《Physical Communication》：A Lightweight Hybrid Deep Learning-Based OFDM Receiver for Enhanced Coverage and Efficiency
编辑推荐：
针对OFDM系统中非线性失真和信道稀疏性问题，提出HPF-MSDSRRxr接收机，通过极域与频域混合的多尺度深度可分离残差网络，有效利用信道稀疏性，实验显示SNR增益达2-3.5 dB且计算复杂度可控。
安尼尔·库马尔博士（Dr. R. Anil Kumar）| 萨拉拉·帕查拉博士（Dr. Sarala Patchala）| 普拉卡什·库马尔博士（Dr. R. Prakash Kumar）| 乌米蒂·斯里尼瓦苏卢博士（Dr. Ummiti Sreenivasulu）| 费鲁兹·谢克博士（Dr. Shaik Fairooz）
印度安得里亚大学（Aditya University）电子与通信工程系，苏兰帕莱姆（Surampalem），AP-533437
摘要
在现代无线通信系统中，正交频分复用（OFDM）被广泛用于调制技术。然而，子载波间的干扰以及非线性失真导致OFDM信号的循环前缀（CP）长度缩短，导频使用受限，从而在信道估计（CE）或信号检测方面的性能下降。此外，在传统的基于频率或角度域的信道估计方法中，由于实际无线通信信道的天然稀疏性，性能可能会进一步恶化。本研究提出了一种创新的混合极化和频率域多尺度深度可分离ResNet（HPF-MSDSRRxr）接收机，旨在克服由于非线性导致的OFDM信号失真问题。具体而言，通过结合频率域和极化域信号处理，设计了两种新的深度学习（DL）接收机架构。为了缓解涉及角度域的信道估计方法带来的性能下降，首先构建了一个名为极化域MSDSR（P-MSDSR）的多尺度深度可分离ResNet模型。该模型能够有效利用极化域的稀疏特性。随后，将频率域中的MSDSR模型（称为F-MSDSR）的结果与解调参考信号（DMRS）以及精确的信道估计和软比特检测相结合，通过无缝融合极化域特征来实现可靠的性能。引入的多尺度设计能够有效检测细微和粗略的信道特性，即使在存在较大非线性损伤和高误差矢量幅度的情况下也是如此。仿真结果表明，与现有的线性LMMSE和当前DL基线相比，HPF-MSDSRRxr方案通常能获得2-3.5 dB的恒定信噪比（SNR）优势，同时计算复杂度也较为可控。
引言
正交频分复用（OFDM）技术因其对高频谱的广泛利用而受到高度重视。OFDM是4G和5G通信中的关键技术，因为它对频率选择性具有很高的抗性[[1], [2], [3]]。OFDM的成功在于即使在整体信号频谱中存在频率选择性衰落的情况下，每个子载波也经历均匀衰落。此外，附加循环前缀（CP）可以消除符号间干扰（ISI），这意味着可以使用低复杂度的单抽头均衡器来消除多径衰落信道效应[[4], [5]]。因此，OFDM适用于4G和5G无线网络中的频率选择性信道。然而，OFDM系统特别容易受到高速运动引起的频率偏移的影响，因为它们使用正交子载波进行并行通信[[6], [7]]。高速移动环境引起的多普勒频移不可避免，会破坏子载波之间的正交性，从而显著降低信号识别的效率[[8]]。
移动蜂窝系统必须优先考虑提高终端功耗效率和扩展网络覆盖范围[[9], [10], [11]]。当前第五代新无线电（5G NR）网络中的上行覆盖范围主要受用户设备（UE）发射功率的限制，同时还需满足带内不希望的发射和信号质量要求。为了提高网络覆盖范围，5G NR网络的上行链路采用了离散傅里叶变换（DFT）扩展OFDM（DFT-s-OFDM）[[12], [13]]。尽管覆盖范围得到了提升，但这种改进降低了频率域调度和链路的灵活性。
多载波信号，尤其是使用OFDM的信号，在通过功率放大器传输时特别容易受到非线性失真的影响[[14]]。尽管发射机通常不会故意引入非线性失真，但现代4G和5G系统使用复杂的纠错、均衡和信号处理技术来部分抵消这些影响。在某些情况下，可能无法恢复严重非线性失真的数据，这可能导致信号剪切或严重的硬件故障。在接收端，一些先前的技术解决了发射机的非线性失真问题。例如，[14]和[15]中的研究考虑了剪切型非线性，并证明如果已知剪切函数，接收机算法可以有效抑制非线性失真。最近在[29]中开发了先进的深度学习辅助物理层接收机解决方案，即使在发射机处存在多径信道特性和高水平非线性失真的情况下也能有效解码接收信号。
OFDM系统的性能受到信道估计（CE）和所采用的信号检测算法的极大影响[[16]]。因此，许多研究致力于开发可靠的信号识别和高效信道估计方法。估计信道状态信息（CSI）的技术可以分为两类：基于导频的和盲法[[17]]。盲法方法具有频谱效率，因为它们不需要额外的资源来估计CSI。然而，这些技术在实际的OFDM系统中并未得到应用。一旦获取了所有子载波的CSI，就会对接收样本进行快速傅里叶变换（FFT），然后利用该均衡结果进行均衡处理，以补偿信道衰落。单抽头均衡器用于在频率域提供OFDM均衡[[18]]，接着应用最大似然检测器（MLD）从均衡器输出样本中恢复信息符号。
传统的信号识别和CE方法通常依赖于关于信道特性的预先建立的模型或假设，如线性动态、平稳性或稀疏性。这些模型可能无法准确描述动态或时变情况下真实世界信道的复杂和非线性结构。因此，传统模型的信道估计误差较高[[19], [20], [21], [22]]。当直接使用角度域CE方法时，均方误差性能不可避免地会下降。机器学习（ML）和深度学习（DL）的最新发展为使用神经网络进行OFDM信号识别带来了许多关注[[23]]。这些学习模型通过避免显式系统建模的要求，解决了传统基于模型的方法的缺点[[24]]。尽管取得了这些进展，但目前的研究仍不足以评估近场信道稀疏性对基于DL的内容编码算法的影响。
此外，神经网络可能过度拟合其模型，从而降低性能。另一个问题是神经网络具有大量的模型权重，这使得训练变得具有挑战性。为了解决这个问题，采用了深度可分离卷积（depthwise separable convolution）的概念来提高CE的准确性[[20]]。与标准卷积相比，深度可分离卷积需要更少的计算量和参数。本研究的主要贡献如下：
- •
提出一种基于混合极化和频率域多尺度深度可分离ResNet（MSDSR）的智能OFDM接收机。
- •
研究极化和频率域中的信道稀疏性如何影响信道估计过程，以提高CE的准确性。
- •
提出一种端到端学习的物理层接收机，该接收机具有极化和频率域深度可分离卷积残差网络层，能够有效解调具有显著发射机失真的OFDM信号。
- •
描述适用于不同功率放大器和信道的MSDSR接收机的端到端学习算法。
本文的其余部分安排如下：第2节简要概述了当前的OFDM接收机。第3节对所提出的系统进行了建模。第4节详细解释了所提出的接收机。第5节通过仿真分析了该接收机的性能。第6节总结了未来的研究方向。
文献综述
文献综述
OFDM技术因其对高频谱的充分利用而受到广泛关注。由于OFDM对频率选择性的高抗性，它成为4G和5G通信中的关键技术[[1], [2], [3]]。OFDM的成功在于即使在整体信号频谱中存在频率选择性衰落的情况下，每个子载波也经历均匀衰落。此外，循环前缀（CP）的添加消除了符号间干扰（ISI），这意味着可以使用低复杂度的单抽头均衡器来消除多径衰落信道效应[[4], [5]]。因此，OFDM适用于4G和5G无线网络中的频率选择性信道。然而，OFDM系统特别容易受到高速运动引起的频率偏移的影响，因为它们使用正交子载波进行并行通信[[6], [7]]。高速移动环境引起的多普勒频移不可避免，会破坏子载波之间的正交性，从而显著降低信号识别的效率[[8]]。
移动蜂窝系统必须优先考虑提高终端功耗效率和扩展网络覆盖范围[[9], [10], [11]]。当前第五代新无线电（5G NR）网络中的上行覆盖范围主要受用户设备（UE）发射功率的限制，同时还需满足带内不希望的发射和信号质量要求。为了提高网络覆盖范围，5G NR网络的上行链路采用了离散傅里叶变换（DFT）扩展OFDM（DFT-s-OFDM）[[12], [13]]。虽然覆盖范围得到了提升，但这种改进降低了频率域调度和链路的灵活性。
多载波信号，尤其是使用OFDM的信号，在通过功率放大器传输时特别容易受到非线性失真的影响[[14]]。然而，非线性失真通常不是由发射机故意引入的。现代4G和5G系统使用复杂的纠错、均衡和信号处理技术来部分抵消这些影响。尽管如此，可能无法恢复严重非线性失真的数据，这可能导致信号剪切或严重的硬件故障。在接收端，一些先前的技术解决了发射机的非线性失真问题。例如，[14]和[15]中的研究考虑了剪切型非线性，并证明如果已知剪切函数，接收机算法可以有效抑制非线性失真。最近在[29]中开发了先进的深度学习辅助物理层接收机解决方案，即使在发射机处存在多径信道特性和高水平非线性失真的情况下也能有效解码接收信号。
OFDM系统的性能受到信道估计（CE）和所采用的信号检测算法的极大影响[[16]]。因此，许多研究致力于开发可靠的信号识别和高效信道估计方法。估计信道状态信息（CSI）的技术可以分为两类：基于导频的和盲法[[17]]。盲法方法具有频谱效率，因为它们不需要额外的资源来估计CSI。然而，这些技术在实际的OFDM系统中并未得到应用。一旦获取了所有子载波的CSI，就会对接收样本进行快速傅里叶变换（FFT），然后使用该均衡结果进行补偿。单抽头均衡器用于在频率域提供OFDM均衡[[18]]，接着应用最大似然检测器（MLD）从均衡器输出样本中恢复信息符号。
传统的信号识别和CE方法经常依赖于关于信道特性的预先建立的模型或假设，如线性动态、平稳性或稀疏性。这些模型可能无法准确描述动态或时变情况下真实世界信道的复杂和非线性结构。因此，传统模型的信道估计误差较高[[19], [20], [21], [22]]。当直接使用角度域CE方法时，均方误差性能不可避免地会下降。机器学习（ML）和深度学习（DL）的最新发展为使用神经网络进行OFDM信号识别带来了许多兴趣[[23]]。这些学习模型通过避免显式系统建模的要求，解决了传统基于模型的方法的缺点[[24]]。尽管取得了这些进展，但目前的研究仍不足以评估近场信道稀疏性对基于DL的内容编码算法的影响。
此外，不足之处可能导致神经网络过度拟合其模型，从而降低性能。另一个问题是神经网络具有大量的模型权重，这使得训练变得具有挑战性。为了解决这个问题，采用了深度可分离卷积（depthwise separable convolution）的概念来提高CE的准确性。与标准卷积相比，深度可分离卷积需要更少的计算量和参数。本研究的主要贡献如下：
- •
提出一种基于混合极化和频率域多尺度深度可分离ResNet（MSDSR）的智能OFDM接收机。
- •
研究极化和频率域中的信道稀疏性如何影响信道估计过程，以提高CE的准确性。
- •
提出一种端到端学习的物理层接收机，该接收机具有极化和频率域深度可分离卷积残差网络层，能够有效解调具有显著发射机失真的OFDM信号。
- •
描述适用于不同功率放大器和信道的MSDSR接收机的端到端学习算法。
本文的其余部分安排如下：第2节简要介绍了当前的OFDM接收机。第3节对所提出的系统进行了建模。第4节详细解释了所提出的接收机。第5节通过仿真分析了该接收机的性能。第6节总结了未来的研究方向。
系统模型
系统模型
图1展示了带有所提出的HPF-MSDSR接收机的端到端OFDM收发器。在发射端，首先通过低密度奇偶校验（LDPC）编码对随机比特流进行编码，然后通过速率匹配处理进行传输。在每个资源网格中，预留了一些资源元素用于插入解调参考信号（DMRS），以实现信道估计。然后，通过应用逆快速傅里叶变换将资源网格调制为时域OFDM符号。
提出的混合极化-频率域接收机
现有的DeepRxr在傅里叶转换后的频率域数据上运行，以提供LLRs作为输出[[27]]。然而，信道通常被描述为稀疏排列的远场平面波前。因此，频率域CE技术的性能可能会受到一定程度的影响。在OFDM系统中，频率域是CE的明显选择，因为OFDM将可用带宽划分为多个正交子载波，每个子载波在不同的频率上工作。
结果与讨论
在本节中，所提出的HPF-MSDSR接收机与两种传统的LMMSE（LMMSE 1和LMMSE 2）、DeepRxr[[27]]、HybridDeepRxr[[29]]和SCBiGNetRxr[[26]]进行了比较。LMMSE 1在执行LS CE时跨数据符号和子载波插值信道估计。LMMSE 2预先获取了所有信道信息。
结论
本文提出了一种基于混合极化和频率域DL的OFDM系统接收机。提出了一种独特的HPF-MSDSRRxr，利用接收信号的频率和极化相关性来处理非线性失真和信道稀疏性问题。所提出的P-MSDSR技术通过有效利用极化域的稀疏性，优于传统的CE方案。研究表明，即使信号严重失真，该接收机也能一致地检测到这些信号。
资助
本文的撰写没有获得任何资助。
伦理批准
本文不包含任何涉及人类参与者或动物的研究。
参与同意
所有参与的作者均同意参与本文的撰写。
出版同意
所有参与本文的作者均同意本文的发表。
作者贡献
所有作者都阅读并批准了最终稿件。
数据可用性声明
本文不适用数据共享。
CRediT作者贡献声明
安尼尔·库马尔博士（Dr. R. Anil Kumar）：撰写 – 审稿与编辑，撰写 – 原稿，可视化，项目管理。萨拉拉·帕查拉博士（Dr. Sarala Patchala）：撰写 – 审稿与编辑，撰写 – 原稿，监督，项目管理，数据管理，概念化。普拉卡什·库马尔博士（Dr. R. Prakash Kumar）：撰写 – 审稿与编辑，撰写 – 原稿，项目管理，资金获取，概念化。乌米蒂·斯里尼瓦苏卢博士（Dr. Ummiti Sreenivasulu）：撰写 – 审稿与编辑，撰写 – 原稿，监督，项目
