【信号检测】基于长短期记忆（LSTM）在OFDM系统中基于深度学习的信号检测（Matlab代码实现）

 💥💥💥💞💞💞欢迎来到本博客❤️❤️❤️💥💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

🚀支持：🎁🎁🎁如果觉得博主的文章还不错或者您用得到的话，可以关注一下博主，如果三连收藏支持就更好啦！这就是给予我最大的支持！

   

📋📋📋本文目录如下：⛳️⛳️⛳️

​

目录

1 概述

2 基于深度学习的估计和检测 

2.1 深度学习方法

1.2 模型训练 

2 仿真结果

3 Matlab代码实现

---

1 概述

正交频分复用 (OFDM) 是一种流行的调制方案，已在无线宽带系统中广泛采用，以对抗无线信道中的频率选择性衰落。信道状态信息 (CSI) 对于 OFDM 系统中的相干检测和解码至关重要。通常，在检测到传输数据之前，可以通过导频来估计 CSI。使用估计的 CSI，可以在接收器处恢复传输的符号。从历史上看，OFDM系统中的信道估计已经被彻底研究过。传统的估计方法，即最小二乘法 (LS) 和最小均方误差 (MMSE)，已在各种条件下得到利用和优化 [2]。 LS估计的方法不需要事先的信道统计，但其性能可能不足。 MMSE 估计通常通过利用通道的二阶统计来获得更好的检测性能。

这是使用深度学习工具箱中的长短期记忆（LSTM）网络在接收器处实现符号分类的示例，用于OFDM系统中的信号检测。
基于LSTM的神经网络针对单个子载波进行训练，其中计算符号错误率（SER）并与最小二乘（LS）和最小均方误差（MMSE）估计值进行比较。
在此初始调查中，假定无线信道在脱机训练和联机部署阶段是固定的。为了测试神经网络的鲁棒性，对每个传输的OFDM数据包应用随机相移。
考虑了试点符号数量和循环前缀 （CP） 长度的影响。

本文介绍了正交频分复用（OFDM）系统中用于信道估计和信号检测的深度学习的初步结果。在这封信中，我们利用深度学习以端到端的方式处理无线OFDM信道。与现有的OFDM接收器首先显式估计信道状态信息（CSI），然后使用估计的CSI检测/恢复传输的符号不同，所提出的基于深度学习的方法隐式估计CSI并直接恢复传输的符号。为了解决信道失真问题，首先使用基于信道统计的仿真生成的数据离线训练深度学习模型，然后直接用于恢复在线传输的数据。根据我们的仿真结果，基于深度学习的方法可以解决通道失真问题，并检测传输的符号，其性能可与最小均方误差估计器相媲美。此外，当使用较少的训练飞行员，省略循环前缀并且存在非线性削波噪声时，基于深度学习的方法比传统方法更可靠。综上所述，深度学习是无线通信中信道估计和信号检测的有前途的工具，具有复杂的信道失真和干扰。

2 基于深度学习的估计和检测 

2.1 深度学习方法

1.2 模型训练 

其余详细部分见第四部分。

2 仿真结果

👨‍🎓博主课外兴趣：中西方哲学，送予读者：

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。在我这个专栏记录我有空时的一些哲学思考和科研笔记：科研和哲思。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“真理”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

3 Matlab代码实现