賽題名稱
基于深度學習的無線通信接收機設計
賽題背景
當今 5G面臨着在複雜無線環境中對接收信号進行高效檢測的巨大挑戰。由于無線信道的随機衰落、多徑、幹擾、環境噪聲和通信接收機噪聲等因素的影響，無線通信信号的檢測變得非常困難。傳統的信号相幹檢測方法對于日益複雜的無線通信場景存在信道知識擷取困難和檢測誤碼率高等諸多難題。無線通信中的信号檢測問題可以等效處理為圖像的分類識别問題，這是因為無線通信系統中的發送信号是發送端采用一定信号調制模式下産生的信号。換言之，它是來自于有限的信号集合， 在無線通信領域裡的術語是信号星座圖，由此無線通信信号的檢測問題就轉變為信号星座圖的分類識别問題。 近年來，深度學習模型已被廣泛應用于圖像識别領域。通過對圖像樣本的收集、模型選擇、模型和訓練算法的改進，來達到圖像的分類識别和目标檢測的目的。該賽題面向真實無線通信場景需求，以大資料驅動為牽引，通過深度神經網絡對于任意複雜函數的拟合和對于隐含特征的提取，來實作無線通信信号的實時高效檢測。與傳統無線通信接收機相比，基于深度學習的無線通信接收機在對抗複雜、難以模組化的信道環境以及非線性幹擾因素上具有顯著優勢。
圖1 2x2 MIMO AI接收機鍊路圖
賽題任務
大賽将提供給選手面向真實無線通信場景的信道資料和相應的無線通信收發鍊路，鼓勵參賽選手設計和利用深度學習模型對接收到的信号訓練和檢測（即分類識别），實作從接收信号中恢複發送信号，以此降低在不同場景下的信号檢測比特誤碼率。
該賽題主要考察在每種無線通信場景信号檢測的比特正确率。
資料簡介
真實無線信道場景為典型城區街道， 工作頻段為 1.85GHz，移動速度：1.5m/s； 采樣間隔：1ms； 采樣信道資料：Ns=320000 樣本數（信道組數）
信道資料：從典型城區街道場景采集的資料，共 32 萬個資料樣本，每個樣本包含了4x32個複數（對應2x2個信道，每個信道包含32點複數信道沖擊響應）
通信鍊路：大賽提供MIMO-OFDM 通信仿真程式。發送端包含對發送比特X進行QAM調制、加入發送導頻、IFFT、加入循環字首Cyclic Prefix（可選，具體由z值設定，見大賽提供的仿真鍊路程式）、峰值裁剪Clipping（可選，具體由z值設定）。接收端對接收資料進行FFT得到Y。
訓練資料：選手将信道資料和随機發送比特 X（選手自定義）輸入無線通信鍊路中，在無線通信接收端得到信号 Y。如圖2 (a)，Y有兩個時隙，分别為導頻時隙（黑色圓圈）和資料時隙（白色圓圈），各占256子載波，其中導頻時隙中在256子載波上均勻插入8個或32個導頻Pilot，其餘子載波位置置0（即不插入導頻Pilot）。如圖2 (b)，仿真鍊路中輸出的Y已經排成一列，順序如下：天線1導頻虛部1PQ、天線1導頻實部1PI、天線1資料虛部1DQ、天線1資料實部1DI、天線2導頻虛部2PQ、天線2導頻實部2PI、天線2資料虛部2DQ、天線2資料實部2DI……
接收信号的時頻格式
(b) 仿真鍊路輸出Y的格式 圖2 接收信号格式
資料說明
大賽提供給選手如下資料集。
資料下載下傳
所有所需檔案均在以下壓縮包中
download.zip