陳成瑞,孫 寧,何世彪,廖 勇*
(1.重慶工程學(xué)院電子信息學(xué)院,重慶 400056;2.重慶大學(xué)微電子與通信工程學(xué)院,重慶 400044)
(*通信作者電子郵箱liaoy@cqu.edu.cn)
我國是全球最大的汽車生產(chǎn)國和銷量國,且汽車行業(yè)正處在向新能源、智能網(wǎng)聯(lián)和自動駕駛等轉(zhuǎn)型升級的關(guān)鍵機(jī)遇期,在未來的場景應(yīng)用中,車聯(lián)網(wǎng)(Vehicle to Everything,V2X)通信將是最重要的場景之一[1]。并且,隨著智能化的潮流興起,智能交通系統(tǒng)愈加受到人們的關(guān)注,而V2X 作為下一代智能交通的核心,其相關(guān)技術(shù)的研究也會推動智能交通系統(tǒng)的發(fā)展。V2X 是指通過裝載在車輛上的傳感設(shè)備、車載終端及電子標(biāo)簽來提供車輛數(shù)據(jù)信息,利用先進(jìn)的通信技術(shù)獲取到車輛周圍的環(huán)境信息,進(jìn)而對車輛進(jìn)行管控和提供服務(wù)[2]。具體來說,V2X 包括的通信場景主要有車輛間通信(Vehicle to Vehicle,V2V)、車輛與路邊基礎(chǔ)設(shè)施通信(Vehicle to Infrastructure,V2I)、車輛與行人通信(Vehicle to Person,V2P)和車輛與網(wǎng)絡(luò)通信(Vehicle to Network,V2N)等[3]。
為了支持V2X 的在實(shí)際生活中的應(yīng)用,已有相關(guān)組織提出了V2X 通信技術(shù)標(biāo)準(zhǔn),主要有短程通信(Dedicated Short Range Communication,DSRC)[4]技術(shù)和基于蜂窩網(wǎng)絡(luò)的車聯(lián)網(wǎng)(Cellular-Vehicle to Everything,C-V2X)[5]技術(shù),其中C-V2X包括LTE-V2X 技術(shù)和5G NR-V2X 技術(shù)。LTE-V2X 作為面向車路協(xié)同的通信綜合解決方案,能夠在高速移動環(huán)境中提供低時延、高可靠、高速率的通信能力,滿足車聯(lián)網(wǎng)多種應(yīng)用的需求。本文聚焦于LTE-V2X 通信技術(shù)標(biāo)準(zhǔn),對其接收機(jī)中的信道估計與均衡技術(shù)進(jìn)行聯(lián)合考慮,以改善通信系統(tǒng)的性能。
作為無線通信系統(tǒng)接收機(jī)的關(guān)鍵部分,信道估計與信道均衡性能的好壞將直接影響到整個通信系統(tǒng)的通信質(zhì)量。信道估計利用導(dǎo)頻符號獲取部分頻點(diǎn)或時刻的信道沖激響應(yīng),并結(jié)合信道插值方法計算整個時頻域資源塊上的信道響應(yīng),最后利用估計得到的信道響應(yīng)進(jìn)行信道均衡,來消除在無線信號傳播過程中由信道引入的信號畸變和干擾。由上述分析可以得知,信道均衡需要以信道估計的結(jié)果作為輸入,以恢復(fù)原始的發(fā)送信號,而在信道估計環(huán)節(jié)如果不能精準(zhǔn)地獲得信道狀態(tài)信息(Channel State Information,CSI),將會對后續(xù)的信道均衡環(huán)節(jié)的系能產(chǎn)生較大影響。而信道估計的算法設(shè)計很大程度上取決于該算法應(yīng)用場景下的信道特征,在C-V2X 通信場景中,由于終端處在高速移動的狀態(tài)下,因此在多徑效應(yīng)和多普勒效應(yīng)的聯(lián)合作用下信道將會呈現(xiàn)出時頻域選擇性衰落,即雙選衰落;此外,由于接收天線陣列與基站之間的波束的幾何參數(shù)存在快速時變的特性,導(dǎo)致信道沖激響應(yīng)的時域自相關(guān)系數(shù)呈現(xiàn)出時變的特性,即非平穩(wěn)特性。由于在高速環(huán)境下信道表現(xiàn)出上述的兩種特性,大幅增加了獲取到精確CSI 的難度,一旦在信道估計環(huán)節(jié)引入過大的誤差,那么均衡器就無法利用CSI 來對接收數(shù)據(jù)進(jìn)行恢復(fù),無疑會導(dǎo)致通信系統(tǒng)的可靠性降低。
C-V2X 通信接收機(jī)各項處理技術(shù)的目的都是為了更加高效且精準(zhǔn)地從接收數(shù)據(jù)中檢測出發(fā)送數(shù)據(jù),因此在本文中,不僅考慮信道估計與信道均衡技術(shù)中的單獨(dú)環(huán)節(jié),還對兩者進(jìn)行聯(lián)合考慮,將其視為一個整體。深度學(xué)習(xí)是一種數(shù)據(jù)驅(qū)動的方法,它可以從大量的數(shù)據(jù)中學(xué)習(xí)到隱含在數(shù)據(jù)中的規(guī)律,而這也恰恰與本文的目標(biāo)相吻合,即從接收數(shù)據(jù)中直接檢測出原始的發(fā)送數(shù)據(jù),不進(jìn)行顯式的信道估計。為了方便描述,將本文中所提出的面向車聯(lián)網(wǎng)C-V2X環(huán)境中的基于深度學(xué)習(xí)的聯(lián)合信道估計與均衡算法稱為V-EstEqNet。
為了獲取更加準(zhǔn)確且實(shí)時的CSI,許多研究人員都致力于信道估計的研究。文獻(xiàn)[6]提出了一種基于基擴(kuò)展模型(Basis Expansion Model,BEM)的貝葉斯濾波的信道估計方法,降低了估計復(fù)雜度的同時保證了系統(tǒng)性能;文獻(xiàn)[7]采用了導(dǎo)頻與數(shù)據(jù)疊加的幀結(jié)構(gòu),提出了一種改進(jìn)的迭代卡爾曼濾波(iterative Extend-Kalman Filter,iEKF)信道估計算法;文獻(xiàn)[8]對水聲正交頻分復(fù)用(Orthogonal Frequency Division Multiplexing,OFDM)通信系統(tǒng)中的信道估計進(jìn)行了研究,提出了一種基于壓縮感知的稀疏信道估計算法。大量的信道估計研究都表明,如果可以準(zhǔn)確地獲取到CSI,會在一定程度上提升通信系統(tǒng)的誤碼率(Bit Error Rate,BER)性能,但是,信道估計根據(jù)其算法復(fù)雜度的不同,需要在不同程度上占用系統(tǒng)資源,也在一定程度上也增加了通信系統(tǒng)的功耗。
信道均衡技術(shù)是指為了提高衰落信道中的通信系統(tǒng)的傳輸性能而采取的一種抗衰落措施。常用的均衡算法主要分成線性均衡算法和非線性均衡算法[9],線性均衡算法主要有迫零(Zero Forcing,ZF)均衡算法和最小均方誤差(Minimum Mean Square Error,MMSE)均衡算法等。ZF 均衡算法較為簡單,只是在信道估計結(jié)果的基礎(chǔ)上通過簡單的矩陣運(yùn)算就可以恢復(fù)出發(fā)射端發(fā)送的信號,但是由于ZF均衡沒有考慮噪聲的影響,在消除干擾的同時也放大了噪聲,造成通信系統(tǒng)的誤碼率性能下降,尤其是在信噪比較低的條件下。MMSE 均衡算法考慮了噪聲的影響,其目標(biāo)是使得發(fā)送端發(fā)射的數(shù)據(jù)與接收端估計的數(shù)據(jù)的均方誤差達(dá)到最小,在低信噪比時MMSE 算法性能要好于ZF 算法,但是MMSE 算法需要噪聲的先驗知識,并且算法的計算復(fù)雜度較高。非線性均衡算法主要有判決反饋算法、最大似然算法和Turbo 迭代算法等。判決反饋均衡主要是通過常用的均衡準(zhǔn)則預(yù)測和判決后干擾抵消[10],能夠有效減小碼間干擾對系統(tǒng)性能的影響,提高數(shù)據(jù)傳輸?shù)恼_性,特別是在信道嚴(yán)重失真時非常適用。最大似然均衡算法主要是進(jìn)行多次的搜索,尋找出接收向量和所有可能的后處理向量之間的最小歐氏距離,此時對應(yīng)的向量就是均衡后的信號[11]。Turbo 均衡主要是通過反復(fù)均衡以及信道譯碼來得到發(fā)射信號的迭代算法[12],由于要迭代計算,因此復(fù)雜度也非常高。
深度學(xué)習(xí)在處理大數(shù)據(jù)時性能優(yōu)異,已有學(xué)者將深度學(xué)習(xí)應(yīng)用于無線通信領(lǐng)域中[13-19],例如數(shù)據(jù)檢測[13-14]、信道估計[15-17]和CSI 反饋[18-19]。在文獻(xiàn)[13]中,一種基于全連接(Fully Connected,F(xiàn)C)神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)檢測算法被應(yīng)用于OFDM 系統(tǒng)的接收端,這種算法將OFDM 和無線信道視為一個黑匣子,直接從接收數(shù)據(jù)中檢測出發(fā)送數(shù)據(jù);文獻(xiàn)[14]提出一種滑動雙向循環(huán)神經(jīng)網(wǎng)絡(luò)(Sliding Bidirectional Recurrent Neural Networks,SBRNN)結(jié)構(gòu)的數(shù)據(jù)檢測算法,主要應(yīng)用在數(shù)據(jù)速率相對較低的分子通信中;在信道估計領(lǐng)域,文獻(xiàn)[15-16]針對高速移動環(huán)境下單入單出(Single-Input and Single-Output,SISO)OFDM 系統(tǒng)下行鏈路信道估計性能受限的問題,采用深度學(xué)習(xí)來進(jìn)行信道估計,提高了信道估計的性能,文獻(xiàn)[17]將基于深度學(xué)習(xí)的信道估計算法擴(kuò)展到了多入多出(Multiple-Input and Multiple-Output,MIMO)OFDM 系統(tǒng),相較于傳統(tǒng)算法有效提升了系統(tǒng)性能。以上文獻(xiàn)僅僅研究了深度學(xué)習(xí)在信道估計環(huán)節(jié)的應(yīng)用,而本文將信道估計和信道均衡進(jìn)行聯(lián)合考慮,進(jìn)一步挖掘了深度學(xué)習(xí)在通信領(lǐng)域內(nèi)的應(yīng)用潛力。文獻(xiàn)[18]將通信領(lǐng)域中相關(guān)理論與深度學(xué)習(xí)進(jìn)行結(jié)合,提出了一種名為ComNet 的信道估計算法,它的收斂速度更快且解釋性更強(qiáng);此外,深度學(xué)習(xí)應(yīng)用在MIMO 系統(tǒng)中的CSI 反饋相關(guān)工作可以在文獻(xiàn)[19-20]中找到。根據(jù)調(diào)研可知,相較于傳統(tǒng)算法,深度學(xué)習(xí)在無線通信中各個環(huán)節(jié)中都可以在一定程度上改善系統(tǒng)性能。
隨著通信技術(shù)的快速發(fā)展,人們更加追求高速、穩(wěn)定的無線數(shù)據(jù)傳輸;另一方面,頻帶資源緊缺的問題也愈發(fā)嚴(yán)重。OFDM 通信系統(tǒng)采用多載波調(diào)制方式,提升了數(shù)據(jù)傳輸速率,并且能有效地對抗多徑衰落的影響;正交子載波調(diào)制這種方法大幅降低了頻帶利用率,而且LET-V2X 標(biāo)準(zhǔn)中也采用了OFDM 技術(shù)。為了對比傳統(tǒng)的分兩個階段進(jìn)行信道估計與均衡的算法,本文中傳統(tǒng)信道估計算法采用導(dǎo)頻輔助估計的方法,在目前的研究中,采用較為廣泛的導(dǎo)頻圖樣有梳狀導(dǎo)頻圖樣、塊狀導(dǎo)頻圖樣以及格狀導(dǎo)頻圖樣等[21]。如前文所述,在高速移動的通信場景中,信道呈現(xiàn)出雙選衰落特性,相對來說,塊狀導(dǎo)頻圖樣更適用于這種場景,所以IEEE 802.11p 以及LTE 等通信協(xié)議都采用了塊狀導(dǎo)頻圖樣來輔助進(jìn)行信道估計。本文采用塊狀導(dǎo)頻圖樣及LTE 導(dǎo)頻插入模式,基于LTE的OFDM幀結(jié)構(gòu)具體如圖1所示。
圖1 基于LTE的OFDM子幀結(jié)構(gòu)Fig.1 OFDM subframe structure based on LTE
考慮具有N個子載波的OFDM系統(tǒng),一個子幀總共包含T個OFDM 符號,設(shè)第t個OFDM 符號上第n個子載波上傳輸符的符號用st(n)表示,因此第t個OFDM 符號上傳輸?shù)姆柺噶繛椤㈩l域符號經(jīng)過逆離散傅里葉變換(Inverse Discrete Fourier Transform,IDFT)進(jìn)行OFDM調(diào)制后,有
其中:L為多徑數(shù);ht(k,l)表示第t個符號時間上,信道沖激響應(yīng)第l個抽頭的第k個采樣點(diǎn)。整個系統(tǒng)的信號處理框圖如圖2所示。
圖2 系統(tǒng)信號處理框圖Fig.2 Block diagram of system signal processing
在傳統(tǒng)算法中,需要首先在信道估計環(huán)節(jié)獲取到估計的,然后利用對接收數(shù)據(jù)yt進(jìn)行均衡得到,而在本文算法中,利用深度學(xué)習(xí)網(wǎng)絡(luò)在訓(xùn)練階段從大量接收數(shù)據(jù)yt中學(xué)習(xí)到信道變化特性,進(jìn)而在預(yù)測階段直接從yt得到。
本文算法V-EstEqNet主要包括一維(One Dimension,1D)卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN),雙向長短期記憶(Bi-directional Long Short-Term Memory,BiLSTM)網(wǎng)絡(luò)和全連接神經(jīng)網(wǎng)絡(luò)(Fully Connected Neural Network,F(xiàn)CN),結(jié)構(gòu)如圖3所示。
圖3 V-EstEqNet網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Network structure of V-EstEqNet
圖3 中:1D CNN 網(wǎng)絡(luò)和與其相連的第一個FCN 主要用于從接收數(shù)據(jù)中提取疊加的信道特征值,旨在提取信道特性;兩個長短期記憶(Long Short-Term Memory,LSTM)單元分別用于正向和反向跟蹤信道特性,對接收數(shù)據(jù)進(jìn)行補(bǔ)償和恢復(fù);因為雙向LSTM 的輸出是具有正反兩個方向的數(shù)據(jù)拼接,所以第二個FCN主要用于降維輸出,即最終的估計數(shù)據(jù)。
通常來說,一個CNN 網(wǎng)絡(luò)包含多個卷積核,這些卷積核可以視為卷積濾波器,每個卷積核在不同通道上處理該通道上的數(shù)據(jù),通過滑動卷積核的位置對數(shù)據(jù)進(jìn)行卷積求和。設(shè)W為卷積濾波器,其卷積核尺寸為l×w,其中l(wèi)表示卷積核的長,w表示卷積核的寬。在數(shù)據(jù)上滑動濾波器,對總共lw個數(shù)據(jù)加權(quán)求和得到卷積輸出。其變換公式可以表示為:
其中:b為偏置;f(?)為激活函數(shù);*表示卷積操作。本文使用雙正切激活函數(shù),即tanh函數(shù),其表達(dá)式為:
BiLSTM網(wǎng)絡(luò)為兩個單向LSTM網(wǎng)絡(luò)的組合,其中:正向的LSTM 網(wǎng)絡(luò)對信道特性進(jìn)行正向跟蹤,然后補(bǔ)償和恢復(fù)數(shù)據(jù);另一個LSTM 網(wǎng)絡(luò)進(jìn)行反向補(bǔ)償。LSTM 網(wǎng)絡(luò)主要由若干個LSTM單元組成,每個單元由輸入門、遺忘門、輸出門和記憶單元組成。遺忘門用于丟棄數(shù)據(jù)中的無用信息,輸入門決定添加新的信息的量,輸出門用于輸出經(jīng)過變換后的信息。LSTM網(wǎng)絡(luò)具有內(nèi)在的存儲器單元,能夠長時間保持先前提取的信息以用于下一個時刻的預(yù)測。單個LSTM的結(jié)構(gòu)如圖4所示。
在圖4中,所涉及的計算公式有:
圖4 LSTM結(jié)構(gòu)Fig.4 Structure of LSTM
其中:it、ft、ot、ct、lt分別為LSTM 網(wǎng)絡(luò)每個時間步的輸入門、遺忘門、輸出門、記憶單元和隱藏層矢量;Ui,Wi,Uf,Wf,Uc,Wc,Uo,Wo∈Rd×d為LSTM網(wǎng)絡(luò)的權(quán)重矩陣;bi,bf,bc,bo∈Rd為LSTM 網(wǎng)絡(luò)的偏置;⊙表示元素乘法;σ為sigmoid 激活函數(shù);d表示輸入序列維度,在本文中即為OFDM 子載波個數(shù);t為輸入序列長度,即OFDM 符號數(shù),也是LSTM 單元數(shù)量。將式(7)~(11)進(jìn)行組合,記為LSTM(?),則可以將公式簡化為:
其中:Θ表示LSTM 網(wǎng)絡(luò)中的所有參數(shù);Wl2o和bl2o表示隱藏層到輸出的權(quán)重和偏置。本文使用兩個方向相反的LSTM 單元對接收數(shù)據(jù)進(jìn)行補(bǔ)償,即BiLSTM,其輸出變換公式可以表示為:
其中:為t時刻BiLSTM 網(wǎng)絡(luò)的反向輸出;pt為t時刻BiLSTM網(wǎng)絡(luò)的輸出;Concat(?)函數(shù)將兩個矢量按指定維度結(jié)合起來。將BiLSTM網(wǎng)絡(luò)每個時間步的輸出變換簡寫成:
其中:為t-1 時刻BiLSTM 網(wǎng)絡(luò)的反向隱藏層矢量為t時刻BiLSTM 網(wǎng)絡(luò)的反向輸入;Θbi和BiLSTM(?)分別表示BiLSTM 網(wǎng)絡(luò)中的所有參數(shù)和變換函數(shù)。BiLSTM 網(wǎng)絡(luò)的輸出維度為單向LSTM 網(wǎng)絡(luò)的兩倍,因此在深度學(xué)習(xí)網(wǎng)絡(luò)最后一層使用全連接網(wǎng)絡(luò)對BiLSTM 網(wǎng)絡(luò)每個時間步的輸出進(jìn)行降維,相較于卷積神經(jīng)網(wǎng)絡(luò),全連接神經(jīng)網(wǎng)絡(luò)輸入每個元素都連接到一個不同的權(quán)重,輸出為輸入所有的元素加權(quán)和。
在搭建好深度學(xué)習(xí)網(wǎng)絡(luò)之后,要想使其具備從接收數(shù)據(jù)中恢復(fù)出發(fā)送數(shù)據(jù)的能力,必須對網(wǎng)絡(luò)中的所有參數(shù)進(jìn)行調(diào)整,這個過程稱為模型訓(xùn)練。在本文中采用端到端的方式來訓(xùn)練V-EstEqNet,以獲取網(wǎng)絡(luò)中所有的權(quán)重和偏置。以往的研究中,學(xué)者們提出了許多信道模型,以便在信道統(tǒng)計方面很好地描述信道,可以利用這些信道模型通過仿真得到所需要的數(shù)據(jù)。
如圖2所示,在t時刻,發(fā)送端首先產(chǎn)生一個隨機(jī)比特流,經(jīng)過星座點(diǎn)映射及OFDM 相關(guān)操作后的得到發(fā)送數(shù)據(jù)為st,發(fā)送數(shù)據(jù)經(jīng)過信道以后,在接收端得到疊加了信道特性的失真數(shù)據(jù)yt。本文所提學(xué)習(xí)網(wǎng)絡(luò)的輸入即接收數(shù)據(jù)yt,發(fā)送數(shù)據(jù)st作為訓(xùn)練標(biāo)簽。特別要指出的是,這里的st是子載波映射之后的OFDM 子幀數(shù)據(jù),且包含了導(dǎo)頻數(shù)據(jù);yt是在子載波解映射之前的OFDM 接收子幀數(shù)據(jù)。為了讓本文所提出的V-EstEqNet 更好地跟蹤信道特性對接收數(shù)據(jù)進(jìn)行恢復(fù),在訓(xùn)練網(wǎng)絡(luò)時訓(xùn)練集的數(shù)據(jù)不考慮噪聲的影響。由于神經(jīng)網(wǎng)絡(luò)需要以實(shí)數(shù)作為輸入,首先需要對數(shù)據(jù)進(jìn)行預(yù)處理,這里需要分別對訓(xùn)練數(shù)據(jù)yt以及標(biāo)簽st的實(shí)部和虛部進(jìn)行拼接,數(shù)據(jù)的預(yù)處理的維度變化示意圖見圖5。
圖5 數(shù)據(jù)預(yù)處理維度變化Fig.5 Dimension change of data preprocessing
這里考慮一個具有N個子載波的OFDM 通信系統(tǒng),如前文所述,本文采用塊狀導(dǎo)頻圖樣,導(dǎo)頻數(shù)據(jù)位于OFDM 幀結(jié)構(gòu)的1、5、8、12位置處,如圖1所示。在一個OFDM 子幀中,共包含14 個OFDM 符號,本文中采用逐幀檢測的方法,每當(dāng)接收端接收到一個OFDM 子幀yt,就利用V-EstEqNet 對其進(jìn)行校正和恢復(fù)。因此V-EstEqNet的輸入是OFDM 接收子幀全部數(shù)據(jù)的實(shí)部和虛部,其維度為2N×14,對于標(biāo)簽數(shù)據(jù)st的處理也是相同的處理方法。
V-EstEqNet 所有層的激活函數(shù)均為tanh 函數(shù),網(wǎng)絡(luò)中的所有需要更新的參數(shù)使用自適應(yīng)矩估計(ADAptive Moment estimation,ADAM)算法進(jìn)行更新,ADAM 算法與傳統(tǒng)采用固定學(xué)習(xí)率的梯度下降算法不同,它能夠通過訓(xùn)練來自適應(yīng)地更新學(xué)習(xí)率。在損失函數(shù)的選擇上,本文采用均方誤差(Mean Squared Error,MSE)損失函數(shù),通過最小化神經(jīng)網(wǎng)絡(luò)的輸出與訓(xùn)練標(biāo)簽st來訓(xùn)練網(wǎng)絡(luò),其公式為:
本文中,1D CNN 卷積核的數(shù)量為2N,卷積核大小為3,步長為1;BiLSTM 包含2N個神經(jīng)元;全連接神經(jīng)網(wǎng)絡(luò)為時序全連接層,即14 個時序上的接收數(shù)據(jù)共享同一組參數(shù),包含2N個神經(jīng)元。
表1 對比了不同信道估計算法與信道均衡算法進(jìn)行組合之后的計算復(fù)雜度,這里以完成一個OFDM 符號數(shù)據(jù)信道估計和信道均衡處理所進(jìn)行的實(shí)數(shù)乘法次數(shù)對復(fù)雜度進(jìn)行衡量。
表1 各算法計算復(fù)雜度Tab.1 Computational complexity of each algorithm
在本文中,使用以下約定:LS_ZF(Least Squares and ZF)為在導(dǎo)頻處使用最小二乘法(Least Squares,LS)進(jìn)行信道估計,再根據(jù)導(dǎo)頻處的估計結(jié)果對數(shù)據(jù)處進(jìn)行線性插值完成整個信道估計;然后對信道估計的結(jié)果采用ZF算法進(jìn)行信道均衡。LMMSE_ZF(Linear Minimum Mean Square Error and ZF)為在導(dǎo)頻處使用線性最小均方誤差法(Linear Minimum Mean Square Error,LMMSE)進(jìn)行信道估計,再根據(jù)導(dǎo)頻處的估計結(jié)果對數(shù)據(jù)處進(jìn)行線性插值完成整個信道估計;然后對信道估計的結(jié)果采用ZF 算法進(jìn)行信道均衡。LS_MMSE(LS and MMSE)、LMMSE_MMSE同理。
從表1 可以看出,V-EstEqNet 在線預(yù)測環(huán)節(jié)的復(fù)雜度盡管高于LS_ZF 算法和LS_MMSE 算法,但是與LMMSE_ZF 和LMMSE_MMSE 算法的復(fù)雜度處于同一個數(shù)量級內(nèi)。這是因為神經(jīng)網(wǎng)絡(luò)僅僅是一些矩陣的乘法和加法操作,因此其復(fù)雜度并沒有顯著增加。此外,神經(jīng)網(wǎng)絡(luò)可以對數(shù)據(jù)進(jìn)行并行處理,這也可以大大減少算法的運(yùn)行時間。總體而言,VEstEqNet的算法復(fù)雜度處于可接受的范圍內(nèi)。
為對比V-EstEqNet 與其他傳統(tǒng)算法的BER 性能。采用WINNER-II D2a[22]信道模型,訓(xùn)練時V-EstEqNet 的初始學(xué)習(xí)率為0.03,訓(xùn)練集的樣本個數(shù)為10 000,批量大小為100,epoch為100。仿真系統(tǒng)參數(shù)如表2所示。
表2 仿真系統(tǒng)參數(shù)Tab.2 Simulation system parameters
C-V2X 的大多數(shù)應(yīng)用場景都是終端在不斷移動的情況,但是為了實(shí)驗的完整性,本文從速度為0 的情況下開始進(jìn)行仿真實(shí)驗,在這種情況下發(fā)送數(shù)據(jù)受到的影響僅有碼間串?dāng)_(Inter Symbol Interference,ISI)。圖6為靜止?fàn)顟B(tài)下V-EstEqNet與各個傳統(tǒng)算法的BER性能對比。
圖6 靜止?fàn)顟B(tài)時的BER性能對比Fig.6 BER performance comparison in static condition
從圖6 的仿真結(jié)果可以看出,隨著信噪比(Signal-to-Noise Ratio,SNR)的升高,所有算法的BER 均在下降。相較于LS信道估計算法,LMMSE 信道估計算法在導(dǎo)頻數(shù)據(jù)處可以獲得更加精準(zhǔn)的CSI,再配合線性插值方法完成整個信道估計的結(jié)果也會更加接近于真實(shí)的CSI,因此再經(jīng)過均衡之后,在相同的信噪比下,LMMSE_ZF 和LMMSE_MMSE 的BER 性 能均好于LS_ZF 和LS_MMSE;而V-EstEqNet的BER 性能在低信噪比時(SNR 小 于6 dB 時),其BER 性 能 與LMMSE_ZF 和LMMSE_MMSE 效果相當(dāng),但是LMMSE 信道估計算法考慮了噪聲的影響,需要先驗知識,而V-EstEqNet 并不需要先驗知識,也可以有與之相當(dāng)?shù)男阅?,這說明V-EstEqNet在對抗噪聲時也有一定的效果;當(dāng)SNR 大于12 dB 時,V-EstEqNet 的BER性能就隨著SNR 的升高逐漸好于LMMSE_ZF 算法與LMMSE_MMSE算法。
當(dāng)通信終端處于運(yùn)動狀態(tài)時,此時信道對發(fā)送數(shù)據(jù)的影響除了有ISI 以外,還會出現(xiàn)載波間干擾(Inter Carrier Interference,ICI)。運(yùn)動速度越快,多普勒頻移也越大,ICI 的影響也就越大。圖7~10 分別是在速度為50 km/h、100 km/h、200 km/h、300 km/h時各種算法的BER性能對比。
從仿真結(jié)果可以看出,信道環(huán)境越惡劣,V-EstEqNet 的BER 性能就越好于傳統(tǒng)的算法。如圖7~8 所示,當(dāng)速度為較低的50 km/h 和100 km/h 時,此時V-EstEqNet 相較于傳統(tǒng)算法的LMMSE_ZF 與LMMSE_MMSE 最多有3 dB 的增益,相較于LS_ZF 與LS_MMSE 算法最高有6 dB 的增益。這說明本文所提出的V-EstEqNet能夠?qū)W習(xí)到接收數(shù)據(jù)中所隱含的雙選信道的特性,并根據(jù)這個特性來對數(shù)據(jù)進(jìn)行校正和恢復(fù)。
圖7 速度為50 km/h時的BER性能對比Fig.7 BER performance comparison at 50 km/h speed
圖8 速度為100 km/h時的BER性能對比Fig.8 BER performance comparison at 100 km/h speed
當(dāng)速度處于較高的200 km/h 和300 km/h 時,此時發(fā)送數(shù)據(jù)所面臨的ICI情況相較于低速情況下要更加嚴(yán)重,因此系統(tǒng)整體的BER性能比低速情況下要下降,尤其是在300 km/h時。在速度較高的情況下,傳統(tǒng)信道估計算法配合線性插值的方法并不能很好地跟蹤信道狀態(tài)變化,導(dǎo)致獲取到的CSI 誤差較大,進(jìn)而在信道均衡時引入了較大的誤差,所以BER 性能較差,而本文所提的V-EstEqNet 首先經(jīng)過了大量數(shù)據(jù)的離線訓(xùn)練,可以更好地跟蹤信道狀態(tài)的變化,所以表現(xiàn)出了更好的BER性能。如圖9~10所示,當(dāng)處于高速的環(huán)境中,V-EstEqNet在200km/h最多比LMMSE_ZF算法和LMMSE_MMSE算法高6dB的增益;而在300km/h時,V-EstEqNet 相較于LMMSE_ZF 算法和LMMSE_MMSE 算法的峰值增益則有9 dB。
圖9 速度為200 km/h時的BER性能對比Fig.9 BER performance comparison at 200 km/h speed
圖10 速度為300 km/h時的BER性能對比Fig.10 BER performance comparison at 300 km/h speed
由以上的仿真結(jié)果及分析可知,在不同的環(huán)境下,本文提出的基于深度學(xué)習(xí)的信道估計與均衡聯(lián)合算法V-EstEqNet能夠更好地適應(yīng)信道環(huán)境,尤其是在高速移動的條件下。
本文提出了一種面向LTE-V2X 的聯(lián)合信道估計與均衡的深度學(xué)習(xí)網(wǎng)絡(luò),不同于傳統(tǒng)的分兩個階段進(jìn)行信道估計與均衡,本文將信道估計與均衡進(jìn)行聯(lián)合設(shè)計,從接收數(shù)據(jù)中直接恢復(fù)原始的傳輸數(shù)據(jù)。仿真實(shí)驗結(jié)果表明,相較于傳統(tǒng)算法,無論在靜止條件下、低速條件下和高速條件下,本文算法V-EstEqNet 均有著較好的BER 性能,能夠更加精準(zhǔn)地從接收數(shù)據(jù)中跟蹤信道特性,然后對接收數(shù)據(jù)進(jìn)行補(bǔ)償。