面向C?V2X通信的基于深度學習的聯合信道估計與均衡算法

陳成瑞，孫 寧，何世彪，廖 勇*

（1.重慶工程學院電子信息學院，重慶 400056；2.重慶大學微電子與通信工程學院，重慶 400044）

（*通信作者電子郵箱liaoy@cqu.edu.cn）

0 引言

我國是全球最大的汽車生產國和銷量國，且汽車行業正處在向新能源、智能網聯和自動駕駛等轉型升級的關鍵機遇期，在未來的場景應用中，車聯網（Vehicle to Everything，V2X）通信將是最重要的場景之一［1］。并且，隨著智能化的潮流興起，智能交通系統愈加受到人們的關注，而V2X 作為下一代智能交通的核心，其相關技術的研究也會推動智能交通系統的發展。V2X 是指通過裝載在車輛上的傳感設備、車載終端及電子標簽來提供車輛數據信息，利用先進的通信技術獲取到車輛周圍的環境信息，進而對車輛進行管控和提供服務［2］。具體來說，V2X 包括的通信場景主要有車輛間通信（Vehicle to Vehicle，V2V）、車輛與路邊基礎設施通信（Vehicle to Infrastructure，V2I）、車輛與行人通信（Vehicle to Person，V2P）和車輛與網絡通信（Vehicle to Network，V2N）等［3］。

為了支持V2X 的在實際生活中的應用，已有相關組織提出了V2X 通信技術標準，主要有短程通信（Dedicated Short Range Communication，DSRC）［4］技術和基于蜂窩網絡的車聯網（Cellular-Vehicle to Everything，C-V2X）［5］技術，其中C-V2X包括LTE-V2X 技術和5G NR-V2X 技術。LTE-V2X 作為面向車路協同的通信綜合解決方案，能夠在高速移動環境中提供低時延、高可靠、高速率的通信能力，滿足車聯網多種應用的需求。本文聚焦于LTE-V2X 通信技術標準，對其接收機中的信道估計與均衡技術進行聯合考慮，以改善通信系統的性能。

作為無線通信系統接收機的關鍵部分，信道估計與信道均衡性能的好壞將直接影響到整個通信系統的通信質量。信道估計利用導頻符號獲取部分頻點或時刻的信道沖激響應，并結合信道插值方法計算整個時頻域資源塊上的信道響應，最后利用估計得到的信道響應進行信道均衡，來消除在無線信號傳播過程中由信道引入的信號畸變和干擾。由上述分析可以得知，信道均衡需要以信道估計的結果作為輸入，以恢復原始的發送信號，而在信道估計環節如果不能精準地獲得信道狀態信息（Channel State Information，CSI），將會對后續的信道均衡環節的系能產生較大影響。而信道估計的算法設計很大程度上取決于該算法應用場景下的信道特征，在C-V2X 通信場景中，由于終端處在高速移動的狀態下，因此在多徑效應和多普勒效應的聯合作用下信道將會呈現出時頻域選擇性衰落，即雙選衰落；此外，由于接收天線陣列與基站之間的波束的幾何參數存在快速時變的特性，導致信道沖激響應的時域自相關系數呈現出時變的特性，即非平穩特性。由于在高速環境下信道表現出上述的兩種特性，大幅增加了獲取到精確CSI 的難度，一旦在信道估計環節引入過大的誤差，那么均衡器就無法利用CSI 來對接收數據進行恢復，無疑會導致通信系統的可靠性降低。

C-V2X 通信接收機各項處理技術的目的都是為了更加高效且精準地從接收數據中檢測出發送數據，因此在本文中，不僅考慮信道估計與信道均衡技術中的單獨環節，還對兩者進行聯合考慮，將其視為一個整體。深度學習是一種數據驅動的方法，它可以從大量的數據中學習到隱含在數據中的規律，而這也恰恰與本文的目標相吻合，即從接收數據中直接檢測出原始的發送數據，不進行顯式的信道估計。為了方便描述，將本文中所提出的面向車聯網C-V2X環境中的基于深度學習的聯合信道估計與均衡算法稱為V-EstEqNet。

1 相關工作

為了獲取更加準確且實時的CSI，許多研究人員都致力于信道估計的研究。文獻［6］提出了一種基于基擴展模型（Basis Expansion Model，BEM）的貝葉斯濾波的信道估計方法，降低了估計復雜度的同時保證了系統性能；文獻［7］采用了導頻與數據疊加的幀結構，提出了一種改進的迭代卡爾曼濾波（iterative Extend-Kalman Filter，iEKF）信道估計算法；文獻［8］對水聲正交頻分復用（Orthogonal Frequency Division Multiplexing，OFDM）通信系統中的信道估計進行了研究，提出了一種基于壓縮感知的稀疏信道估計算法。大量的信道估計研究都表明，如果可以準確地獲取到CSI，會在一定程度上提升通信系統的誤碼率（Bit Error Rate，BER）性能，但是，信道估計根據其算法復雜度的不同，需要在不同程度上占用系統資源，也在一定程度上也增加了通信系統的功耗。

信道均衡技術是指為了提高衰落信道中的通信系統的傳輸性能而采取的一種抗衰落措施。常用的均衡算法主要分成線性均衡算法和非線性均衡算法［9］，線性均衡算法主要有迫零（Zero Forcing，ZF）均衡算法和最小均方誤差（Minimum Mean Square Error，MMSE）均衡算法等。ZF 均衡算法較為簡單，只是在信道估計結果的基礎上通過簡單的矩陣運算就可以恢復出發射端發送的信號，但是由于ZF均衡沒有考慮噪聲的影響，在消除干擾的同時也放大了噪聲，造成通信系統的誤碼率性能下降，尤其是在信噪比較低的條件下。MMSE 均衡算法考慮了噪聲的影響，其目標是使得發送端發射的數據與接收端估計的數據的均方誤差達到最小，在低信噪比時MMSE 算法性能要好于ZF 算法，但是MMSE 算法需要噪聲的先驗知識，并且算法的計算復雜度較高。非線性均衡算法主要有判決反饋算法、最大似然算法和Turbo 迭代算法等。判決反饋均衡主要是通過常用的均衡準則預測和判決后干擾抵消［10］，能夠有效減小碼間干擾對系統性能的影響，提高數據傳輸的正確性，特別是在信道嚴重失真時非常適用。最大似然均衡算法主要是進行多次的搜索，尋找出接收向量和所有可能的后處理向量之間的最小歐氏距離，此時對應的向量就是均衡后的信號［11］。Turbo 均衡主要是通過反復均衡以及信道譯碼來得到發射信號的迭代算法［12］，由于要迭代計算，因此復雜度也非常高。

深度學習在處理大數據時性能優異，已有學者將深度學習應用于無線通信領域中［13-19］，例如數據檢測［13-14］、信道估計［15-17］和CSI 反饋［18-19］。在文獻［13］中，一種基于全連接（Fully Connected，FC）神經網絡的數據檢測算法被應用于OFDM 系統的接收端，這種算法將OFDM 和無線信道視為一個黑匣子，直接從接收數據中檢測出發送數據；文獻［14］提出一種滑動雙向循環神經網絡（Sliding Bidirectional Recurrent Neural Networks，SBRNN）結構的數據檢測算法，主要應用在數據速率相對較低的分子通信中；在信道估計領域，文獻［15-16］針對高速移動環境下單入單出（Single-Input and Single-Output，SISO）OFDM 系統下行鏈路信道估計性能受限的問題，采用深度學習來進行信道估計，提高了信道估計的性能，文獻［17］將基于深度學習的信道估計算法擴展到了多入多出（Multiple-Input and Multiple-Output，MIMO）OFDM 系統，相較于傳統算法有效提升了系統性能。以上文獻僅僅研究了深度學習在信道估計環節的應用，而本文將信道估計和信道均衡進行聯合考慮，進一步挖掘了深度學習在通信領域內的應用潛力。文獻［18］將通信領域中相關理論與深度學習進行結合，提出了一種名為ComNet 的信道估計算法，它的收斂速度更快且解釋性更強；此外，深度學習應用在MIMO 系統中的CSI 反饋相關工作可以在文獻［19-20］中找到。根據調研可知，相較于傳統算法，深度學習在無線通信中各個環節中都可以在一定程度上改善系統性能。

2 系統模型

隨著通信技術的快速發展，人們更加追求高速、穩定的無線數據傳輸；另一方面，頻帶資源緊缺的問題也愈發嚴重。OFDM 通信系統采用多載波調制方式，提升了數據傳輸速率，并且能有效地對抗多徑衰落的影響；正交子載波調制這種方法大幅降低了頻帶利用率，而且LET-V2X 標準中也采用了OFDM 技術。為了對比傳統的分兩個階段進行信道估計與均衡的算法，本文中傳統信道估計算法采用導頻輔助估計的方法，在目前的研究中，采用較為廣泛的導頻圖樣有梳狀導頻圖樣、塊狀導頻圖樣以及格狀導頻圖樣等［21］。如前文所述，在高速移動的通信場景中，信道呈現出雙選衰落特性，相對來說，塊狀導頻圖樣更適用于這種場景，所以IEEE 802.11p 以及LTE 等通信協議都采用了塊狀導頻圖樣來輔助進行信道估計。本文采用塊狀導頻圖樣及LTE 導頻插入模式，基于LTE的OFDM幀結構具體如圖1所示。

圖1 基于LTE的OFDM子幀結構Fig.1 OFDM subframe structure based on LTE

考慮具有N個子載波的OFDM系統，一個子幀總共包含T個OFDM 符號，設第t個OFDM 符號上第n個子載波上傳輸符的符號用st(n)表示，因此第t個OFDM 符號上傳輸的符號矢量為。將頻域符號經過逆離散傅里葉變換（Inverse Discrete Fourier Transform，IDFT）進行OFDM調制后，有

其中：L為多徑數；ht(k，l)表示第t個符號時間上，信道沖激響應第l個抽頭的第k個采樣點。整個系統的信號處理框圖如圖2所示。

圖2 系統信號處理框圖Fig.2 Block diagram of system signal processing

在傳統算法中，需要首先在信道估計環節獲取到估計的，然后利用對接收數據yt進行均衡得到，而在本文算法中，利用深度學習網絡在訓練階段從大量接收數據yt中學習到信道變化特性，進而在預測階段直接從yt得到。

3 本文算法

本文算法V-EstEqNet主要包括一維（One Dimension，1D）卷積神經網絡（Convolutional Neural Network，CNN），雙向長短期記憶（Bi-directional Long Short-Term Memory，BiLSTM）網絡和全連接神經網絡（Fully Connected Neural Network，FCN），結構如圖3所示。

圖3 V-EstEqNet網絡結構Fig.3 Network structure of V-EstEqNet

圖3 中：1D CNN 網絡和與其相連的第一個FCN 主要用于從接收數據中提取疊加的信道特征值，旨在提取信道特性；兩個長短期記憶（Long Short-Term Memory，LSTM）單元分別用于正向和反向跟蹤信道特性，對接收數據進行補償和恢復；因為雙向LSTM 的輸出是具有正反兩個方向的數據拼接，所以第二個FCN主要用于降維輸出，即最終的估計數據。

通常來說，一個CNN 網絡包含多個卷積核，這些卷積核可以視為卷積濾波器，每個卷積核在不同通道上處理該通道上的數據，通過滑動卷積核的位置對數據進行卷積求和。設W為卷積濾波器，其卷積核尺寸為l×w，其中l表示卷積核的長，w表示卷積核的寬。在數據上滑動濾波器，對總共lw個數據加權求和得到卷積輸出。其變換公式可以表示為：

其中：b為偏置；f(?)為激活函數；*表示卷積操作。本文使用雙正切激活函數，即tanh函數，其表達式為：

BiLSTM網絡為兩個單向LSTM網絡的組合，其中：正向的LSTM 網絡對信道特性進行正向跟蹤，然后補償和恢復數據；另一個LSTM 網絡進行反向補償。LSTM 網絡主要由若干個LSTM單元組成，每個單元由輸入門、遺忘門、輸出門和記憶單元組成。遺忘門用于丟棄數據中的無用信息，輸入門決定添加新的信息的量，輸出門用于輸出經過變換后的信息。LSTM網絡具有內在的存儲器單元，能夠長時間保持先前提取的信息以用于下一個時刻的預測。單個LSTM的結構如圖4所示。

在圖4中，所涉及的計算公式有：

圖4 LSTM結構Fig.4 Structure of LSTM

其中：it、ft、ot、ct、lt分別為LSTM 網絡每個時間步的輸入門、遺忘門、輸出門、記憶單元和隱藏層矢量；Ui，Wi，Uf，Wf，Uc，Wc，Uo，Wo∈Rd×d為LSTM網絡的權重矩陣；bi，bf，bc，bo∈Rd為LSTM 網絡的偏置；⊙表示元素乘法；σ為sigmoid 激活函數；d表示輸入序列維度，在本文中即為OFDM 子載波個數；t為輸入序列長度，即OFDM 符號數，也是LSTM 單元數量。將式（7）～（11）進行組合，記為LSTM(?)，則可以將公式簡化為：

其中：Θ表示LSTM 網絡中的所有參數；Wl2o和bl2o表示隱藏層到輸出的權重和偏置。本文使用兩個方向相反的LSTM 單元對接收數據進行補償，即BiLSTM，其輸出變換公式可以表示為：

其中：為t時刻BiLSTM 網絡的反向輸出；pt為t時刻BiLSTM網絡的輸出；Concat(?)函數將兩個矢量按指定維度結合起來。將BiLSTM網絡每個時間步的輸出變換簡寫成：

其中：為t-1 時刻BiLSTM 網絡的反向隱藏層矢量為t時刻BiLSTM 網絡的反向輸入；Θbi和BiLSTM(?)分別表示BiLSTM 網絡中的所有參數和變換函數。BiLSTM 網絡的輸出維度為單向LSTM 網絡的兩倍，因此在深度學習網絡最后一層使用全連接網絡對BiLSTM 網絡每個時間步的輸出進行降維，相較于卷積神經網絡，全連接神經網絡輸入每個元素都連接到一個不同的權重，輸出為輸入所有的元素加權和。

在搭建好深度學習網絡之后，要想使其具備從接收數據中恢復出發送數據的能力，必須對網絡中的所有參數進行調整，這個過程稱為模型訓練。在本文中采用端到端的方式來訓練V-EstEqNet，以獲取網絡中所有的權重和偏置。以往的研究中，學者們提出了許多信道模型，以便在信道統計方面很好地描述信道，可以利用這些信道模型通過仿真得到所需要的數據。

如圖2所示，在t時刻，發送端首先產生一個隨機比特流，經過星座點映射及OFDM 相關操作后的得到發送數據為st，發送數據經過信道以后，在接收端得到疊加了信道特性的失真數據yt。本文所提學習網絡的輸入即接收數據yt，發送數據st作為訓練標簽。特別要指出的是，這里的st是子載波映射之后的OFDM 子幀數據，且包含了導頻數據；yt是在子載波解映射之前的OFDM 接收子幀數據。為了讓本文所提出的V-EstEqNet 更好地跟蹤信道特性對接收數據進行恢復，在訓練網絡時訓練集的數據不考慮噪聲的影響。由于神經網絡需要以實數作為輸入，首先需要對數據進行預處理，這里需要分別對訓練數據yt以及標簽st的實部和虛部進行拼接，數據的預處理的維度變化示意圖見圖5。

圖5 數據預處理維度變化Fig.5 Dimension change of data preprocessing

這里考慮一個具有N個子載波的OFDM 通信系統，如前文所述，本文采用塊狀導頻圖樣，導頻數據位于OFDM 幀結構的1、5、8、12位置處，如圖1所示。在一個OFDM 子幀中，共包含14 個OFDM 符號，本文中采用逐幀檢測的方法，每當接收端接收到一個OFDM 子幀yt，就利用V-EstEqNet 對其進行校正和恢復。因此V-EstEqNet的輸入是OFDM 接收子幀全部數據的實部和虛部，其維度為2N×14，對于標簽數據st的處理也是相同的處理方法。

V-EstEqNet 所有層的激活函數均為tanh 函數，網絡中的所有需要更新的參數使用自適應矩估計（ADAptive Moment estimation，ADAM）算法進行更新，ADAM 算法與傳統采用固定學習率的梯度下降算法不同，它能夠通過訓練來自適應地更新學習率。在損失函數的選擇上，本文采用均方誤差（Mean Squared Error，MSE）損失函數，通過最小化神經網絡的輸出與訓練標簽st來訓練網絡，其公式為：

4 復雜度分析

本文中，1D CNN 卷積核的數量為2N，卷積核大小為3，步長為1；BiLSTM 包含2N個神經元；全連接神經網絡為時序全連接層，即14 個時序上的接收數據共享同一組參數，包含2N個神經元。

表1 對比了不同信道估計算法與信道均衡算法進行組合之后的計算復雜度，這里以完成一個OFDM 符號數據信道估計和信道均衡處理所進行的實數乘法次數對復雜度進行衡量。

表1 各算法計算復雜度Tab.1 Computational complexity of each algorithm

在本文中，使用以下約定：LS_ZF（Least Squares and ZF）為在導頻處使用最小二乘法（Least Squares，LS）進行信道估計，再根據導頻處的估計結果對數據處進行線性插值完成整個信道估計；然后對信道估計的結果采用ZF算法進行信道均衡。LMMSE_ZF（Linear Minimum Mean Square Error and ZF）為在導頻處使用線性最小均方誤差法（Linear Minimum Mean Square Error，LMMSE）進行信道估計，再根據導頻處的估計結果對數據處進行線性插值完成整個信道估計；然后對信道估計的結果采用ZF 算法進行信道均衡。LS_MMSE（LS and MMSE）、LMMSE_MMSE同理。

從表1 可以看出，V-EstEqNet 在線預測環節的復雜度盡管高于LS_ZF 算法和LS_MMSE 算法，但是與LMMSE_ZF 和LMMSE_MMSE 算法的復雜度處于同一個數量級內。這是因為神經網絡僅僅是一些矩陣的乘法和加法操作，因此其復雜度并沒有顯著增加。此外，神經網絡可以對數據進行并行處理，這也可以大大減少算法的運行時間。總體而言，VEstEqNet的算法復雜度處于可接受的范圍內。

5 仿真分析

為對比V-EstEqNet 與其他傳統算法的BER 性能。采用WINNER-II D2a［22］信道模型，訓練時V-EstEqNet 的初始學習率為0.03，訓練集的樣本個數為10 000，批量大小為100，epoch為100。仿真系統參數如表2所示。

表2 仿真系統參數Tab.2 Simulation system parameters

5.1 靜止狀態時各種算法BER性能對比

C-V2X 的大多數應用場景都是終端在不斷移動的情況，但是為了實驗的完整性，本文從速度為0 的情況下開始進行仿真實驗，在這種情況下發送數據受到的影響僅有碼間串擾（Inter Symbol Interference，ISI）。圖6為靜止狀態下V-EstEqNet與各個傳統算法的BER性能對比。

圖6 靜止狀態時的BER性能對比Fig.6 BER performance comparison in static condition

從圖6 的仿真結果可以看出，隨著信噪比（Signal-to-Noise Ratio，SNR）的升高，所有算法的BER 均在下降。相較于LS信道估計算法，LMMSE 信道估計算法在導頻數據處可以獲得更加精準的CSI，再配合線性插值方法完成整個信道估計的結果也會更加接近于真實的CSI，因此再經過均衡之后，在相同的信噪比下，LMMSE_ZF 和LMMSE_MMSE 的BER 性 能均好于LS_ZF 和LS_MMSE；而V-EstEqNet的BER 性能在低信噪比時（SNR 小 于6 dB 時），其BER 性 能 與LMMSE_ZF 和LMMSE_MMSE 效果相當，但是LMMSE 信道估計算法考慮了噪聲的影響，需要先驗知識，而V-EstEqNet 并不需要先驗知識，也可以有與之相當的性能，這說明V-EstEqNet在對抗噪聲時也有一定的效果；當SNR 大于12 dB 時，V-EstEqNet 的BER性能就隨著SNR 的升高逐漸好于LMMSE_ZF 算法與LMMSE_MMSE算法。

5.2 運動狀態時各種算法BER性能對比

當通信終端處于運動狀態時，此時信道對發送數據的影響除了有ISI 以外，還會出現載波間干擾（Inter Carrier Interference，ICI）。運動速度越快，多普勒頻移也越大，ICI 的影響也就越大。圖7～10 分別是在速度為50 km/h、100 km/h、200 km/h、300 km/h時各種算法的BER性能對比。

從仿真結果可以看出，信道環境越惡劣，V-EstEqNet 的BER 性能就越好于傳統的算法。如圖7～8 所示，當速度為較低的50 km/h 和100 km/h 時，此時V-EstEqNet 相較于傳統算法的LMMSE_ZF 與LMMSE_MMSE 最多有3 dB 的增益，相較于LS_ZF 與LS_MMSE 算法最高有6 dB 的增益。這說明本文所提出的V-EstEqNet能夠學習到接收數據中所隱含的雙選信道的特性，并根據這個特性來對數據進行校正和恢復。

圖7 速度為50 km/h時的BER性能對比Fig.7 BER performance comparison at 50 km/h speed

圖8 速度為100 km/h時的BER性能對比Fig.8 BER performance comparison at 100 km/h speed

當速度處于較高的200 km/h 和300 km/h 時，此時發送數據所面臨的ICI情況相較于低速情況下要更加嚴重，因此系統整體的BER性能比低速情況下要下降，尤其是在300 km/h時。在速度較高的情況下，傳統信道估計算法配合線性插值的方法并不能很好地跟蹤信道狀態變化，導致獲取到的CSI 誤差較大，進而在信道均衡時引入了較大的誤差，所以BER 性能較差，而本文所提的V-EstEqNet 首先經過了大量數據的離線訓練，可以更好地跟蹤信道狀態的變化，所以表現出了更好的BER性能。如圖9～10所示，當處于高速的環境中，V-EstEqNet在200km/h最多比LMMSE_ZF算法和LMMSE_MMSE算法高6dB的增益；而在300km/h時，V-EstEqNet 相較于LMMSE_ZF 算法和LMMSE_MMSE 算法的峰值增益則有9 dB。

圖9 速度為200 km/h時的BER性能對比Fig.9 BER performance comparison at 200 km/h speed

圖10 速度為300 km/h時的BER性能對比Fig.10 BER performance comparison at 300 km/h speed

由以上的仿真結果及分析可知，在不同的環境下，本文提出的基于深度學習的信道估計與均衡聯合算法V-EstEqNet能夠更好地適應信道環境，尤其是在高速移動的條件下。

6 結語

本文提出了一種面向LTE-V2X 的聯合信道估計與均衡的深度學習網絡，不同于傳統的分兩個階段進行信道估計與均衡，本文將信道估計與均衡進行聯合設計，從接收數據中直接恢復原始的傳輸數據。仿真實驗結果表明，相較于傳統算法，無論在靜止條件下、低速條件下和高速條件下，本文算法V-EstEqNet 均有著較好的BER 性能，能夠更加精準地從接收數據中跟蹤信道特性，然后對接收數據進行補償。