论文分享——自由空间光通信系统下的基于深度学习的信道估计

一直在寻找合适的论文，想要找到自己研究方向的切入点，这里给大家分享一篇最近在看的论文《Deep learning forchannel estimation in FSO communication system》。论文中提出不同的基于深度学习的新型自由空间光（free space optical，FSO）通信系统，其中深度学习用作检测器，联合星座整形器和检测器，信道估计器，联合信道估计器和检测器，联合星座整形器和信道估计器和检测器。为了与传统系统进行比较，还应用了QAM调制，完美的信道估计和最大似然检测。

1、论文要解决的问题

FSO通信系统由于具有优于常规射频系统的优势，因此是未来通信服务中最有希望的技术之一。 FSO对于户外通信应用非常有效；它适用于远程通信（无需信号放大或校正）。尽管室外射频通信链路很容易进行窃听，但FSO链路却不受窃听。除了这些优点外，室外大气湍流还会显着降低FSO链路的性能，并限制其实际应用。因此，估计大气湍流通道（并使其均衡）可以真正改善FSO链路的性能。针对该问题的杰出传统解决方案是基于导频传输的完美信道估计，然而，完美信道的估计具有很高的复杂度并降低了数据速率。所以需要找到一个方法降低复杂度并提升速率。

2、为什么选择深度神经网络（DNN）

在所用的结构中使用DNN的原因是，DNN是唯一可以在任何类型（有监督的和无监督的）任何地方（星座整形器，信道估计器和检测器）应用的机器学习算法。例如，即使支持向量机（它是有监督的二进制分类器），尽管其检测性能良好，但也不能应用于星座整形器或信道估计器等其他部分（因为这两个部分是无监督的。DNN是光学通信中使用最广泛的深度学习技术，并且是传统方法的适当替代方法。DNN的复杂度低，响应速度快。它可以建模复杂的多维非线性关系。由于这些优点，在FSO中应用DNN进行星座整形，信道估计和检测可以显着降低复杂性，成本，等待时间和处理，同时保持系统性能。

3、系统模型

如图1所示，一共建立了六种系统结构

l  QAM-完美信道估计-最大似然

l  QAM-DNN-最大似然

l  QAM-完美信道估计-DNN

l  DNN-完美信道估计-DNN

l  QAM-DNN-DNN

l  DNN-DNN-DNN

其中X-Y-Z分别含义为，X：星座整形器（QAM或DNN）

                                    Y：信道估计器（完美信道估计或DNN）

                                    Z：检测器（最大似然或DNN）

图1 FSO系统的不同结构

QAM-完美信道估计-最大似然

如图1a所示，第一种结构是纯常规结构，由QAM调制，完善的信道估计和最大似然检测组成，信息信号由光发送器发送并由相干光接收器接收。用于与提出的基于深度学习的结构进行比较，信息信号由光发送器发送并由相干光接收器接收。 x为发射的FSO信号，在接收器孔径处的接收信号可以表示为：

其中n为零均值的接收孔径输入加性高斯白噪声（AWGN）;I是大气湍流强度，假定为伽玛–伽玛；R是检测器的影响因子。背景噪声受限的接收器，由背景辐射产生的散粒噪声占主导地位，因此，噪声项被建模为与信号无关的AWGN。假设信道估计完美，则最大似然接收器变为：

QAM-完美信道估计-DNN

如图1c中，深度学习用于检测，它由QAM调制，完美信道估计和基于DNN的检测组成。将x作为传输符号，首先将该符号转换为一个one-hot矢量（因为最后，DNN的输出将是一个大小为M的矢量，希望与该矢量相同）。然后，将one-hot向量映射到M-QAM星座图上，并从FSO发送器发送，通过大气湍流，并在FSO接收器处接收。接收到的信号是复数，但DNN不接受复数。因此，它的实部和虚部被分离并进入具有2个输入神经元，1个输出神经元，2个隐藏层，1个层神经元，激活函数，权重矩阵和偏向向量的DNN。目的是调整DNN参数（权重和偏差），以便接收器可以更好地恢复原始传输的M维符号。

DNN每一层的输入都乘以权重，再加上偏差，相加后输入激活函数。每个激活功能的输出是下一层的输入，并且相同的过程一直持续到DNN结束。为减小输出与预测值之间的误差，为每个单独的传输符号定义并计算一个损失函数，并在整个批量范围内预期损失函数，采用的损失函数如下：

其中K是批处理大小，l（。，。）是损失函数。所考虑的损失函数是交叉熵，定义为：

可以通过随机梯度下降法使损失函数最小化。

DNN-完美信道估计-DNN

如图1d，使用DNN作为联合检测器和星座整形器。因此，它由基于DNN的星座图整形，完美信道估计和基于DNN的检测组成。x为生成的M元符号，首先将其转换为一个one-hot向量，然后输入具有M个输入神经元和2个输出神经元的DNN中。其他DNN结构与前面DNN完全相同，DNN输出的复数求和产生一个复数，该复数代表信号星座图中所传输符号的位置。

QAM-DNN-最大似然

如图1b，提出一种基于DNN的信道估计器。该结构由QAM调制器，基于DNN的信道估计和最大似然检测器组成。x为传输符号，将接收器处的接收信号输入具有2个输入神经元和2个输出神经元的DNN中，其他DNN结构与前面DNN完全相同，实际上，此DNN的输出是对信道的估计（该估计无需任何导频符号即可完成，并且假定该信道不相关且是随机的）。接收到的信号进入最大似然检测器，通过使用估计的信道，恢复发送的信号。

QAM-DNN-DNN

如图1e，研究使用DNN进行联合信道估计和检测的效果。该结构包括QAM调制，基于DNN的信道估计和基于DNN的检测。x为传输符号，该符号首先被转换为one-hot矢量，然后映射到M-QAM星座，然后通过FSO信道传输。首先将接收到的信号输入具有与图1b相同结构的DNN，此DNN的输出是信道估计，然后考虑该信道估计以消除信道影响，则将信号（除去信道影响）输入具有与图1c相同的结构DNN。

DNN-DNN-DNN

图1f的目的是研究使用DNN进行联合星座整形，信道估计和检测的效果，因此所有这些部分都是基于DNN的。将x视为生成的M元符号，首先将其转换为one-hot矢量，然后输入与图1d中的DNN相同的DNN，然后映射的符号被传输，遇到伽玛-伽玛大气湍流，并添加AWGN；首先将接收到的信号输入具有与图1b相同结构的DNN中，此DNN的输出是信道估计，然后考虑该信道估计以消除信道影响，则将信号（除去信道影响）输入到具有与图1c相同的结构的DNN，目的是同时调整所提出结构的DNN参数，以减少大气湍流效应，并更好地恢复信号。

4、仿真分析

这里仅对大气湍流状态级别为弱的情况进行分析，如图2所示，当完成完美的信道估计时，传统结构和基于DNN的结构的效果是相同的，这是因为当信道估计完美时，DNN应该解决的问题是线性的；实际上，当模型未知或非线性的情况下，DNN的性能远远超出了常规系统。不过这也表明所提出的基于DNN的接收机在线性模型中也有效地完成其工作。可以看出，当信道估计不够完美时，添加每个DNN系统（检测器，星座整形器和信道估计器）将提高系统性能，因为当信道估计不相关且随机时，没有导频符号序列就很难，这正是可以使用DNN的地方。在每个部分的DNN之间的性能差异表明，尽管进行了大多数应用研究，即在接收方使用DNN，但DNN可以用作通信系统的每个部分。

图2 大气湍流状态级别为弱时Es/N0与SER的关系

参考文献

M A Amirabadi,M H Kahaei, S ANezamalhosseini,et al. Deep learning for channel estimation in FSO communicationsystem[J].Optics Communications,2020,459.