人工智能辅助的OFDM接收机设计与实现

点击蓝字

关注我们

人工智能辅助的OFDM接收机

设计与实现

姜培文 王天奇 韩彬 高璇璇 张静

温朝凯 金石 Geoffrey Ye Li

本帖底部附有文章链接

如有需要，请自行下载

主要内容

近年来，智能通信已经成为5G乃至5G后的前沿研究方向。正交频分复用（OFDM）技术作为物理层传输关键技术之一，被广泛应用于现代无线通信系统（图1）。面向OFDM在智能通信中的应用，本文首先介绍了两种不同的人工智能辅助的OFDM 接收机：数据驱动全连接深度神经网络（FC-DNN）接收机（图2）和以及课题组提出的模型驱动的ComNet接收机（图3），并在不同仿真信道环境下比较两种接收机的性能。进一步为了解决仿真信道环境与实际信道环境差异带来的性能变化，基于在线学习方法设计了一种自适应于信道环境的切换网络（SwitchNet）（图4），通过在线训练单个参数在离线训练好的神经网络之间进行切换，进而适应实际信道环境，实现了自适应人工智能辅助的OFDM接收机，具备高度的灵活性和可拓展性。在上述研究基础上，利用课题组前期开发的5G快速验证平台（Rapro），设计搭建了适用于实际信道环境的人工智能辅助的OFDM 接收机，实现了视频流实时传输，并对空口（OTA）性能做了深入的测试和分析，OTA测试结果验证了SwitchNet在实际信道环境下的可行性和鲁棒性，同时也揭示了其在未来智能通信中的潜力。最后，文章还讨论了该领域未来研究的若干关键性挑战。

图1 传统OFDM接收机与人工智能辅助的OFDM接收机

图2 数据驱动的FC-DNN接收机

图3 模型驱动的ComNet接收机

图4 SwitchNet的信道估计结构示意图

图5 人工智能辅助的实时视频流传输系统示意图

图5是人工智能辅助的实时视频流传输系统示意图，其中多核服务器通过UDP包获得接收的频域数据后，送入神经网络得到比特流输出，最后还原成视频流。

主要测试结果

OTA测试中SwitchNet主网络适合工作在短时延信道环境，而分支网络则由单参数控制以自适应地补偿网络工作在长时延信道下的性能。

图6 切换网络工作模式的自适应切换

图6展示了SwitchNet在工作时通过在线训练切换工作模式，参数值0和1对应着网络在两种不同实际信道环境下的最佳模式。 这种在线训练方法通过少量的已知传输数据在0.5s内实现了对实际信道的快速自适应。

为了验证本文设计的有效性，比较了3种人工智能辅助的OFDM接收机在不同信道环境下的性能。

图7信道匹配（左）和信道不匹配（右）的影响

图7结果表明：当信道环境的差异对AI接收机的性能的负面影响比传统接收机更严重。通过引入在线学习功能的SwitchNet在离线训练好的神经网络之间进行切换解决该问题（图8）。

图8 切换网络在线训练后的性能

文章链接：

https://arxiv.org/abs/1812.06638

AceLab 与你探讨最新通信话题

长按识别二维码关注