在正交频分复用(orthogonal frequency division multiplexing,OFDM)通信系统中,由于发射机和接收机晶体振荡器固有的物理特性不同,导致载波频率偏移(carrier frequency offset,CFO)的产生,它破坏了OFDM信号子载波之间的正交性,影响信...在正交频分复用(orthogonal frequency division multiplexing,OFDM)通信系统中,由于发射机和接收机晶体振荡器固有的物理特性不同,导致载波频率偏移(carrier frequency offset,CFO)的产生,它破坏了OFDM信号子载波之间的正交性,影响信号的有效传输。传统的载波频率偏移估计方法是使用训练符号或导频符号来完成,这占用了一定通信带宽并且增加了计算开销。本文提出了一种基于深度学习的载波频率偏移估计方法,使用全连接神经网络,以数据驱动的方式,直接根据接收信号的数据部分估计出载波频率偏移。经过实验仿真可知,所提方法可以提升带宽效率,并且比传统估计方法有更高的估计准确性。展开更多
文摘在正交频分复用(orthogonal frequency division multiplexing,OFDM)通信系统中,由于发射机和接收机晶体振荡器固有的物理特性不同,导致载波频率偏移(carrier frequency offset,CFO)的产生,它破坏了OFDM信号子载波之间的正交性,影响信号的有效传输。传统的载波频率偏移估计方法是使用训练符号或导频符号来完成,这占用了一定通信带宽并且增加了计算开销。本文提出了一种基于深度学习的载波频率偏移估计方法,使用全连接神经网络,以数据驱动的方式,直接根据接收信号的数据部分估计出载波频率偏移。经过实验仿真可知,所提方法可以提升带宽效率,并且比传统估计方法有更高的估计准确性。