基于BP神经网络的OFDM系统信道估计*

纪勤文，朱春华

(1.粮食信息处理与控制教育部重点实验室，郑州450001；2.河南工业大学 信息科学与工程学院，郑州450001；3.河南省粮食光电探测和控制重点实验室，郑州450001)

0 引 言

正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统因其能够对抗多径效应、消除符号间干扰以及具有较高的频带利用率而成为无线通信的核心技术。信道估计是决定OFDM系统性能的关键技术之一，其中基于导频的信道估计应用最为广泛。传统的最小二乘(Least Square，LS)算法[1-2]实现简单、操作容易，并且不需要信道的先验统计信息，但其直接忽略了噪声的影响，因此会使导频位置的信道估计误差传播到数据位置的信道响应中[3]。线性最小均方误差(Linear Minimum Mean Square Error，LMMSE)算法在传统信道估计算法中的性能最好[4]，但是其需要信道的先验统计信息以及矩阵的求逆运算，具有较高的计算复杂度。为了在较低计算复杂度条件下达到较好的信道估计性能，近年来，基于深度学习的信道估计方法成为研究的热点[5-7]。其基本思想是将频域变化的信道看作一个非线性的动态系统，可建模为自回归过程，这样OFDM系统的信道估计就转化为自回归系数的估计过程。

为了更深入地探究神经网络算法用于OFDM系统信道估计的性能，本文将建立OFDM信号数据采集平台以及基于反向传播(Back Propagation,BP)神经网络的OFDM系统信道估计模型，通过离线数据集对网络进行参数设置以及模型训练，并以此为基础对比分析网络参数和导频参数选择对OFDM系统信道估计性能的影响。本文利用神经网络的非线性映射，给出的基于BP神经网络的信道估计算法能够更好地从含有噪声的数据中学习到信道数据之间的映射关系，从而能估计出更加贴近实际信道特性的信道响应。……