[發明專利]一種基于集成神經網絡模型的信道估計方法

有效

• 申請號: 202010166289.X
• 申請日: 2020-03-11
• 公開（公告）號: CN111464465B
• 公開（公告）日: 2022-05-06
• 發明（設計）人: 袁泉;方照東
• 申請（專利權）人: 重慶郵電大學;重慶信科設計有限公司
• 主分類號: H04L25/02
• 分類號: H04L25/02;G06N3/04;G06N3/08;G06F17/14
• 代理公司: 重慶市恒信知識產權代理有限公司 50102
• 代理人: 陳棟梁

本發明請求保護一種基于集成神經網絡模型的信道估計方法，屬于無線通信領域，該方法主要包含以下內容，首先對接收信號進行處理，提取其中的導頻信號，然后結合自助采樣方法獲取多個訓練子集，利用改進后的神經網絡來提取帶噪導頻信號與原始導頻信號之間的非線性信道模型，得到多個個體神經網絡模型，再根據其整體差異度判斷集成模型是否滿足標準，在滿足差異度標準的前提下結合算數平均法進行集成，得到性能穩定的集成神經網絡模型，最后利用該模型來對數據信號進行補償恢復。本發明實現了在導頻開銷較低的情況下，顯著降低了誤碼率，提高了通信有效性和可靠性，并且對神經網絡采用的是并行訓練方式，可有效縮短計算時間，易于在實際中應用。

技術領域

本發明屬于通信領域，尤其涉及一種基于集成神經網絡模型的信道估計方法。

背景技術

近年來，隨著通信行業的快速發展，通信速率的需求越來越大，對于通信的有效性和準確性的要求也越來越高，為了獲得好的通信質量，MIMO-OFDM 技術受到越來越多的關注，而在MIMO-OFDM通信系統中信道估計的結果和復雜度對整個通信過程有著很大的影響，這需要更強有力的方法來實現信道估計，提取接收信號與發送信號之間的非線性關系，并準確恢復出原始信號，為此大量學者提出了各種各樣的信道估計算法，但通常來說，性能優越的算法往往具有復雜度較高、難以實現、響應時間長、導頻序列占用資源多等缺點；所以，研究性能優越且導頻占用資源較少的信道估計方法具有重要的意義，只有在接收端使用更少的導頻序列得到更加精確的信道估計結果，才能有效的提升通信系統的可靠性和有效性。

傳統的信道估計方式包括：最小二乘(Least Squares,LS)估計準則和最小均方誤差(Minimum Mean Square Error,MMSE)估計準則，這兩種方式都是基于在發送信號中插入的導頻信號來實現，導頻插入有兩種常見方式：梳狀插入和塊狀插入，接收端根據導頻信號來完成信道估計，但導頻會占據頻帶資源，降低通信有效性。此外，對于盲估計和半盲估計的研究也有較多，盲信道估計算法的核心思想則是利用發射和接收信號的統計特性對信道進行估計，通過大量的計算得到信道的相關信息，由于不需要導頻，所以其通信的有效性較高，但其可靠性也有所下降；相比而言，半盲信道估計算法并不完全依賴信號的統計特性，因此頻譜利用率相比于盲估計算法則有所下降。但是半盲信道估計可以在一定程度上降低信號的誤碼率。

但是由于信道的不確定性，以及信號在傳輸過程中受噪聲影響等因素，往往會導致信號嚴重失真，以致于使用傳統方式無法獲取準確的信道估計結果；近年來，隨著技術的迅速發展，大量學者不斷探索新的方法來獲取更準確的信道估計，提高通信系統的性能，但是這些傳統方法其根本原理通常是利用矩陣變換以及梳理統計的知識將信道以數學公式的方式規范的表示出來，忽略了在實際情況下信道往往更像是一個“黑匣子”，我們無法知曉其具體的內部結構。但隨著深度學習的迅速發展，這種類似“黑匣子”的數學關系仍然可以提取出來形成相應的模型，其中深度學習中的神經網絡在這方面就具有優良的性能。

綜上所述，通信系統的信道估計主要面臨以下挑戰：首先信號在傳輸過程中受到不確定性噪聲的影響，以及信號可能會有不同程度的衰落，造成接收信號與發送信號之間的非線性關系更加復雜，以至于難以恢復；其次，常用的信道估計算法是利用導頻序列來實現的，而在MIMO系統中導頻開銷過大，很大程度占用了有效的通信資源，如何利用更少的導頻序列來完成信道估計步驟也是當前面臨的一大挑戰。

發明內容

本發明旨在解決現有技術中的問題。提出了一種在MIMO-OFDM通信系統場景下，致力于對信道估計方法的改進，將深度學習中的神經網絡與其相結合，利用神經網絡高效的數據處理能力，來提高通信系統的可靠性和有效性的基于集成神經網絡模型的信道估計方法。本發明的技術方案如下：

一種基于集成神經網絡模型的信道估計方法，其包括以下步驟：

步驟1：獲取接收信號并對接收信號進行移除循環和傅里葉變換處理，得到由實部和虛部組成的接收信號；