文献背景
2020.12 Deep Learning for Joint Channel Estimation and Signal Detection in OFDM Systems:
参考文献:
信道估计的技术是直接利用别人提出的
2020.10《Model-Driven Channel Estimation for OFDM Systems Based on Image Super Resolution Network(基于图像超分辨率网络的OFDM系统模型驱动信道估计)》 自己的创新点仅仅在信号检测上
2019.5 RoemNet: Robust meta learning based channel estimation in OFDM systems(翻译)
2019.4 Deep Learning-Based Detector for OFDM-IM
在正交频分复用(OFDM-IM)系统中利用深度学习(DL)进行信号检测的第一次尝试。特别地,我们提出了一种新的基于DL的检测器,称为DeepIM,它使用一个具有完全连接层的深度神经网络来恢复OFDM-IM系统中的数据位。
2018 comnet → Xin Ru, Li Wei, Youyun Xu, “Model-Driven Channel Estimation for OFDM Systems Based on Image Super-Resolution Network”, Signal and Image Processing (ICSIP) 2020 IEEE 5th International Conference on, pp. 804-808, 2020.→2020.12 Deep Learning for Joint Channel Estimation and Signal Detection in OFDM Systems
文献翻译
URL: https://ieeexplore.ieee.org/stamp/stamp.jsptp=&arnumber=9159626&isnumber=9289005
摘要:
本文通过研究无线衰落信道的时间和频率相关性,提出了一种基于深度学习的正交频分复用(OFDM)系统联合信道估计和信号检测的新方法。具体而言,设计了一个信道估计网络(CENet),以取代传统的在导频辅助估计方案中的插值过程。然后,根据CENet的结果,设计了一个信道条件恢复网络(CCRNet)来恢复发送信号。实验结果表明,与传统的估计和检测方法相比,CENet和CCRNet具有更好的性能。另外,这两种网络对参数概率的变化都具有较强的鲁棒性,具有较强的实用性。
第一章
导言
正交频分复用(OFDM)是现代无线系统中一种广泛应用的调制方式。OFDM系统的性能很大程度上取决于采用的信道估计和信号检测方法。因此,大量的研究工作致力于设计有效的信道估计和可靠的信号检测方法,见[1], [2]及其中的参考资料。
1.“频率选择性衰落信道中基于梳状导频排列的OFDM系统信道估计”1998
2.“时频选择性衰落环境下基于梳状导频的OFDM系统卡尔曼滤波信道估计”,2008
-
Power of deep learning for channel estimation and signal detection in OFDM systems提出了一种新的全连通DNN(FC-DNN),将联合信道估计和信号检测任务作为黑箱来检测数据。随后Artificial intelligence-aided OFDM receiver: