一种基于深度学习的OFDM信号检测方法

高俊伟，郭晓冉，禹永植

1. 哈尔滨工程大学 信息与通信工程学院，黑龙江 哈尔滨 150001

2. 32181部队，河北 石家庄 050000

正交频分复用(OFDM，Orthogonal Frequency Division Multiple)技术凭借抗多径能力强、频谱利用率高、易于与其他多种接入方法相结合等特性，在第四代移动通信(The Fourth Generation,4G)系统中广泛使用并被制定在多项标准中[1]。然而，OFDM也有着因为子载波叠加而导致的峰均比过高，和经过衰落信道后产生的非线性失真、多径衰落等问题，从而会严重影响到整个通信系统的误符号率(SER)性能[2]。

传统的信号检测方法有最小二乘(LS)法和最小均方误差(MMSE)法，LS算法虽然实现起来比较简单、计算复杂度较低，但是其忽略了噪声的影响，因此其信噪比低时性能较差[3]。MMSE算法考虑了噪声的影响，因此其性能比LS算法有所提升，但是这种性能优势需要事先知道信道的先验信息，因而实现起来较为困难，且这2种算法在导频数量较少时的信号检测性能较差[4−8]。

近年来，深度学习作为人工智能的基础技术，在计算机视觉和自然语言处理等学科取得巨大的成功，在图像分类、语音识别、面部识别和机器翻译风格转换等方面超越了传统机器学习方法的性能，使得无人驾驶、智能疾病诊断和个性化推荐等应用成为可能。神经网络在无线通信领域得到一些应用，例如直接采取端到端方式神经网络代替整个无线通信系统中的信道估计与均衡模块[8−11]，也有用神经网络进行对信道估计的优化。文献[11]中利用深度学习采用端到端的方式隐式估计信道信息，直接恢复出传输信号，该方法所采用的神经网络为深度神经网络(Deep Neural Networks，DNN)，与传统的信号检测方法相比在导频数较少时，具有较好的性能[12−15]。……