基于DNN的OTFS系统信号检测方法

郭 晟，余 乐，燕贺云，朱立东

(电子科技大学 通信抗干扰技术国家级重点实验室，四川 成都 611731)

0 引言

近年来，由于高速铁路、高速公路的大规模发展，如何在车对车(Vehicle-to-Vehicle,V2V)通信、毫米波通信以及LEO卫星通信等场景下实现可靠通信得到广泛关注[1-3]。在这些场景中，由于时变信道和大多普勒频移的存在，导致时频双选信道的估计难度大幅提升，通信系统面临巨大挑战。正交时频空(Orthogonal Time Frequency Space,OTFS)作为在时延-多普勒域(Delay-Doppler,DD)上的一种二维调制方案，通过时间与频率的分集，将时域中传统时变多径信道转换成与时间无关的时延-多普勒域信道，从而改善高移动性场景下正交频分复用 (Orthogonal Frequency Division Multiplexing,OFDM)技术等存在的诸多不足。

OTFS[4]通过逆辛-有限傅里叶变换(Inverse Symplectic Finite Fourier Transform,ISFFT)与添加发送窗(Transmit Windowing)函数将时延-多普勒域中的数据符号映射到时间-频率域中，再经过海森伯格变换(Heisenberg Transform)将其变换为时域信号后通过无线信道进行传输，接收端对应执行发送端的逆过程，将接收到的时域信号转化到时延-多普勒域中进行解调。通过在连续的OFDM符号上加入预编码与解码模块，可以容易地实现OTFS，因此OTFS系统与OFDM系统有很好的兼容性，且不会较大程度增加硬件复杂性。

OTFS在高速移动性场景下对抗强多普勒频偏影响[5]及其他方面具有优秀表现，但是传统的最小均方误差(Minimum Mean Squared Error,MMSE)等信号检测方法[6-8]存在的复杂度较高、实用性较差等问题。为解决此问题，本文提出了一种基于深度神经网络(Deep Neural Network,DNN)的OTFS系统信号检测方法，研究了该方法循环前缀(Cyclic Prefix,CP)存在与否对误码性能的影响[9-11]。……