1 参考资料

本笔记是结合博士哥哥的笔记和文献的思考【https://zhuyulab.blog.****.net/article/details/89359860】

2 INTRODUCTION

数据驱动的方式有缺点，使用模型驱动的DL方法。本文提出了一种模型驱动的DL结构，称为ComNet，以取代传统的或FC-DNN的OFDM接收机（参考论文Power of deep learning for channel estimation and signal detection in OFDM systems），它将DL与无线通信领域的expert knowledge相结合。所提出的ComNet 接收机使用DL来促进现有的接收机模型，如信道估计（CE）模块和信号检测（SD）模块，而不是用一个完整的DL替换整个接收机，然后集成通信信息。说白了就是分别用神经网络实现两个接收机的两个模块：信道估计和信号检测。
它的优势（参考大佬笔记）

• 通过传统通信中累积的大量前人工作来初始化网络， 可以极大地提升训练效率，减小数据依赖， 降低整体复杂度
• 使得每个子网络有清晰的物理意义，从而更容易地进行调整，获得进一步增益

3 COMNET

ComNet是包括两个部分的子网络，一个信道估计（CE）一个是信号检测（SD）。以下内容将介绍网络权值的初始化、代价函数和优化器的选择以及超参数的配置。

A ComNet Architecture

xD：源信号
xp：输入的导频
yD：接收到的信号
yp：接收到的导频

图2是CE的子网，它的输入是最小平方（LS）初始化，根据公式

得到。然后使用LS-RefineNet生成精确的CE输入，其中LS-RefineNet是一层DNN。它的输入是128维实值信号向量，由hLS的实部和虚部组成。下一层的神经元数目是128个，这些神经元没有**函数，也就是说，它是一个线性信道估计器。
在SD子网中，它的输入由公式得到

xzf用于预测8个连续子载波上的8个符号的二进制数据。对于64个子载波的一个OFDM系统，需要8个独立的SD子网。反正这个子网就是为了得到更精确的传送的数据。对于子网中ZF-RefineNet网络本文提出了两种

• FC-SD：包括两层FC-DNN，每层有120和48个神经元。输入是xZF的实部和虚部的连接。隐藏层的**函数使用ReLU，而输出层的**函数是sigmoid函数。
• Bi-directional long short-term memory (AiLSTM)SD：包括一个三层64-time steps 的BiLSTM网络，每层有20个、10个和6个隐藏单元，然后是一个具有48个神经元的单层FC-DNN，如图3所示。考虑到ZF SD的性能下降，BiLSTM SD 结合了yD和h的输入。那个输出层的**函数是sigmoid函数。
  

B Training Specification

为了加快训练过程，考虑了网络权值的初始化。CE子网由实值线性最小均方误差（LMMSE）CE权值矩阵̃WLMMSE初始化.公式如下

对于这两个子网，我们采用了[4]中的均方误差代价函数和自适应矩估计（Adam）优化器[12]。这两个子网按TensorFlow顺序训练，其中CE子网先训练2000个epoch，然后固定，然后再训练5000个epochs训练SD子网。
每个epoch使用50个小批量，总批量为1000。将学习速率设为循环函数，实现初始值为0.001的训练周期，子网每1000个周期减少10倍，SD子网每2000个周期减少5倍。

4 NUMERICAL RESULTS

OFDM系统包含64个子载波和16个CP样本，每个帧包含一个导频OFDM符号和一个数据OFDM符号。64qam的映射采用长期演进（LTE）标准。
以下是作者ComNet的一些算法或模型选择：

• ComNet-BiLSTM: 建议ComNet架构，带BiLSTM-Detection的 ZF_RefineNet
• ComNet-FC: 建议采用FC检测的 ComNet架构的ZF_RefineNet
• FC-DNN: 修改输出层神经元数量由16个变为48个，使其适合于64-QAM，因为FC-DNN中用的是4-QAM，所以它原本神经元个数是16个。
• LMMSE-MMSE: 传统LMMSE和最小均方误差（MMSE）SD
• Y/H_true: yD与真实频域信道h的商，可以实现线性情况下的最大似然解。假定信道已经的最大似然解，可以说是传统算法的最优了。

A CE SubNet

ComNet接收机相对于FC-DNN的一个优点是可以获得准确的信道状态信息（CSI），这对于下行链路传输中的信道分析和CSI反馈非常有用。图4显示了通信网CE子网和LMMSE，以及ComNet与传统方法在线性下和有CP（循环前缀）去线性下的MSE的mse性能对比。

实验表明：与传统的LMMSE-CE相比，CE子网可以更好地校正没有CP带来的影响。

B SD SubNet

（1）线性情况下：ComNet比FC-DNN误码率低

（2）ComNet没有CP的优势：传统的ofdms系统中引入CP来抑制多径信道引起的码间干扰（ISI），虽然降低了传输效率，但是增加了能量消耗。ComNet没有CP，效果还好。如图6（a）所示。这种能力得益于BiLSTM递归神经网络，该网络旨在利用序列数据的ISI的内在关系。

（3）Clipping（削波）：传统的OFDM必须要利用Clipping去克服峰值平均功率比（PAPR）。它应用于时域传输信号，但同时会导致信号的非线性失真。如图6（b）所示，ComNet BiLSTM的误码率最低。

C Performance Analysis

（1）信噪比下的鲁棒性：上述结果是在SNR=40 dBs下通过训练ComNet接收器获得。信噪比失配与匹配结果的差异表明，当信噪比=5dB时，信噪比匹配导致的MSE损失约为3dB。然而，信噪比失配会导致轻微的误码率性能损失，这表明通信网接收机在恢复二进制符号时对信噪比失配具有鲁棒性。
（2）复杂度：见表，ComNet就是最棒的。

5 疑问

• LMMSE、MMSE的具体用途
• ComNet的网络结构实现是什么样子的？渴望代码。
• FC-DNN用了4QAM的调制方式，ComNet用了64-QAM的调制方式，既然要对比为什么不使用同一种调制方式对比？为什么不实用其他调制方式实验，实验呢效果怎么样？
• OFDM中线性和非线性是什么意思
• expert Knowledge是什么意思

6 可深入研究或创新的点

1. 分析比较RNN 网络相对于CNN网络在信号处理中的优势。神经网络用哪种比较合适信号处理，为什么适合，写一个分析报告出来。
2. ComNet中每个子网共同使用一个相同的损失函数。尝试每个子网都有自己的损失函数。看性能有没有提升。
3. 比较ComNet和DCNN的区别。在这两个系统上进行结合或者优化。
4. FC-DNN用了4QAM的调制方式，ComNet用了64-QAM的调制方式。没有明白既然要对比，不使用同一种调制方式，尝试用其他的调制方式进行对比。