基于DFT的自分类神经网络信道估计

Kaur已经¹拉曼普里特·考尔²

印度旁遮普省兰兰CEC欧洲经委会系学生
印度旁遮普省兰兰CEC欧洲经委会系助理教授

摘要

信道估计是指对数据发送所经过的信道的性能进行评估。MIMO OFDM(多输入多输出正交频分复用)系统在向接收端发送大量数据方面是非常有效的，但它也存在一些问题，如高放大噪声比等。在这种情况下，估计技术针对通过信道发送和接收的数据包定义了优化方法。DFT是一种有效的信道估计技术。本文重点介绍了基于DFT的信道估计技术，并与现有的MMSE、LS等估计技术进行了比较。本文还对今后信道估计技术的改进提出了建议。本文提出了一种类似细菌觅食优化的优化技术。本文主要研究现有的信道估计技术。本文还描述了信道估计的未来方面可能包括MMSE技术的变化。本文对神经网络的初始化进行了综述，通过神经网络的初始化可以进一步增强估计。

关键字

MIMO -OFDM，信道估计，DFT，神经网络，LS(最小二乘)，MMSE(最小均方)

介绍

在过去的几年中，研究人员在无线通信领域取得了进展，以实现超过2Mbps范围的数据速率，可以支持各种多媒体应用。到目前为止讨论的一种乐观的方法是OFDM(正交频分复用)是一种多载波调制方案，在这种方案中，大量紧密间隔的本质上正交的子载波被用于在各种并行数据、流或信道上传输数据。每个子载波以低符号速率映射到标准调制方案，如相移键控(PSK)或正交振幅调制(QAM)，以保留相当于具有相同带宽的单个载波调制方案的整个数据速率。这种正交性有助于从接收器分离可能在发射机重叠的信号，从而消除载波间干扰(ICI)，并行传输确保了低数据速率，可以减少码间干扰(ISI)的概率，因此它几乎翻倍频谱效率[1]。通过对带宽的有效利用，OFDM已被众多无线标准所接受，如数字视频广播(DVB-T)、数字音频广播(DAB)、IEEE局域网和城域网(MAN)标准。OFDM的应用使其成为即将到来的4G无线通信[2]的有力竞争者。实际上，OFDM既可以作为调制技术，也可以作为多路复用技术。OFDM的优势使下一代高速无线和移动通信系统得到了重生。OFDM使用N个重叠(但正交)子带，其中每个子带的波特率为1/T，并且它们之间间隔为1/T。基于dft的算法利用这一特性来提高LS和MMSE算法的性能。 Now-a-days different communication systems have come into the picture. One of the most optimistic communication schemes for high data rate is MIMO (Multiple Input Multiple Output) [3], [4], [5]. The MIMO concept was first introduced by Jack Winters in 1987 for two basic communication systems [6]. In wireless broadband systems, receiver complexity gets highly reduced by the application of Orthogonal Frequency Division Multiplexing (OFDM). However, in this case synchronization and channel estimation plays an important role. So a new scheme that allows multiple users to have access over the same channel by integrating TDM and FDM known as Multiple Input Multiple output-Orthogonal Frequency Division Multiplexing (MIMO-OFDM). These features increase its popularity for the next generation wireless communication systems such as WLAN, WMAN, Wimax and the 3G-LTE standard that accustomed several users in the same channel at the same time without making use of extra bandwidth [6].

正交分频多工系统

OFDM符号的生成方法如下:

最初，N个数据复符号被缓冲为零，以获得用于计算IFFT的NS个符号。IFFT的产率是OFDM的重要指标，主要关注多路信道的延迟扩展;必须选择一个特定的看门人时间(比如TG)。必须从OFDM符号的开头取与此门控时间相比较的各种样本，并添加到符号的末尾。此外，必须从OFDM符号的末尾选择相同数量的样本，并且必须嵌入起始部分。为了消除带外子载波的力，OFDM符号必须随着余弦窗的增大而增大。然后将加窗的OFDM符号添加到前OFDM符号的yield中，并延迟TR，因此在每个符号[8]之间有一个bTR的覆盖区域。

分布式天线系统

MIMO技术是无线通信领域的杰出表现，它在不增加传输速度或增加发射功率的情况下，在信息吞吐量和连接范围方面提供了显著的扩展。它通过在接收线上散布相同的聚合发射功率来实现这一目标，从而实现增强频谱效率的阵列增益(每赫兹数据传输容量每秒钟更多位)，然后实现提高链路可靠性(减少衰落)的分集增益。MIMO的功能主要分为三类:预编码、空时编码(STC)和空分复用(SDM)。STC通过在不同的发射机分支上进行编码，增强了无线网络的整体性能;而SDM通过同时具有相同载频[4]的不同发射分支传输单个数据流来提高吞吐量。预编码被认为是多流波束形成。更一般地说，它被回顾为发生在发射机的所有空间处理。在(单流)波束形成中，每个发射天线以适当的相位和增益加权发射相同的信号，使信号功率在接收机输入时最大化。

MIMO-OFDM系统

正交频分复用(OFDM)以其对频率选择性衰落的研究活力、频谱熟练度的熟练利用以及低计算多面性，使其成为高比特率远程通信的物理层创新。多输入多输出(MIMO)和正交频分多路复用(OFDM)技术的融合，即MIMO-OFDM，作为最具希望的前沿交换框架之一正在研究中，从远程局域网到宽带接入。利用空间面积，在框架极限的同时扩大了分集增益。由于OFDM框架保证了不同的并行窄带信道，MIMO-OFDM被分析为正在兴起的高信息速率框架(如4G、IEEE 802.16和IEEE 802.11n[3])中的关键工程。MIMO框架在发射机和接收机上连接不同的接收线，使用空间空间进行空间多路复用和空间分集。

图2显示了MIMO OFDM系统。OFDM定义为多载波调制，其中载波之间的间距选择是为了使它们彼此适当正交。如果两个输入序列的点积为零，那么它们就是正交的。这是;通过假设两个不同的序列并将它们相乘[3]。在极小的概率下它们在过渡段内的不可或缺值为零，那么这两个序列在过渡段内是正交的。正交性可以通过精确地选择载波间距来实现，例如，保证分散在它们之间的载波等效于有用符号周期的相等。由于子载体是正交的，在[3]，[7]，[8]的框架下，每个载体的范围在每个交替转运子的核心递归处都是无效的。这就导致载波之间没有阻碍，允许它们彼此紧密地分开。它将整个递归范围划分为足够小的子组，目标是在给定子带上信道影响是一致的(水平)。 At that point a traditional IQ (In stage Quadrature stage) regulation (BPSK, QPSK, QAM, and so forth.) is sent over the sub-band [9]. An extensive number of nearly dispersed orthogonal subcarriers are utilized to convey information. The information is partitioned into a few parallel information streams or channels, one for every subcarrier. OFDM converts the recurrence particular blurring channels into parallel even blurring a sub channel, as long as the cyclic prefix (CP) embedded at the start of every OFDM sequence is longer than or equivalent to the channel length[10].

信道估计

在MIMO-OFDM系统中，无线通信系统中信道失真估计的结果被认为是一个挑战。它给出了物理通道如何响应输入序列的概念。换句话说，它以数学模型的形式预测了系统的脉冲响应。大量研究表明，信道状态信息越准确，接收机[11]处数据符号的相干检测效果越好。信道估计算法主要分为三类，基于训练的、半盲的和盲的方法。盲信道估计方法依赖于发射机完全未知的接收符号。它利用训练符号的使用，在评估统计信息的基础上提取信道状态信息(CSI)，从而节省带宽[11]，[12]。而在基于训练的MIMO系统中，在数据传输之前提取CSI，其中用于信道识别的训练序列或导频符号在每帧的开始引入以进行同步。当CSI在时变信道上发生重大变化时，将传输一个再训练序列[11]。将盲方法与训练数据结合使用，以更好地预测信道变化，称为半盲方法。 This process highly removes the effect over the convergence period of blind subspace algorithm that became unreliable in real-time systems [12].

在训练序列或导频辅助的基础上，有两种信道估计，一种是使用所有子载波在频域执行导频插入的Block型;Pilot的插入不是所有的OFDM符号，而是覆盖了所有不需要插值的频率，如图3[13]所示。

另一种是梳状类型，其中导频插入通过使用一组子载波在时域内执行，因此需要插值。Pilot的插入在所有OFDM符号上进行，如图4[13]所示。

信道估计方法

A.最小二乘信道估计

在梳式中，如果在X (k)中插入Np个导频符号，则按如下公式[8]进行导频类型排列:

（1）

其中L = No。子载波/ Np和m为先导载波指数。

通过使用保护间隔来消除码间干扰，在矩阵表示法中分析的方程如下:

（2）

在哪里

是传输矢量

是接收矢量

是AWGN(加性高斯白噪声)向量吗

DFT矩阵是

定义为捻系数

将LS信道估计应用于MIMO-OFDM，减小了估计值与标准值之间的误差。LS没有考虑信道噪声的分布和信道统计特性。因此，第n个传输和第m个传输之间的信道估计_th接收天线中的矩阵符号[8]表示为

(3)

在哪里

表示LS信道估计

误码率、MSE和信噪比之间的LS信道估计图将在“结果”部分进行讨论。

B.最小均方估计(MMSE)

MMSE估计器包含了最小化均方误差(MSE)的信道条件的二阶统计量。对信道进行时域相关挖掘，然后分析噪声的影响，通过MMSE滤波器对LS进行估计。让R_hh, R_HH，和R_YY分别为h, h, Y的自协方差矩阵，ryy为h和Y之间的协方差矩阵，则为MMSE Channel估计

为MIMO-OFDM系统的第n个发射机和第m个发射机之间_thReceiver对[8]的分析如下:

(4)

（5）

（6）

在σ²就是噪声方差E {|W (k) |²}和我_N为N×N单位矩阵。

有时，信道统计信息不可用，因此在这种情况下很难估计信道。然而，在OFDM系统中，信号可以通过导频载波在接收机上可用。误码率、MSE和信噪比之间的MMSE信道估计图将在“结果”部分进行讨论。

C.基于DFT的信道估计

在LS、MMSE信道估计上使用DFT，通过消除噪声的影响，提高了估计器的总体执行力。在OFDM框架中，信道激励反应的长度通常小于循环前缀l的长度。基于dft的计算利用这一技巧构建LS和MMSE计算的执行[14]。利用IDFT将递归信道估计转化为时间信道估计，将大于L的部分视为扰动，然后将其置零，以消除噪声的影响。设H[k]表示通过LS或MMSE信道估计系统获得的第k个子载波信道增加(增益)的评估。取信道估计[14]的IDFT

(7)

在那里,

Z[n]表示时域内的噪声分量。

通过去除时域噪声的影响，提高了估计精度。

(8)

取剩余L元素的DFT，将得到的方程转换到频域。

(9)

在“结果”部分讨论了基于DFT的误码率、MSE和信噪比之间的信道估计的图。

神经网络

神经系统具有从纠缠的或不确定的信息中确定意义的惊人能力，可以用来集中例子和定位如此复杂的倾斜，无论是人类还是其他工作站方法都无法感知。一个准备好的神经系统可以被认为是一个“大师”，在它已经被给予解剖的数据分类中。然后，这个master可以被用来在新的投资环境下给出预测，并回答“如果”的问题。

不同的特性包括:

适应性学习:弄清如何围绕准备或开始知识所提供的信息完成任务的能力。

自组织:人工神经网络可以在整个学习过程中对它获得的数据进行自己的特定关联或表示。

实时操作:人工神经网络处理可以并行进行，并且不断地设计和生产利用这种能力的特殊拟合装置。

通过冗余信息编码实现的容错:系统的部分拆除会导致执行的比较降低。尽管如此，一些系统容量可能被保留，即使有重大的系统损害[15]。下一节将讨论MIMO-OFDM系统中基于神经网络的信道估计。

结果和讨论

利用神经网络对系统进行训练:为了优化之前设计的估计模型，使用神经网络对OFDM系统进行了训练。该模型包含保护频带间隔值，并利用神经网络对其进行优化。神经网络需要两个输入:首先是通用的OFDM-MIMO架构，其次是带有要发送数据的初始保护带。在迭代过程中检查当前保护带是否适合数据传输。如果根据架构系统，保护带小于合适的保护带，则按一定比例增加，神经往回传播时，检查阈值带是否合适。在BFO方面，保护带并不是简单的一个输入值，而是在节省迭代的范围内。BFO方法为传输选择一个最优值。如果数据FFT不是最优的，则对FFT范围重复该过程，BFO方法为相同的范围生成一个范围，并根据BFO结果值增强FFT长度。实验结果如下:

图5是DFT、LS和MMSE在误码率(Bit Error Rate, BER)和信噪比(SNR)方面的比较。图5描述了信噪比与信号强度成正比，而误码率降低了发送数据包的有效性。从上图可以看出，DFT在误码率的即兴处理方面比LS机制更有优势。

图6显示了信噪比与MSE的关系图，表明DFT技术的MSE与最小二乘法和最小二乘法相比更大。

结论

根据上面的观察结果，可以推断信道估计是一种唯一的方法，用于识别信道的容量，并预测如果数据通过信道传播将会发生多少错误。此外，估计方法还可以进行优化。目前的实验为未来的研究工作打开了许多大门，因为当前的系统不包括MMSE技术或任何优化技术，如GA, ACO和BFO。

数字一览


图1	图2	图3


图4	图5	图6

参考文献

Gordon L. Suber, John R.Barry, Steve W. Mclaughlin, Ye(geoffrey)Li, Mary Ann Ingram和Thomas Pratt，“宽带MIMO-OFDM无线通信”，IEEE论文集，Vol.92,No. 1。2、2004年2月。

邹文勇、吴勇，“COFDM:一个综述”，《广播学报》，第41卷，第1-8页，1995年3月。

Krishna N. Chaudhari, Dr. Dharmistha D. Vishwakarma，“基于OFDM的MIMO系统误码率改进”，国际计算机科学与电子工程高级研究杂志，第2卷，第1期，2013年1月ISSN: 2277 - 9043。

Allert van Zelst和Tim C. W. Schenk，“基于MIMO ofdm的无线局域网系统的实现”，《IEEE信号处理汇刊》，Vol.52,No.2, 2004年2月。

S. Cioni, A. Vanelli-Coralli, G.E. Corazza, P. Burzigotti，和P.D. Arapoglou，“MIMO-OFDM在移动卫星广播系统中的分析和性能”，IEEE Globecom 2010。

M. VaniDivyatha, B. Siva Reddy，“无线宽带通信MIMO-OFDM的设计与误码率性能”，国际现代工程研究杂志第3卷，第3期，5 - 6月。2013 pp-1382-1385 ISSN: 2249-6645。

anandamurthi&r . Bhagya，“无线局域网MIMO-OFDM的设计与性能分析”，国际电子与通信工程杂志ISSN 2278-9901第2卷，第3期，pp-77-84, 2013年7月。

SinemColeri, Mustafa Ergen, AnujPuri，和Ahmad Bahai，“OFDM系统中基于导频排列的信道估计技术”，IEEE汇刊，Vol.48, No.3, 2002年9月。

徐建，李相珍，姜禹锡，徐宗秀，“基于MIMO-OFDM的无线组播系统自适应资源分配”，《通信学报》，Vol.56, No.1, 2010年3月。

Daniel Sacristan-Murga, MiquelPayaro和Antonio Pascual-Iserte“基于信道GramMatrix反馈的多用户MIMO OFDM广播系统收发器设计框架”，《IEEE通讯学报》，第11卷，第5期，2012年5月。

ImadBarhumi, Geert Leus和Marc Moonen，“移动无线信道MIMO-OFDM系统的最优训练设计”，《IEEE信号处理汇刊》，Vol.51, No.6, 2003年6月。

Bertrand Muquet, Marc de Courville, Pierre Du hamel，“OFDM系统中基于子空间的盲和半盲信道估计”，《IEEE信号处理学报》，Vol.50, No.70, 2002年7月。

卢鑫，陆云亭，徐军，林光明，“MIMO-OFDM系统的最小二乘信道估计”，北京国际无线通信、网络与移动计算会议，pp 1-4, 2009年9月。

RajbirKaur, Charanjitkaur，“QAM-QPSK调制MIMO-OFDM系统信道估计技术研究”，国际计算工程学报，ISSN 2250 - 3005，第2卷，第5期，pp-1419 -1424, 2012年9月。

班萨尔，莫迪和夏尔马，“神经网络”，PHI出版物，第52卷，2009年6月。

国际计算机与通信工程创新研究杂志