赛题名称
基于深度学习的无线通信接收机设计
赛题背景
当今 5G面临着在复杂无线环境中对接收信号进行高效检测的巨大挑战。由于无线信道的随机衰落、多径、干扰、环境噪声和通信接收机噪声等因素的影响，无线通信信号的检测变得非常困难。传统的信号相干检测方法对于日益复杂的无线通信场景存在信道知识获取困难和检测误码率高等诸多难题。无线通信中的信号检测问题可以等效处理为图像的分类识别问题，这是因为无线通信系统中的发送信号是发送端采用一定信号调制模式下产生的信号。换言之，它是来自于有限的信号集合， 在无线通信领域里的术语是信号星座图，由此无线通信信号的检测问题就转变为信号星座图的分类识别问题。 近年来，深度学习模型已被广泛应用于图像识别领域。通过对图像样本的收集、模型选择、模型和训练算法的改进，来达到图像的分类识别和目标检测的目的。该赛题面向真实无线通信场景需求，以大数据驱动为牵引，通过深度神经网络对于任意复杂函数的拟合和对于隐含特征的提取，来实现无线通信信号的实时高效检测。与传统无线通信接收机相比，基于深度学习的无线通信接收机在对抗复杂、难以建模的信道环境以及非线性干扰因素上具有显著优势。
图1 2x2 MIMO AI接收机链路图
赛题任务
大赛将提供给选手面向真实无线通信场景的信道数据和相应的无线通信收发链路，鼓励参赛选手设计和利用深度学习模型对接收到的信号训练和检测（即分类识别），实现从接收信号中恢复发送信号，以此降低在不同场景下的信号检测比特误码率。
该赛题主要考察在每种无线通信场景信号检测的比特正确率。
数据简介
真实无线信道场景为典型城区街道， 工作频段为 1.85GHz，移动速度：1.5m/s； 采样间隔：1ms； 采样信道数据：Ns=320000 样本数（信道组数）
信道数据：从典型城区街道场景采集的数据，共 32 万个数据样本，每个样本包含了4x32个复数（对应2x2个信道，每个信道包含32点复数信道冲击响应）
通信链路：大赛提供MIMO-OFDM 通信仿真程序。发送端包含对发送比特X进行QAM调制、加入发送导频、IFFT、加入循环前缀Cyclic Prefix（可选，具体由z值设定，见大赛提供的仿真链路程序）、峰值裁剪Clipping（可选，具体由z值设定）。接收端对接收数据进行FFT得到Y。
训练数据：选手将信道数据和随机发送比特 X（选手自定义）输入无线通信链路中，在无线通信接收端得到信号 Y。如图2 (a)，Y有两个时隙，分别为导频时隙（黑色圆圈）和数据时隙（白色圆圈），各占256子载波，其中导频时隙中在256子载波上均匀插入8个或32个导频Pilot，其余子载波位置置0（即不插入导频Pilot）。如图2 (b)，仿真链路中输出的Y已经排成一列，顺序如下：天线1导频虚部1PQ、天线1导频实部1PI、天线1数据虚部1DQ、天线1数据实部1DI、天线2导频虚部2PQ、天线2导频实部2PI、天线2数据虚部2DQ、天线2数据实部2DI……
接收信号的时频格式
(b) 仿真链路输出Y的格式 图2 接收信号格式
数据说明
大赛提供给选手如下数据集。
数据下载
所有所需文件均在以下压缩包中
