论文分享——自由空间光通信系统下的基于深度学习的信道估计
作者:互联网
一直在寻找合适的论文,想要找到自己研究方向的切入点,这里给大家分享一篇最近在看的论文《Deep learning forchannel estimation in FSO communication system》。论文中提出不同的基于深度学习的新型自由空间光(free space optical,FSO)通信系统,其中深度学习用作检测器,联合星座整形器和检测器,信道估计器,联合信道估计器和检测器,联合星座整形器和信道估计器和检测器。为了与传统系统进行比较,还应用了QAM调制,完美的信道估计和最大似然检测。
1、论文要解决的问题
FSO通信系统由于具有优于常规射频系统的优势,因此是未来通信服务中最有希望的技术之一。 FSO对于户外通信应用非常有效;它适用于远程通信(无需信号放大或校正)。尽管室外射频通信链路很容易进行窃听,但FSO链路却不受窃听。除了这些优点外,室外大气湍流还会显着降低FSO链路的性能,并限制其实际应用。因此,估计大气湍流通道(并使其均衡)可以真正改善FSO链路的性能。针对该问题的杰出传统解决方案是基于导频传输的完美信道估计,然而,完美信道的估计具有很高的复杂度并降低了数据速率。所以需要找到一个方法降低复杂度并提升速率。
2、为什么选择深度神经网络(DNN)
在所用的结构中使用DNN的原因是,DNN是唯一可以在任何类型(有监督的和无监督的)任何地方(星座整形器,信道估计器和检测器)应用的机器学习算法。例如,即使支持向量机(它是有监督的二进制分类器),尽管其检测性能良好,但也不能应用于星座整形器或信道估计器等其他部分(因为这两个部分是无监督的。DNN是光学通信中使用最广泛的深度学习技术,并且是传统方法的适当替代方法。DNN的复杂度低,响应速度快。它可以建模复杂的多维非线性关系。由于这些优点,在FSO中应用DNN进行星座整形,信道估计和检测可以显着降低复杂性,成本,等待时间和处理,同时保持系统性能。
3、系统模型
如图1所示,一共建立了六种系统结构
l QAM-完美信道估计-最大似然
l QAM-DNN-最大似然
l QAM-完美信道估计-DNN
l DNN-完美信道估计-DNN
l QAM-DNN-DNN
l DNN-DNN-DNN
其中X-Y-Z分别含义为,X:星座整形器(QAM或DNN)
Y:信道估计器(完美信道估计或DNN)
Z:检测器(最大似然或DNN)
图1 FSO系统的不同结构
QAM-完美信道估计-最大似然
如图1a所示,第一种结构是纯常规结构,由QAM调制,完善的信道估计和最大似然检测组成,信息信号由光发送器发送并由相干光接收器接收。用于与提出的基于深度学习的结构进行比较,信息信号由光发送器发送并由相干光接收器接收。 x为发射的FSO信号,在接收器孔径处的接收信号可以表示为:
其中n为零均值的接收孔径输入加性高斯白噪声(AWGN);I是大气湍流强度,假定为伽玛–伽玛;R是检测器的影响因子。背景噪声受限的接收器,由背景辐射产生的散粒噪声占主导地位,因此,噪声项被建模为与信号无关的AWGN。假设信道估计完美,则最大似然接收器变为:
QAM-完美信道估计-DNN
如图1c中,深度学习用于检测,它由QAM调制,完美信道估计和基于DNN的检测组成。将x作为传输符号,首先将该符号转换为一个one-hot矢量(因为最后,DNN的输出将是一个大小为M的矢量,希望与该矢量相同)。然后,将one-hot向量映射到M-QAM星座图上,并从FSO发送器发送,通过大气湍流,并在FSO接收器处接收。接收到的信号是复数,但DNN不接受复数。因此,它的实部和虚部被分离并进入具有2个输入神经元,1个输出神经元,2个隐藏层,1个层神经元,激活函数,权重矩阵和偏向向量的DNN。目的是调整DNN参数(权重和偏差),以便接收器可以更好地恢复原始传输的M维符号。
DNN每一层的输入都乘以权重,再加上偏差,相加后输入激活函数。每个激活功能的输出是下一层的输入,并且相同的过程一直持续到DNN结束。为减小输出与预测值之间的误差,为每个单独的传输符号定义并计算一个损失函数,并在整个批量范围内预期损失函数,采用的损失函数如下:
其中K是批处理大小,l(。,。)是损失函数。所考虑的损失函数是交叉熵,定义为:
可以通过随机梯度下降法使损失函数最小化。
DNN-完美信道估计-DNN
如图1d,使用DNN作为联合检测器和星座整形器。因此,它由基于DNN的星座图整形,完美信道估计和基于DNN的检测组成。x为生成的M元符号,首先将其转换为一个one-hot向量,然后输入具有M个输入神经元和2个输出神经元的DNN中。其他DNN结构与前面DNN完全相同,DNN输出的复数求和产生一个复数,该复数代表信号星座图中所传输符号的位置。
QAM-DNN-最大似然
如图1b,提出一种基于DNN的信道估计器。该结构由QAM调制器,基于DNN的信道估计和最大似然检测器组成。x为传输符号,将接收器处的接收信号输入具有2个输入神经元和2个输出神经元的DNN中,其他DNN结构与前面DNN完全相同,实际上,此DNN的输出是对信道的估计(该估计无需任何导频符号即可完成,并且假定该信道不相关且是随机的)。接收到的信号进入最大似然检测器,通过使用估计的信道,恢复发送的信号。
QAM-DNN-DNN
如图1e,研究使用DNN进行联合信道估计和检测的效果。该结构包括QAM调制,基于DNN的信道估计和基于DNN的检测。x为传输符号,该符号首先被转换为one-hot矢量,然后映射到M-QAM星座,然后通过FSO信道传输。首先将接收到的信号输入具有与图1b相同结构的DNN,此DNN的输出是信道估计,然后考虑该信道估计以消除信道影响,则将信号(除去信道影响)输入具有与图1c相同的结构DNN。
DNN-DNN-DNN
图1f的目的是研究使用DNN进行联合星座整形,信道估计和检测的效果,因此所有这些部分都是基于DNN的。将x视为生成的M元符号,首先将其转换为one-hot矢量,然后输入与图1d中的DNN相同的DNN,然后映射的符号被传输,遇到伽玛-伽玛大气湍流,并添加AWGN;首先将接收到的信号输入具有与图1b相同结构的DNN中,此DNN的输出是信道估计,然后考虑该信道估计以消除信道影响,则将信号(除去信道影响)输入到具有与图1c相同的结构的DNN,目的是同时调整所提出结构的DNN参数,以减少大气湍流效应,并更好地恢复信号。
4、仿真分析
这里仅对大气湍流状态级别为弱的情况进行分析,如图2所示,当完成完美的信道估计时,传统结构和基于DNN的结构的效果是相同的,这是因为当信道估计完美时,DNN应该解决的问题是线性的;实际上,当模型未知或非线性的情况下,DNN的性能远远超出了常规系统。不过这也表明所提出的基于DNN的接收机在线性模型中也有效地完成其工作。可以看出,当信道估计不够完美时,添加每个DNN系统(检测器,星座整形器和信道估计器)将提高系统性能,因为当信道估计不相关且随机时,没有导频符号序列就很难,这正是可以使用DNN的地方。在每个部分的DNN之间的性能差异表明,尽管进行了大多数应用研究,即在接收方使用DNN,但DNN可以用作通信系统的每个部分。
图2 大气湍流状态级别为弱时Es/N0与SER的关系
参考文献
M A Amirabadi,M H Kahaei, S ANezamalhosseini,et al. Deep learning for channel estimation in FSO communicationsystem[J].Optics Communications,2020,459.
标签:光通信,完美,DNN,FSO,信道,估计,自由空间,QAM 来源: https://blog.51cto.com/15127585/2670088