1 介绍
直接用全连接层构成的神经实现了传统的OFDM通信系统中的接收机。接收机部分包括信道估计和信号检测两个部分。将OFDM接收机视为完全的黑匣子。这个神经网络叫做FC-DNN。这一点是区别于另一片论文ComNet Combination of Deep Learning andExpert Knowledge in OFDM Receivers.pdf中的ComNet设计的。ComNet是把信道估计和信号检测分开用神经网络去计算，算是对FC-DNN的改进。性能的确所有提高。
研究成果是：如果有足够的导频，则深度学习模型可以获得与传统方法相当的性能，但是在有限的导频、去除CP和非线性噪声下，深度学习模型更优。
2 方法
DNN模型将接收到的数据（由一个导频块和一个数据块组成）作为输入，并以端到端的方式恢复传输的数据
3 模型
每层中的神经元数量分别为256、500、250、120、16。 输入数量对应于包含导频并发送的2个OFDM块的实部和虚部的数量，基于独立训练的单个模型对传输数据的每16位进行分组和预测，然后将其串联起来作为最终输出。 Relu函数在大多数层中都用作激活函数，除了在最后一层中，使用Sigmoid函数将输出映射到间隔[0，1]。
4 模型参数
（1）OFDM系统
子载波：64
CP长度：16
调制方式：QPSK
信道均衡方法：MMSE和LS（对比实验）
导频数量：64
（2）无线信道
遵循无线世界倡议的新无线电模型（WINNER II）
载波频率为2.6 GHz
路径数为24
使用最大延迟为16个采样周期的典型城市信道
（3）网络模型参数
神经元数量分别为256、500、250、120、16
5 实验分析
在以下实验中，在使用更少的训练导频，省略CP或存在非线性削波噪声的情况下，基于深度学习的方法被证明比LS和MMSE更健壮。
5.1 导频的分析
在导频数量为64时，LS效果最差，MMSE和深度学习效果相似且都比LS效果好
在导频为8，SNR= 10db时，LS和MMSE效果都趋于饱和，但是深度学习模型还能降低误码率，说明了深度学习模型具有鲁棒性
5.2 CP的分析
去除CP后，LS和MMSE在信噪比大于15db后就趋于饱和，但是深度学习模型还能降低误码率
5.3 削波和滤波失真的分析
当削波比=1（CR=1），SNR超过15 dB时，深度学习方法要优于MMSE方法，这证明了深度学习方法是对非线性削波噪声更鲁棒.
5.4 综合所有条件分析
在8个导频，去除CP，有削波噪声的条件下，深度学习模型更优秀。
5.5 不同信道分析
在不同的信道中，即使最大延迟和路径数不同，不会影响深度学习的模型预测误码率。
6 疑问和反思
该模型的原理当输入数量对应于包含导频并发送的2个OFDM块的实部和虚部的数据，基于独立训练的单个模型对传输数据的每16位进行分组和预测，然后将其串联起来作为最终输出。
疑问1 ：是如何实现的分组和串联？
疑问2：如何一次发送2个OFDM ？
以上两个问题都需要阅读源码去解决
