[论文解读] Artificial Intelligence-aided Receiver for A CP-Free OFDM System: Design, Simulation, and Experimental Test

Jing Zhang, Chao-Kai Wen+2 more|arXiv (Cornell University)|Mar 12, 2019

Wireless Signal Modulation Classification参考文献 30被引用 4

一句话总结

本论文提出一种基于模型驱动深度学习方法的AI辅助接收机，用于无循环前缀（CP-free）正交频 division multiplexing（OFDM）系统，结合了最小二乘法初始化的信道估计网络（CE-NET）与基于OAMP的信号检测网络（OAMP-NET）。该接收机在高阶调制和动态环境中展现出优越的误比特率（BER）性能，通过仿真和实际空中接口（OTA）测试验证，其复杂度更低、鲁棒性更强，优于现有方法。

ABSTRACT

Orthogonal frequency division multiplexing (OFDM), usually with sufficient cyclic prefix (CP), has been widely applied in various communication systems. The CP in OFDM consumes additional resource and reduces spectrum and energy efficiency. However, channel estimation and signal detection are very challenging for CP-free OFDM systems. In this paper, we propose a novel artificial intelligence (AI)-aided receiver (AI receiver) for a CP-free OFDM system. The AI receiver includes a channel estimation neural network (CE-NET) and a signal detection neural network based on orthogonal approximate message passing (OAMP), called OAMP-NET. The CE-NET is initialized by the least-square channel estimation algorithm and refined by a linear minimum mean-squared error neural network. The OAMP-NET is established by unfolding the iterative OAMP algorithm and adding several trainable parameters to improve the detection performance. We first investigate their performance under different channel models through extensive simulation and then establish a real transmission system using a 5G rapid prototyping system for an over-the-air (OTA) test. Based on our study, the AI receiver can estimate time-varying channels with a single training phase. It also has great robustness to various imperfections and has better performance than those competitive algorithms, especially for high-order modulation. The OTA test further verifies its feasibility to real environments and indicates its potential for future communications systems.

研究动机与目标

• 解决无循环前缀OFDM系统中因去除循环前缀而导致频谱效率降低，同时引入符号间干扰与载波间干扰的挑战。
• 通过引入人工智能提升鲁棒性与准确性，克服LS与ZF等传统方法在时变与频率选择性衰落信道中的局限性。
• 设计一种模型驱动的深度学习接收机，融合物理层知识（LMMSE、OAMP）与可训练参数，以减少对训练数据的需求并提升泛化能力。
• 在仿真环境与真实空中接口（OTA）环境中验证所提出的AI接收机，包括动态散射与移动性场景。
• 展示AI辅助接收机在面向未来高效、低时延无线系统（如6G与物联网）中的可行性与优越性。

提出的方法

• 设计一种信道估计神经网络（CE-NET），以最小二乘法估计初始化，并通过线性最小均方误差（LMMSE）层进一步优化，以在极少数据条件下提升精度。
• 通过展开迭代正交近似消息传递（OAMP）算法并引入可训练参数，开发OAMP-NET，以增强信号检测性能。
• 使用如指数型功率延迟剖面（EXP）等信道模型对AI接收机进行离线训练，该模型代表IEEE 802.11b的典型特性，用于模拟真实的多径衰落。
• 将CE-NET与OAMP-NET整合为统一的端到端AI接收机架构，实现无循环前缀OFDM系统中联合信道估计与信号检测。
• 利用5G快速原型系统在真实空中接口（OTA）环境中实现并测试AI接收机，控制移动性与散射条件。
• 在静态与动态场景下，对比LS+OFDM及其它AI基线方法（FC-DNN、ComNet）在相同信噪比（SNR）与导频配置下的性能表现。

实验结果

研究问题

• RQ1 基于模型驱动的AI接收机是否能在极低训练数据量与低复杂度条件下，实现无循环前缀OFDM系统中准确的信道估计与信号检测？
• RQ2 与传统方法及现有AI基接收机相比，所提出的AI接收机在具有移动散射体的真实动态环境中表现如何？
• RQ3 在高阶调制与时变信道中，OAMP-NET相较于基于零 forcing（ZF）的方法（如ComNet）在检测精度方面提升程度如何？
• RQ4 当接收机仅在单一信道模型（如EXP）上进行训练，但在多样化的真实OTA条件下测试时，其鲁棒性与低BER性能是否仍能保持？
• RQ5 AI接收机在连续导频与梳状导频配置下的性能差距如何？该差距能否被有效缓解？

主要发现

• 在场景2（存在移动人员的动态环境）中，所提AI接收机误比特率（BER）达到 $4.6 \times 10^{-3}$，显著优于LS+OFDM（$1.9 \times 10^{-2}$）、FC-DNN（$2.1 \times 10^{-2}$）与ComNet（$1.2 \times 10^{-2}$）。
• 在场景1（静态环境）中，AI接收机BER为 $3.7 \times 10^{-4}$，与LS+OFDM（$3.9 \times 10^{-4}$）相当，略优于FC-DNN（$5.4 \times 10^{-4}$）与ComNet（$7.8 \times 10^{-4}$）。
• OAMP-NET检测器在高阶调制与复杂衰落环境中表现出高于ZF基ComNet的精度。
• AI接收机对信道变化、调制方式切换及导频结构（梳状 vs. 连续）均表现出强鲁棒性，在各种条件下均保持低BER。
• OTA测试验证了AI接收机在真实环境中的可行性，证实其在实际非理想条件下的性能优势。
• 该接收机复杂度低于传统基于模型的接收机，同时在高信噪比与高移动性场景下逼近理论性能极限。