计网络根据导频子载波信道频率响应进行信道估计之前包括：
[0029]
将导频子载波信道频率响应的实部和虚部拆分后进行拼接，作为信道估计网络的输入信息。
[0030]
进一步地，根据数据子载波信道频率响应对接收频域信号进行矫正包括：
[0031][0032]
其中，为第k个数据子载波处矫正后的接收频域信号，yd(k)为第k个数据子载波处矫正前的接收频域信号，为第k个数据子载波处的数据子载波信道频率响
应。
[0033]
本发明的另一种技术方案：一种基于深度学习的水声ofdm联合信道估计和信号检测装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的一种基于深度学习的水声ofdm联合信道估计和信号检测方法。
[0034]
本发明的有益效果是：本发明通过建立水声ofdm系统，在实测水声信道环境下生成训练样本，构建具有可解释性的专家知识结合深度学习的神经网络，联合优化信道估计子网和信号检测子网，进而提高数据恢复精度。
附图说明
[0035]
图1为本发明实施例中的原理图；
[0036]
图2为图1中的信道估计子网的结构示意图；
[0037]
图3为图1中的信号检测子网的结构示意图；
[0038]
图4为基于本发明实施例方法进行联合信道估计和信号检测的流程图；
[0039]
图5为本发明验证实施例中在理想情况下与传统方法、fc-dnn和comnet的ber对比图；
[0040]
图6为本发明验证实施例中在无循环前缀的情况下与传统方法、fc-dnn和comnet的ber对比图；
[0041]
图7为本发明验证实施例中在存在载波频率偏移时与传统方法、fc-dnn和comnet的ber对比图；
具体实施方式
[0042]
下面结合附图和具体实施方式对本发明进行详细说明。
[0043]
近年来，深度学习已经应用到无线通信领域，意味着底层基础的信号处理与通信机制将可能突破传统经典的通信理论框架。现有的基于深度学习的无线通信接收方法大致可以分为两类，分别为全连接深度神经网络(fc-dnn)的信道估计和信号检测方法以及专家领域知识结合深度学习的信道估计和信号检测方法。
[0044]
在fc-dnn中，ofdm接收端被视为一个黑匣子，完全由一个经过训练的网络来联合优化信道估计与信号检测和解调等其他模块，没有任何传统的估计算法。然而，由于难以区分每个网络层的功能，未能充分利用通信系统的专家知识，因此无法从该接收器获得特定的信道频率响应。此外，该方法对小扰动和失真的敏感性很高，并且网络参数量的需求量大，这使得它们不适合在复杂多变的无线环境中进行通信。与fc-dnn相比，专家领域知识结合深度学习的方法保留了基本的ofdm系统框架，并专注于对传统算法的优化或补偿。在复杂信道模型下，依赖专家知识的帮助更容易获得特定的信道频率响应并实现更快的收敛速度和更高的数据恢复精度。
[0045]
目前在水声通信中，采用“黑盒子”的fc-dnn方法有效地提高了在仿真信道下的信道估计和信号检测的精度。然而，针对复杂的实测水声信道环境，设计遵循传统ofdm架构中的模块化信号处理和信号检测理论的专家知识的深度神经网络，能够实时捕捉真实水声环境的总体特征，充分学习uwa信道的复杂特性并利用不同序列信息提高数据恢复的精度具
有十分重要的研究意义。
[0046]
由此，本发明公开了一种基于深度学习的水声正交频分复用(orthogonal frequency division multiplexing，ofdm)联合信道估计和信号检测方法，从而代替水声ofdm接收端的信道估计、信道均衡和信号检测部分，以端对端的方式恢复发送的原始比特数据。如图1所示，该方法包括以下步骤：获取发送导频信号和接收导频信号，并采用信道估计网络估计对应的数据子载波信道频率响应；获取接收频域信号，根据数据子载波信道频率响应对接收频域信号进行矫正；以矫正前的接收频域信号、矫正后的接收频域信号和数据子载波信道频率响应为输入数据，采用信号检测网络确定信息比特序列。
[0047]
本发明通过建立水声ofdm系统，在实测水声信道环境下生成训练样本，构建具有可解释性的专家知识结合深度学习的神经网络，联合优化信道估计子网和信号检测子网，进而提高数据恢复精度。
[0048]
首先，需要建立信号检测网络，再对该网络进行训练。具体的，信号检测网络的训练方法为：建立水声ofdm通信系统并进行数据传输；其中，水声ofdm通信系统包括发射机和接收机；提取数据传输过程中的发送导频信号、接收导频信号、接收频域信号和发送信息比特序列，并生成训练样本集；基于训练样本集对信号检测网络进行训练。
[0049]
在水声ofdm通信系统中的发射机侧，根据指定的调制方式将二进制信息比特序列{b}映射成信息符号，之后插入导频，经过上采样后转换为并行数据流得到频域信号x(k)，再执行n点idft将x(k)转换为时域信号x(n
t
)，计算公式为：
[0050][0051]
其中，n为采样点，x(k)代表第k个数据子载波上的已调信号，x(n
t
)代表第n
t
个采样点上的发送ofdm符号。
[0052]
随后插入循环前缀(cp)和上变频得到发射信号x(n)，将其经过带有高斯噪声叠加的实测uwa信道，得到接收信号y(n)，可表示为：
[0053][0054]
其中，表示循环卷积，ω(n)表示高斯白噪声，h(n)是uwa信道的冲激响应，可表示为：
[0055][0056]
其中，δ代表单位冲激响应函数，l代表多径数，ai代表第i条多径的增益，τi代表第i条多径的延迟。
[0057]
在接收机侧，接收信号y(n)在经过下变频、低通滤波和下采样依次处理后转换为并行数据流，将其移除cp得到y(n
t
)并执行n点离散傅里叶变换(dft)得到频域信号y(k)，可表示为：
[0058][0059]
最后，将频域接收信号和收发的导频信号作为所提出的神经网络模型的训练数据。优选的，训练数据划分为训练集、验证集和测试集，参考比例为3:1:1。
[0060]
发明基于深度学习方法设计了信道估计子网模型，如图2所示，在信道估计前进行导频预处理，利用发送和接收的频域导频信号根据最小二乘准则((least square,ls)计算导频子载波处的信道频率响应。
[0061]
估计对应的数据子载波信道频率响应包括：
[0062][0063]
其中，为第k个导频子载波处的导频子载波信道频率响应，y
p
(k)为第k个导频子载波在频域中的接收导频信号，x
p
(k)为第k个导频子载波在频域中的发送导频信号。
[0064]
在该实施例中，估计对应的数据子载波信道频率响应还包括：
[0065]
基于信道估计网络对导频子载波信道频率响应进行估计，得到数据子载波信道频率响应；其中，信道估计网络由两个一维卷积神经网络层和两个一维反卷积神经网络层依次级联组成；前两个级联的一维卷积神经网络层的滤波器个数依次增加、卷积核和步长相同；后两个级联的一维反卷积神经网络层的滤波器个数依次减少、卷积核和步长相同，并且在一维卷积神经网络层和一维反卷积神经网络层间加入跳跃连接。。
[0066]
即在信道估计阶段，将每个导频子载波处的信道频率响应的实部和虚部拆分后进行拼接，输入到信道估计子网进行训练。信道估计子网对信道矩阵元素进行特征提取和重建，学习相邻元素的细微连接，输出数据子载波处的信道频率响应，可表示为：
[0067][0068]
其中，θ代表信道估计子网的迭代运算。
[0069]
该迭代运算具体过程为：
[0070]
以梳状导频，传输符号子载波数和导频数分别为512和128为例，预设传输符号大小的全零信道矩阵，其中，导频子载波处的信道频率响应为包含128个元素的复数向量，将其放入信道矩阵的导频子载波处。随后将信道矩阵的实部和虚部拆分后拼接为两列矩阵，其中两列分别为复数的实部和虚部。即将导频子载波信道频率响应的实部和虚部拆分后进行拼接，作为信道估计网络的输入信息。
[0071]
以梳状导频，传输符号子载波数和导频数分别为512和128为例，其中前两个级联的一维卷积层的滤波器依次增加，分别为4、8，每层卷积核和步长相同，分别为4、2；后两个级联的一维反卷积层的滤波器依次减少，分别为4、2，每层的卷积核和步长相同，分别为2、4；网络输入的第一个维度为子载波数，第二个维度为拆分复数后拼接的列数，网络的输出为完整的信道频率响应，并将数据子载波处的信道频率响应取出。在每层卷积层之间添加一层batch normalization层，并且前两层卷积层的激活函数为relu函数，公式为f
relu
(x)＝max(0,x)。
[0072]
与现有基于深度学习的信道估计子网不同，本发明采用跳跃连接的卷积神经网络将包含频域导频处信道频率响应的信道矩阵送入卷积神经网络进行特征提取与重建从而得到数据处的信道频率响应。
[0073]
在该实施例中还建立了信号检测网络模型，信号检测子网包括线性转换层和信号检测网络两部分。
[0074]
线性转换层利用信道估计子网输出的数据子载波处的信道频率响应和各个数据
子载波处的接收信号，依据迫零均衡原理得到矫正后的接收信号。
[0075]
也就是说，根据数据子载波信道频率响应对接收频域信号进行矫正包括：
[0076][0077]
其中，为第k个数据子载波处矫正后的接收频域信号，yd(k)为第k个数据子载波处矫正前的接收频域信号，为第k个数据子载波处的数据子载波信道频率响应。
[0078]
作为一种具体的实现形式，信号检测网络包括四个级联的长短期记忆网络，四个级联的长短期记忆网络的隐藏单元个数依次减小；其中，前三个级联的长短期记忆网络为双向长短期记忆网络、第四个长短期记忆网络为单向长短期记忆网络；第一个双向长短期记忆网络之前连接有注意力机制层，第四个长短期记忆网络之后连接全连接层。
[0079]
具体的，其由以下部分组成：
[0080]ft
＝σ(wf·
[h
t-1
,x
t
] bf)
ꢀꢀꢀ
(8)
[0081]it
＝σ(wi·
[h
t-1
,x
t
] bi)
ꢀꢀꢀ
(9)
[0082][0083][0084]ot
＝σ(wo[h
t-1
,x
t
] bo)
ꢀꢀꢀ
(12)
[0085]ht
＝o
t
*tanh(c
t
)
ꢀꢀꢀ
(13)
[0086]
其中，f代表遗忘门，i代表输入门，o代表输出门，h代表细胞单元，f
t
、i
t
和o
t
分别代表t时刻遗忘门、输入门和输出门的输出，h
t
和h
t-1
代表t和t-1时刻细胞单元的输出，x
t
代表t时刻细胞单元的输入，c
t
和分别代表输出门和输入门在t时刻的状态量，c
t-1
代表t-1时刻输出门的状态量，w和b代表相应门的权重和偏置，σ代表sigmiod函数。
[0087]
进一步地，采用信号检测网络确定信息比特序列包括：
[0088]
将矫正前的接收频域信号、矫正后的接收频域信号和数据子载波信道频率响应的实部和虚部拆分后再进行拼接。
[0089]
在对第k个数据子载波进行矫正后，将接收频域信号yd(k)、矫正后的接收频域信号和数据子载波处的信道频率响应的实部和虚部拆分后进行拼接作为信号检测网络的输入。此时信号检测网络的输入数据如下：
[0090][0091]
其中，re(yd(k))和im(yd(k))为第k个数据子载波的频域接收信号yd(k)的实部和虚部，和为第k个数据子载波进行矫正后的频域接收信号的实部和虚部，和为第k个数据子载波处的信道频率响应的实
部和虚部，信号检测网络的输出即为恢复的原始二进制比特序列可表示为：
[0092][0093]
其中，φ代表信号检测网络的迭代优化。
[0094]
信号检测网络如图3所示，由三个级联的双向长短期记忆单元层、一个长短期记忆单元层和一层全连接层组成，全连接层作为输出层，输出层的神经元数目与预测的比特数目相同，激活函数为sigmoid函数。在每个双向长短期记忆层之间添加一层layer normalization层(层标准化层)，并且加入注意力机制。
[0095]
以梳状导频，传输符号子载波数和导频数分别为512和128为例，三个级联的双向长短期记忆网络的隐藏单元个数分别为40，30，20，长短期记忆单元层为16，全连接层神经元数目为16，对应每次恢复的原始二进制比特数据。
[0096]
与现有基于深度学习的信号检测网络不同，本发明结合通信领域的专家知识(即传统无线领域中基于模块的架构和算法)，利用双向长短时记忆网络学习不同传输序列的特征和内在相关性，并加入注意力机制，根据估计的信道状态信息和传输数据提高信号检测的准确度。
[0097]
接下来采用均方根误差l2损失函数和rmsprop优化器对信道估计子网和信号检测子网进行训练优化。具体的，对信号检测网络进行训练时的损失函数为
[0098][0099]
其中，l2为损失函数，m为训练样本集中的训练样本数量，{b}为作为监督数据的发送信息比特序列，为信号检测网络确定的信息比特序列。
[0100]
训练时使用的初始学习率参考值为0.001，在训练过程中自适应调整其大小。
[0101]
另外，为了验证本发明方法的效果，如图4所示，将训练得到的网络模型应用于水声ofdm接收机端进行联合信道估计和信号检测，得到误码率性能指标，并与传统方法ls-zf、mmse-zf、全连接深度神经网络(fc-dnn)和模型驱动的典型方法comnet进行对比。
[0102]
具体流程为：
[0103]
根据指定的调制方式将二进制信息比特序列{b}映射成信息符号，之后插入导频，经过上采样后转换为并行数据流得到频域信号x(k)，在执行n点离散傅里叶逆变换(idft)后转换为时域信号x(n
t
)，随后将其插入循环前缀(cp)、并串转换和上变频得到发送的时域信号x(n)，将其经过带有高斯噪声叠加的实测uwa信道。在接收机侧，接收信号y(n)在经过下变频、线性滤波和下采样依次处理后转换为并行数据流y(n
t
)，将其移除cp并执行n点离散傅里叶变换(dft)得到频域信号y(k)，最后将频域信号和收发的导频信号输入神经网络进行联合信道估计和信号检测。
[0104]
仿真示例1：
[0105]
仿真条件如下：
[0106][0107][0108]
仿真信道为挪威大陆架海港环境的实测信道，图5给出了以上条件下的仿真结果，可以看出本发明方法(proposed)在整个信噪比范围内优于传统方法(ls-zf和mmse-zf)、fc-dnn和comnet，并且达到ber＝1.55
×
10-3
所需的snr分别比fc-dnn和comnet好约1.5db和0.9db。
[0109]
仿真示例2：
[0110]
仿真条件如下：
[0111]
子载波数512循环前缀长度0导频方式梳状导频带宽6000hz导频数128载波频率12000hz调制方式bpsk训练轮数150
[0112]
仿真信道为挪威大陆架海港环境的实测信道，图6给出了以上条件下的仿真结果，可以看出本发明方法在snr＝20db时，本发明方法与fc-dnn方法的ber相比，降低了约46.4％，与comnet的ber相比，降低了约34.8％。
[0113]
仿真示例3：
[0114]
仿真条件如下：
[0115]
子载波数512循环前缀长度1/4导频方式梳状导频带宽6000hz导频数128载波频率12000hz调制方式bpsk训练轮数150载波频率偏移[-0.2:0.02:0.2]
ꢀꢀ
[0116]
仿真信道为挪威大陆架海港环境的实测信道，图7给出了以上条件下的仿真结果，可以看出本发明方法达到ber＝3.2
×
10-3
时所需的snr分别比ls-zf、mmse-zf、fc-dnn和comnet分别好3.7db、2db、1.3db和0.9db。
[0117]
本发明还公开了一种基于深度学习的水声ofdm联合信道估计和信号检测装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的一种基于深度学习的水声ofdm联合信道估计和信号检测方法。
[0118]
需要说明的是，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0119]
装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该装置可包括但不仅限于，处理器、存储器。本领域技术人员可以理解，该装置可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
[0120]
处理器可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，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、分立硬件组件等。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]
存储器在一些实施例中可以是所述装置的内部存储单元，例如装置的硬盘或内存。所述存储器在另一些实施例中也可以是所述装置的外部存储设备，例如所述装置上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，所述存储器还可以既包括所述装置的内部存储单元也包括外部存储设备。所述存储器用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
[0122]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。