基于软件无线电的GFDM通信系统设计与实现

这是一篇关于广义频分复用,软件无线电,时频同步,信道估计,SNR估计的论文, 主要内容为广义频分复用(Generalized Frequency Division Multiplexing,GFDM)作为B5G的候选波形,以其灵活的时频结构、高频谱效率、低带外辐射和低峰均功率比等优势受到国内外学者的广泛关注。目前,针对GFDM系统的研究主要集中在系统理论分析以及相关的信号处理算法上。而为GFDM技术提供实验平台以及系统设计参考,对于分析和验证GFDM系统信号处理算法具有重要的意义。对此,本文基于具备可重构性的软件无线电实验平台,对GFDM通信系统关键技术的设计与实现进行研究。主要工作如下:(1)针对GFDM系统时频同步,设计了一种GFDM系统的帧结构,并构造了基于帧结构中前导的GFDM时频同步算法。该算法根据前导中训练符号的周期性和相关性,估计载波频率偏移(Carrier Frequency Offset,CFO)和符号时间偏移(Symbol Time Offset,STO)。通过仿真验证了时频同步算法的有效性。(2)针对GFDM系统的信道估计和信噪比(Signal Noise Rate,SNR)估计,提出了一种基于前导的信道估计与信噪比估计算法。信道估计算法利用前导中长训练符号的伪随机特性,通过相关运算估计多径信道脉冲响应中非零抽头的索引,并根据该索引对最小二乘信道估计的结果进行整形操作,从而消除非增益路径上的噪声。SNR估计算法利用短训练符号的周期性与相关性,结合信道脉冲响应函数的估计值,求解SNR估计值。在仿真实验中,通过与最小二乘信道估计、最小均方误差信道估计等信道估计算法,以及频域SNR估计算法进行对比,验证了两种算法的性能。(3)针对GFDM系统实现,设计并实现了基于软件无线电平台的GFDM通信系统关键模块,并给出了辅助模块以及关键模块的设计思路。设计实现的GFDM关键模块包括映射/解映射模块、调制解调模块、时频同步模块以及信道估计模块,通过软件无线电平台对开发的软件进行了实验验证,同时给出了实验中各个关键模块的信号波形图。最后评估了GFDM系统的精度损失、资源消耗和关键模块时延等重要参数。

基于软件无线电的GFDM通信系统设计与实现

这是一篇关于广义频分复用,软件无线电,时频同步,信道估计,SNR估计的论文, 主要内容为广义频分复用(Generalized Frequency Division Multiplexing,GFDM)作为B5G的候选波形,以其灵活的时频结构、高频谱效率、低带外辐射和低峰均功率比等优势受到国内外学者的广泛关注。目前,针对GFDM系统的研究主要集中在系统理论分析以及相关的信号处理算法上。而为GFDM技术提供实验平台以及系统设计参考,对于分析和验证GFDM系统信号处理算法具有重要的意义。对此,本文基于具备可重构性的软件无线电实验平台,对GFDM通信系统关键技术的设计与实现进行研究。主要工作如下:(1)针对GFDM系统时频同步,设计了一种GFDM系统的帧结构,并构造了基于帧结构中前导的GFDM时频同步算法。该算法根据前导中训练符号的周期性和相关性,估计载波频率偏移(Carrier Frequency Offset,CFO)和符号时间偏移(Symbol Time Offset,STO)。通过仿真验证了时频同步算法的有效性。(2)针对GFDM系统的信道估计和信噪比(Signal Noise Rate,SNR)估计,提出了一种基于前导的信道估计与信噪比估计算法。信道估计算法利用前导中长训练符号的伪随机特性,通过相关运算估计多径信道脉冲响应中非零抽头的索引,并根据该索引对最小二乘信道估计的结果进行整形操作,从而消除非增益路径上的噪声。SNR估计算法利用短训练符号的周期性与相关性,结合信道脉冲响应函数的估计值,求解SNR估计值。在仿真实验中,通过与最小二乘信道估计、最小均方误差信道估计等信道估计算法,以及频域SNR估计算法进行对比,验证了两种算法的性能。(3)针对GFDM系统实现,设计并实现了基于软件无线电平台的GFDM通信系统关键模块,并给出了辅助模块以及关键模块的设计思路。设计实现的GFDM关键模块包括映射/解映射模块、调制解调模块、时频同步模块以及信道估计模块,通过软件无线电平台对开发的软件进行了实验验证,同时给出了实验中各个关键模块的信号波形图。最后评估了GFDM系统的精度损失、资源消耗和关键模块时延等重要参数。

OTFS信号检测与信道估计技术研究

这是一篇关于OTFS,UAMP,低复杂度,信号检测,信道估计,深度学习,FPGA的论文, 主要内容为正交时频空调制技术(Orthogonal Time Frequency Space,OTFS)是一种基于正交频分复用调制技术(Orthogonal Frequency Division Multiplexing,OFDM)发展而来的新型调制技术,其主要变化是利用时频域二维傅里叶变换,构建新的时延-多普勒域,将OFDM系统时频域中的信号重新调制在时延-多普勒域中,从而对抗由于高速移动和高频段带来的OFDM子载波之间正交性的破坏。OTFS调制技术在高速移动场景下具有显著的性能优势,满足第六代移动通信系统(Sixth Generation Mobile Communication System,6G)所要求的太赫兹频段和1000km/h的终端移动速度应用场景,是未来通信领域的一项关键技术,受到学术界广泛关注。本论文针对OTFS接收机中的信号检测和信道估计两个主要内容展开了相关研究。本文首先介绍了OTFS相关背景,频率选择性衰落和时间选择性衰落信道。之后介绍了OTFS发射机、接收机架构和基本原理,并分析得到OTFS时延-多普域信号输入输出关系的具体表达式。其次,针对OTFS接收机中酉近似消息传递(Unitary Approximate Message Passing,UAMP)算法在实际矩阵采样窗口中复杂度较高的问题,提出了基于UAMP算法的低复杂度信号检测算法,通过对等效信道矩阵局部循环重构,使得UAMP算法的输入变量重新具备循环特性而进行简化计算,以达到降低复杂度的目的。接着将基于UAMP算法的低复杂度信号检测算法结合Turbo迭代,把算法自身迭代变为均衡器与译码器之间的软信息交互,从而实现检测性能提升。本文还将单输入单输出(Signal Input Signal Output,SISO)场景下基于UAMP算法的低复杂度信号检测算法拓展到多输入多输出(Multiple Input Multiple Output,MIMO)场景。仿真结果表明基于UAMP算法和Turbo迭代的低复杂度信号检测算法误码率(Bit Error Ratio,BER)性能优异。最后,本文研究了OTFS中的信道估计技术。首先阐述了压缩感知信号重构算法中的正交匹配追踪(Orthogonal Matching Pursuit,OMP)信道估计算法,并针对其存在低信噪比(Signal-to-Noise Ratio,SNR)下原子连续索引错误导致的估计性能下降的问题,提出了基于深度学习的OTFS信道估计技术,通过深度学习中的残差网络(Residual Network,Res Net)来代替OMP算法中的原子选择过程,并将OMP算法串行迭代转变为并行Res Net网络。Res Net网络在低信噪比下具有更高准确率的原子选择,而并行的网络结构排除了迭代带来的误差传递,从而优化了OMP信道估计算法在低信噪比下存在估计性能较差的问题。仿真证明基于深度学习的OTFS信道估计技术比传统OMP信道估计算法有较大的性能提升。此外,为验证OTFS的实际BER性能,本文利用现场可编程门阵列(Field Programmable Gate Array,FPGA)平台设计实现了OTFS的收发机,通过实际工程和相关设备进行模拟测试,证明了OTFS调制技术在高速移动应用场景下具备良好性能。

基于软件无线电的GFDM通信系统设计与实现

这是一篇关于广义频分复用,软件无线电,时频同步,信道估计,SNR估计的论文, 主要内容为广义频分复用(Generalized Frequency Division Multiplexing,GFDM)作为B5G的候选波形,以其灵活的时频结构、高频谱效率、低带外辐射和低峰均功率比等优势受到国内外学者的广泛关注。目前,针对GFDM系统的研究主要集中在系统理论分析以及相关的信号处理算法上。而为GFDM技术提供实验平台以及系统设计参考,对于分析和验证GFDM系统信号处理算法具有重要的意义。对此,本文基于具备可重构性的软件无线电实验平台,对GFDM通信系统关键技术的设计与实现进行研究。主要工作如下:(1)针对GFDM系统时频同步,设计了一种GFDM系统的帧结构,并构造了基于帧结构中前导的GFDM时频同步算法。该算法根据前导中训练符号的周期性和相关性,估计载波频率偏移(Carrier Frequency Offset,CFO)和符号时间偏移(Symbol Time Offset,STO)。通过仿真验证了时频同步算法的有效性。(2)针对GFDM系统的信道估计和信噪比(Signal Noise Rate,SNR)估计,提出了一种基于前导的信道估计与信噪比估计算法。信道估计算法利用前导中长训练符号的伪随机特性,通过相关运算估计多径信道脉冲响应中非零抽头的索引,并根据该索引对最小二乘信道估计的结果进行整形操作,从而消除非增益路径上的噪声。SNR估计算法利用短训练符号的周期性与相关性,结合信道脉冲响应函数的估计值,求解SNR估计值。在仿真实验中,通过与最小二乘信道估计、最小均方误差信道估计等信道估计算法,以及频域SNR估计算法进行对比,验证了两种算法的性能。(3)针对GFDM系统实现,设计并实现了基于软件无线电平台的GFDM通信系统关键模块,并给出了辅助模块以及关键模块的设计思路。设计实现的GFDM关键模块包括映射/解映射模块、调制解调模块、时频同步模块以及信道估计模块,通过软件无线电平台对开发的软件进行了实验验证,同时给出了实验中各个关键模块的信号波形图。最后评估了GFDM系统的精度损失、资源消耗和关键模块时延等重要参数。

机器学习辅助联合同步与信道估计技术

这是一篇关于同步,信道估计,同步度量,联合同步与信道估计,级联极限学习机的论文, 主要内容为同步和信道估计(CE,channel estimation)作为无线通信系统中的关键技术,是数据成功接收的保证。由于同步和CE的相互依赖,联合同步与信道估计技术被提出以增强两者功能,进而提高无线通信系统的整体性能。然而,当面临诸如硬件缺陷(HWI,hardware imperfections)、多径衰落信道和噪声导致的系统性干扰时,无线通信系统中传统联合同步与信道估计技术遭遇巨大挑战。对于非线性失真、多径和噪声干扰问题,近年来,机器学习,特别是深度神经网络(DNN,deep neural network)和极限学习机(ELM,extreme learning machine)被引入到物理层中,并且展示了显著优势。但将机器学习用于联合同步与信道估计技术中,还鲜见相关报道。为此,本文研究机器学习辅助联合同步与信道估计技术。在联合同步与信道估计时,利用机器学习融合处理,以提高联合同步与信道估计系统性能。本文主要创新点如下:(1)在帧系统下,针对莱斯衰落信道场景中硬件缺陷(HWI,hardware imperfections)造成的非线性干扰问题,基于级联ELM的联合帧同步与信道估计(JFSCE,joint frame synchronization and channel estimation)被研究。具体而言,首先采用传统JFSCE方法提取初始特征,从而分别形成FS和CE的非神经网络(Non-NN,non-neural network)解。然后,基于级联ELM的网络FS-NET和CE-NET,以捕获FS和CE的NN解。仿真和分析结果表明,与传统JFSCE方法相比,所研究基于级联ELM的JFSCE显著降低FS错误概率和CE的归一化均方误差(NMSE,normalized mean square error),即使在参数变化的影响下也是如此。当SNR=10d B时,相比于对比方法约5.65×10-1、5.36×10-2的帧同步错误概率,所研究方法帧同步错误概率可以达到约2.22×10-2;当SNR=6d B时,相比于对比方法均高于1.00×10-1的NMSE,所研究方法的NMSE达到约7.03×10-2。(2)在OFDM系统下,针对多径衰落信道和噪声造成的非线性干扰问题,研究一种基于级联ELM的联合帧同步与信道估计(JTSCE,joint timing synchronization and channel estimation)。具体而言,将传统JTSCE视作Non-NN提取器,并用以提取初始定时度量(TM,timing metric)和CE度量。然后,基于级联的ELM被设计以执行TS和CE任务,并增强TM和CE度量。仿真和分析结果表明,与传统JTSCE方法相比,所研究基于级联ELM的JTSCE显著降低TS的错误概率和符号检测误码率(BER,bit error rate)。当SNR=4d B时,相比于对比方法约1.43×10-1的定时同步错误概率,所研究方法定时同步错误概率可以达到约1.63×10-;当SNR=6d B时,相比于对比方法约31.07×10-的BER,所研究方法的BER达到约17.00×10-2。本文研究机器学习辅助联合同步与信道估计,丰富了现有联合同步与信道估计方法,具有理论和使用价值。研究结果可用于基于联合同步与信道估计的第五代和第六代无线通信系统。

基于深度学习的OFDM系统盲接收机研究

这是一篇关于OFDM,深度学习,调制识别,模型驱动,信道估计,MMSE信号检测的论文, 主要内容为Orthogonal Frequency Division Multiplexing(OFDM)是一种常用于无线通信系统的多载波调制技术。传统的OFDM盲接收机需要进行大量计算,但随着深度学习技术的发展,基于深度学习的OFDM盲接收机成为一种新趋势,利用深度神经网络来代替传统接收链路中的调制识别、信道估计和符号解调。这种方法简化了计算,并提高了解调性能。然而,基于深度学习的OFDM盲接收机仍然面临着一些挑战,如数据不足、神经网络结构选择、模型参数过于复杂和过拟合等问题。本文针对深度学习应用于OFDM盲接收机的调制识别和信号解调上的问题,探讨了如何设计合适的神经网络结构,降低模型复杂度,提高训练效率和解决过拟合问题。本文的主要研究内容如下:针对信道状态信息对调制信号识别的影响,使用最小二乘信道估计和迫零均衡信道均衡技术,构建了一种OFDM调制识别ZF-Res Net模型,旨在提高识别率。实验结果表明,在衰落信道情况下,ZF-Res Net调制识别算法的性能优于传统的以及基于深度学习的常用调制识别方法。针对OFDM接收机在解调精度和计算复杂度方面的问题,提出了一种新的模型驱动的接收机模型,即FBLTNet。该模型使用深度学习技术来提升系统的性能和可靠性,改善了误比特率性能,降低了网络模型的空间复杂度和训练和测试的时间复杂度,并且表现出了对符号间干扰的良好抗性,通过实验证明,在没有循环前缀的OFDM系统中,基于深度学习的方法具有很高的可行性和应用潜力。

环境反向散射通信系统中信号检测与信道估计

这是一篇关于环境反向散射通信,共生无线电,信道估计,深度学习,智能反射面,信号检测的论文, 主要内容为随着物联网设备爆炸式的增长,能量受限和频谱资源短缺逐渐成为限制物联网发展的两大因素。环境反向散射通信(Ambient Backscatter Communication,AmBC)是一种新型的低能耗通信技术,它通过将待发送信号调制到周围环境中的射频信号上,实现无源信息传输,不需要昂贵的射频组件,并且不占用额外的频谱。随着AmBC的广泛应用,如何实现高速率、高可靠的反射通信成为国内外研究的热点。由于反射链路受双衰落效应和传统的单天线反射设备(Backscatter Device,BD)影响,导致反射链路信号通常非常弱,这限制了反向散射通信的传输速率和通信覆盖范围。智能反射面(Intelligent Reflecting Surface,IRS)是一种由大量可重构反射单元组成的辅助通信设备,通过控制反射单元的反射系数实现反射信号强度和方向可控的波束赋形。将IRS应用到AmBC中,可以作为BD进行无源信息传输,增强反射链路增益。由于环境射频信号的未知性和不可控性,AmBC中反射链路信号解调时会受到直接链路射频信号的强烈干扰。为此,人们提出了一种新型的共生无线电(Symbiotic Radio,SR)通信技术。在SR系统中,BD将其信号调制到来自主发射机的射频信号上实现无源信息传输,BD信号的传输为直接链路通信提供了额外的多路径增益。SR的接收机采用联合译码实现高可靠性的反向散射通信。近年来,深度学习凭借其处理数据的天然优势和强大的学习能力,成为了解决未来无线通信网络中复杂问题的有力手段。借助于深度学习方法,本文针对基于IRS的AmBC系统中无源波束设计和信号检测问题以及多BD的SR系统中的导频设计和信道估计问题展开深入研究。针对基于IRS的AmBC系统,本文提出了一种基于在线学习的IRS无源波束赋形和信号检测算法。针对IRS作为BD进行无源信息传输的AmBC通信模型,提出了IRS波束赋形设计的优化问题,目标是最小化反向散射符号的检测误码率(Bit Error Rate,BER)。该问题为非凸优化问题,不能用传统的优化问题直接求解。本文基于通信系统模型和期望最大化(Expectation Maximization,EM)检测算法设计了一个数据驱动和模型驱动深度学习方法相结合的IRS无源波束设计和信号检测网络结构,实现IRS反射系数矩阵与BER之间的非线性映射关系。基于在线学习的EM神经网络(Online Learning-based EM Neural Network,OEMNN)由两个子网络组成,第一个子网络是根据信号传输模型构建,通过将待优化的IRS相移量转化为可训练的神经网络参数,有效处理了优化问题中IRS反射单元的单位模约束。第二个子网络通过展开EM检测算法的迭代过程得到,用于获得反向散射符号的估计值。通过训练OEMNN得到优化后的神经网络参数,这些参数就是IRS反射系数矩阵的相移量。仿真实验结果表明,OEMNN的符号检测性能明显优化IRS随机无源反射波束设计方案和无IRS的AmBC方案。针对多BD的SR系统,本文提出了基于深度学习的联合导频设计和信道估计(Joint Pilot Design and Channel Estimation,JPDCE)方案。该系统考虑了BD的开关键控(On-Off Keying,OOK)和高阶反向散射这两种调制模式。JPDCE方案通过构建导频设计器和信道估计器来最小化信道估计的均方误差。在发射端,本文利用自编码器网络结构和信号流图构建了导频设计器,将导频信号模型映射到对应的导频设计网络中,训练完成后的神经网络参数就是所需的导频信号。在接收端,信道估计器首先利用深度残差网络(Deep Residual Network,DRN)对接收信号进行去噪处理,然后基于串行干扰消除(Successive Interference Cancellation,SIC)算法依次对每个信道进行估计,其中信道估计利用所构建的深度神经网络完成。此外,在网络训练的反向传播过程中,分别给出了BD两种调制约束下其对应的梯度更新方法。仿真结果显示,JPDCE方案的信道估计性能优于传统的线性最小均方误差(Linear Minimum Mean Square Error,LMMSE)和没有SIC的深度学习方案,并且在引入DRN的情况下具有更好的估计性能。

基于深度迭代网络的智能超表面信道估计研究

这是一篇关于智能超表面,信道状态信息,信道估计,自监督,深度迭代的论文, 主要内容为智能超表面(Reconfigurable Intelligent Surface,RIS)是未来6G无线系统中有前景的候选技术,可经济高效地实现智能无线电环境(Smart Radio Enviroment,SRE)。为了获得RIS带来的好处,RIS辅助无线通信系统需要精确的信道状态信息(Channel State Information,CSI)来控制无线信道。然而,由于下面两个原因导致很难精确估计RIS辅助信道的状态信息:1)由于RIS阵列由无源器件构成,不具备收发和处理导频信号的能力;2)在用户和基站之间加入RIS,导致信道的维度急剧增加,这导致训练开销大和计算复杂度高。一般的传统算法要达到好的信道估计性能通常以更高的计算复杂度为代价。由于深度学习技术强大的非线性映射能力,本文构建深度学习模型以较低的复杂度精确估计信道。主要工作如下:反射模式的RIS辅助无线信道估计。首先本文对RIS辅助的无线通信系统建模,然后将信道估计的领域知识与优化算法逐渐嵌入神经网络,提出了基于LS-Net的信道估计方法、基于有监督网络的信道估计方法和基于自监督网络的信道估计方法。值得注意的是,自监督网络在训练中不需要真实标签信道,也能实现和有监督网络近乎一样的性能。透射和反射模式并存条件下的RIS(Simultaneously Transmitting and Reflecting Reconfigurable Intelligent Surface,STAR-RIS)辅助无线信道估计。相比单一反射模式的RIS,STAR-RIS可以实现高度灵活的全空间SRE。因此,本文进一步研究了STAR-RIS辅助的无线通信系统的信道估计问题。首先构建了STAR-RIS辅助的通信系统模型。然后将信道估计问题转化为优化问题求解。最后,将物理模型与迭代优化算法融入到深度迭代网络,提出了两种基于GD-Net的深度迭代信道估计方法和基于ALISTA-Net的深度迭代信道估计方法。仿真结果表明,相较于传统算法,本文提出的基于深度迭代网络的信道估计方法不但具有良好的泛化性和鲁棒性,还能以较低的导频开销实现更好的估计性能。