李新增,金 婕,張 嘉,齊欣宇

(上海工程技術(shù)大學(xué) 電子電氣工程學(xué)院,上海 201620)

1 引 言

濾波器組多載波(Filter Bank Multicarrier,FBMC)系統(tǒng)具有有效地分配可用的時間-頻率資源、低延遲擴展兩個特點,使得FBMC成為未來移動通信系統(tǒng)的可行選擇[1-5].FBMC存在正交幅度調(diào)制、偏移正交幅度調(diào)制等調(diào)制方式,本文使用偏移正交幅度調(diào)制(Offset Quadrature Amplitude Modulation,OQAM),因為它提供了更高的頻譜效率[6-8].

由于FBMC/OQAM系統(tǒng)中的原型濾波器會使接收端信號產(chǎn)生虛部干擾,因此處理FBMC/OQAM系統(tǒng)的虛部干擾問題成了信道估計的重要問題[9,10].針對虛部干擾的問題,文獻[11]中提出了通過對導(dǎo)頻兩側(cè)加入固定的保護間隔來抵消原型濾波器的虛部干擾的解決方法,不足是導(dǎo)頻及保護間隔減少了頻帶利用率.文獻[12]通過在導(dǎo)頻端預(yù)留輔助項使其幅值與干擾系數(shù)的乘積等于導(dǎo)頻疊加干擾的相反數(shù),但輔助項功率過高,降低了系統(tǒng)穩(wěn)定性.文獻[13]通過LMMSE信道估計的理論表達式簡化了FBMC信道估計算法,但原型濾波器的虛部干擾問題沒有解決.

另一方面,深度學(xué)習(xí)(Deep Learning,DL)算法在通信領(lǐng)域的應(yīng)用也逐漸引起研究人員的廣泛關(guān)注.

文獻[14]應(yīng)用深度神經(jīng)網(wǎng)絡(luò)算法(Deep Neural Network,DNN)對OFDM通信系統(tǒng)進行信道估計與均衡,其中DNN結(jié)構(gòu)簡單,但參數(shù)復(fù)雜,容易產(chǎn)生梯度消失情況,無法對時間序列上的變化進行建模,只適用于固定信道或低時延信道.卷積神經(jīng)網(wǎng)絡(luò)[15]CNN(Convolutional Neural Network,CNN)增加了卷積核,適用于數(shù)據(jù)的深層特征提取,主要應(yīng)用在圖像識別、分類等方面.循環(huán)神經(jīng)網(wǎng)絡(luò)算法[16](Recurrent Neural Network,RNN)雖然對時序數(shù)據(jù)做出精確處理,但梯度消失較快只能做短期的記憶網(wǎng)絡(luò).因此本文采用LSTM[17]神經(jīng)網(wǎng)絡(luò)進行信道估計,LSTM神經(jīng)網(wǎng)絡(luò)作為RNN的一種變體,通過輸入門更新數(shù)據(jù),遺忘門遺失無關(guān)數(shù)據(jù),輸出門保留相關(guān)數(shù)據(jù)的方法組成一個記憶網(wǎng)絡(luò),不僅在一定程度上解決了梯度消失的問題[18],而且適合處理時間序列問題帶來的困擾[19].因此本文提出了FBMC-LSTM算法,將LSTM算法融合到FBMC系統(tǒng)中,實現(xiàn)FBMC系統(tǒng)信道估計與均衡.

本文主要創(chuàng)新工作如下:

1)通過深度學(xué)習(xí)中遷移學(xué)習(xí)的思想,把在自然語言處理表現(xiàn)較好的LSTM神經(jīng)網(wǎng)絡(luò),遷移應(yīng)用到通信系統(tǒng)中,實驗證明在通信系統(tǒng)中,LSTM神經(jīng)網(wǎng)絡(luò)對比DNN,CNN網(wǎng)絡(luò),具有更好的性能.

2)研究不同導(dǎo)頻結(jié)構(gòu)對FBMC-LSTM算法性能的影響.對導(dǎo)頻在時頻點位置進行優(yōu)化,對比塊狀與優(yōu)化離散導(dǎo)頻兩種對應(yīng)結(jié)構(gòu),提出了基于優(yōu)化離散導(dǎo)頻的FBMC-LSTM算法,仿真結(jié)果表明基于優(yōu)化離散導(dǎo)頻的FBMC-LSTM算法具有更簡單的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和更低的誤碼率.

3)將信道編碼應(yīng)用FBMC-LSTM算法中,仿真結(jié)果表明信道編碼可以進一步降低所提出算法的誤比特率.

4)用Vehicular A,200km/h、Pedestrian A,10km/h、TDL-A,300ns、WINNER II Channel 4種典型信道進行本文提出的信道估計算法的訓(xùn)練與測試,仿真結(jié)果表明FBMC-LSTM算法在多種信道環(huán)境下,均表現(xiàn)出較好的性能.

2 系統(tǒng)模型

2.1 FBMC系統(tǒng)模型

FBMC基帶等效發(fā)送信號可以表示為[9,11]:

(1)

其中L、K分別表示子載波與符號數(shù),dl,k表示位置在(l,k)時頻坐標下的FBMC符號.pl,k(t)表示原型濾波器函數(shù),為實對稱函數(shù),如公式(2)所示:

(2)

其中,F0表示子載波間隔,接收信號為yl0,k0:

(3)

〈pl,k(t),pl0,k0(t)〉R=dl,l0dk,k0

(4)

其中式(4)中,〈pl,k(t),pl0,k0(t)〉R表示的是pl,k(t)與pl0,k0(t)與取內(nèi)積實數(shù)值.d表示Kroneckerd函數(shù),即當l=l0時,dl,l0=1否則dl,l0=0,因此接收端根據(jù)正交性就可以準確地恢復(fù)所發(fā)送的數(shù)據(jù).

2.2 FBMC系統(tǒng)信道估計問題設(shè)置

假設(shè)信道是時頻不變性的,那么式(3)中的yl0,k0可以根據(jù)發(fā)送信號與信道的關(guān)系改寫為:

(5)

(6)

(7)

(8)

在相位均衡方面,公式(5)可以用向量y表示為y=Ax+ΩHη=ΩHHΩx+ΩHη其中向量d=[d1,1d1,2…d1,Kd2,1…dL,K]T∈RLK×1代表發(fā)送的時頻符號矩陣,原型濾波器向量表示為Ω,ΩH為Ω為的自共軛矩陣,為總的時間抽樣次數(shù),H∈RC×C表示為信道卷積矩陣向量.

2.3 LSTM神經(jīng)網(wǎng)絡(luò)算法

LSTM神經(jīng)算法于1997年被首次提出,近幾年因為其在自然語言處理等領(lǐng)域中處理效果優(yōu)于DNN、CNN等網(wǎng)絡(luò)而開始得到廣泛關(guān)注[19].

LSTM算法通過遺忘門ft、輸入門it與輸出門Ot三門控制來完成神經(jīng)單元cell內(nèi)數(shù)據(jù)的遺失、更新與保留.首先遺忘門丟棄一些cell狀態(tài)信息,然后輸入門把保留信息選擇性的記錄到cell狀態(tài)中,最后輸出門用來確定cell的輸出狀態(tài)[18].LSTM算法的每個cell的遺忘門、輸入門和輸出門關(guān)系如公式(9)所示[20]:

(9)

σ表示sigmoid函數(shù),WfWiWoWc分別表示遺忘門、輸入門、輸出門與單元狀態(tài)的參數(shù)矩陣,tanh表示tanh函數(shù),Ot表示當前時刻輸出門的值.

3 優(yōu)化離散導(dǎo)頻下的FBMC-LSTM信道估計算法

3.1 優(yōu)化導(dǎo)頻設(shè)計

為了進一步提高FBMC-LSTM算法系統(tǒng)性能,本文對兩種結(jié)構(gòu)導(dǎo)頻進行了研究.

第1種為塊狀導(dǎo)頻[21],塊狀導(dǎo)頻占滿整個帶寬,對頻率選擇性不敏感.塊狀導(dǎo)頻易于生成,對導(dǎo)頻內(nèi)的數(shù)據(jù)排列方式?jīng)]有特殊要求;位置固定,易于接收端對導(dǎo)頻進行處理.

第2種為離散導(dǎo)頻[22],在時頻空間根據(jù)一定的規(guī)律零散的插入導(dǎo)頻符號.

FBMC通信系統(tǒng)的固有干擾如公式(7)所示,為了更直觀地看出FBMC通信系統(tǒng)的原型濾波器對于導(dǎo)頻的影響,本文選取Hermite濾波器的一階干擾鄰域,表示成干擾系數(shù)矩陣為:

(10)

α、β、γ可通過濾波及其系數(shù)信息累加組成,Hermite濾波器對應(yīng)的干擾系數(shù)分別為0.43574j、0.43574j、0.23929j.

本文為了應(yīng)對FBMC通信系統(tǒng)的一階干擾,離散導(dǎo)頻設(shè)為三列導(dǎo)頻結(jié)構(gòu),如圖1所示.

圖1 導(dǎo)頻序列結(jié)構(gòu)Fig.1 Sequence structure of pilot

設(shè)dl±1,k±1=0,圖1(a)～圖1(d)導(dǎo)頻序列結(jié)構(gòu)與公式(13)的干擾系數(shù)相點乘,每個導(dǎo)頻序列結(jié)構(gòu)中的中間導(dǎo)頻受到的干擾后的偽導(dǎo)頻分別為[1+2β-1+2β-1-2β1-2β]T、[1-2β-1+2β1-2β1+2β]T、[1 -1+2β-1 -1-2β]T、[-1 -1 -1 -1]T.

圖1(a)的偽導(dǎo)頻序列之間只相差正負號,圖1(b)的偽導(dǎo)頻序列之間也只相差正負號,圖1(c)的偽導(dǎo)頻序列不僅相差正負號,還有兩倍干擾系數(shù),圖1(d)的偽導(dǎo)頻序列相同都為-1.

為了提高頻譜利用率,中間導(dǎo)頻兩側(cè)是非零隨機二進制數(shù),即dl±1,k±1為隨機二進制數(shù).因為圖1(a)、圖1(b)、圖1(c)、圖1(d)導(dǎo)頻兩側(cè)對導(dǎo)頻序列影響是相同的,不同點在于圖1(a)、圖1(b)、圖1(c)、圖1(d)導(dǎo)頻序列本身的排列與取值,導(dǎo)頻序列受干擾后的相鄰偽導(dǎo)頻差異越明顯,如圖1(c)的偽導(dǎo)頻所示,越容易被LSTM神經(jīng)網(wǎng)絡(luò)計算導(dǎo)頻特征信息,對信道估計越準確.

經(jīng)過仿真實驗確定導(dǎo)頻序列為[1 -1 -1 1]T時,優(yōu)化導(dǎo)頻的FBMC-LSTM信道估計算法效果最好.

基于塊狀導(dǎo)頻與優(yōu)化離散導(dǎo)頻的LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如表1、表2所示,可以看出優(yōu)化導(dǎo)頻后,LSTM的結(jié)構(gòu)更加簡單,優(yōu)化導(dǎo)頻比塊狀導(dǎo)頻的網(wǎng)絡(luò)層數(shù)減少兩層,cell的個數(shù)減少了3倍,大大降低了運算復(fù)雜度,結(jié)構(gòu)優(yōu)化效果明顯.

表1 基于塊狀導(dǎo)頻的LSTM網(wǎng)絡(luò)結(jié)構(gòu)Table 1 LSTM network structure based on block pilot

表2 基于優(yōu)化離散導(dǎo)頻的LSTM網(wǎng)絡(luò)結(jié)構(gòu)Table 2 LSTM network structure based on optimized discrete pilot

3.2 本文提出的信道估計算法

提出的基于優(yōu)化離散導(dǎo)頻的FBMC-LSTM信道估計算法如圖2所示.在傳統(tǒng)的接收機信道估計方案中,接收信號經(jīng)FFT變換到頻域后,先提取前導(dǎo)頻序列,之后進行信道估計與均衡[23].在本文提出的算法中,信道估計、均衡和QAM解映射模塊被LSTM神經(jīng)網(wǎng)絡(luò)模型代替.即經(jīng)過FFT后,頻域序列分別乘以j-(l+2k)或j-(l+2k+1),之后提取每個符號的虛、實部,然后輸入到LSTM神經(jīng)網(wǎng)絡(luò)的輸入層.

圖2 本文提出的優(yōu)化導(dǎo)頻FBMC-LSTM信道估計算法結(jié)構(gòu)Fig.2 Optimized pilot FBMC-LSTM channel estimation algorithm proposed

本文使用Vehicular A,200km/h、Pedestrian A,10km/h、TDL-A,300ns、WINNER II Channel 5種典型信道[24,25]進行FBMC-LSTM算法信道估計的訓(xùn)練與測試,其中TDL-A,300ns(Time Delay Line-A,300ns)表示抽頭延時300ns,A類模型、WINNER(wireless world initiative new radio)II Channel表示第2代無線通信中提議新增加測量的信道數(shù)據(jù)集,5種不同的信道對應(yīng)不同數(shù)量的訓(xùn)練樣本、測試樣本和標簽d.訓(xùn)練樣本數(shù)隨著信道的復(fù)雜度的增加而增加.

3.2.1 塊狀導(dǎo)頻FBMC-LSTM信道估計算法

塊狀導(dǎo)頻FBMC-LSTM算法數(shù)據(jù)集與測試集的數(shù)據(jù)生成實驗信道為WINNER II Channel、Vehicular A,200km/h兩種,塊狀導(dǎo)頻FBMC-LSTM算法發(fā)送端的具體過程如步驟1)～步驟3)所示:

1)隨機產(chǎn)生一組4-QAM調(diào)制的頻域序列,將此序列作為前導(dǎo)碼放在第1個符號中;

2)隨機生成一批二進制位并保存,進行卷積編碼,保存經(jīng)過卷積運算的結(jié)果為訓(xùn)練標簽d.生成的卷積比特將被n階QAM調(diào)制成頻域序列,放置在隨后的符號中;

3)步驟2)生成的序列依次經(jīng)過OQAM調(diào)制、IFFT、濾波器組、信號疊加模塊,生成時域復(fù)數(shù)值信號進行發(fā)射,信號經(jīng)過信道,加AWGN噪聲.

塊狀導(dǎo)頻FBMC-LSTM算法的接收端,信道估計與均衡、信道解碼等過程的具體過程如步驟4)～步驟6)所示:

4)通過解原型濾波器、FFT、乘j-(l+2k)或l-(l+2k+1)的計算后得到相應(yīng)維度的復(fù)數(shù)矩陣,將得到的復(fù)數(shù)矩陣的實部和虛部分別交織并序列化成一個長實數(shù)序列.此長實數(shù)值序列就是本文需要的訓(xùn)練和測試樣本,即LSTM神經(jīng)網(wǎng)絡(luò)的輸入;

5)步驟4)生成的實數(shù)矩陣通過表1的LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu);

6)經(jīng)過網(wǎng)絡(luò)輸出后的值為收斂于0或1的概率值,然后進行sign符號函數(shù)運算,得到對應(yīng)的0、1比特流,生成的比特流經(jīng)過維特比譯碼得到真實輸入的比特值,再與步驟2)保存的標簽做均方差運算,得到誤比特率;

重復(fù)上述的步驟1)～步驟6),就可以得到足夠的訓(xùn)練集.

3.2.2 優(yōu)化離散導(dǎo)頻FBMC-LSTM信道估計算法

優(yōu)化離散導(dǎo)頻FBMC-LSTM算法數(shù)據(jù)集與測試集的數(shù)據(jù)生成實驗信道為TDL-A,300ns、WINNER II Channel、Pedestrian A,10km/h、3種,優(yōu)化離散導(dǎo)頻FBMC-LSTM算法發(fā)送端的具體過程如步驟1)～步驟3)所示:

1)優(yōu)化離散導(dǎo)頻信道估計:將序列[1 -1 -1 -1]T按順序間隔插入到需發(fā)送的符號中;

2)優(yōu)化離散導(dǎo)頻信道估計:將新生成的序列保存作為輸出標簽d,然后序列經(jīng)過串并轉(zhuǎn)換后被n階QAM調(diào)制成頻域序列;

3)步驟2)生成的序列依次經(jīng)過OQAM調(diào)制、IFFT、濾波器組、信號疊加模塊,生成時域復(fù)數(shù)值信號進行發(fā)射,信號經(jīng)過信道,加AWGN噪聲.

優(yōu)化離散導(dǎo)頻FBMC-LSTM算法的接收端,步驟4)與塊狀導(dǎo)頻相同,但步驟4)優(yōu)化離散導(dǎo)頻FBMC-LSTM算法生成的實數(shù)矩陣通過表2的LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),網(wǎng)絡(luò)輸出為收斂于0或1的概率值,然后進行sign符號函數(shù)運算,得到對應(yīng)的0、1比特流,再與步驟2)保存的標簽做均方差運算,得到離散優(yōu)化導(dǎo)頻FBMC-LSTM信道估計算法的誤比特率,重復(fù)上述步驟,獲取足夠的訓(xùn)練集.

3.2.3 本文提出的信道估計算法參數(shù)設(shè)計

(11)

文中比較了FBMC-DNN算法和FBMC-LSTM算法.其中,FBMC-DNN算法中的DNN網(wǎng)絡(luò)結(jié)構(gòu)如表3所示.

表3 DNN網(wǎng)絡(luò)結(jié)構(gòu)Table 3 DNN network structure

在每次訓(xùn)練期間,塊狀導(dǎo)頻FBMC-LSTM算法結(jié)構(gòu)生成訓(xùn)練數(shù)據(jù)集1500～3000個批次的樣本,優(yōu)化離散導(dǎo)頻只需要500～700個批次的樣本訓(xùn)練.因為不同的信道、調(diào)制階數(shù)和不同的網(wǎng)絡(luò)結(jié)構(gòu)的需要生成不同的訓(xùn)練集、測試集與標簽,每個批次分為不同的長包與短包,長包設(shè)置為800字節(jié),一個符號為128比特,短包設(shè)置為100字節(jié).RMSProp優(yōu)化器學(xué)習(xí)率根據(jù)收斂狀態(tài)設(shè)置為0.01～0.001.在測試過程中,塊狀導(dǎo)頻FBMC-LSTM算法batch個數(shù)設(shè)置為300～600,優(yōu)化離散導(dǎo)頻FBMC-LSTM算法batch個數(shù)設(shè)置為150～200,每個batch的長包設(shè)置為800字節(jié),短包設(shè)置為100字節(jié).

3.3 信道編解碼

為了進一步提高塊狀導(dǎo)頻的FBMC-LSTM算法性能,本文增加了信道編解碼模塊.

塊狀導(dǎo)頻FBMC-LSTM算法的信道編碼部分,采用(2,1,3)卷積碼,碼率為1/2,生成多項式系數(shù)分別是(1,1,1),(1,0,1),采用表1四層LSTM網(wǎng)絡(luò)作為FBMC系統(tǒng)的信道估計部分.信道編碼過程如圖2所示,發(fā)送端采用卷積碼對傳輸?shù)臄?shù)據(jù)進行卷積編碼,然后經(jīng)過塊狀導(dǎo)頻FBMC-LSTM信道估計算法,對算法輸出的信息進行維特比譯碼,即可恢復(fù)發(fā)送數(shù)據(jù).四層LSTM網(wǎng)絡(luò)單元每個cell遺忘門的激活函數(shù)為sigmoid函數(shù),輸入門與輸出門的激活函數(shù)為tanh函數(shù),輸出層(全連接層)激活函數(shù)為sigmoid函數(shù).

4 仿真結(jié)果與分析

通過在matlab上搭建仿真平臺,對本文提出FBMC-LSTM信道估計算法進行了仿真,仿真實驗基本參數(shù)如表4所示.第1節(jié)為基于塊狀導(dǎo)頻、卷積編碼的FBMC-LSTM信道估計算法仿真,對比FBMC的IAM算法等結(jié)果進行分析;第2節(jié)為優(yōu)化離散導(dǎo)頻FBMC-LSTM信道算法仿真分析,主要對優(yōu)化的導(dǎo)頻結(jié)構(gòu)進行結(jié)果的驗證與分析,在16QAM調(diào)制TDL-A,300ns、4QAM調(diào)制WINNER II Channel、64QAM調(diào)制Pedstrian A(10km/h)3種信道下,塊狀導(dǎo)頻與優(yōu)化離散導(dǎo)頻的FBMC-LSTM算法結(jié)果進行了比較與分析.

表4 仿真參數(shù)Table 4 Simulation parameters

在本節(jié)中分別實現(xiàn)了4、16、64QAM的映射,采用IEEE 802.22 信道模型[24]與WINNER II Channel[25]信道模型,表4給出了仿真實驗的基本參數(shù).

4.1 塊狀導(dǎo)頻、信道編碼、四層FBMC-LSTM的信道估計算法誤碼率分析

如圖3所示,FBMC-LSTM信道估計算法與IAM[11]算法進行性能比較,結(jié)果表明在SNR=30時,所提算法性能誤比特率可以達到1.22×10-4,塊狀導(dǎo)頻FBMC-LSTM模型方案的性能優(yōu)于傳統(tǒng)算法.

圖3 FBMC-LSTM算法與IAM算法信道估計性能比較Fig.3 Performance comparison of FBMC-LSTM algorithm vs.IAM channel estimation

FBMC-LSTM-long、FBMC-LSTM-convolutional為LSTM神經(jīng)網(wǎng)絡(luò)長包仿真曲線,每個包長800字節(jié)長度.

在SNR=25時,FBMC-LSTM-convolutional算法比FBMC-LSTM-long算法誤碼率降低5.37dB,FBMC-LSTM-short比傳統(tǒng)E-IAM-C降低6.89dB,FBMC-LSTM-short比FBMC-LSTM-long降低3.58dB,說明數(shù)據(jù)包越短誤碼率越低.

帶有信道編碼的基于塊狀導(dǎo)頻的FBMC-LSTM信道估計算法性能比DNN神經(jīng)網(wǎng)絡(luò)最優(yōu)可達4.25～9.46dB,較IAM算法低4.83～8.6dB,提升范圍有限.因此本文又提出了優(yōu)化離散導(dǎo)頻FBMC-LSTM系統(tǒng)信道估計算法,進一步降低誤碼率.

4.2 基于優(yōu)化離散導(dǎo)頻的FBMC-LSTM信道估計算法誤碼率分析

優(yōu)化離散導(dǎo)頻FBMC-LSTM信道估計算法中的LSTM算法結(jié)構(gòu)為3.1節(jié)的表2所示.

圖4所示為在3.1節(jié)設(shè)計的4組優(yōu)化離散導(dǎo)頻仿真序列,在SNR=30dB時,誤比特率從大到小排列順序分別為導(dǎo)頻d′

圖4 FBMC-LSTM優(yōu)化離散導(dǎo)頻d′、a′、b′、c′4種誤碼率性能比較Fig.4 Bit error rate of d′、a′、b′、c′four kinds optimized discrete pilot FBMC-LSTM system

如圖5所示FBMC-LSTM信道估計算法的優(yōu)化導(dǎo)頻與塊狀導(dǎo)頻在低速行人A信道的性能比較.當信噪比大于10dB時,在相同誤比特率下,優(yōu)化導(dǎo)頻的Optimized-pilot-LSTM優(yōu)于塊狀導(dǎo)頻FBMC-LSTM-short6.41-13.4dB,且優(yōu)化導(dǎo)頻的LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相較于四層塊狀導(dǎo)頻的LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)降低了3層,cell個數(shù)減少了3倍,優(yōu)化導(dǎo)頻不僅降低了LSTM神經(jīng)網(wǎng)絡(luò)的復(fù)雜度,而且提高了FBMC-LSTM信道估計算法的準確性.

圖5 FBMC-LSTM優(yōu)化離散導(dǎo)頻與FBMC-LSTM塊狀導(dǎo)頻性能比較Fig.5 FBMC-LSTM optimization discrete pilot vs.FBMC-LSTM block pilot

值得注意的是,在信噪比小于10dB時,FBMC-LSTM信道估計算法的優(yōu)化導(dǎo)頻與塊狀導(dǎo)頻的誤比特率曲線變化平緩,說明較低信噪比下,兩者的性能較接近.

如圖6所示,將本文的優(yōu)化離散導(dǎo)頻應(yīng)用在DNN網(wǎng)絡(luò)信道估計算法中,生成了曲線Optimized-pilot-DNN,Optimized-pilot-DNN優(yōu)于塊狀導(dǎo)頻的FBMC-DNN信道估計算法Block-Pilot-DNN最大可達16.4dB.在相同的LSTM網(wǎng)絡(luò),SNR=25時,Optimized-pilot-LSTM優(yōu)于導(dǎo)頻結(jié)構(gòu)Discrete-Pilot-LSTM的誤碼率增益為14.3dB,說明了導(dǎo)頻結(jié)構(gòu)對LSTM算法有著重要作用.

圖6 FBMC-LSTM優(yōu)化離散導(dǎo)頻與DNN優(yōu)化離散導(dǎo)頻仿真性能比較Fig.6 FBMC-LSTM optimization discrete pilot vs.DNN optimization discrete pilot

文章提出的優(yōu)化離散導(dǎo)頻結(jié)構(gòu)適用于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),不僅是FBMC-LSTM信道估計算法結(jié)構(gòu),還有FBMC-DNN信道估計算法結(jié)構(gòu).在相同的網(wǎng)絡(luò)結(jié)構(gòu)下,本文提出的離散優(yōu)化導(dǎo)頻優(yōu)于塊狀導(dǎo)頻結(jié)構(gòu)與其他離散導(dǎo)頻結(jié)構(gòu).同時,合適的導(dǎo)頻結(jié)構(gòu)對深度學(xué)習(xí)的信道估計性能影響較大.WINNER II信道中包含了如室內(nèi)到室外、城市微蜂窩、城市宏蜂窩等實測信道數(shù)據(jù)集,為后期優(yōu)化離散導(dǎo)頻FBMC-LSTM算法應(yīng)用于真實場景做準備.

5 結(jié)束語

本文提出的優(yōu)化離散導(dǎo)頻不僅可以降低LSTM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),而且相比其它算法,誤碼率降低了6.46dB～16.4dB.綜上所述,本文提出了FBMC-LSTM信道估計算法,并深入探討了導(dǎo)頻、信道編碼對于FBMC-LSTM信道估計算法性能的影響,為今后深度學(xué)習(xí)在通信領(lǐng)域的應(yīng)用奠定了一定的基礎(chǔ).