ComNet：Combination of Deep Learning and Expert Knowledge in OFDM Receivers 网络结构与代码分析

传统OFDM接收系统的框图如下所示

图1 ComNet想干的事就是就是在接收端，将FFT后的数据通过深度网络直接完成信道矫正与解调，最后直接输出编码后的二进制比特值。

所以ComNet将网络分成了信道估计子网络与信号检测子网络。
信道估计子网络用来实现图的信道矫正的功能，信号检测子网络用来实现解调，两个子网络前后级联组合成一个整体。注意，两个子网络并不是分开训练，只是按照OFDM接受模型分成两个部分，训练的时候还是端到端的方式。

图2 网络的训练集是信道响应数据集channel_train.npy，里面的信道响应采集自山谷城市等会产生多径效应的地形的时域响应，采样点数为16点。

在程序中训练数据的是以generator的形式喂给网络，假设一次生成N条训练数据，如图二所示。首先生成N条128bits的二进制数据，然后调制成64个符号，再进行IFFT变成时域符号，再去任选N条信道响应数据集与之进行卷积。在接收端FFT后，开始将数据输入网络。下面逐一介绍两个网络。

图3 图3为整体结构，虚线为传统OFDM接收流程，实现为ComNet流程。

信道估计子网络

图4

y_p是接收导频， x_p是发射导频，两者相除实际上就是LS估计，后面再连网络实际上就是对LS估计的结果进一步优化。在程序中我设置了三层全连接网络，并且激活函数使用了非线性函数。（用线性激活函数理论上会好一点，因为LS的结果经过非线性激活感觉会得到很奇怪的结果，但测试后发现这俩没啥区别。。。）。图4中最后一层FC128的[0:64]应该为h的实部，[64:128]应该为h的虚部。

信号检测子网络