论文总字数：25066字

摘 要

无线通信技术在无线网络的应用和服务方面经历了广泛的发展，也遇到了一些问题，同时深度学习与神经网络已经在图像识别，语音处理等领域取得了广泛成就，因而神经网络与无线通信相结合成为了研究的热点。

本文旨在研究深度学习在物理层无线传输技术中的应用，介绍了神经网络的相关知识和仿真实验，以及现有应用成果的一些举例，最终的设计介绍了正交频分复用（Orthogonal Frequency Division Multiplexing, OFDM）系统中信道估计和信号检测的深度学习初步应用，利用深度学习以端到端的方式处理无线OFDM信道。利用基于深度学习的方法隐式估计信道状态信息(Channel State Information, CSI)，然后直接恢复在线传输的数据，而不需要明确的信道信息，系统首先利用基于信道统计的仿真数据对深度学习模型进行离线训练，根据接受数据直接恢复传输符号。从仿真结果来看，基于深度学习的方法可以解决信道失真问题，检测出传输的符号，其性能在通常情况下与最小均方误差估计相当。除此之外，在训练导频较少、循环前缀省略、存在非线性削波噪声的情况下，基于深度学习的方法比传统方法更具鲁棒性。总之，在存在信道畸变和干扰复杂的无线通信物理层中，深度学习是一种很有前途的信道估计和信号检测工具。

关键词：无线通信,神经网络,深度学习,信道估计,信号检测

Abstract

Wireless communication technology has experienced extensive development in the application and service of wireless network, but also encountered some problems. Meanwhile, deep learning and neural network have made extensive achievements in image recognition, speech processing and other fields, so the combination of neural network and wireless communication has become a research hotspot.

In this paper, the main task to the application of the depth of research learning in the physical layer of wireless communication technology. This paper introduces the neural network of related knowledge and the simulation experiments, as well as the existing application results of some examples. The final design introduces the orthogonal frequency division multiplexing (OFDM) system of channel estimation and signal detection in deep learning preliminary application, using deep learning to end-to-end approach to wireless OFDM channel. The deep learning method is used to estimate the channel state information (CSI) implicitly, and then to directly recover the data transmitted online without requiring explicit channel information. The system first uses the simulation data based on channel statistics to train the deep learning model off-line, and then directly recovers the transmission symbols based on the received data. According to the simulation results, the method based on deep learning can solve the channel distortion problem, detect the transmission symbol, and its performance is usually equivalent to the minimum mean square error estimation. In addition, the deep learning based approach is more robust than conventional methods when fewer training pilots are used, the cyclic prefix is omitted, and nonlinear clipping noise exists. In conclusion, deep learning is a promising tool for channel estimation and signal detection in wireless communications with complicated channel distortion and interference.

KEY WORDS: wireless communication, neural network, deep learning, channel estimation, signal detection

目 录

摘要 II

Abstract III

第一章 绪论 1

1.1 研究背景 1

1.2 无线通信遇到的困难 1

1.3 研究意义 2

1.4 本文结构 3

第二章 神经网络简介 4

2.1 神经网络基本思想 4

2.1.1 神经元 4

2.1.2 梯度下降算法 6

2.2 常见神经网络结构 8

2.2.1 全连接前馈神经网络 8

2.2.2 卷积神经网络 8

2.2.3 递归神经网络 9

2.3 神经网络学习相关实验 10

2.3.1 实验介绍 10

2.3.2 基础卷积神经网络 11

2.3.3 数据增强和正则化 12

2.3.4 变化学习率和残差网络 15

2.4 本章小结 16

第三章 神经网络在无线通信物理层应用示例 17

3.1 调制识别 17

3.2 信道译码 18

3.3 自动编码器 20

3.4 本章小结 20

第四章 基于神经网络的OFDM系统信道估计和信号检测方案 21

4.1 方案设计背景 21

4.2 系统架构 21

4.3 系统编写与训练 22

4.4 本章小结 24

第五章 实验仿真结果与分析 25

5.1引言 25

5.2 导频数量的影响 25

5.3 CP的影响 26

5.4 剪切和过滤失真的影响 27

5.5 稳健性分析 28

5.6 本章小结 29

第六章 总结与展望 30

6.1 全文总结 30

6.2 未来展望 30

参考文献 31

致 谢 33

第一章 绪论

1.1 研究背景

无线通信技术经历了广泛而深入的研究，智能终端接入、虚拟现实、增强现实、物联网等先进无线应用的爆炸式发展，将无线通信引入到了第五代。第五代无线通信实现了千倍容量、毫秒延迟以及海量连接性，这使得系统设计成为非常具有挑战性的任务，为满足任务要求，提出了大容量多输入多输出、毫米波和超密网络等技术，这些技术的出现为处理大型无线数据提供了可能，但无线通信物理层设计方案仍然面临着困难，这使得研究者将目光转向在其他领域已经取得不错成绩的深度学习与神经网路，研究神经网络在无线通信物理层的应用成为了新的具有价值的研究方向。

1.2 无线通信遇到的困难

现有的传统通信理论在满足复杂场景下的大数据和超高速通信需求方面存在一些固有的局限性，如下所示：

首先，复杂场景下的信道建模存在困难，通信系统的设计在很大程度上或取决于实际信道条件，或取决于基于隐式描述真实环境的信道模型，以便于数学计算。尽管可能在传统渠道中捕获一些特征，但这些模型在具有许多不完善和非线性的复杂场景中表现不佳。例如，大规模多输入多输出系统中增加的天线数量改变了信道属性，在相应的信道模型未知的情况下，有希望利用带外信号或传感器作为毫米波侧边信息的来源，但是将带外信息和传感器信息结合起来获取毫米波信道状态信息的方法是未知的，在水下或分子通信等场景中，也不能使用刚性的数学模型来描述信道。因此，不需要定义信道模型就可以完成通信任务的系统或算法是必不可少的。

剩余内容已隐藏，请支付后下载全文，论文总字数：25066字