1 介绍
本文提出了一种模型驱动的DL结构，称为ComNet，以取代传统的或FC-DNN的OFDM接收机（参考论文Power of deep learning for channel estimation and signal detection in OFDM systems），它将DL与无线通信领域的expert knowledge相结合。所提出的ComNet 接收机使用DL来促进现有的接收机模型，如信道估计（CE）模块和信号检测（SD）模块，而不是用一个完整的DL替换整个接收机，然后集成通信信息。说白了就是分别用神经网络实现两个接收机的两个模块：信道估计和信号检测。
对数据驱动的模型评价是没有利用无线通信方面的专业知识，从而使基于FC-DNN的接收机变得无法解释和不可预测。
优势：
• 通过传统通信中累积的大量前人工作来初始化网络， 可以极大地提升训练效率，减小数据依赖， 降低整体复杂度
• 使得每个子网络有清晰的物理意义，从而更容易地进行调整，获得进一步增益
2 模型
2.1 信道估计部分
分为两个步骤
第一步：计算 h L S = y p x p h_{LS} = \frac{y_p}{x_p} hLS\=xpyp,其中 x p x_p xp是已知的导频信号， y p y_p yp是接收端该导频相应的第k个子载波的符号
第二步：由 L L S L_{LS} LLS的实部和虚部组成一个128维实值信号向量传入LS_RefineNet
注意：LS_RefineNet的神经元没有激活功能，也就是说，它是线性通道估计器
2.2 信号检测部分
分为两个步骤
（虽然作者论文里说提出了两种SD的自网络BiLSTM-SD 和FS-SD，但是作者只介绍了BiLSTM-SD子网，以下以它为例讲解原理过程）
第一步：利用上一步得到的输出h,用公式
第二步：把把接收到的原始信号 y D y_D yD ,信道估计输出的h和信号检测初始化得到的 X Z F X_{ZF} XZF合并实部和虚部信号后一块传入SD的网络
注意：对于具有64个子载波的OFDM系统，需要8个独立的SD子网
3 模型参数
3.1 发送端
64个QAM,一个符号6个bit,8个子载波
2.6 GHz的C1场景NLOS的WINNER II通道
3.2 接受端
SD网络的最后一层是48个输出，除了最后一层外，每一层的层数和神经元的数目取决于实验经验。
CE子网权重，通过使用实值线性最小均方误差（LMMSE）CE权重矩阵
两者都采用MMSE损失函数
都采用Adam优化器
CE训练2000epoch
SD训练5000epoch
每个epoch使用50个mini-batch，有1000batch
学习率为阶梯函数，初始值为0.001，CE子网每1000个epoch减少10倍，SD子网每2000个epoch减少5倍。
ComNet接收机在线性情况下使用FC-SD，而在非线性情况下使用BiLSTM-SD
4 局限
由于本文的主要贡献是提出了一种新颖的模型驱动的OFDM接收机架构，而不是解决非线性问题，因此没有研究传统的非线性补偿方法。（没有明白，只是翻译了作者的原话）
5 实验分析
只是从各个方面介绍了ComNet优于FC-DNN,这里不做解析。比如
1、在更长的延迟扩展范围内，ComNet接收器明显优于FC-DNN。
2、ComNet只有FC-DNN的1/8的参数
3、ComNet 200epoch就达到FC-DNN2000epoch的同等误码率
6 疑问和反思
1、为什么采用QAM和不是FC-DNN的QPSK调制方式
2、为什么提出了两种SD的子网，只介绍了BiLSTM-SD ，没有介绍FS-SD
3、在SD提出的不同子网，作者说是针对线性问题和非线性问题，指的是什么？
