一種適用多種空時(shí)編碼方案的MIMO自編碼器通信系統(tǒng)*

夏 杉，王旭東，吳 楠，許志遠(yuǎn)

(1.大連海事大學(xué) 信息科學(xué)技術(shù)學(xué)院，遼寧 大連 116026；2.大連海洋大學(xué) 航海與船舶工程學(xué)院，遼寧 大連 116023)

0 引 言

隨著無(wú)線通信技術(shù)的快速發(fā)展，頻譜資源的嚴(yán)重不足已經(jīng)成為遏制通信事業(yè)發(fā)展的瓶頸。如何充分有效地利用頻譜資源，是當(dāng)前通信研究的熱點(diǎn)話題。多輸入多輸出(Multiple-Input Multiple-Output,MIMO)技術(shù)自提出以來(lái)為無(wú)線通信技術(shù)的發(fā)展提供了更加靈活的應(yīng)用空間，能在不使用附加發(fā)射功率和頻譜資源的條件下提升系統(tǒng)的信道容量和頻譜利用率。與此同時(shí)，深度學(xué)習(xí)技術(shù)作為人工智能領(lǐng)域的科技前沿，逐漸成為研究熱潮[1]。隨著深度學(xué)習(xí)技術(shù)在圖像處理、語(yǔ)音識(shí)別等領(lǐng)域取得的巨大突破，其在無(wú)線通信領(lǐng)域的應(yīng)用開始變得活躍。

近年來(lái)，深度學(xué)習(xí)技術(shù)在信道估計(jì)[2-4]、信號(hào)檢測(cè)[5]、信道信息反饋[6-7]、信道譯碼[8-10]、調(diào)制識(shí)別[11]等方面取得了一定的研究進(jìn)展。其中，深度學(xué)習(xí)技術(shù)用于物理層實(shí)現(xiàn)的方式主要分為兩類。一種是將通信系統(tǒng)的某一模塊單獨(dú)優(yōu)化設(shè)計(jì)，例如，文獻(xiàn)[2-3]使用殘差學(xué)習(xí)的思想實(shí)現(xiàn)了信道估計(jì)算法，并將噪聲方差引入到系統(tǒng)中以提升系統(tǒng)的估計(jì)精度[3]；文獻(xiàn)[4]設(shè)計(jì)了一種基于全連接(Full Connected,FC)神經(jīng)網(wǎng)絡(luò)的信道估計(jì)方案；文獻(xiàn)[5]提出了一種簡(jiǎn)單FC網(wǎng)絡(luò)構(gòu)成的MIMO信號(hào)檢測(cè)框架。另一種情況是將整個(gè)通信系統(tǒng)的所有模塊視為一個(gè)整體，利用端到端自編碼器來(lái)實(shí)現(xiàn)整個(gè)通信系統(tǒng)的設(shè)計(jì)，通過(guò)整體聯(lián)合優(yōu)化訓(xùn)練的方式使得系統(tǒng)的性能達(dá)到最優(yōu)。因此有學(xué)者提出了基于深度學(xué)習(xí)自編碼器的物理層方案，并開創(chuàng)性地利用FC網(wǎng)絡(luò)實(shí)現(xiàn)MIMO系統(tǒng)設(shè)計(jì)[12]，雖然在高信噪比時(shí)其誤碼性能優(yōu)于傳統(tǒng)方案，但低信噪比下性能較差，系統(tǒng)泛化能力需要進(jìn)一步提高。文獻(xiàn)[13]為了提升系統(tǒng)泛化能力，利用全連接網(wǎng)絡(luò)實(shí)現(xiàn)了兩發(fā)一收的空時(shí)分組碼(Space-Time Block Coding,STBC)方案，然而FC層需要大量的神經(jīng)網(wǎng)絡(luò)參數(shù)，在構(gòu)建深度神經(jīng)網(wǎng)絡(luò)時(shí)會(huì)產(chǎn)生梯度消失的問(wèn)題。文獻(xiàn)[14]為進(jìn)一步提升系統(tǒng)的泛化能力以及系統(tǒng)的可靠性，利用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)實(shí)現(xiàn)兩發(fā)一收的STBC方案，并且在瑞利衰落信道下實(shí)現(xiàn)了近似卷積編碼的性能改善。

由于上述文獻(xiàn)中僅利用深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)了滿足Alamouti編碼方案的MIMO-STBC系統(tǒng)，對(duì)于其他的空時(shí)分組編碼方案[15]以及無(wú)編碼的垂直分層空時(shí)碼(Vertically Layered Space-Time codes,VLST)方案并沒(méi)有完全實(shí)現(xiàn)。因此，本文提出一種適用于多種空時(shí)編碼方案的MIMO自編碼器通信系統(tǒng)(AE-MIMO)，利用多個(gè)一維卷積層實(shí)現(xiàn)信號(hào)調(diào)制、信號(hào)檢測(cè)、信號(hào)解調(diào)等子模塊；通過(guò)端到端的訓(xùn)練方式，聯(lián)合優(yōu)化所有模塊，使系統(tǒng)性能達(dá)到最優(yōu)；并且利用CNN網(wǎng)絡(luò)局部連接以及權(quán)重共享的特性，傳輸更多比特信息，增強(qiáng)網(wǎng)絡(luò)的泛化能力。另一方面，為了使系統(tǒng)得到更高精度的信道估計(jì)結(jié)果來(lái)恢復(fù)發(fā)送信號(hào)，通常使用基于導(dǎo)頻的信道估計(jì)算法，如最小二乘(Least Square,LS)算法和最小均方誤差(Minimum Mean Square Error,MMSE)算法。為了進(jìn)一步提升信道估計(jì)的準(zhǔn)確性，本文提出一種基于密集連接卷積網(wǎng)絡(luò)的信道估計(jì)(CNN-CE)方法。通過(guò)密集連接卷積網(wǎng)絡(luò)跨層連接、特征復(fù)用的特性，利用多個(gè)數(shù)據(jù)幀內(nèi)信道間的相關(guān)性進(jìn)行信道估計(jì)。這兩部分都可以在特定信噪比(Signal-to-Noise Ratio,SNR)下訓(xùn)練并保存權(quán)重，同時(shí)其訓(xùn)練的結(jié)果可泛化到任意SNR下工作。

1 系統(tǒng)模型

本節(jié)主要介紹AE-MIMO系統(tǒng)的設(shè)計(jì)和訓(xùn)練方法，其系統(tǒng)模型如圖1所示。本文通過(guò)設(shè)計(jì)一個(gè)由發(fā)射機(jī)、信道和接收機(jī)三部分組成的MIMO自編碼器通信系統(tǒng)，包含比特信息的符號(hào)經(jīng)過(guò)發(fā)送端和信道傳輸給接收機(jī)，再通過(guò)接收機(jī)中的信號(hào)檢測(cè)模塊進(jìn)行信道均衡處理，最終在接收端對(duì)受到噪聲污染的信息數(shù)據(jù)進(jìn)行估計(jì)，使其與信源信息盡可能地接近。同時(shí)，為了更好地解決信道失真問(wèn)題，提出了一種基于密集連接卷積網(wǎng)絡(luò)的信道估計(jì)法。在AE-MIMO系統(tǒng)中加入信道估計(jì)模塊，從而補(bǔ)償信道失真對(duì)系統(tǒng)性能造成的影響，改善系統(tǒng)的誤碼性能。

圖1 AE-MIMO系統(tǒng)結(jié)構(gòu)模型

1.1 AE-MIMO系統(tǒng)模型

考慮發(fā)射天線數(shù)為Nt，接收天線數(shù)為Nr，且M=2k進(jìn)制符號(hào)調(diào)制映射的MIMO無(wú)線通信系統(tǒng)結(jié)構(gòu)。發(fā)送端將輸入的比特信息流按照每kNt比特分組轉(zhuǎn)換為獨(dú)熱編碼(one-hot)向量S，并將轉(zhuǎn)換后的信源信息S發(fā)送到AE-MIMO系統(tǒng)發(fā)射機(jī)。首先，通過(guò)一維卷積層(Conv1D)實(shí)現(xiàn)對(duì)信源信息S的特征提取，這層Conv1D由128個(gè)濾波器構(gòu)成，將one-hot向量從2kNt維空間映射到128維空間，從高維空間中提取信源信息的更多潛在特征。然后，通過(guò)一層Conv1D將高維空間特征映射為兩個(gè)實(shí)數(shù)表示的復(fù)信號(hào)，完成對(duì)信源信息的信號(hào)調(diào)制和空時(shí)編碼。最后，利用能量歸一化層對(duì)發(fā)射機(jī)信號(hào)進(jìn)行能量約束，得到發(fā)送信號(hào)X。

在無(wú)線信道中，傳輸?shù)男盘?hào)主要受到信道的乘性干擾與高斯白噪聲的加性干擾。系統(tǒng)的信道建模為

Y=HX+N,Y∈Nr×t。

(1)

式中：X和Y分別代表收發(fā)機(jī)的發(fā)送和接收信號(hào)矢量；t為空時(shí)編碼的傳輸時(shí)隙數(shù)；N為噪聲矢量，其元素滿足零均值和單位方差的標(biāo)準(zhǔn)正態(tài)分布；H為Nr×Nt維的信道矩陣。

表1、表2和表3分別給出了AE-MIMO系統(tǒng)的發(fā)送端結(jié)構(gòu)、信號(hào)檢測(cè)模塊結(jié)構(gòu)以及信號(hào)解調(diào)模塊結(jié)構(gòu)。

表1 AE-MIMO發(fā)送端結(jié)構(gòu)

表2 AE-MIMO信號(hào)檢測(cè)模塊結(jié)構(gòu)

表3 AE-MIMO信號(hào)解調(diào)模塊結(jié)構(gòu)

1.2 信道估計(jì)

為了解決信道失真問(wèn)題并提升信道估計(jì)的準(zhǔn)確性，本文提出了一種基于密集連接卷積網(wǎng)絡(luò)的信道估計(jì)方法。首先，采用最小二乘方法獲取Ns個(gè)數(shù)據(jù)幀內(nèi)導(dǎo)頻位置處的信道信息，通過(guò)密集連接卷積網(wǎng)絡(luò)將Ns個(gè)數(shù)據(jù)幀內(nèi)的導(dǎo)頻信息進(jìn)行聯(lián)合估計(jì)，利用密集連接卷積網(wǎng)絡(luò)跨層連接和特征復(fù)用的特性獲取數(shù)據(jù)幀間信道信息的相關(guān)性，提升信道估計(jì)的準(zhǔn)確性。盡管Conv1D層數(shù)越多神經(jīng)網(wǎng)絡(luò)的表示和特征提取能力越強(qiáng)，但隨著網(wǎng)絡(luò)層數(shù)的增加會(huì)導(dǎo)致網(wǎng)絡(luò)訓(xùn)練不易收斂。同時(shí)，Conv1D層數(shù)過(guò)少也會(huì)導(dǎo)致網(wǎng)絡(luò)無(wú)法達(dá)到最優(yōu)的訓(xùn)練效果。因此，本文選用6層Conv1D所組成的密集連接卷積網(wǎng)絡(luò)進(jìn)行信道估計(jì)模塊的設(shè)計(jì)。為了實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)跨層連接，本文在每?jī)蓪覥onv1D之間設(shè)置了連接層(Concat)。Concat將兩個(gè)Conv1D的輸出按照最后一維進(jìn)行拼接。信道估計(jì)模塊的結(jié)構(gòu)參數(shù)如表4所示，其中，Concat輸出維度[·,·]表示兩個(gè)數(shù)據(jù)的拼接。

表4 CNN-CE模塊結(jié)構(gòu)

1.3 模型訓(xùn)練

由于AE-MIMO系統(tǒng)與CNN-CE模塊所使用的損失函數(shù)并不統(tǒng)一，為了使神經(jīng)網(wǎng)絡(luò)更容易收斂，本文先將兩部分分開訓(xùn)練，再將保存好參數(shù)權(quán)重的CNN-CE模塊加載到AE-MIMO系統(tǒng)中進(jìn)行整體訓(xùn)練。

首先，AE-MIMO系統(tǒng)將隨機(jī)生成的二進(jìn)制數(shù)據(jù)按照比特映射的方式轉(zhuǎn)換為one-hot向量，并將其作為訓(xùn)練數(shù)據(jù)和標(biāo)簽數(shù)據(jù)，在接收端提供完美的信道信息進(jìn)行信道均衡處理。由于設(shè)置的標(biāo)簽數(shù)據(jù)為one-hot向量，因此可以將整個(gè)訓(xùn)練過(guò)程視為一種多分類問(wèn)題?？梢岳枚喾诸惤徊骒?Cross-Entropy)函數(shù)作為損失函數(shù)來(lái)衡量最終估計(jì)結(jié)果的好壞，其表達(dá)式為

(2)

同樣地，CNN-CE將導(dǎo)頻信號(hào)作為訓(xùn)練數(shù)據(jù)，完美的信道信息作為標(biāo)簽數(shù)據(jù)，其損失函數(shù)選用均方誤差(Mean Square Error,MSE)函數(shù)，表達(dá)式為

(3)

發(fā)送端與信號(hào)解調(diào)模塊的神經(jīng)網(wǎng)絡(luò)主要起到信號(hào)調(diào)制、空時(shí)編碼與信號(hào)解調(diào)的功能。當(dāng)濾波器個(gè)數(shù)過(guò)少時(shí)，由于沒(méi)有足夠的高維空間來(lái)獲取信源信息的潛在特性，導(dǎo)致訓(xùn)練效果較差。同時(shí)，濾波器個(gè)數(shù)過(guò)多時(shí)會(huì)導(dǎo)致訓(xùn)練時(shí)間較長(zhǎng)，系統(tǒng)不易收斂。因此，本文發(fā)送端與信號(hào)解調(diào)模塊濾波器設(shè)置為128個(gè)，并且在實(shí)現(xiàn)低階調(diào)制時(shí)可以適當(dāng)減少濾波器個(gè)數(shù)。在信號(hào)檢測(cè)模塊中，神經(jīng)網(wǎng)絡(luò)需要實(shí)現(xiàn)非線性信號(hào)檢測(cè)的功能，若設(shè)置的濾波器個(gè)數(shù)過(guò)少，會(huì)使網(wǎng)絡(luò)無(wú)法收斂至最優(yōu)點(diǎn)，信號(hào)檢測(cè)性能差。而濾波器個(gè)數(shù)過(guò)多會(huì)導(dǎo)致訓(xùn)練時(shí)間過(guò)長(zhǎng)，系統(tǒng)不易收斂。因此，選用256個(gè)濾波器進(jìn)行信號(hào)檢測(cè)模塊的設(shè)計(jì)。

在激活函數(shù)上，AE-MIMO系統(tǒng)選用Elu、Linear和Softmax函數(shù)來(lái)幫助神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)非線性映射、線性映射和分類軟判決的能力，CNN-CE模塊選用Tanh、Linear函數(shù)作為隱藏層和輸出層的激活函數(shù)幫助神經(jīng)網(wǎng)絡(luò)提升信道估計(jì)的準(zhǔn)確性。同時(shí)，為了在訓(xùn)練過(guò)程中加快梯度下降的步長(zhǎng)與方向，使神經(jīng)網(wǎng)絡(luò)更容易收斂，避免精度波動(dòng)問(wèn)題，選用自適應(yīng)矩估計(jì)(Adaptive Moment Estimation,ADAM)算法來(lái)優(yōu)化反向傳播過(guò)程。

此外，訓(xùn)練信噪比的選取是影響系統(tǒng)性能的重要因素[8]。由于神經(jīng)網(wǎng)絡(luò)需要在決策邊緣接收足夠多的訓(xùn)練樣本來(lái)學(xué)習(xí)受到噪聲污染的信號(hào)特征，當(dāng)信噪比過(guò)低時(shí)，有用信號(hào)會(huì)淹沒(méi)在噪聲中，導(dǎo)致神經(jīng)網(wǎng)絡(luò)無(wú)法提取信號(hào)特征，只能學(xué)到噪聲特征，而信噪比過(guò)高時(shí)，訓(xùn)練樣本受到噪聲干擾較小，樣本中只有少部分在決策邊緣附近，導(dǎo)致系統(tǒng)無(wú)法達(dá)到最佳的譯碼性能。因此AE-MIMO系統(tǒng)需要選取適宜的信噪比，保證絕大多數(shù)的樣本在決策邊緣附近，使系統(tǒng)可以學(xué)習(xí)受到噪聲污染的信號(hào)特征，并達(dá)到最優(yōu)的譯碼性能。

本文的數(shù)據(jù)樣本集為隨機(jī)產(chǎn)生的二進(jìn)制比特序列，其中，訓(xùn)練集和測(cè)試集樣本數(shù)分別為1 024 000和5 120 000。同時(shí)，本文主要在加性高斯白噪聲信道、瑞利衰落信道以及突發(fā)噪聲信道模型中，討論所提出的AE-MIMO系統(tǒng)與傳統(tǒng)無(wú)線MIMO系統(tǒng)間的性能差異。

2 性能分析

本節(jié)分別訓(xùn)練上面介紹的AE-MIMO系統(tǒng)和CNN-CE模塊，選取比特能量信噪比Eb/No在0～25 dB范圍內(nèi)分析系統(tǒng)的誤塊性能，并與現(xiàn)有的傳統(tǒng)無(wú)線MIMO系統(tǒng)性能進(jìn)行比較，在圖示中以Expert表示傳統(tǒng)無(wú)線MIMO系統(tǒng)性能，通過(guò)仿真實(shí)驗(yàn)證明所提出的系統(tǒng)在不同信道環(huán)境、調(diào)制方式和編碼方式下表現(xiàn)出的性能優(yōu)勢(shì)。本文設(shè)計(jì)的AE-MIMO系統(tǒng)和CNN-CE模塊均由基于TensorFlow后端的Keras框架實(shí)現(xiàn)，其中，以長(zhǎng)期演進(jìn)的擴(kuò)展典型城市信道模型(Long Term Evolution Extended Typical Urban model,LTE-ETU)作為瑞利衰落信道的仿真環(huán)境[16]，詳細(xì)系統(tǒng)參數(shù)如表5所示。同時(shí)，文中僅在實(shí)驗(yàn)4與實(shí)驗(yàn)5中采用信道估計(jì)算法，其余實(shí)驗(yàn)中均考慮接收端進(jìn)行理想信道均衡處理。

表5 系統(tǒng)仿真參數(shù)

實(shí)驗(yàn)1 在不同信道環(huán)境下訓(xùn)練兩發(fā)一收的AE-MIMO系統(tǒng)，并與傳統(tǒng)的STBC(Alamouti編碼)系統(tǒng)進(jìn)行誤塊率對(duì)比。

如圖2所示，在加性高斯白噪聲(Addition White Gaussian Noise,AWGN)信道下，AE-MIMO系統(tǒng)采用BPSK和QPSK調(diào)制時(shí)其誤塊率與STBC編碼理論值吻合。在8-QAM和16-QAM調(diào)制下，AE-MIMO系統(tǒng)分別在9 dB、10 dB下訓(xùn)練，誤塊率比Alamouti編碼理論值低，在誤塊率為10-3時(shí)分別優(yōu)于傳統(tǒng)系統(tǒng)1.2 dB和0.5 dB。這是因?yàn)锳E-MIMO系統(tǒng)在進(jìn)行信號(hào)調(diào)制和空時(shí)編碼時(shí)，會(huì)根據(jù)高維空間內(nèi)獲取到的信源信息潛在特性，實(shí)現(xiàn)適合當(dāng)前信道環(huán)境的信號(hào)映射方式，所以獲得了比傳統(tǒng)方法更好的誤碼性能。

圖2 AWGN信道下兩發(fā)一收系統(tǒng)性能比較

圖3 瑞利衰落信道下兩發(fā)一收系統(tǒng)性能比較

圖4 突發(fā)信道下兩發(fā)一收系統(tǒng)性能比較

n1=n+b·nb。

(4)

式中：n為加性高斯白噪聲；nb為突發(fā)噪聲；b為伯努利過(guò)程，滿足出現(xiàn)概率為ρ=0.05的二項(xiàng)分布。

為了驗(yàn)證AE-MIMO系統(tǒng)在瑞利衰落信道下的系統(tǒng)性能，使用LTE-ETU模型進(jìn)行信道建模，且接收端具備理想信道狀態(tài)信息。在BPSK和QPSK調(diào)制下，分別在8 dB和10 dB下訓(xùn)練，其誤塊率與Alamouti編碼的理論值相吻合。在誤塊率為10-3時(shí)，AE-MIMO系統(tǒng)在8-QAM和16-QAM調(diào)制下可提供優(yōu)于傳統(tǒng)方法1 dB和0.2 dB的性能提升。同時(shí)突發(fā)信道下，AE-MIMO系統(tǒng)在中高信噪比下均展現(xiàn)出優(yōu)于傳統(tǒng)MIMO系統(tǒng)的誤碼性能。進(jìn)一步驗(yàn)證AE-MIMO系統(tǒng)對(duì)于不同信道環(huán)境良好的適應(yīng)能力，并且在高階QAM調(diào)制下可以生成一種較傳統(tǒng)方法更優(yōu)的信號(hào)映射方式。

實(shí)驗(yàn)2 采用兩發(fā)兩收系統(tǒng)，在瑞利衰落信道下比較不同傳輸時(shí)隙數(shù)的AE-MIMO系統(tǒng)誤碼性能。

為了驗(yàn)證系統(tǒng)可以適用于多種空時(shí)編碼方案，考慮每組傳輸k個(gè)QPSK調(diào)制信號(hào)，并在瑞利衰落信道下通過(guò)改變傳輸時(shí)隙t來(lái)匹配不同空時(shí)編碼方案。其中，碼速R=k/t。如圖5所示，當(dāng)t為1時(shí)，AE-MIMO系統(tǒng)所生成的編碼方案與VLST方案相匹配;t為2、3、4時(shí)，AE-MIMO系統(tǒng)與全速率、2/3 碼速和1/2 碼速的空時(shí)分組編碼方案所對(duì)應(yīng)。仿真實(shí)驗(yàn)表明，增加傳輸?shù)臅r(shí)隙個(gè)數(shù)可以提升系統(tǒng)的誤碼性能，同時(shí)所提出的AE-MIMO系統(tǒng)可以通過(guò)改變傳輸?shù)臅r(shí)隙個(gè)數(shù)來(lái)匹配不同的空時(shí)編碼方案。

圖5 瑞利信道下不同傳輸時(shí)隙兩發(fā)兩收系統(tǒng)性能比較

實(shí)驗(yàn)3 對(duì)兩發(fā)兩收系統(tǒng)，在瑞利衰落信道下采用QPSK調(diào)制以及VLST編碼方案訓(xùn)練AE-MIMO系統(tǒng)，并與不同的MIMO信號(hào)檢測(cè)算法進(jìn)行誤碼性能和復(fù)雜度對(duì)比。

為了驗(yàn)證AE-MIMO系統(tǒng)的信號(hào)檢測(cè)性能，采用兩發(fā)兩收的AE-MIMO系統(tǒng)與不同信號(hào)檢測(cè)算法下VLST方案的誤碼性能進(jìn)行對(duì)比，采用理想信道信息進(jìn)行信道均衡處理。如圖6所示，在QPSK調(diào)制下，兩發(fā)兩收的AE-MIMO系統(tǒng)在低信噪比下與傳統(tǒng)的最大似然檢測(cè)(Maximum Likelihood,ML)方法誤碼率曲線相吻合，在高信噪比下系統(tǒng)的性能仍優(yōu)于最小均方誤差串行干擾消除(Minimum Mean Square Error Successive Interference Cancellation,MMSE-SIC)檢測(cè)法。在誤碼率為10-3時(shí)，AE-MIMO系統(tǒng)的誤碼性能優(yōu)于MMSE-SIC方法3 dB。為了驗(yàn)證信號(hào)檢測(cè)模塊對(duì)AE-MIMO系統(tǒng)性能的提升，考慮系統(tǒng)參數(shù)對(duì)性能的影響，將信號(hào)檢測(cè)模塊采用2層Conv1D結(jié)構(gòu)，具體簡(jiǎn)化后的系統(tǒng)參數(shù)如表6所示。由于考慮到信號(hào)檢測(cè)技術(shù)，簡(jiǎn)化后的AE-MIMO-S系統(tǒng)在整個(gè)測(cè)試信噪比下誤碼性能均優(yōu)于文獻(xiàn)[14]系統(tǒng)，說(shuō)明信號(hào)檢測(cè)模塊對(duì)MIMO自編碼器系統(tǒng)的誤碼性能有一定的提升作用。進(jìn)一步觀察，相比于使用文獻(xiàn)[5]信號(hào)檢測(cè)方案的AE-MIMO系統(tǒng)，本文提出的信號(hào)檢測(cè)方案在中高信噪比下的誤碼性能大幅度改善，且神經(jīng)網(wǎng)絡(luò)參數(shù)量略低于基于全連接網(wǎng)絡(luò)設(shè)計(jì)的信號(hào)檢測(cè)方案[5]。這意味著，卷積神經(jīng)網(wǎng)絡(luò)通過(guò)權(quán)重共享和局部連接的方式降低了模型復(fù)雜度，同時(shí)可以比全連接網(wǎng)絡(luò)更好地利用信道信息進(jìn)行信號(hào)檢測(cè)。雖然本文所提系統(tǒng)需要通過(guò)較長(zhǎng)的離線訓(xùn)練時(shí)間才能達(dá)到較優(yōu)的檢測(cè)性能，但可通過(guò)加載權(quán)重以及在線訓(xùn)練的方式完成系統(tǒng)部署，并根據(jù)實(shí)際信道環(huán)境調(diào)整權(quán)重參數(shù)，最終實(shí)現(xiàn)快速檢測(cè)并獲得良好的檢測(cè)性能。

圖6 QPSK調(diào)制下兩發(fā)兩收系統(tǒng)信號(hào)檢測(cè)方案性能比較

表6 AE-MIMO系統(tǒng)與文獻(xiàn)[5]、文獻(xiàn)[14]系統(tǒng)參數(shù)對(duì)比

實(shí)驗(yàn)4 LTE-ETU信道模型下CNN-CE模塊與不同信道估計(jì)算法進(jìn)行信道估計(jì)性能與復(fù)雜度對(duì)比。

為了驗(yàn)證CNN-CE模塊對(duì)于信道估計(jì)性能的提升，使用LTE-ETU模型進(jìn)行信道建模。假設(shè)一幀數(shù)據(jù)由1個(gè)導(dǎo)頻序列和3個(gè)數(shù)據(jù)序列所組成，本文利用四個(gè)數(shù)據(jù)幀內(nèi)的導(dǎo)頻序列對(duì)四個(gè)數(shù)據(jù)幀內(nèi)的信道進(jìn)行聯(lián)合估計(jì)，將最終結(jié)果與基于導(dǎo)頻的LS算法和MMSE算法相比較。如圖7所示，在LTE-ETU信道下，CNN-CE模塊估計(jì)得到的信道矩陣較兩導(dǎo)頻的LS估計(jì)法有5.5 dB左右的性能提升。相比于基于先進(jìn)深度學(xué)習(xí)的信道估計(jì)算法[3]，本文提出的信道估計(jì)算法考慮到幀間信道信息的相關(guān)性，利用密集連接卷積網(wǎng)絡(luò)的跨層連接和特征復(fù)用特性學(xué)習(xí)信道矩陣之間的相關(guān)信息，將噪聲干擾盡可能地減少，并顯著提高了信道估計(jì)的準(zhǔn)確度。由于密集連接卷積網(wǎng)絡(luò)的復(fù)用特征隨著網(wǎng)絡(luò)層數(shù)的加深而顯著增加，因此本文提出的信道估計(jì)模型復(fù)雜度較高，具體系統(tǒng)參數(shù)對(duì)比如表7所示。

圖7 兩發(fā)兩收系統(tǒng)不同信道估計(jì)方法性能比較

表7 CNN-CE模塊與文獻(xiàn)[3]系統(tǒng)參數(shù)對(duì)比

實(shí)驗(yàn)5 將CNN-CE模塊與AE-MIMO系統(tǒng)結(jié)合，并在不同調(diào)制方式下與接收完美信道信息均衡處理的AE-MIMO進(jìn)行性能比較。

為了檢驗(yàn)CNN-CE模塊所提供的信道估計(jì)結(jié)果對(duì)AE-MIMO系統(tǒng)性能的影響，采用兩發(fā)兩收的AE-MIMO系統(tǒng)進(jìn)行VLST編碼，將訓(xùn)練好的CNN-CE模塊加載到AE-MIMO系統(tǒng)中，并將仿真結(jié)果與經(jīng)過(guò)理想信道均衡的AE-MIMO系統(tǒng)進(jìn)行對(duì)比。如圖8所示，CNN-CE與AE-MIMO聯(lián)合訓(xùn)練的系統(tǒng)誤碼性能與經(jīng)過(guò)理想信道均衡的AE-MIMO系統(tǒng)僅有1 dB左右的性能誤差。雖然實(shí)際的無(wú)線傳播信道與訓(xùn)練信道模型可能存在差異，但是本文提出的系統(tǒng)可以通過(guò)權(quán)重加載以及在線訓(xùn)練，根據(jù)實(shí)際信道環(huán)境調(diào)整權(quán)重參數(shù)，降低訓(xùn)練模型與實(shí)際信道間差異造成的影響。

圖8 AE-MIMO中CNN-CE均衡和理想信道均衡性能比較

3 結(jié)束語(yǔ)

為提升現(xiàn)有端到端自編碼器系統(tǒng)的適應(yīng)性與信道估計(jì)的準(zhǔn)確性，本文提出了一種適用于多種空時(shí)編碼方案的MIMO自編碼器通信系統(tǒng)，網(wǎng)絡(luò)采用卷積層來(lái)學(xué)習(xí)數(shù)據(jù)的傳輸與信號(hào)檢測(cè)，將能量約束和信道模型添加到神經(jīng)網(wǎng)絡(luò)中，并利用密集連接卷積網(wǎng)絡(luò)進(jìn)行信道估計(jì)模塊的設(shè)計(jì)。

本文所提出的系統(tǒng)模型可以在各種信道下通信，并且匹配不同空時(shí)編碼方案的性能，在垂直分層空時(shí)碼方案下，所提系統(tǒng)表現(xiàn)出了良好的信號(hào)檢測(cè)性能與信道估計(jì)性能；在LTE-ETU信道下，所提的信道估計(jì)方案較傳統(tǒng)的LS估計(jì)法有5.5 dB左右的性能提升，并減少了導(dǎo)頻資源的開銷。

本文基于發(fā)射天線數(shù)與接收天線數(shù)較少的情況進(jìn)行研究，并將信號(hào)檢測(cè)與信道估計(jì)模塊加入到MIMO自編碼器系統(tǒng)中進(jìn)行整體訓(xùn)練，以獲得最佳接收性能。在接下來(lái)的工作中，希望將系統(tǒng)擴(kuò)展為大規(guī)模MIMO系統(tǒng)，并研究所提方案在大規(guī)模MIMO系統(tǒng)中的信號(hào)檢測(cè)與信道估計(jì)性能。