OTFS系统中的频偏估计和校正技术研究.pdf

摘要

自上世纪九十年代以来，随着无线通信技术的快速发展和物质文化水平的提高，移动通

信系统在许多领域中发挥了巨大的作用，并且在接入更多的移动网络的硬件设备数量的同时，

对无线通信系统的质量提出了进一步的要求。随着我国高铁网络的大面积覆盖，高铁行业已

然朝着智能化、数字化发展，而高速场景下的移动通信已经成为了学术界的研究热点。

在高速环境下，高速移动引起的高多普勒频移会使得正交频分复用（Orthogonal

FrequencyDivisionMultiplexing，OFDM）系统的性能大幅降低。而最近几年提出的正交时频

空间调制（OrthogonalTimeFrequencySpaceModulation，OTFS）技术有望解决高速环境下的

通信问题，但是当信道处于时变的情形下，OTFS系统继承了OFDM系统对同步误差的敏感

性。另一方面，机器学习近几年在无线通信领域的中广泛应用，其在信号估计与检测等领域

的优秀表现获得了许多学者的青睐。基于以上背景，本论文对高速移动场景下的OTFS系统

及其相关的频偏估计技术展开了研究。

首先，本文介绍了OTFS调制解调技术及其系统模型，分析了OTFS系统的同步误差，

研究了基于循环前缀（CyclicPrefix，CP）的载波频偏（CarrierFrequencyOffset，CFO）估

计技术和基于训练符号的CFO估计技术，并进行了仿真与性能分析。

其次，结合深度学习的原理概况，本文设计了一种基于浅层神经网络（ShallowNeural

Network，SNN）的CFO估计技术，其核心理念是通过分析SNN结构来学习OTFS系统接收

数据和对应的频偏目标值两者之间的映射，接着采用相关算法优化网络参数并用于对OTFS

系统接收数据进行频偏估计和校正。通过仿真结果表明，相比于传统CFO估计技术，基于

SNN的CFO估计技术的均方误差（MeanSquareError，MSE）性能有一定提升，并且在高速

环境下，该技术在误比特率（BitErrorRatio，BER）方面的性能有显著增益。

然后，考虑到浅层神经网络模型只包含一层隐含层，对复杂函数的表达能力有限。本文

又设计了一种基于深度信念网络（DeepBeliefNetwork，DBN）的CFO估计技术，该网络首

先通过无监督学习方法对受限玻尔兹曼机（RestrictedBoltzmannMachine，RBM）逐层进行

预训练，可以将网络训练所需要的初始权重和偏置值控制在理想的范围内，然后利用有监督

学习方法对网络参数进行微调，进而在一定程度上能够避免由随机初始化参数而导致的局部

最优问题。通过实验分析表明，在高速环境下，相比于基于SNN的CFO估计技术，基于

DBN的CFO估计技术的频偏估计精度有明显提升，并且该技术的BER性能也具有一定增益。

关键词:正交时频空间调制，高速无线通信系统，载波频偏估计，深度学习算法

Abstract

Sincethe1990s,withtherapiddevelopmentofwirelesscommunicationtechnologyandthe

improvementofmaterialculture,mobilecommunicationsystemhasplayedagreatroleinmanyfields

andhasputforwardfurtherrequirementsonthequalityofwirelesscommunicationsystemwhile

accessingmorehardwaredevicesofmobilenetwork.WiththelargecoverageofChinashigh-speed

railnetwork,thehigh-speedrailindustryhasbeendevelopingtowardintelligenceanddigitalization,

andmobilecommunicationinhigh-speedscenarioshasbecomear