论文总字数：37855字

摘 要

正交频分复用（Orthogonal Frequency Division Multiplexing，OFDM）技术能有效对抗无线信道中的频率选择性衰落且具有较高的频谱效率，已广泛应用于现有的第四代移动通信中。深度学习技术由于其能解决非线性问题，最近被引入无线通信系统来进一步提高其性能。因此，本文基于深度学习研究OFDM信道估计，主要包括以下工作：

现有OFDM系统采用模块化设计，信道估计模块通常以提高均方误差（Mean Square Error，MSE）性能为目标，而符号检测模块以提高误码率（Bit Error Rate，BER）性能为目标，模块之间相互独立设计。本文打破了OFDM信道估计和符号检测模块的边界，将这两个模块代之以一个神经网络，通过离线训练和在线预测，提高了OFDM系统的BER性能。特别的，基于深度学习的OFDM系统甚至可以不加循环前缀直接发送数据，因此它能进一步以提高频谱效率。

针对无线信道的稀疏性，研究了一种基于深度学习的OFDM稀疏信道估计方法，通过深度学习预测信道非零元素的位置，并通过最小二乘法对非零元素的值进行估计。仿真结果验证了方法的有效性，在低信噪比或信道非零元素较多时，相比于现有的正交匹配追踪稀疏重建算法，本文基于深度学习的OFDM稀疏信道估计方法，具有更好的MSE和BER性能。

关键词：正交频分复用，信道估计，深度学习，稀疏重建

Abstract

Orthogonal frequency division multiplexing (OFDM) can effectively combat frequency selective fading in wireless multipath channels and has high spectral efficiency. OFDM has been widely used in current fourth generation (4G) mobile communications. Deep learning technology has recently been introduced into wireless communication systems to further improve its performance due to its capability to handle nonlinear problems. Therefore, this paper studies OFDM channel estimation based on deep learning, which mainly includes the following parts.

The existing OFDM system adopts the modular design. The channel estimation module usually aims at improving the mean square error (MSE) performance. The symbol detection module aims at improving the bit error rate (BER) performance. Each module is designed independently. This paper breaks the boundary between OFDM channel estimation module and symbol detection module, and replaces these two modules with a neural network. Through offline training and online prediction, we improve the BER performance of OFDM system. In particular, the OFDM based on deep learning can even transmit data directly without a cyclic prefix, which can further improve the spectral efficiency.

Regarding the sparse property of wireless channels, an OFDM sparse channel estimation method based on deep learning is studied. The positions of nonzero entries of the sparse channel vector are predicted by deep learning, while the value of nonzero entries is estimated by least squares method. The simulation results verify the effectiveness of the proposed method. Compared with the existing orthogonal matching pursuit sparse reconstruction algorithm, the OFDM sparse channel estimation method based on deep learning has better MSE and BER performance when the SNR is low or the channel has large number of nonzero entries.

KEY WORDs: OFDM, channel estimation, deep learning, sparse reconstruction

目 录

摘 要 I

Abstract II

目 录 III

插图目录 V

英文缩略语及英中对照表 VI

符号及变量定义 VII

第一章 绪论 1

1.1 基于深度学习的无线通信研究背景 1

1.2 基于深度学习的无线通信研究现状 2

1.3 基于深度学习的无线通信的未来研究方向 2

1.4论文结构 3

第二章 OFDM系统模型以及深度学习简介 4

2.1 引言 4

2.2 OFDM系统模型 4

2.3 深度学习基础简介 5

2.3.1 监督学习 5

2.3.2 线性模型 5

2.3.3 神经网络 6

2.3.4 训练学习过程 12

2.4 本章小结 13

第三章 基于深度学习的OFDM系统信道估计 14

3.1 引言 14

3.2 LS信道估计方法 14

3.3 基于深度学习的信道估计方法 16

3.3.1简介 16

3.3.2 深度学习技术 17

3.3.3 系统结构 18

3.3.4模型训练 19

3.4仿真结果 20

3.4.1导频数目的影响 20

3.4.2 循环前缀的影响 21

3.5本章小结 22

第四章 基于深度学习的稀疏信道估计 23

4.1 引言 23

4.2.OMP算法 23

4.2.1 OMP算法简介 23

4.2.2施密特正交化方法 24

4.2.3修正的施密特正交化方法 25

4.3基于深度学习的稀疏信道估计算法 26

4.3.1 系统模型 26

4.3.2 样本预处理 26

4.3.3 DNN模型 27

4.3.4 学习训练过程 27

4.3.5 数据恢复 28

4.4 仿真结果 30

4.5 本章小结 33

第五章 总结与展望 34

5.1总结 34

5.2展望 34

参考文献 35

致 谢 37

插图目录

图 2.1 上行传输系统模型示意图................................................................................................4

图 2.2 监督学习过程示意图........................................................................................................5

剩余内容已隐藏，请支付后下载全文，论文总字数：37855字