目录
- 1 引言
- 2 介绍
- 2.1 基础理论
- 2.2 传统的通信方法
- 2.3 相关研究
- 3 模型
- 3.1 DeepReceiver
- 3.2 多个二进制分类器
- 3.3 设计的 1D-Conv-DenseNet 结构
- 3.4 损失函数和优化器
- 4 实验分析
- 4.1 复杂度分析
- 4.2 性能分析
- 4.2 其他分析
- 5 疑问和思考
1 引言
提出盲无线接收器模型，DeepReceiver，用深度神经网络模型代替传统接收器的信息恢复过程。 该模型的输入是接收到的 IQ 信号，输出是恢复的信息比特流。 该模型基于接收到的IQ信号样本进行训练，能反映通信系统实际经历的射频损伤、信道衰落、噪声和干扰。能够接收不同的调制方式和不同编码方式的信号。 综合分析和验证了DeepReceiver在噪声、射频损伤、信道衰落、同信道干扰、动态环境、盲接收等条件下的性能。
2 介绍
2.1 基础理论
信道衰落主要由地理环境和障碍物引起，通常包括阴影和多径衰落，它们会在接收信号中引入符号间干扰（ISI）。。 干扰是指来自其他发射器的无意或恶意干扰。 当接收方缺乏特定的抗干扰措施时，将严重影响信息恢复质量。
（１）RF损伤
发射机和接收机本振之间的差异会导致接收到的信号出现频偏。
（２）IQ不平衡
在实际的硬件电路中，器件的物理限制和电路设计错误都会导致I和Q信号的相位和幅度不一致，导致IQ不平衡[50]。 IQ失衡可以表示为
（３）信道衰落
地形、障碍物和其他因素可能会影响信号的传播，导致接收信号的多径衰落。 另外，发射机和接收机之间的相对运动会引起多普勒频移。这些因素会造成严重的信号失真，如ISI。信道衰落主要由地理环境和障碍物引起，通常包括阴影和多径衰落，它们会在接收信号中引入符号间干扰（ISI）。
（４）噪声
由于大气热噪声和通信系统本身噪声的存在，接收信号中会含有一定量的噪声。 最常见的噪声是 AWGN。 噪声包括大气热噪声、工业噪声以及也会影响接收信号质量的系统噪声。
（５）干扰
干扰是指来自其他发射器的无意或恶意干扰。 当接收方缺乏特定的抗干扰措施时，将严重影响信息恢复质量。 当接收方缺乏特定的抗干扰措施时，将严重影响信息恢复质量。
在电磁频谱空间中，来自其他发射器的信号可能会对接收器造成同信道干扰。 当干扰功率较大时（相对于接收到的通信信号功率而言），如果没有特殊的抗干扰措施，传统通信接收机的性能会严重恶化。
2.2 传统的通信方法
传统的物理层接收器通常使用载波和符号同步、信道估计、均衡、解调和解码等过程来尽可能准确地从接收到的失真信号中恢复信息。这种方法有三个限制。
（１）逐步串行处理并没有优化接收器的整体性能。每个模块，例如载波和符号同步、信道估计、均衡、解调或解码，都会优化特定任务的性能。然而，每个模块的最优局部性能并不一定保证最优的全局性能。预处理模块的错误可能会影响后续处理模块的优化，导致错误的累积效应。
（２）其次，每个处理模块的算法设计通常是基于理论假设，比如假设射频设备是理想的，信道衰落遵循莱斯模型，噪声是加性高斯白噪声（AWGN），或者没有同信道干涉。这些假设不一定与通信系统所经历的真实条件相匹配。因此，传统接收机优化的是假设下的最佳性能，而不一定是真实环境下的最佳性能。
（３）随着软件无线电技术的发展，自适应调制编码（AMC）等技术被普遍使用。传统的接收算法通常是为特定的调制和编码而设计的。接收机需要知道发射机采用哪种调制编码方案（MCS）来实现信息恢复。这增加了发射机和接收机之间信令交互的复杂性。
2.3 相关研究
从三个方面总结了相关的工作
（1）DL提升通信接收机中的模块部分
- 信道估计
- 【Deep learning based channel estimation algorithm over time selective fading channels】
- 【Deep learning-based channel estimation for doubly selective fading channels】
- 针对OFDM
■ 【RoemNet: Robust meta learning based channel estimation in OFDM systems】
■ 【Deep learning-based channel estimation】 - 针对MIMO OFDM
■ 【Deep learning-based channel estimation for beamspace mmWave massive MIMO systems】
■ 【Decision directed channel estimation based on deep neural network k-step predictor for MIMO communications in 5G】
■ 【A survey on deep-learning based techniques for modeling and estimation of massiveMIMO channels】
- 信道均衡
○ 【Machine learning for joint channel equalization and signal detection】 - 信号解调
○ 【Deep learning detection method for signal demodulation in short range multipath channel】
○ 【Faster-than-Nyquist rate communication via convolutional neural networks-based demodulators】
○ 软解调【 Learning to softly demodulate】降低了计算复杂度 - 信道编码
- DNN网络
■ 【Learning to decode linear codes using deep learning】
■ 【Near maximum likelihood decoding with deep learning】 - RNN网络
■ 【Deep learning methods for improved decoding of linear codes】 - CNN网络
■ 【An iterative BP-CNN architecture for channel decoding】 - GCN网络
■ 【Hyper-graph-network decoders for block codes】 - 提高了极坐标译码
■ 【Polar decoding on sparse graphs with deep learning】
■ 【Neural belief propagation decoding of CRC-polar concatenated codes】
■ 【Learning to flip successive cancellation decoding of polar codes with LSTM networks】
■ 【Learning to denoise and decode: A novel residual neural network decoder for polar codes】 - 降低了极坐标译码延迟
■ 【Neural successive cancellation decoding of polar codes】
■ 【Neural network aided SC decoder for polar codes】
■ 【Neural network based successive cancellation decoding algorithm for polar codes in URLLC】 - 提出基于DL的最小和解码算法，降低了复杂度，提高了解码速度
■ 【Reduced-complexity deep neural networkaided channel code decoder:】 - 极坐标译码降低了硬件部署
■ 【A unified deep learning based polar-LDPC decoder for 5G communication systems】
■ 【Neural dynamic successive cancellation flip decoding of polar codes】
■ 【Low-precision neural network decoding of polar codes】 - 同时优化多个模块
■ 数据序列检测【Neural network detection of data sequences in communication systems】
■ 信道均衡+解码【Initial results on deep learning for joint channel equalization and decoding】
■ 信道均衡+符号检测【Power of deep learning for channel estimation and signal detection in OFDM systems】
■ 两个网络信号均衡+解码【Joint neural network equalizer and decoder】
■ 信道估计+均衡【Deep learningbased channel estimation and equalization scheme for FBMC/OQAM systems】
- DNN网络
（2）基于DL的通信系统（端到端通信）
用DL来代替整个通信系统，包括发射器和接收器。 发送端和接收端的神经网络作为一个整体联合优化。 这种基于DL的通信系统是一种破坏性的通信系统。 下行接收端只能用于接收和处理对应下行发送端产生的信号。 它不能用于处理传统通信发射器产生的信号。
● 【An introduction to deep learning for the physical layer】
● 【Deep learning based communication over the air】
● 【Backpropagating through the air: Deep learning at physical layer without channel models】
● 【Joint transceiver optimization for wireless communication PHY using neural network】
● 【Model-free training of end-to-end communication systems】
（3）对于MCSs的统一盲接收机
传统的通信接收算法主要是针对特定的 MCS 设计的。对于发送端使用ACM的通信系统，接收端往往需要知道当前信号使用的是哪个MCS，才能选择相应的信息恢复算法。另一种方法是首先识别接收信号的调制和编码，然后选择相应的解调和解码算法进行信息恢复。但是，这种方法仍然是一种串行处理方法。在低信噪比（SNR）的情况下，调制识别和编码识别的准确性可能会受到很大影响。一旦出现识别错误，就会造成很高的解调和解码错误率。
调制识别的文献
● 【Over-the-air deep learning based radio signal classification】
● 【Modulation-constrained clustering approach to blind modulation classification for MIMO systems】
● 【Modulation classification based on signal constellation diagrams and deep learning】
● 【Deep learning based channel code recognition using TextCNN】
● 【Blind compensation of frequency-selective I/Q imbalances in quadrature radio receivers: Circularity-based approach】
（4）总结
- 目前深度学习在无线通信接收器中的应用主要集中在用深度神经网络替换接收器中的一个或几个（但不是全部）模块。此外，目前基于DL的通信信号处理研究大多只考虑无线信道衰落的影响，几乎没有涉及RF损伤、非AWGN噪声、信道干扰等情况。提出的 DeepReceiver 模型将取代整个信息恢复链路，并考虑 RF 损伤、无线信道衰落、噪声和干扰的影响。
- 本文中提出的 DeepReceiver 本质上是一种针对多个 MCS 的统一盲处理方法。在训练阶段，训练集包含多个 MCS 的信号数据。经过训练的 DeepReceiver 模型可以适应这些 MCS 并从接收信号中恢复信息，而无需事先知道发射机采用哪种 MCS。
- 设计了一个一维卷积DenseNet（1D-Conv-DenseNet）网络结构，其中所有的卷积都是一维的。 全局池化用于获得相同维度的特征向量，以提高网络对不同输入信号长度的适应性。 在最终的分类层，使用多个二元分类器来恢复比特流
- 从多个角度分析了接收机的性能：包括噪声（AWGN 和加性广义高斯噪声 (AGGN)）、RF 损伤（载波频率偏差和 IQ 不平衡）、多径衰落（频率平坦瑞利衰落和频率选择性瑞利衰落）、同信道干扰（单音干扰、最小频移键控） (MSK) 干扰和 BPSK 干扰）和动态环境。
3 模型
