Deep-Waveform：基于深度复值卷积网络的习得式 OFDM 接收机

（逆）离散傅里叶变换（DFT/IDFT）常被视为正交频分复用（OFDM）系统所必需的。本文提出一种深度复值卷积网络（DCCN），用于从时域 OFDM 信号中恢复比特，而不依赖任何显式的 DFT/IDFT。该 DCCN 可用习得线性变换替代 DFT，从而利用 OFDM 波形的循环前缀（CP）以提升信噪比，并具有将 CP 利用、信道估计与码间干扰（ISI）抑制相结合的优势，复杂度为 $\mathcal{O}(N^2)$。数值测试表明，在具有不同时延扩展和移动性的瑞利衰落信道中，DCCN 接收机优于基于理想与近似线性最小均方误差（LMMSE）估计的传统信道估计器以及一种常规 CP 增强技术。所提方法得益于复值神经网络固有的表达特性，然而当前主流深度学习平台尚不支持此类网络。为此，本文给出了复值卷积层的精确与近似实现指南，以支撑无线物理层卷积网络的设计与分析。此外，还提出了一系列新颖的训练技术，以改善训练模型在衰落信道中的收敛性与泛化能力。本工作展示了深度神经网络处理 OFDM 波形的能力，结果表明 OFDM 接收机中的 FFT 处理器可被硬件 AI 加速器替代。