1 概述
正交频分复用 (OFDM) 是一种流行的调制方案，已在无线宽带系统中广泛采用，以对抗无线信道中的频率选择性衰落。信道状态信息 (CSI) 对于 OFDM 系统中的相干检测和解码至关重要。通常，在检测到传输数据之前，可以通过导频来估计 CSI。使用估计的 CSI，可以在接收器处恢复传输的符号。从历史上看，OFDM系统中的信道估计已经被彻底研究过。传统的估计方法，即最小二乘法 (LS) 和最小均方误差 (MMSE)，已在各种条件下得到利用和优化 [2]。 LS估计的方法不需要事先的信道统计，但其性能可能不足。 MMSE 估计通常通过利用通道的二阶统计来获得更好的检测性能。
这是使用深度学习工具箱中的长短期记忆（LSTM）网络在接收器处实现符号分类的示例，用于OFDM系统中的信号检测。
基于LSTM的神经网络针对单个子载波进行训练，其中计算符号错误率（SER）并与最小二乘（LS）和最小均方误差（MMSE）估计值进行比较。
在此初始调查中，假定无线信道在脱机训练和联机部署阶段是固定的。为了测试神经网络的鲁棒性，对每个传输的OFDM数据包应用随机相移。
考虑了试点符号数量和循环前缀 （CP） 长度的影响。
本文介绍了正交频分复用（OFDM）系统中用于信道估计和信号检测的深度学习的初步结果。在这封信中，我们利用深度学习以端到端的方式处理无线OFDM信道。与现有的OFDM接收器首先显式估计信道状态信息（CSI），然后使用估计的CSI检测/恢复传输的符号不同，所提出的基于深度学习的方法隐式估计CSI并直接恢复传输的符号。为了解决信道失真问题，首先使用基于信道统计的仿真生成的数据离线训练深度学习模型，然后直接用于恢复在线传输的数据。根据我们的仿真结果，基于深度学习的方法可以解决通道失真问题，并检测传输的符号，其性能可与最小均方误差估计器相媲美。此外，当使用较少的训练飞行员，省略循环前缀并且存在非线性削波噪声时，基于深度学习的方法比传统方法更可靠。综上所述，深度学习是无线通信中信道估计和信号检测的有前途的工具，具有复杂的信道失真和干扰。
2 基于深度学习的估计和检测
2.1 深度学习方法
1.2 模型训练
其余详细部分见第四部分。
2 仿真结果
