[發明專利]一種基于深度學習的信道估計方法

有效

• 申請號: 202011487180.2
• 申請日: 2020-12-16
• 公開（公告）號: CN114143145B
• 公開（公告）日: 2023-08-18
• 發明（設計）人: 朱安福
• 申請（專利權）人: 華北水利水電大學
• 主分類號: H04L25/02
• 分類號: H04L25/02;G06N3/08
• 代理公司: 北京棘龍知識產權代理有限公司 11740
• 代理人: 戴麗偉

1.基于深度學習的信道估計方法，其特征在于：包括幀結構設計、噪聲方差估計和信道頻率響應估計三部分；在幀結構設計時，將一個以上數據塊組成一個長幀，在每個長幀中插入一段由若干UW構成的UW序列，所述UW序列的長度與該長幀內的每個數據塊的長度一致；將兩個UW作為一組構成周期性的導頻塊；在信道估計時，使用Q個導頻塊分別進行信道估計，取其平均值作為信道估計的最終結果；UW表示獨特字；

根據導頻塊的周期性進行噪聲方差估計和信道頻率響應估計：假設發射的導頻塊為x(n)，長度為M，經過M點的DFT/FFT后得到X(n)；接收到的導頻塊為y(n)，經過M點的DFT/FFT后得到Y(n)；X(n)在奇數點的值為0，X(n)在偶數點的值包含有用數據信息；采用Y(n)奇數點的噪聲信息進行噪聲方差估計，采用Y(n)偶數點的有用數據信息進行信道頻率響應估計；

在幀結構設計、噪聲方差估計和信道頻率響應估計進行之前，利用傳統基于導頻的信道估計方法，得到信道在導頻位置的信道響應；將信道在導頻位置的信道響應作為輸入，輸入到信道估計網絡，所述信道估計網絡通過模擬傳統信道估計方法的插值過程輸出導頻位置以及數據位置信道響應值，作為信道估計值；

所述的信道估計網絡為訓練完成后的神經網絡，所述的信道估計網絡的輸入與輸出的關系如下：

IHR＝HNN(ILR；θ)

其中，ILR為導頻位置的信道響應，IHR為導頻和數據位置的信道響應，HNN為信道估計網絡，θ為信道估計網絡的網絡參數；

將信道在導頻位置的每個信道響應作為原始樣本，向所述原始樣本添加指定擾動得到測試樣本，獲得使所述信道估計網絡的輸出損失函數最小的所述測試樣本；

向所述測試樣本疊加與其對應的指定擾動相反的擾動，得到與所述測試樣本對應的反邊界樣本；

將所述反邊界樣本作為輔助估計網絡的決策邊界，使用所述原始樣本和反邊界樣本對所述輔助估計網絡進行訓練；

由訓練完成的所述輔助估計網絡與所述信道估計網絡同時接收所述信道在導頻位置的信道響應，若判定結果不一致，則后續不使用該信道在導頻位置的信道響應的數據；若判定結果一致，所述信道在導頻位置的信道響應的數據正常使用。

2.根據權利要求1所述的基于深度學習的信道估計方法，其特征在于：在頻域使用LS算法進行信道頻率響應估計，然后通過IDFT/IFFT回到時域進行降噪處理：假設信道的時域沖激響應為超過CP長度后的點全部為噪聲信息，使用估計出的噪聲方差替代實際噪聲方差，為前CP長度的信道脈沖響應符號設置閾值，超過CP長度后的點全部補零至數據塊長度以進一步降低噪聲影響，然后通過DFT/FFT變換到頻域，得到信道頻率響應，完成信道估計。

3.根據權利要求1所述的基于深度學習的信道估計方法，其特征在于：根據導頻塊的周期性進行噪聲方差估計和信道頻率響應估計：首先在時域對導頻塊進行取平均，然后變換到頻域進行信道估計。