Этот пример показывает, как обучить сверточную нейронную сеть (CNN) для оценки канала с использованием Deep Learning Toolbox™ и данных, генерируемых с помощью 5G Toolbox™. Используя обученный CNN, вы выполняете оценку канала в режиме с одним входом и одним выходом (SISO), используя физический опорный сигнал демодуляции общего канала нисходящей линии связи (PDSCH) (DM-RS).
Общий подход к оценке канала заключается во вставке известных опорных пилот-символов в передачу и последующей интерполяции остальной части отклика канала с использованием этих пилот-символов.
Пример, показывающий, как использовать этот подход оценки канала, см. в разделе Пропускная способность NR PDSCH.
Для оценки канала можно также использовать методы глубокого обучения. Например, рассматривая сетку ресурсов PDSCH как 2-D изображение, можно превратить проблему оценки канала в проблему обработки изображения, подобную проблеме деноизирования или сверхразрешения, где CNN эффективны.
С помощью 5G Toolbox можно настраивать и создавать стандартные формы сигналов и модели каналов для использования в качестве обучающих данных. С помощью Deep Learning Toolbox можно использовать эти обучающие данные для обучения оценке канала CNN. Этот пример показывает, как генерировать такие обучающие данные и как тренировать оценку канала CNN. Пример также показывает, как использовать оценку канала CNN для обработки изображений, которые содержат линейно интерполированные принятые пилот-символы. Пример завершается визуализацией результатов оценки канала нейронной сети по сравнению с практическими и совершенными оценщиками.
Обучение нейронной сети состоит из следующих этапов:
Формирование данных
Разделение созданных данных на наборы обучения и проверки
Определение архитектуры CNN
Определение параметров обучения, оптимизатора и скорости обучения
Обучение сети
Из-за большого количества сигналов и возможных сценариев тренировка может занять несколько минут. По умолчанию обучение отключено, используется предварительно обученная модель. Вы можете включить обучение, установив trainModel к true.
trainModel = false;
Если установлена программа Parallel Computing Toolbox™ и установлен поддерживаемый графический процессор NVIDIA ® с поддержкой CUDA, в процессе обучения сети по умолчанию используется ускорение графического процессора. trainNetwork Функция (Deep Learning Toolbox) позволяет переопределить это поведение по умолчанию. Список поддерживаемых графических процессоров см. в разделе Поддержка графического процессора по выпуску (Панель инструментов параллельных вычислений).
Генерация данных устанавливается для получения 256 учебных примеров или наборов учебных данных. Этот объем данных достаточен для обучения сети оценки функционального канала на CPU за разумное время. Для сравнения, предварительно подготовленная модель основана на 16 384 примерах обучения.
Обучающие данные модели CNN имеют размерность фиксированного размера, сеть может принимать только сетки 612 на 14 на 1, т.е. 612 поднесущих, 14 символов OFDM и 1 антенну. Поэтому модель может работать только с фиксированным распределением полосы пропускания, длиной циклического префикса и одной приемной антенной.
CNN рассматривает сетки ресурсов как 2-D изображения, поэтому каждый элемент сетки должен быть вещественным числом. В сценарии оценки канала сетки ресурсов имеют сложные данные. Следовательно, действительная и мнимая части этих сеток вводятся отдельно в CNN. В этом примере обучающие данные преобразуются из комплексной матрицы 612 на 14 в матрицу 612 на 14 на 2, где третья размерность обозначает действительную и мнимую составляющие. Поскольку при составлении прогнозов необходимо вводить вещественные и мнимые сетки в нейронную сеть отдельно, пример преобразует обучающие данные в 4-D массивы формы 612-by-14-by-1-by-2N, где N - количество обучающих примеров.
Для обеспечения того, чтобы CNN не перевыполнял данные обучения, данные обучения разделяются на наборы проверки и обучения. Данные валидации используются для мониторинга работоспособности обученной нейронной сети через регулярные интервалы, как определено valFrequency, примерно 5 за эпоху. Прекратите обучение, когда потеря проверки перестанет улучшаться. В этом случае размер данных проверки совпадает с размером одного мини-пакета из-за малого размера набора данных.
Оценка возвращенного канала CNN обучается в различных конфигурациях канала на основе различных расширений задержки, доплеровских сдвигов и SNR диапазонов от 0 до 10 дБ.
% Set the random seed for reproducibility (this has no effect if a GPU is % used) rng(42) if trainModel % Generate the training data [trainData,trainLabels] = hGenerateTrainingData(256); % Set the number of examples per mini-batch batchSize = 32; % Split real and imaginary grids into 2 image sets, then concatenate trainData = cat(4,trainData(:,:,1,:),trainData(:,:,2,:)); trainLabels = cat(4,trainLabels(:,:,1,:),trainLabels(:,:,2,:)); % Split into training and validation sets valData = trainData(:,:,:,1:batchSize); valLabels = trainLabels(:,:,:,1:batchSize); trainData = trainData(:,:,:,batchSize+1:end); trainLabels = trainLabels(:,:,:,batchSize+1:end); % Validate roughly 5 times every epoch valFrequency = round(size(trainData,4)/batchSize/5); % Define the CNN structure layers = [ ... imageInputLayer([612 14 1],'Normalization','none') convolution2dLayer(9,64,'Padding',4) reluLayer convolution2dLayer(5,64,'Padding',2,'NumChannels',64) reluLayer convolution2dLayer(5,64,'Padding',2,'NumChannels',64) reluLayer convolution2dLayer(5,32,'Padding',2,'NumChannels',64) reluLayer convolution2dLayer(5,1,'Padding',2,'NumChannels',32) regressionLayer ]; % Set up a training policy options = trainingOptions('adam', ... 'InitialLearnRate',3e-4, ... 'MaxEpochs',5, ... 'Shuffle','every-epoch', ... 'Verbose',false, ... 'Plots','training-progress', ... 'MiniBatchSize',batchSize, ... 'ValidationData',{valData, valLabels}, ... 'ValidationFrequency',valFrequency, ... 'ValidationPatience',5); % Train the network. The saved structure trainingInfo contains the % training progress for later inspection. This structure is useful for % comparing optimal convergence speeds of different optimization % methods. [channelEstimationCNN,trainingInfo] = trainNetwork(trainData, ... trainLabels,layers,options); else % Load pretrained network if trainModel is set to false load('trainedChannelEstimationNetwork.mat') end
Проверьте состав и отдельные слои модели. Модель имеет 5 сверточных слоев. Входной уровень ожидает матрицы размера 612 на 14, где 612 - количество поднесущих, а 14 - количество символов OFDM. Каждый элемент является вещественным числом, так как действительная и мнимая части комплексных сеток вводятся отдельно.
channelEstimationCNN.Layers
ans =
11x1 Layer array with layers:
1 'imageinput' Image Input 612x14x1 images
2 'conv_1' Convolution 64 9x9x1 convolutions with stride [1 1] and padding [4 4 4 4]
3 'relu_1' ReLU ReLU
4 'conv_2' Convolution 64 5x5x64 convolutions with stride [1 1] and padding [2 2 2 2]
5 'relu_2' ReLU ReLU
6 'conv_3' Convolution 64 5x5x64 convolutions with stride [1 1] and padding [2 2 2 2]
7 'relu_3' ReLU ReLU
8 'conv_4' Convolution 32 5x5x64 convolutions with stride [1 1] and padding [2 2 2 2]
9 'relu_4' ReLU ReLU
10 'conv_5' Convolution 1 5x5x32 convolutions with stride [1 1] and padding [2 2 2 2]
11 'regressionoutput' Regression Output mean-squared-error with response 'Response'
Установите уровень имитационного шума в дБ.
SNRdB = 10;
Загрузите предопределенные параметры моделирования, включая параметры PDSCH и конфигурацию DM-RS. Возвращенный объект carrier является допустимым объектом конфигурации оператора связи и pdsch - структура конфигурации PDSCH, установленная для передачи SISO.
[gnb,carrier,pdsch] = hDeepLearningChanEstSimParameters();
Создайте модель канала TDL и задайте параметры канала. Для сравнения различных откликов канала оценщиков эти параметры можно изменить позже.
channel = nrTDLChannel; channel.Seed = 0; channel.DelayProfile = 'TDL-A'; channel.DelaySpread = 3e-7; channel.MaximumDopplerShift = 50; % This example supports only SISO configuration channel.NumTransmitAntennas = 1; channel.NumReceiveAntennas = 1; waveformInfo = nrOFDMInfo(carrier); channel.SampleRate = waveformInfo.SampleRate;
Получение максимального количества отложенных отсчетов с помощью канального компонента многолучевого распространения. Это число вычисляется из тракта канала с наибольшей задержкой и задержкой реализации канального фильтра. Это число необходимо для очистки канального фильтра при получении принятого сигнала.
chInfo = info(channel); maxChDelay = ceil(max(chInfo.PathDelays*channel.SampleRate))+chInfo.ChannelFilterDelay;
Моделирование передачи PDSCH путем выполнения следующих шагов:
Создать сетку ресурсов PDSCH
Вставка символов DM-RS
Выполнение модуляции OFDM
Передача модулированной формы сигнала через модель канала
Добавить белый гауссов шум
Выполнение идеальной синхронизации по времени
Выполнение демодуляции OFDM
% Generate DM-RS indices and symbols [~,dmrsIndices,dmrsSymbols,pdschIndicesInfo] = hPDSCHResources(gnb,pdsch); % Create PDSCH resource grid pdschGrid = nrResourceGrid(carrier); % Map PDSCH DM-RS symbols to the grid pdschGrid(dmrsIndices) = pdschGrid(dmrsIndices)+dmrsSymbols; % OFDM-modulate associated resource elements txWaveform = nrOFDMModulate(carrier,pdschGrid);
Для очистки содержимого канала добавьте нули в конце передаваемого сигнала. Эти нули учитывают любую задержку, введенную в канал, такую как многолучевое распространение и задержка реализации. Число нулей зависит от частоты дискретизации, профиля задержки и разброса задержки.
txWaveform = [txWaveform; zeros(maxChDelay,size(txWaveform,2))];
Передача данных через модель канала TDL.
[rxWaveform,pathGains,sampleTimes] = channel(txWaveform);
Добавление аддитивного белого гауссова шума (AWGN) в принятый сигнал временной области. Для учета частоты дискретизации нормализуйте мощность шума. SNR определяется для каждого элемента ресурса (RE) для каждой приемной антенны (3GPP TS 38.101-4).
SNR = 10^(SNRdB/20); % Calculate linear noise gain
N0 = 1/(sqrt(2.0*gnb.NRxAnts*double(waveformInfo.Nfft))*SNR);
noise = N0*complex(randn(size(rxWaveform)),randn(size(rxWaveform)));
rxWaveform = rxWaveform + noise;
Выполните идеальную синхронизацию. Чтобы найти наиболее сильный компонент многолучевого распространения, используйте информацию, предоставляемую каналом.
% Get path filters for perfect channel estimation
pathFilters = getPathFilters(channel);
[offset,~] = nrPerfectTimingEstimate(pathGains,pathFilters);
rxWaveform = rxWaveform(1+offset:end, :);
OFDM-демодуляция принятых данных для воссоздания сетки ресурсов.
rxGrid = nrOFDMDemodulate(carrier,rxWaveform); % Pad the grid with zeros in case an incomplete slot has been demodulated [K,L,R] = size(rxGrid); if (L < carrier.SymbolsPerSlot) rxGrid = cat(2,rxGrid,zeros(K,carrier.SymbolsPerSlot-L,R)); end
Можно выполнять и сравнивать результаты совершенных, практичных и нейросетевых оценок одной модели канала.
Для выполнения идеальной оценки канала используйте nrPerfectChannelEstimate использование значения усиления тракта, обеспечиваемого каналом.
estChannelGridPerfect = nrPerfectChannelEstimate(carrier,pathGains, ...
pathFilters,offset,sampleTimes);
Для выполнения практической оценки канала используйте nrChannelEstimate функция.
[estChannelGrid,~] = nrChannelEstimate(carrier,rxGrid,dmrsIndices, ... dmrsSymbols,'CDMLengths',pdschIndicesInfo.CDMLengths);
Для выполнения оценки канала с использованием нейронной сети необходимо провести интерполяцию принятой сетки. Затем разделяют интерполированное изображение на его реальную и мнимую части и вводят эти изображения вместе в нейронную сеть как одну партию. Используйте predict Функция (Deep Learning Toolbox) используется для прогнозирования реальных и воображаемых изображений. Наконец, объедините и преобразуйте результаты обратно в сложные данные.
% Interpolate the received resource grid using pilot symbol locations interpChannelGrid = hPreprocessInput(rxGrid,dmrsIndices,dmrsSymbols); % Concatenate the real and imaginary grids along the batch dimension nnInput = cat(4,real(interpChannelGrid),imag(interpChannelGrid)); % Use the neural network to estimate the channel estChannelGridNN = predict(channelEstimationCNN,nnInput); % Convert results to complex estChannelGridNN = complex(estChannelGridNN(:,:,:,1),estChannelGridNN(:,:,:,2));
Вычислите среднеквадратичную ошибку (MSE) каждого метода оценки.
neural_mse = mean(abs(estChannelGridPerfect(:) - estChannelGridNN(:)).^2); interp_mse = mean(abs(estChannelGridPerfect(:) - interpChannelGrid(:)).^2); practical_mse = mean(abs(estChannelGridPerfect(:) - estChannelGrid(:)).^2);
Постройте график индивидуальных оценок канала и фактической реализации канала, полученной из отводов канального фильтра. И практическая оценка, и оценка нейронной сети превосходят линейную интерполяцию.
plotChEstimates(interpChannelGrid,estChannelGrid,estChannelGridNN,estChannelGridPerfect,...
interp_mse,practical_mse,neural_mse);
ван де Бик, Ян-Яап, Ове Эдфорс, Магнус Санделл, Сара Кейт Уилсон и Пер Ола Боржессон. «Оценка канала в системах OFDM». В 1995 году IEEE 45-я Конференция по технологии транспортных средств. Обратный отсчет до Беспроводного XXI века, 2: 815-19, июль 1995.
Е, Хао, Джеффри Е Ли и Бин-Хван Жуан. «Мощность глубокого обучения для оценки канала и обнаружения сигнала в системах OFDM». IEEE Wireless Communications Letters 7, No 1 (февраль 2018): 114-17.
Солтани, Мехран, Вахид Пурахмади, Али Мирзаеи и Хамид Шейхзаде. «Оценка канала на основе глубокого обучения». Препринт, представлен 13 октября 2018 года.
function hest = hPreprocessInput(rxGrid,dmrsIndices,dmrsSymbols) % Perform linear interpolation of the grid and input the result to the % neural network This helper function extracts the DM-RS symbols from % dmrsIndices locations in the received grid rxGrid and performs linear % interpolation on the extracted pilots. % Obtain pilot symbol estimates dmrsRx = rxGrid(dmrsIndices); dmrsEsts = dmrsRx .* conj(dmrsSymbols); % Create empty grids to fill after linear interpolation [rxDMRSGrid, hest] = deal(zeros(size(rxGrid))); rxDMRSGrid(dmrsIndices) = dmrsSymbols; % Find the row and column coordinates for a given DMRS configuration [rows,cols] = find(rxDMRSGrid ~= 0); dmrsSubs = [rows,cols,ones(size(cols))]; [l_hest,k_hest] = meshgrid(1:size(hest,2),1:size(hest,1)); % Perform linear interpolation f = scatteredInterpolant(dmrsSubs(:,2),dmrsSubs(:,1),dmrsEsts); hest = f(l_hest,k_hest); end function [trainData,trainLabels] = hGenerateTrainingData(dataSize) % Generate training data examples for channel estimation % Run dataSize number of iterations to create random channel configurations % and pass an OFDM-modulated fixed PDSCH grid with only the DM-RS symbols % inserted. Perform perfect timing synchronization and OFDM demodulation, % extracting the pilot symbols and performing linear interpolation at each % iteration. Use perfect channel information to create the % label data. The function returns 2 arrays - the training data and labels. fprintf('Starting data generation...\n') % List of possible channel profiles delayProfiles = {'TDL-A', 'TDL-B', 'TDL-C', 'TDL-D', 'TDL-E'}; [simParameters, carrier, pdsch] = hDeepLearningChanEstSimParameters(); % Create the channel model object nTxAnts = simParameters.NTxAnts; nRxAnts = simParameters.NRxAnts; channel = nrTDLChannel; % TDL channel object channel.NumTransmitAntennas = nTxAnts; channel.NumReceiveAntennas = nRxAnts; % Use the value returned from <matlab:edit('nrOFDMInfo') nrOFDMInfo> to % set the channel model sample rate waveformInfo = nrOFDMInfo(carrier); channel.SampleRate = waveformInfo.SampleRate; % Get the maximum number of delayed samples by a channel multipath % component. This number is calculated from the channel path with the largest % delay and the implementation delay of the channel filter, and is required % to flush the channel filter to obtain the received signal. chInfo = info(channel); maxChDelay = ceil(max(chInfo.PathDelays*channel.SampleRate)) + chInfo.ChannelFilterDelay; % Return DM-RS indices and symbols [~,dmrsIndices,dmrsSymbols,~] = hPDSCHResources(simParameters,pdsch); % PDSCH mapping in grid associated with PDSCH transmission period pdschGrid = nrResourceGrid(carrier,nTxAnts); % PDSCH DM-RS precoding and mapping [~,dmrsAntIndices] = nrExtractResources(dmrsIndices,pdschGrid); pdschGrid(dmrsAntIndices) = pdschGrid(dmrsAntIndices) + dmrsSymbols; % OFDM modulation of associated resource elements txWaveform_original = nrOFDMModulate(carrier,pdschGrid); % Acquire linear interpolator coordinates for neural net preprocessing [rows,cols] = find(pdschGrid ~= 0); dmrsSubs = [rows, cols, ones(size(cols))]; hest = zeros(size(pdschGrid)); [l_hest,k_hest] = meshgrid(1:size(hest,2),1:size(hest,1)); % Preallocate memory for the training data and labels numExamples = dataSize; [trainData, trainLabels] = deal(zeros([612 14 2 numExamples])); % Main loop for data generation, iterating over the number of examples % specified in the function call. Each iteration of the loop produces a % new channel realization with a random delay spread, doppler shift, % and delay profile. Every perturbed version of the transmitted % waveform with the DM-RS symbols is stored in trainData, and the % perfect channel realization in trainLabels. for i = 1:numExamples % Release the channel to change nontunable properties channel.release % Pick a random seed to create different channel realizations channel.Seed = randi([1001 2000]); % Pick a random delay profile, delay spread, and maximum doppler shift channel.DelayProfile = string(delayProfiles(randi([1 numel(delayProfiles)]))); channel.DelaySpread = randi([1 300])*1e-9; channel.MaximumDopplerShift = randi([5 400]); % Send data through the channel model. Append zeros at the end of % the transmitted waveform to flush channel content. These zeros % take into account any delay introduced in the channel, such as % multipath delay and implementation delay. This value depends on % the sampling rate, delay profile, and delay spread txWaveform = [txWaveform_original; zeros(maxChDelay, size(txWaveform_original,2))]; [rxWaveform,pathGains,sampleTimes] = channel(txWaveform); % Add additive white Gaussian noise (AWGN) to the received time-domain % waveform. To take into account sampling rate, normalize the noise power. % The SNR is defined per RE for each receive antenna (3GPP TS 38.101-4). SNRdB = randi([0 10]); % Random SNR values between 0 and 10 dB SNR = 10^(SNRdB/20); % Calculate linear noise gain N0 = 1/(sqrt(2.0*nRxAnts*double(waveformInfo.Nfft))*SNR); noise = N0*complex(randn(size(rxWaveform)),randn(size(rxWaveform))); rxWaveform = rxWaveform + noise; % Perfect synchronization. Use information provided by the channel % to find the strongest multipath component pathFilters = getPathFilters(channel); % Get path filters for perfect channel estimation [offset,~] = nrPerfectTimingEstimate(pathGains,pathFilters); rxWaveform = rxWaveform(1+offset:end, :); % Perform OFDM demodulation on the received data to recreate the % resource grid, including padding in case practical % synchronization results in an incomplete slot being demodulated rxGrid = nrOFDMDemodulate(carrier,rxWaveform); [K,L,R] = size(rxGrid); if (L < carrier.SymbolsPerSlot) rxGrid = cat(2,rxGrid,zeros(K,carrier.SymbolsPerSlot-L,R)); end % Perfect channel estimation, using the value of the path gains % provided by the channel. This channel estimate does not % include the effect of transmitter precoding estChannelGridPerfect = nrPerfectChannelEstimate(carrier,pathGains, ... pathFilters,offset,sampleTimes); % Linear interpolation dmrsRx = rxGrid(dmrsIndices); dmrsEsts = dmrsRx .* conj(dmrsSymbols); f = scatteredInterpolant(dmrsSubs(:,2),dmrsSubs(:,1),dmrsEsts); hest = f(l_hest,k_hest); % Split interpolated grid into real and imaginary components and % concatenate them along the third dimension, as well as for the % true channel response rx_grid = cat(3, real(hest), imag(hest)); est_grid = cat(3, real(estChannelGridPerfect), ... imag(estChannelGridPerfect)); % Add generated training example and label to the respective arrays trainData(:,:,:,i) = rx_grid; trainLabels(:,:,:,i) = est_grid; % Data generation tracker if mod(i,round(numExamples/25)) == 0 fprintf('%3.2f%% complete\n',i/numExamples*100); end end fprintf('Data generation complete!\n') end function plotChEstimates(interpChannelGrid,estChannelGrid,estChannelGridNN,estChannelGridPerfect,... interp_mse,practical_mse,neural_mse) % Plot the different channel estimates and display the measured MSE figure subplot(1,4,1) imagesc(abs(interpChannelGrid)); xlabel('OFDM Symbol'); ylabel('Subcarrier'); title({'Linear Interpolation', ['MSE: ', num2str(interp_mse)]}); subplot(1,4,2) imagesc(abs(estChannelGrid)); xlabel('OFDM Symbol'); ylabel('Subcarrier'); title({'Practical Estimator', ['MSE: ', num2str(practical_mse)]}); subplot(1,4,3) imagesc(abs(estChannelGridNN)); xlabel('OFDM Symbol'); ylabel('Subcarrier'); title({'Neural Network', ['MSE: ', num2str(neural_mse)]}); subplot(1,4,4) imagesc(abs(estChannelGridPerfect)); xlabel('OFDM Symbol'); ylabel('Subcarrier'); title({'Actual Channel'}); end
nrChannelEstimate | nrPerfectChannelEstimate | predict (инструментарий глубокого обучения) | trainNetwork (инструментарий для глубокого обучения)