基于深度神经网络的OFDM 抗干扰技术

丁 丹，刘步花，薛乃阳

（1.航天工程大学 电子与光学工程系，北京 101416；2.航天工程大学 研究生院，北京 101416）

0 引 言

随着人工智能浪潮的兴起，基于深度学习的算法和应用程序渗透了所有领域。因为通信系统拥有大量的数据样本，近来年基于深度学习的智能通信相关研究也逐渐发展起来，包括信道建模和预测、定位、均衡、解码、量化、压缩、解调、调制识别和频谱感知等。正交频分复用（Orthogonal Frequency Division Multiplexing，OFDM）技术是当前通信系统中广泛应用的关键技术之一，近年来，人工智能（AI）辅助OFDM 传输成为突破传统OFDM性能瓶颈的前沿技术。

目前，基于深度学习的OFDM 传输研究大多集中在OFDM 的信道估计和信号检测。文献[2]首次尝试了基于深度学习的OFDM 接收，文献[3]在文献[2]基础上稍作改进，它们都是解决信道估计和信号检测问题，且都是基于数据驱动的深度学习模式，即使在AWGN 信道下也需要较长时间的训练；在时变信道下，对训练数据需求量更大，需要构建较大规模的神经网络结构来拟合数据输入与输出关系。文献[6]提出了将通信系统设计为一个端到端的重构任务，寻求一种同时优化发送器和接收器组件的方法。文献[7]采用无监督学习的方法，并引入几个新的特定的正则化层来模拟常见信道损伤。文献[8]扩展了文献[6-7]的思想，利用深度神经网络解决信号同步和符号间干扰问题。文献[9]也做了信号同步相关研究。文献[10]提出了一种新的基于深度学习的信号峰均比降低方法，通过深度学习技术自适应地确定每个子载波上符号的星座映射和解映射，从而使OFDM 系统的误比特率和峰均比都最小。深度学习的编码方式与OFDM 系统结合的模式在一定程度上降低了系统的复杂度和功耗，提升了系统的性能。

为了实现复杂电磁环境下数据的可靠传输，文献[12]针对非连续OFDM 系统设计了一种基于径向基神经网络的智能抗干扰系统。基本思想是用DNN（Deep Neural Network）对干扰进行识别，再根据干扰类型对信号波形进行优化。文献[13]也是利用基于深度学习的干扰认知识别算法实现非连续OFDM 系统实时智能决策以选择数据传输方案。文献[14]直接利用卷积神经网络对干扰特征进行提取并获取干扰估计，最后将干扰估计量从接收信号中消除。该类研究成果虽然在一定程度上提升了OFDM 系统的抗干扰能力，但设计思想仍然停留在“干扰检测、干扰抑制”的传统处理步骤，系统复杂度仍然较高。文献[15]以强化学习算法为基础，设计了智能通信干扰决策算法，验证了智能通信干扰决策算法在通信对抗中的可行性。文献[16]对DS/FH 通信系统智能干扰抑制技术进行了研究，提出了一种基于变换域的自适应门限智能干扰抑制算法，利用信号处理技术实现了干扰信号智能检测、识别及干扰抑制。

为充分发挥DNN 对复杂环境的拟合能力，本文提出利用一个DNN 对接收端的频域信号进行干扰消除，而无需知道干扰估计量，直接代替传统方法中干扰检测和干扰抑制模块，达到降低系统复杂度的目的。本文将此类神经网络命名为“Anti-Net”。具体处理流程为：接收端对信号进行FFT 变换，将信号从时域变换到频域，然后输入到已经训练好的Anti-Net 中，最后对网络输出信号进行判决，恢复数据流。

1 基于DNN 的抗干扰OFDM 系统设计

1.1 外来电磁干扰下传统的OFDM 系统

图1是电磁干扰下传统的OFDM系统框图，其中数据传输信道为加性高斯白噪声（Additive White Gaussian Noise，AWGN）信道。发送端进行信号处理的过程是：首先对要发送的0/1 比特流进行正交相移键控（Quadrature Phase Shift Keying，QPSK）调制，然后进行逆傅里叶变换（Inverse Fast Fourier Transform，IFFT），再加入循环前缀（Cyclic Prefix，CP），最后射频发送数据。数据在无线信道传输时，遭遇外来电磁干扰，影响通信的可靠性。接收端进行发送端的逆过程，首先去循环前缀，再进行FFT变换，然后利用得到的信号频谱信息对干扰进行检测，将检测出的干扰信号进行干扰抑制，接着进行QPSK 解调，最后判决得到比特流。由于是在AWGN 信道下仿真，所以在此情况下的OFDM 系统不需要插入导频用于信道估计等处理模块。

图1 电磁干扰下的传统OFDM 系统

本文研究的电磁干扰模型为单音干扰、多音干扰、部分窄带干扰。单音干扰又被称作点频干扰，即在某个预设频点上施加一个较强功率的信号，多音干扰和部分窄带干扰可以看作是单音干扰的叠加，只不过多音干扰是在离散子载波的叠加分量，部分窄带干扰是截断连续的子载波上的叠加。设引入干扰和高斯白噪声后的信号分别为()，()，则()的表达式为：

式中：干扰信号的幅度；f是单音干扰所在的频点；是离散时间序号；是采样频率；是干扰信号的相位。

单音干扰设计的主要参数是干扰频点的位置f以及信干比（Signal Inference Ratio，SIR），干信比（Jam to Signal Ratio，JSR），以此来定义干扰功率和信号功率的比值。

式中：表示信号的功率；表示干扰的功率；SIR 单位是dB。图2 是对生成的64 个随机复数信号加入SIR=-15 dB 的单音干扰前后幅度的对比，由此可直观地看出干扰信号对原始信号的影响，说明外来干扰对数据传输带来极大危害。

图2 干扰对信号幅度的影响

1.2 DNN 模型训练和数据的产生

图3 是基于深度学习的OFDM 系统。核心模块是FFT 变换之后的Anti-Net，用于取代传统OFDM 系统干扰检测和干扰抑制模块。Anti-Net 网络结构为：输入层与输出层都是256 个神经元，一层隐含层神经元个数为500，输入输出为复数信号的实部和虚部的拼接，128 个复数符号取实部和虚部一共256 个数据，各占一个神经元。Anti-Net 训练的输入样本为接收端进行FFT 变换之后信号的实部和虚部，它的训练标签为经过QPSK 调制后的信号实部和虚部。详细的OFDM 系统和神经网络的参数设置见表1。

图3 基于深度学习的OFDM 系统

表1 训练参数设置

样本产生的流程如下：发送端在每一次仿真时首先随机生成0、1 序列作为OFDM 系统的输入数据流，对数据流做QPSK 调制，此时，产生训练的标签为QPSK 调制信号的实部和虚部。假设一帧信号只包含一个OFDM符号，因为不需要插入导频，所以OFDM 系统一帧信号的长度为128 个符号。然后，对数字调制信号进行IFFT计算，并插入循环前缀防止码间串扰，最后射频发送信号。接收端首先去掉射频接收信号的循环前缀，然后进行FFT 计算实现信号并/串转换，最后将信号的实部和虚部拼接成一维数据样本。样本的产生流程和信号的实部与虚部拼接方式如图4所示。

图4 数据产生流程

2 仿真分析

为了分析Anti-Net的抗单音干扰的性能，设置了两个单音干扰频点，频点1和频点2，它们分别是128子载波中第15个和第70个子载波所在的频点；设置了两类多音干扰频点频点3、频点4，它们都为4 个干扰频点，分别是128 子载波中第[15，25，49，79]个和第[21，35，70，118]个子载波所在的频点；设置四类窄带干扰频点（编号5～8），它们都是OFDM 连续子载波所在的频点，不同的是连续频点的个数不同，频点5 为连续6 个干扰频点，频点6 为连续8 个干扰频点，频点7 为连续11 个频点，频点8 为连续10 个频点。

图5、图6 分别是基于Anti-Net 的抗单音干扰和多音干扰OFDM 系统的误比特率曲线。从图中可以看出，面对不同频点的单音干扰和多音干扰，在信噪比从0～15 dB，DNN 抗干扰处理过的系统误比特率曲线重合，即Anti-Net 抗干扰性能相同。从图5 可以看出信噪比低于13 dB 时，基于DNN 的抗干扰系统并没有达到抗干扰目的，反而加大了信号失真，而高信噪比下基于DNN 的信号恢复性能优势明显；随着信噪比提升，不做干扰处理的OFDM 系统信噪比的提升已经无法带来系统误比特率性能的提升，而基于DNN 的OFDM 系统误比特率呈明显下降趋势，说明在高信噪比情况下，基于DNN 的抗干扰系统更有优势。图6 与图5 类似，不同在于基于DNN 的OFDM 系统性能优势体现节点在信噪比为10 dB左右，比单音干扰优3 dB。

图5 单音干扰

图6 多音干扰

图7是连续子载波所在的频点的部分窄带干扰情况下的误比特率曲线，从图中可以看出对于多频点窄带干扰，基于DNN 的抗干扰系统性能优势明显，以信噪比为15 dB 情况下，无论干扰频点数是多少个，比未处理干扰的系统降低误码率近两个数量级。从图7 还可以看出，随着窄带干扰频带的加宽，基于DNN 的抗干扰系统性能也逐渐降低，但是相对于未处理干扰的系统在性能上仍然有较大提升。

图7 部分窄带干扰

3 结 论

本文针对AWGN 信道下外来电磁干扰导致的OFDM 系统可靠性降低的问题，研究了一种基于DNN 的抗干扰OFDM 技术，将接收端信号进行频域变换，对频域信号进行基于DNN 的抗干扰处理，直接恢复出原始信号。这种方法代替了传统OFDM 系统干扰检测和干扰抑制模块，简化了系统结构，且在一定程度上提升了系统性能。在本文基础上，后续将探索更复杂的信号条件和干扰样式下，基于深度学习的OFDM 抗干扰系统的实现方法和性能。