基于残差学习的OFDM信道估计技术研究
基于残差学习的OFDM信道估计技术研究
在无线通信领域，正交频分复用（OFDM）技术因其高数据传输速率和抗干扰能力而被广泛应用。然而，信道估计作为OFDM系统中的关键环节，其准确性直接影响到系统的整体性能。近年来，深度学习技术在信道估计领域的应用日益增多，其中基于残差学习的深度神经网络ReEsNet因其卓越的性能而备受关注。本文将详细介绍ReEsNet模型在OFDM信道估计中的应用及其优势。
一、解决的问题
传统的ChannelNet在信道估计中存在以下问题：
- 在程序的第一步进行插值(预上采样)，之后的所有计算都在大尺寸输入上进行，因此显著增加了计算成本；
- 插值方法的选择影响最终性能，这增加了一个在设计网络时考虑的超参数；
- SRCNN和DnCNN不是端到端训练，而是分开训练；
- 网络规模很大，SRCNN和DnCNN共有23个卷积层，总共670k个参数。
为了解决这些问题，研究者提出了一种专门用于OFDM信道估计的基于残差学习的深度神经网络ReEsNet。
二、解决的思路与方法
1. 背景
引入残差网络有以下好处：
- 通过忽略输入和目标之间的共同信息，该模型可以专注于学习高频差异，降低了学习难度，提高了学习效率；
- 它减轻了由深层网络引起的梯度消失问题。
2. 模型结构
基于深度学习的信道估计模块ReEsNet的结构如下：
具体参数如下：
- 第一层是具有16个大小为3 × 3 × 2的滤波器的卷积层，它将大小为NpfxNpn×2的输入Hp映射到大小为NpfxNpn×16的输出。
- 下面是4个ResBlock，每个RES block由两个卷积层和中间的一个ReLU层组成，每个卷积层有16个大小为3 × 3 × 16的滤波器。
- ResBolcks旁边是一个卷积层，具有16个大小为3 × 3 × 16的滤波器，该层的输出大小为NpfxNpn×16。
- 上采样层实现为转置卷积（反卷积层），可以通过不同的因素缩放图像的高度和宽度，将数据大小从NpfxNpn×16扩大到NfxNn×16。
- 最后的卷积层具有2个大小为3 × 3 × 16的滤波器，估计的大小为Nf×Nn×2的整个信道H是该层的输出。
3. 与ChannelNet相比，ReEsNet的优点
- 上采样层位于模型的尾部(后上采样)，之前的所有计算都在小尺寸的输入上进行，计算复杂度较低，这在最近的超分辨率研究中更受青睐。
- 上采样层以转置卷积的形式实现，是一种可学习的上采样方法，可以训练得到最优权值。
- ReEsNet可以端到端训练。
- 在不降低性能的情况下，最小化了网络的大小，形成了一个只有53k参数的紧凑网络。
三、解决的效果与结论
1. 仿真实验过程
（1）接收端提取出导频信号
（2）将导频信号输入至ReEsNet中进行信道估计
（3）四种信道估计算法的均方误差MSE比较
2. 仿真参数
性能比较：ReEsNet、ChannelNet、LS和LMMSE的信道估计均方误差MSE比较
LOSS函数：采用L1损失函数
3. 仿真结果
四种信道估计算法的均方误差MSE比较：
（1）LS仅在非导频位置应用线性插值来估计信道，因此性能是所有4种方法中最差的。LMMSE需要二阶信道统计量和噪声方差作为先验信息，这在实际通信系统中是不切实际的，尤其是当用户速度变化时，因此其性能被视为下限。对于其余两种不需要信道统计和噪声方差的基于深度学习的方法，ReEsNet优于ChannelNet，在低SNR区具有2到3dB的增益，在高SNR区具有4到5dB的增益。
（2）对于48个导频的情况，可以看到，随着导频数量的增加，性能越来越接近，原因是导频数量的增加降低了超分辨问题的难度。尽管如此，ReEsNet仍然胜过ChannelNet。
（3）24个导频时，ReEsNet在具有4条路径的扩展行人A模型(EPA)下被训练，然后在具有7条路径、4条路径、1条路径和WINNERII模型A1场景(室内)的EPA下被测试，仿真结果表示，信道失配对估计性能没有显著影响。