深度学习算法在OFDM-IM系统中信道估计的性能评估

本文针对正交频分复用索引调制(OFDM-IM)系统中的信道估计难题，系统评估了多种深度神经网络模型的性能。研究团队提出新型LSTM-ReEsNet混合模型，通过结合长短期记忆网络和残差网络优势，在训练时间、计算复杂度、均方误差(MSE)和误码率(BER)等指标上显著优于传统方法。该研究为下一代无线通信系统提供了高效信道估计方案，具有重要的工程应用价值。

　　

在无线通信技术快速发展的今天，正交频分复用索引调制(OFDM-IM)作为融合OFDM和索引调制(IM)技术的新一代方案，因其高频谱效率、低功耗等优势备受关注。然而，由于OFDM-IM系统中存在非活跃子载波的特殊结构，传统信道估计方法面临严重挑战。特别是在多径衰落环境下，信道状态信息(CSI)获取困难导致系统性能急剧下降，这成为制约OFDM-IM技术实际应用的关键瓶颈。

针对这一难题，土耳其梅尔辛塔尔苏斯大学电气与电子工程系的研究团队在《Engineering Microbiology》发表了创新性研究成果。研究人员系统比较了最小二乘(LS)、最小均方误差(MMSE)等传统方法与深度学习方法在OFDM-IM系统中的性能差异，并创新性地提出了结合长短期记忆网络(LSTM)和残差网络(ReEsNet)优势的LSTM-ReEsNet混合模型。

研究采用蒙特卡洛仿真方法，在扩展典型城市(ETU)信道模型下生成训练数据集，SNR范围覆盖5-25dB。通过分离LS估计输出的实部和虚部构建双通道实数矩阵输入，采用序列折叠层处理时空维度数据，并创新性地用LSTM层替代传统转置卷积层。模型验证阶段采用扩展行人A(EPA)、扩展车辆A(EVA)和ETU三种功率延迟分布(PDP)场景，测试样本量达5000/SNR点。

系统模型部分详细阐述了OFDM-IM的独特结构：将m比特信息分为g组，每组p比特映射到长度为n=N/g的子块，其中仅k个子载波活跃。通过_p1=?log₂(C(n,k))?比特确定活跃子载波索引，_p2=k*log₂(M)比特进行符号调制。这种结构虽然提升了频谱效率，但也导致导频符号必须插入在每个子块之后，显著增加了信道估计难度。

在传统方法评估中，研究揭示了LS和MMSE在OFDM-IM系统中的局限性。LS虽然计算复杂度仅为O(N_fN_s)，但性能受限；MMSE虽精度较高，但其O((N_pfN_ps)³)的立方复杂度难以实用。相比之下，深度学习模型展现出线性增长的计算复杂度优势。

提出的LSTM-ReEsNet模型通过多级优化实现性能突破：1）序列输入层处理复数信道数据；2）16个3×3×2核的卷积层提取空间特征；3）4个包含双卷积层的残差块(ResBlock)学习高频残差；4）LSTM层捕获时序相关性；5）全连接层完成回归预测。这种结构使训练时间较ReEsNet减少47%，MSE计算时间降低32%。

性能分析显示，在ETU场景下，LSTM-ReEsNet的MSE较LS方法改善12.3dB，较MMSE提升4.7dB。BER测试表明，三种PDP场景中，该模型均保持稳定性能：EPA下BER=10^-3所需SNR为14.2dB；EVA场景为18.5dB；最具挑战的ETU场景也仅需21.8dB，显著优于传统方法。

该研究的创新价值主要体现在：1）首次将LSTM与残差学习结合用于OFDM-IM信道估计；2）通过计算复杂度优化实现实时处理能力；3）验证了深度学习模型在多场景下的泛化能力。这些突破为5G-Advanced和6G系统中IM技术的应用奠定了重要基础，特别在无人机通信、可见光通信等新兴领域具有广阔应用前景。未来研究可进一步探索模型在更复杂信道条件和更高阶调制下的适应性。