【文献学习】2 ComNet: Combination of Deep Learning andExpert Knowledge in OFDM Receiver

川长思鸟来 2023-01-01 12:58 160阅读 0赞

# 1 介绍 #

本文提出了一种模型驱动的DL结构，称为ComNet，以取代传统的或FC-DNN的OFDM接收机（参考论文Power of deep learning for channel estimation and signal detection in OFDM systems），它将DL与无线通信领域的expert knowledge相结合。所提出的ComNet 接收机使用DL来促进现有的接收机模型，如信道估计（CE）模块和信号检测（SD）模块，而不是用一个完整的DL替换整个接收机，然后集成通信信息。说白了就是分别用神经网络实现两个接收机的两个模块：信道估计和信号检测。  
对数据驱动的模型评价是没有利用无线通信方面的专业知识，从而使基于FC-DNN的接收机变得无法解释和不可预测。  
优势：  
• 通过传统通信中累积的大量前人工作来初始化网络， 可以极大地提升训练效率，减小数据依赖， 降低整体复杂度  
• 使得每个子网络有清晰的物理意义，从而更容易地进行调整，获得进一步增益

# 2 模型 #

![在这里插入图片描述][20210102223609232.png_pic_center]

## 2.1 信道估计部分 ##

分为两个步骤  
第一步：计算 h L S = y p x p h\_\{LS\} = \\frac\{y\_p\}\{x\_p\} hLS=xpyp,其中 x p x\_p xp是已知的导频信号， y p y\_p yp是接收端该导频相应的第k个子载波的符号  
第二步：由 L L S L\_\{LS\} LLS的实部和虚部组成一个128维实值信号向量传入LS\_RefineNet  
注意：LS\_RefineNet的神经元没有激活功能，也就是说，它是线性通道估计器

## 2.2 信号检测部分 ##

分为两个步骤  
（虽然作者论文里说提出了两种SD的自网络BiLSTM-SD 和FS-SD，但是作者只介绍了BiLSTM-SD子网，以下以它为例讲解原理过程）  
第一步：利用上一步得到的输出h,用公式  
第二步：把把接收到的原始信号 y D y\_D yD ,信道估计输出的h和信号检测初始化得到的 X Z F X\_\{ZF\} XZF合并实部和虚部信号后一块传入SD的网络  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center]

注意：对于具有64个子载波的OFDM系统，需要8个独立的SD子网

# 3 模型参数 #

## 3.1 发送端 ##

64个QAM,一个符号6个bit,8个子载波  
2.6 GHz的C1场景NLOS的WINNER II通道

## 3.2 接受端 ##

SD网络的最后一层是48个输出，除了最后一层外，每一层的层数和神经元的数目取决于实验经验。

CE子网权重，通过使用实值线性最小均方误差（LMMSE）CE权重矩阵

两者都采用MMSE损失函数  
都采用Adam优化器

CE训练2000epoch  
SD训练5000epoch

每个epoch使用50个mini-batch，有1000batch

学习率为阶梯函数，初始值为0.001，CE子网每1000个epoch减少10倍，SD子网每2000个epoch减少5倍。

ComNet接收机在线性情况下使用FC-SD，而在非线性情况下使用BiLSTM-SD

# 4 局限 #

由于本文的主要贡献是提出了一种新颖的模型驱动的OFDM接收机架构，而不是解决非线性问题，因此没有研究传统的非线性补偿方法。（没有明白，只是翻译了作者的原话）

# 5 实验分析 #

只是从各个方面介绍了ComNet优于FC-DNN,这里不做解析。比如  
1、在更长的延迟扩展范围内，ComNet接收器明显优于FC-DNN。  
2、ComNet只有FC-DNN的1/8的参数  
3、ComNet 200epoch就达到FC-DNN2000epoch的同等误码率

# 6 疑问和反思 #

1、为什么采用QAM和不是FC-DNN的QPSK调制方式  
2、为什么提出了两种SD的子网，只介绍了BiLSTM-SD ，没有介绍FS-SD  
3、在SD提出的不同子网，作者说是针对线性问题和非线性问题，指的是什么？

# 7 源码下载 #

[ComNet-OFDM原作者源码][ComNet-OFDM]

[20210102223609232.png_pic_center]: /images/20221120/51b703211e484cd2b3408b0f2272ac9f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center]: /images/20221120/89b50208dfed4d0f95ef43c0638c62cf.png
[ComNet-OFDM]: https://github.com/823316627bandeng/ComNet-OFDM