Гибко конфигурируемый модульный нейросетевой OFDM-приемник

Введение. Ортогональное частотное мультиплексирование (OFDM) является доминирующей схемой модуляции в мобильной связи. OFDM-системы должны быть работоспособны в широком диапазоне свойств многолучевого канала связи с замираниями. В последнее время активно развиваются подходы к построению OFDM-приемников на основе методов машинного обучения, в том числе искусственных нейронных сетей. Как правило, нейросети в таких приемниках обучаются для одной конкретной конфигурации системы связи. Это затрудняет использование нейросетевых приемников в реальных системах и делает актуальной задачу разработки более гибких схем.
Цель работы. Получить и оптимизировать структуру OFDM-приемника, основанного на искусственной нейросети и состоящего из отдельных модулей, комбинируемых в зависимости от конфигурации пилот-сигналов и используемого вида модуляции.
Материалы и методы. Приведенные результаты получены с помощью компьютерного моделирования в среде MATLAB.
Результаты. Предложенная архитектура нейросетевого OFDM-приемника основана на комбинации двух многослойных персептронов, первый из которых в неявной форме реализует оценку состояния канала связи и компенсацию искажений, а второй осуществляет демодуляцию. При этом первый персептрон формирует промежуточные представления символов данных, для которых при обучении сети не было конкретных образцов, а экземпляры второго персептрона работают с этими представлениями для отдельных символов данных. Варианты второго персептрона были обучены для трех видов квадратурной амплитудной модуляции (КАМ): КАМ-4, КАМ-16 и КАМ-64.
Заключение. Разработанный OFDM-приемник для всех рассмотренных видов модуляции обеспечил частоту ошибок, сравнимую с результатами базовых алгоритмов при благоприятных условиях канала (умеренный разброс задержек при низком доплеровском разбросе), и превзошел базовые показатели в тяжелых условиях (канал с большим разбросом задержек и высоким доплеровским разбросом). Возможные направления дальнейшего развития предлагаемого подхода – нейросетевое формирование мягких решений демодулятора и разработка специализированных слоев нейросети, облегчающих аппроксимацию необходимых операций. 

1. LTE; Evolved Universal Terrestrial Radio Access (E-UTRA); Physical channels and modulation (3GPP TS 36.211 version 18.0.1 Release 18). ETSI, 2024. URL: https://www.etsi.org/deliver/etsi_ts/136200_136299/13621 1/18.00.01_60/ts_136211v180001p.pdf (дата обращения 09.06.2025).

2. G; NR; Physical channels and modulation (3GPP TS 38.211 version 18.2.0 Release 18). ETSI, 2024. URL: https://www.etsi.org/deliver/etsi_ts/138200_138299/13821 1/18.02.00_60/ts_138211v180200p.pdf (дата обращения 09.06.2025).

3. G RAN – key building blocks for new 6G radio access networks. URL: https://www.ericsson.com/ en/blog/2024/5/future-6g-radio-access-network-designchoices (дата обращения 04.12.2024).

4. Deep learning-based channel estimation / M. Soltani, V. Pourahmadi, A. Mirzaei, H. Sheikhzadeh // IEEE Communications Let. 2019. Vol. 23, № 4. P. 652–655. doi: 10.1109/LCOMM.2019.2898944

5. Luan D., Thompson J. Low complexity channel estimation with neural network solutions // 25th Intern. ITG Workshop on Smart Antennas, French Riviera, France, 10– 12 Nov. 2021. IEEE, 2021. P. 1–6.

6. Zhao S., Fang Y., Qiu L. Deep learning-based channel estimation with SRGAN in OFDM systems // IEEE Wireless Communications and Networking Conf. (WCNC), Nanjing, China, 29 March–01 Apr. 2021. IEEE, 2021. P. 1–6. doi: 10.1109/WCNC49053.2021.9417242

7. Deep learning channel estimation for OFDM 5G systems with different channel models / A. S. M. Mohammed, A. I. A. Taman, A. M. Hassan, A. Zekry // Wireless Personal Communications. 2023. Vol. 128, № 4. P. 2891–2912. doi: 10.1007/s11277-022-10077-6

8. Peng Q., Li J., Shi H. Deep learning based channel estimation for OFDM systems with doubly selective channel // IEEE Communications Let. 2022. Vol. 26, № 9. P. 2067–2071. doi: 10.1109/LCOMM.2022.3187161

9. Neural network-based OFDM receiver for resource constrained IoT devices / N. Soltani, H. Cheng, M. Belgiovine, Y. Li, H. Li, B. Azari, S. D'Oro, T. Imbiriba, T. Melodia, P. Closas, Y. Wang, D. Erdogmus, K. Chowdhury // IEEE Internet of Things Magazine. 2022. Vol. 5, № 3. P. 158–164. doi: 10.1109/IOTM.001.2200051

10. Ye H., Li G. Y., Juang B.-H. Power of deep learning for channel estimation and signal detection in OFDM systems // IEEE Wireless Communications Let. 2018. Vol. 7, № 1. P. 114–117. doi: 10.1109/LWC.2017.2757490

11. Adaptive neural network-based OFDM receivers / M. B. Fischer, S. Dörner, S. Cammerer, T. Shimizu, H. Lu, S. T. Brink // IEEE 23rd Intern. Workshop on Signal Processing Advances in Wireless Communication (SPAWC). 2022. P. 1–5. doi: 10.1109/SPAWC51304.2022.9833970

12. A signal processing method of OFDM communication receiver based on CNN / B. Wang, H. Dai, K. Xu, Y. Sun, Y. Zhang, P. Li // Physical Communication. 2023. Vol. 59. Art. № 102055. doi: 10.1016/j.phycom.2023.102055

13. Sergienko A. B., Apalina P. V., Lebedinskaya A. D. Reception of OFDM signals in narrow subbands by a neural network-based receiver with batch reshape // IEEE 3rd Intern. Conf. on Problems of Informatics, Electronics and Radio Engineering (PIERE), Novosibirsk, 15–17 Nov. 2024. IEEE, 2024. P. 70–75. doi: 10.1109/PIERE62470.2024.10804946

14. G; Study on channel model for frequencies from 0.5 to 100 GHz (3GPP TR 38.901 version 16.1.0 Release 16). ETSI, 2020. URL: https://www.etsi.org/deliver/etsi_tr/ 138900_138999/138901/16.01.00_60/tr_138901v1601 00p.pdf (дата обращения 09.06.2025).

15. LTE; Evolved Universal Terrestrial Radio Access (E-UTRA); User Equipment (UE) radio transmission and reception (3GPP TS 36.101 version 17.12.0 Release 17). ETSI, 2024. URL: https://www.etsi.org/deliver/etsi_ts/ 136100_136199/136101/17.12.00_60/ts_136101v1712 00p.pdf (дата обращения 09.06.2025).

16. Kingma D. P., Ba J. Adam: A method for stochastic optimization // Intern. Conf. on Learning Representations (ICLR). 2015. P. 1–15. doi: 10.48550/arXiv.1412.6980

17. MATLAB 5G Toolbox, Documentation for nrChannelEstimate function. URL: https://www.mathworks.com/ help/5g/ref/nrchannelestimate.html (дата обращения 04.12.2024).