1 ComNet 简介

ComNet设计的核心思想就是用深度神经网络来代替OFDM接收机，和FC-DNN类似。但是最大的不同之处，对接收机进行细化，将接收机分为了为信道估计子网和信号检测子网。每个子网由一个DNN构造，使用现有的简单、传统的解决方案作为初始化。FC-DNN缺点是，接收机是被网络整体替代的，并没有利用无线通信的知识，过来使基于fc - dnn的接收器变得不可解释和不可预测。而ComNet 相比于FC-DNN训练参数较少，收敛速度更快。

2. ComNet 结构

ComNet 接收机结构：
在这里插入图片描述
其中YD 是接收到的数据符号，yp是接收到的导频符号，xp是原有的导频符号。其中CE是信道估计子网，SD是信号检测子网。两个子网都是用传统的方式参数作为初始化。
CE子网结构：
在LS_init模块中，其输出为
在这里插入图片描述
这里有一个问题是这个公式是怎莫来的？
个人认为：由于接收到的信号经过DFFT到达了频域，卷积变为乘法，所以可以通过这中方式进行信道的初步估计。
LS_RefineNet:

可以看出，信道估计模型的内部结构是是一个128输入的单层线性网络，输入由h（ls）的实部和虚部组成。是以一个线性神经网络，没有激活函数。
。
SD 子网结构：
ZF_init 模块：
执行的操作是，根据预测出的信道估计，来对传输的信号进行预测，
在这里插入图片描述
ZF_RefineNet：
执行的操作是：针对预测的QAM符号，得出发送的比特信息。ZF_RefineNet使用ˆxZF，ˆh, 和yD来获得更准确的传输数据估计。为了满足不同复杂程度接收机的要求，所以提出两种形式的ZF_RefineNet。

第一种是FC-SD：
结构为：两层全连接网络，第一层为120个神经元，第二层为48个神经元。隐藏层的激活函数为RElu，输出为一个sigmod函数的分类器。
第二层为BiLSTM-SD：一个三层64步BiLSTM网络[9]，每层有20、10和6个隐藏单元，然后是一个有48个神经元的单层FC-DNN，可以看成一个分类器。

3 模型训练

为了加速训练速度，为了加快训练过程，需要考虑网络权值的初始化。CE子网由来自的实值线性最小均方误差（LMMSE）作为权重初始化。
训练目标是：是b_hat 和b之间的差异最小，这样不断的跌代来训练网络参数。
两个子网误差函数：采用平方损失函数，和Adam优化器，每个子网单独训练加厚固定参数，其中CE子网训练2,000个历时，然后固定，接着SD子网训练5,000个历时。学习率为0.001。

4 结果对比

SNR =5 ；
OFDM系统包含64个子载波和16个CP样本，每帧包含一个导频OFDM符号和一个数据OFDM符号。64-QAM的映射采用LTE (long-term evolution)标准。该信道是2.6 GHz C1场景NLOS下的WINNER II信道。ComNet接收机在线性情况下采用FC-SD，在非线性情况下采用BiLSTM-SD
在这里插入图片描述
对比传统的LMMSE和COMnet性能对比。发现comnet能更好的降低去除cp后的影响。

从图中可以看出，与FC-DNN和LMMSE-MMSE相比，本文提出的ComNet接收机的误码率最接近理想界Y/H_true。ComNet接收机达到BER = 10−3所需的信噪比(SNR)比FC-DNN和LMMSE-MMSE高1db。但是在ComNet接收机和理想边界之间也有1db的差距。额外的仿真表明，ComNet接收机在较长的延迟扩展下明显优于FC-DNN。
对比要素：
去除cp的情况对比：
在这里插入图片描述
可以发现comnet对CP的依赖性更低。