基于 OFDM 的信道估计研究

参数设置

• FFT 总数为 64.
  参考于 802.11a 的频域结构. 48 个数据子载波, 4 个已知导频, 中间 1 个 DC 置零, 前 6 后 5 个虚拟子载波置零.
  载波下标: [11, 25, 39, 53]
  非数据位置下标：[0, 1, 2, 3, 4, 5, 11, 25, 32, 39, 53, 59, 60, 61, 62, 63]

• 调制方式为 OFDM-4QAM.
  为方便, 0~3 映射为 [1 + 0j, 0 + 1j, -1 + 0j, 0 - 1j]

• 用于各估计方式性能测试的总 OFDM 符号数为 1000 个(而神经网络的训练码元有 10000 个).
  即: 有 4800 个数据码元, 9600 个比特

• 信道为 BELLHOP 水声信道模型, 有明显的多径效应; 再加上高斯白噪声.
  均方根时延拓展为 6.901 ms

• OFDM 循环前缀长度取为 30ms, 共 16 点; OFDM 符号总长 150ms, 共 80 点长.
  载波间隔为 1/120ms = 8.33Hz,
  基带比特率为 800 bps,
  星座映射后波特率为 400 baud, 串行码元宽度为 2.5ms, 并行码元宽度为 2.5*48 = 120ms.

各文件说明

• 前缀 1~7 的 .py 文件们
  按顺序可分别独立执行的程序, 每个文件完成整个通信系统的部分功能. 便于验证各模块的准确性. data_sets 文件夹中数据主要由这些文件生成.

• All_in_One.py
  直接完成整个通信系统. 主要用于集成运行在不同设定的参数(SNR等)下, 各信道估计方式的准确性, 便于比较.

• CENet-V1~3.py
  是本课设的核心, 主要用于开发线下训练的神经网络. 训练完后可以导出完整模型, 再用于实际的线上应用环境.

  几乎都是只基于 10dB 时的仿真数据, 只为了初步探索合适的神经网络的架构!
  最终版本CENet/V3.6/20210420-085719/CENet-V3.6.h5利用了多个信噪比的数据，数据产生利用了 get_dataset.py 的最后一部分代码， 结果十分逼近完美均衡。

• readme.md
  即本文件, 用于提醒自己干过啥 QwQ

• CENet 文件夹
  存放不同版本神经网络的训练过程(基于 Tensorboard)，只截取代表性的一两次，其余几百次记录已删除

• data_sets 文件夹
  保存独立执行文件们的输出

• imgs 文件夹
  保存部分结果图片；网络结构图片保存于 CENet 文件夹内

• MyUtils 文件夹
  常用函数的封装，细节说明见其 __init__.py；示例用法见 All_in_One.py 文件

备注

Google colab 很方便! 速度比我笔记本的 GTX1070 快3倍!

使用环境

• Windows 10; Google Colab
• Tensorflow-GPU 2.3.0 (IMPORTANT!)
• Python 3.7.6
• Anaconda3 (conda 4.8.3)
• CUDA 11.2 (by conda)