目录

1. 数据预处理

1.1 移除循环前缀(CP)

1.2 FFT变换

1.3 实虚部分离

1.4 归一化

2. DNN网络设计

3. 模型训练

3.1 数据集生成

3.2 优化器选择

3.3 训练循环

3.4 步骤

4.算法总结

5.MATLAB程序

6.MATLAB仿真结果

7.参考文献

---

       OFDM（正交频分复用）作为多载波调制技术的核心，凭借高频谱效率和抗多径干扰能力，广泛应用于5G、WiFi等通信系统。传统OFDM信号检测依赖信道估计（如LS、MMSE）与均衡器，在复杂信道（如高速移动、强噪声、非线性失真）下易因信道建模误差导致性能下降。基于深度神经网络（DNN）的检测算法通过数据驱动方式学习信道映射关系，无需精确信道模型即可实现高效信号恢复，成为突破传统算法瓶颈的关键技术。

      传统OFDM检测的核心是 “信道估计→均衡→符号判决” 的三步流程，需基于已知信道模型（如瑞利衰落、高斯噪声）推导最优检测策略；而DNN-based OFDM检测则通过神经网络的非线性拟合能力，直接学习“接收信号→发送符号”的端到端映射关系，或在关键环节（如信道估计、均衡）替代传统模块，本质是用数据驱动的 “黑箱模型” 优化检测性能。

1. 数据预处理

将接收的时域OFDM信号转换为适合DNN输入的频域特征向量。

1.1 移除循环前缀(CP)

接收信号r(t)包含CP以对抗多径干扰。移除CP后得到原始OFDM符号：

1.2 FFT变换

对时域信号进行快速傅里叶变换（FFT），转换为频域符号：

1.3 实虚部分离

将复数向量拆分为实部和虚部，形成长度为2N的实数向量：

1.4 归一化

对输入向量进行归一化，消除幅度差异：

2. DNN网络设计

构建多层感知机（MLP）或卷积神经网络（CNN），学习从接收信号到发送符号的非线性映射。

网络结构示例（以MLP为例）：

输入层：2N个神经元（对应实虚部分离后的向量）。

隐藏层：3个全连接层，神经元数量分别为512、256、128，激活函数为ReLU：

损失函数：交叉熵损失（Cross-Entropy Loss）：

3. 模型训练

目标：通过反向传播优化网络参数 θ={Wi​,bi​}，最小化损失函数。

3.1 数据集生成

生成OFDM符号s，通过QPSK/16-QAM调制映射到子载波。

添加高斯白噪声（AWGN）和多径信道（如3GPP Extended Pedestrian A模型）：

3.2 优化器选择

使用Adam优化器，学习率η=0.001，动量参数β1​=0.9,β2​=0.999。

3.3 训练循环

每10个epoch在验证集上计算误码率（BER），若连续5个epoch未改善则停止训练。

3.4 步骤

4.算法总结

整体系统结构如下图所示：

将其中的信道估计和信道均衡模块替换为如下图所示：

5.MATLAB程序

clear variables;
close all;

 

load('TrainingData.mat');
load('ValidationData.mat');

%% Define training parameters

MiniBatchSize = 1000;
MaxEpochs = 100;
InputSize = 2*NumOFDMsym*NumSC;
NumHiddenUnits = 16;
NumClass = length(Label);

 

Layers = [ ...
    sequenceInputLayer(InputSize)
    lstmLayer(NumHiddenUnits,'OutputMode','last')
    fullyConnectedLayer(NumClass)
    softmaxLayer
    classificationLayer];

 

Options = trainingOptions('adam',...
    'InitialLearnRate',0.01,...
    'ValidationData',{XValid,YValid}, ...
    'ExecutionEnvironment','auto', ...
    'GradientThreshold',1, ...
    'LearnRateDropFactor',0.1,...
    'MaxEpochs',MaxEpochs, ...
    'MiniBatchSize',MiniBatchSize, ...
    'Shuffle','every-epoch', ...
    'Verbose',0,...
    'Plots','training-progress');

%% Train DNN

Net = trainNetwork(XTrain,YTrain,Layers,Options);

 

save('TrainedNet','Net','MiniBatchSize');

6.MATLAB仿真结果

测试结果如下图所示：

7.参考文献

[1]刘步花, 丁丹, 杨柳. 基于DNN的OFDM系统非线性失真补偿[J]. 现代电子技术, 2021, 44(5):4. D236