基于数据驱动深度学习方法的无线信道均衡

李扬 周明拓

摘要：无线信道均衡可以被看成将接收端符号恢复成发射符号集中某个符号的问题；而无线通信系统中的许多恢复过程可以被认为是通过学习一组具有良好的概率包络和相干时间的随机滤波器来克服信号的线性混合、旋转、时移、缩放以及卷积等特性。具体地，使用卷积神经网络（CNN）来学习这些滤波器，然后将学习到的滤波器送入后续的循环神经网络进行时域建模，最后对信号进行分类。实验显示：卷积-循环神经网络（CRNN）均衡器与传统的递归最小二乘滤波器（RLS）、多层感知机滤波器（MLP）在达到相同误码率（SER）情况下好2～4 dB。

关键词： 信道均衡；无线通信；深度学习；神经网络

Abstract： Channel equalization can be viewed as a task that classifies or reconstructs the received signal as a symbol from the transmitting symbol set at the receiver. Many recovery processes in wireless communication systems can be considered to overcome linear mixing， rotation， time-shift， scaling and convolution by learning a set of random filters with good probabilistic envelope and coherent time. Concretely， convolutional neural network （CNN） is used to learn these filters， which are send into the subsequent recurrent neural network （RNN） for temporal modeling， and finally the signals are classified. Experimental results show that our convolutional recurrent neural network-based （CRNN） equalizer outperforms the recursive least square （RLS） and multi-layer perceptron network （MLP） equalizers by average 2 to

4 dB with the same symbol error rate （SER）.

Key words： channel equalization； wireless communications； deep learning； neural network

在数字无线通信系统中，二进制符号通过色散信道传输，导致产生时延扩展和符号间串扰（ISI）；而ISI的存在阻碍了频率带宽的有效利用和系统性能的提高[1]。无线信道基本上可以用一个复数值有限脉冲响应（FIR）滤波器来表示，而信道输出是滤波器抽头权重的线性组合，并且被噪声污染。信道均衡则是基于信道观测来抵消ISI和噪声的影响，从而重建传输序列。通常，传输信道会受到线性和非线性失真的影响，现实中往往将信道建模为一个非线性系统。传统的线性均衡算法，如递归最小二乘（RLS）[2]算法，在信道非线性特性强烈及多径丰富的情况下无法保证较低的误码率。

人工神经网络的强大非线性拟合能力近来在无线信道均衡领域受到了较多关注。文献[3-4]中，作者分别使用了不同结构的神经网络进行均衡，并与传统的信道均衡器做对比，发现神经网络算法能达到更低的误比特率。……