【文献学习】Deep-Waveform: A Learned OFDM Receiver Based on Deep Complex Convolutional Networks

喜欢ヅ旅行 2023-01-02 03:27 175阅读 0赞

### 目录 ###

*  1 介绍
 *  2 模型
 *   *  2.1 技术点
     *   *  1、复数卷积操作
         *  2、复数的线性变换
         *  3、复数的非线性变换
     *  2.2 接收机实现
     *   *  1、DCNN-接收机
         *  2、DCNN-均衡器
     *  2.3 训练步骤
     *  2.4 训练技巧
     *  2.5 训练信噪比
 *  3 模型参数
 *  4 实验分析
 *  5 局限

[全文翻译][Link 1]  
[系统实现详细介绍][Link 2]  
[原作者源码下载][Link 3]

标红部分是当前没有看明白的部分，如果有看明白的人，可以评论或者私信我，一起讨论。等我后期看明白，会补充上

# 1 介绍 #

创新点：该模型既包含密集层和卷积层，大部分都被线性激活，还包含残差和跳过连接的新结构。此外利用Tensorflow 中实现了复杂数的卷积层以处理复杂的IQ数据，而不是将其视为两个独立的实数。  
第一个训练阶段：在AWGN信道中，DCCN接收机获得了与传统OFDM接收机相当的性能，  
第二个训练阶段：在Rayleigh信道的中，低信噪比条件下优于传统的OFDM接收机

# 2 模型 #

在论文的OFDM发送机模型中没有使用信道编码，为了更好的专注于较低的PHY。

## 2.1 技术点 ##

### 1、复数卷积操作 ###

实际的FC层能够实现一半大小的复杂FC层。复数层可以由一个高维度的实数卷积层和两个卷积核实现，最后一维度是实部和虚部。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center]

### 2、复数的线性变换 ###

因为实部和虚部是正负两个状态，通过将复数视为两个独立的实数来对IQ数据使用tanh激活。

### 3、复数的非线性变换 ###

非线性操作在bit和IQ域之间， 在解调中，IQ数据仅被视为2个实数，并且LRelu仅对实数操作。

## 2.2 接收机实现 ##

分为两个阶段，一个阶段是实现OFDM高斯信道接收机，另一个阶段实现LS算法信道均衡器的模块  
这种设计方法不是指定每个层的功能，而是通过利用领域知识来确保基本的LS估计量至少在深度学习的搜索空间中复数层（没有懂这句话）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 1]

### 1、DCNN-接收机 ###

第一部分：把时域的OFDM符号转换成频域。CP-Drop是去循环前缀的操作。然后通过一个复数卷积层  
第二部分：提取OFDM帧中的所有数据部分，有一个全连接层实现  
第三部分：把IQ信号转成比特流，从而实现信号的解调。把实部和虚部拆开两部分，分别传入到两个实数卷积层中，并利用LRelu激活，然后合并两串数据为一串数据，传入全连接层，通过LRelu激活函数，最后一层经过softmax输出比特流。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 2]

### 2、DCNN-均衡器 ###

第一部分：模仿时域和频域转换，  
第二部分：实现信道估计。首先通过全连接层提取导频，接下来又通过一个全连接层实现LS算法估计，接下来的四个全连接层实现估计先前估计的残差。把以上LS估计的和四个全连接估计的残差经过合并Concat后，经过三个实现插值的全连接层，再通过2维的卷积层，最后Reshape数据  
第三部分：是通过复数除法实现的频域信道均衡  
第四部分：是把CP加回去  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 3]

## 2.3 训练步骤 ##

采用了TensorFlow的图形编辑技术（这点本人没懂）  
第一步：在阶段1中DCCN接收器在AWGN信道中进行了训练。 无衰落。 训练完成后，将保存训练后的DCCN接收器（带有参数的流程图），并关闭TensorFlow会话。  
第二步：阶段2中首先初始化第二个TensorFlow会话以进行图形编辑。 加载预训练的DCCN接收器，并在DCCN接收器之前并插入了DCCN均衡器。 然后，由于必须在不同的会话中进行图形编辑和训练，因此将保存已编辑的流程图并关闭第二个会话。  
第三步：将初始化第三次会话，并加载先前的流程图以进行训练。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 4]

## 2.4 训练技巧 ##

（这点没懂，没有代码不能理解这些步骤）  
（1）Mini-batch =512OFDM符号 =64的OFDM帧，最小化其高IO延迟  
（2）在基于NumPy的OFDM发射机和衰落模块的编程中，对数据处理进行了矢量化处理，避免了大循环  
（3）学习率最初设置为0.001，然后每2.5个episode或者500steps后下降2%  
（4）每个训练episode包含200个mini-batch，并针对40个SNR点中的每个点测试2000帧的比特（-10至29 dB，以1dB为步长）  
注意：由于我们无法使用所有可能的训练标签进行训练，而是为每个episode生成随机bit，因此我们使用episode而不是epoch（所有训练数据都经过一次迭代）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 5]

## 2.5 训练信噪比 ##

推荐值；5dB  
实验：3dB在更少的训练集有更优的性能  
(以下步骤没懂)  
在m进制的调制中，较低的信噪比训练可能导致系统误差，为了最小化系统误差，在训练中使用了低和高SNR设置的组合。 对于多进制调制，基本SNR设置为3m dB。 在阶段1，对于每8个OFDM帧，有4个SNR为3m dB的帧，1个3m-3 dB的帧和3m + 5 dB的3个帧。 这种组合有助于提高训练效率，同时最大程度地减少系统错误。 在阶段2，SNR偏移为\[-3; 0; 0; 3; 6; 9; 12; 训练中每8个OFDM帧17 dB\]。 在这种配置下，信道估计器在训练过程中会暴露于宽范围的SNR中。 这是因为导频信号在不同的SNR处携带不同数量的信道信息，因此在狭窄的SNR范围内训练的信道估计器很可能过度适合特定的SNR范围

# 3 模型参数 #

发送机参数如下  
调制方式：BPSK、QPSK、8QAM、16QAM、对比实验  
信道估计方法：LMMSE、LS  
插值方法：Spline 、Linear  
信道：瑞利衰落+高斯噪声  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 6]

# 4 实验分析 #

（1）带CP的DCCN接收器性能优于传统接收机，但在高SNR上，优越性减弱  
（2）不带CP的DCCN接收器在高SNR方面比传统的性能较弱  
（3）8-QAM的DCCN稍弱于其他方式的调制  
（4）R-Conv层无助于解调。 但可以加快训练速度  
（5）对于更高的调制阶数，FC层无法仅基于IQ数据或非线性激活的IQ数据执行解调。

# 5 局限 #

高信噪比和更高的调制阶数下达不到传统系统的精度

[Link 1]: https://betterbench.blog.csdn.net/article/details/107988405
[Link 2]: https://betterbench.blog.csdn.net/article/details/108000012
[Link 3]: https://github.com/zhongyuanzhao/dl_ofdm
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center]: /images/20221120/4ddd11b0f23f4137bd5e6e09ecbdaacd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221120/67cf888c45e04edeb052630e09af9243.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20221120/3e4da691e237414bb3c1db4c42acad3d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 3]: /images/20221120/1e333f5b6fe54b7ea63a04fc564ef6b6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 4]: /images/20221120/2959d8869856405da972a78500174971.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 5]: /images/20221120/db13bebab7ac473180f4ba695ff737cf.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 6]: /images/20221120/ad8e37f9a5574f4bbda8dec0b243caf0.png