A Novel OFDM Autoencoder Featuring CNN-Based Channel Estimation for Internet of V essels

大概内容

在本文中，为了设计一个具有挑战性的海上信道环境的智能 IoV 通信系统，提出了一种新颖的 OFDM 自动编码器，它采用 CNN 和 LSTM 层来促进端到端学习。此外，所提出的基于学习的自动编码器最适合具有精确信道模型不切实际或不可能的通信系统，这不仅限于海上通信。我们的 OFDM 自动编码器由多个 CNN 层组成，以便学习复杂的信号表示以实现最佳传输，同时使用的参数比使用 FC 层少。此外，所提出的 CNN 架构能够在训练期间轻松收敛到最佳解决方案

1. 同时，我们还提出了一种新的 OFDM 系统信道估计算法，该算法将 DL 的强大功能与超分辨率重建的思想相结合，
2. 其中使用专门设计的 Dense-Net 架构将低分辨率导频信息图像重建为高分辨率图像。
3. Dense-Net架构通过密集连接和特征复用解决了传统CNN梯度消失和参数过多的问题。
4. 在慢衰落信道下，提议的 CE 可以估计接近完美的 CIR。
5. 在快速衰落信道的情况下，所提出的 CE 比现有的基于 DL 的算法具有更好的性能，并且具有更低的计算复杂度。
6. 最后，所提出的编码 OFDM 自动编码器和所提出的基于 CNN 的 CE 需要大量的计算能力来进行离线训练，然而，一旦训练完成，所提出的自动编码器通过加载训练参数和易于在线训练更新来享受简单的部署。

总之，我们认为所提出的 OFDM 自动编码器的泛化能力与卓越的 BLER 性能和对复杂海洋环境的适应性相结合，受到 LSTM 辅助 CNN 的支持，是 IoV 发展的关键。

II. TYPICAL OFDM COMMUNICA TION SYSTEMS

本节简要介绍了一种传统的OFDM通信系统，并将其作为本文提出的基于dl的OFDM自动编码器的基准。

III. PROPOSED OFDM AUTOENCODER

更明确地说，提出了两种自动编码器结构。

1. 一种是使用CNN层来方便调制任务，
2. 另一种是使用CNN和LSTM层来执行“联合”信道编码和调制。

为了对抗快衰落的影响，导频信号的插入模式被选择为梳状模式如下图所示：

此外，利用Image超分辨率[28]、[29]中的思想解决了信道估计问题，其中导频数据是低分辨率信号，使用神经网络来重建完整的CIR。
28
29

B. Coded CNN-Based OFDM Autoencoder Using LSTM

此外，众所周知，信道编码可以通过使用卷积码(CCS)、Turbo码等将信息比特与相邻比特相关来提高系统的性能。在这一部分中，我们提出了一种由LSTM层授权的OFDM自动编码器，使得该体系结构具有实现信道编码增益的能力，其中具体的神经网络结构如表II所示，如图4所示。

在发送端，采用三个Conv-1-D层以便于信号变换，然而，如表II所示，第二个Conv-1-D层的核大小被设置为3以使信息符号相关。随后，在Conv-1-D层之后添加具有128个单元的LSTM层，以便将信息向量进一步扩展到相邻的发送序列，从而可以进行类似CC的信道编码。

更具体地说，最后一个Conv-1-D层的输出数据序列被馈送到LSTM信元，以通过LSTM的输入、输出和遗忘门将当前信息递归地编码为所有过去的时间步长。此外，使用128个单元来确保将足够的特征编码到整个序列中。换言之，是CNN层与附加的LSTM层共同执行自动编码器系统的调制和信道编码任务。

此外，表II的时间分布层和重整型层用于使发射信号符合适当的OFDM帧结构。

在接收端，与表1中基于CNN的纯自动编码器相比，增加了两个LSTM层来提取接收序列中的相关信息，然后再增加两个Conv-1-D层，从而联合进行信道译码和解调。最后，利用分层结构将提取的每一时刻的特征重构到一个热点向量中，完成数据恢复任务。

与传统通信系统中信道编码和调制分别优化不同，表II中的LSTM编码的基于CNN的OFDM自动编码器使用Conv-1-D层和LSTM层的堆栈来联合编码和相关数据。此外，由于Conv-1-D层的核大小较小，其对时间序列的相关能力有限。另一方面，增加核的大小会使神经网络难以收敛。因此，假设LSTM层比Conv-1-D层具有更广泛的数据接收和处理领域，则附加的LSTM层对于在关联长时间序列信号方面补充Conv-1-D层是必要的。

此外，可以通过改变输入比特数来控制自动编码器系统的码率e，即每组(N∗e)×log2m信息比特被转换成一个热矩阵作为输入。

Important!! C. CNN-Based Channel Estimation

我们还提出了一种新的基于cnn的动态海洋信道环境CE，如图3所示，具体网络结构如表III所示，如图5所示。接收到的导频信号作为CE的输入。然后，通过表III中的重塑层对数据进行重塑，随后的二维卷积(conv2 - 2d)层可以据此推断出完整的CIRs。导频数据通过FC层进一步上采样，导频信号维数扩展为2(N+P)。使用了12个连续的conv2d层，并结合前一层学习到的特征的快捷方式，即表III中的级联层。这种密集网型结构允许提出的CE从上采样的导频数据准确地重建全通道频率响应。


此外，通过表III中三个专门设计的去噪层，导频信号AWGN的影响被最小化。具体来说，表III的Denoise1层通过IDFT将估计的频域信道响应转换为时域CIRs。然后，最后的(N + P)−K样本设置为零，因为整个CIR的长度被限制为K。最后，时域CIR通过DFT转换回频域，将其用于信道均衡器。

本文提出的基于cnn的CE的设计思想来源于图像处理中的图像超分辨率。即治疗试点数据大小的B×2 P作为lowresolution二维图像,和所有频道的频率响应相应的高分辨率图像大小的B×2 (N + P)。然后,我们创新设计一个Dense-Net网络结构,以促进超分辨率的过程,其中，每个conv2d层的输入是前一层的连接，这意味着每一层学到的特征直接传递给后一层。相比之下，浅层CNN网络无法提供CE模块所需的估计精度，即使它们足以满足自动编码器本身。换句话说，信道扰动比信息序列的编码/解码更复杂，因此需要一个更深、更强大的密网体系结构。此外，本文提出的稠密网CE由于继承了快捷连接，具有快速收敛的能力。这种结构允许CE拼凑所有学到的特性来解决“谜题”。同时，通过特征复用，大大降低了密网所需的参数。例如，在表III的DN层中的每个conv2 - d层中，只有8个使用1 × 1或3×3大小的内核的过滤器。此外，密集的连接缓解了深度CNN网络训练中经常出现的消失梯度现象。