[發明專利]一種基于深度學習的空海無線信道估計方法

有效

• 申請號: 202110675078.3
• 申請日: 2021-06-17
• 公開（公告）號: CN113422745B
• 公開（公告）日: 2022-04-22
• 發明（設計）人: 江明;陳俊羽
• 申請（專利權）人: 中山大學
• 主分類號: H04L25/02
• 分類號: H04L25/02;G06N3/04;G06N3/08
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 劉俊

1.一種基于深度學習的空海無線信道估計方法，其特征在于，包括以下步驟：

S1：搭建海上無線信道仿真平臺，生成海上無線信道傳輸函數CTF數據；

S2：在OFDM下行通信系統中，采集OFDM導頻接收信號，計算導頻位置處CTF的最小二乘估計；

S3：對CTF數據和最小二乘估計預處理，構造海上無線信道的訓練數據集；

S4：構建高效信道估計卷積神經網絡并根據訓練數據集對其進行離線訓練，更新高效信道估計卷積神經網絡的權重參數；

S5：固化高效信道估計卷積神經網絡的權重參數，對其在線進行測試，實現對空海無線信道的估計；

所述步驟S1具體包括以下過程：

在空海場景中，對空海信道的直射徑、海面反射徑以及局部散射徑建模，形成考慮地球曲率因素的三徑模型，其中第三徑引入隨機過程來描述生滅情況；于是，海上無線信道沖激響應CIR表示為：

h(t,τ)＝a₁(t)δ(τ-τ₁(t))+a₂(t)δ(τ-τ₂(t))+z(t)a₃(t)δ(τ-τ₃(t)) (1)

其中，a₁(t),a₂(t),a₃(t)分別表示直射徑、海面反射徑和局部散射徑的歸一化衰落系數；τ₁(t),τ₂(t),τ₃(t)分別表示直射徑、海面反射徑和局部散射徑的時延；z(t)是一個狀態空間為{0,1}的隨機過程，當局部散射徑不存在時有z(t)＝0，當局部散射徑存在時有z(t)＝1；一旦局部散射徑出現，將持續出現一段時間D；

對h(t,τ)進行傅里葉變換得到CTF數據，記為在生成H樣本時不使用固定的收發水平距離，而是在限定范圍內均勻隨機選擇一個值作為收發水平距離。

2.根據權利要求1所述的一種基于深度學習的空海無線信道估計方法，其特征在于，在所述步驟S1中，還包括以下過程：

在式子(1)中，歸一化衰落系數a_i(t),i＝1,2,3表示為

其中，α_i(t)表示第i條徑的幅度，滿足功率歸一化條件；φ_i(t)是第i條徑的相位，包含多普勒頻率引起的相位項。

3.根據權利要求2所述的一種基于深度學習的空海無線信道估計方法，其特征在于，所述步驟S2具體包括以下過程：

在OFDM下行通信系統中，導頻信號傳輸模型為：

其中，表示導頻接收信號；表示導頻發射信號；表示導頻CTF；表示噪聲信號；通過最小化代價函數：

其中，y_p,x_p,分別是Y_p,X_p,按列展開的列向量；D_p＝diag(x_p)；令(4)關于的偏導數為0，得到

最后，把按列優先的順序還原成維度為N′_f×N_t′的形式，記為最小二乘估計

4.根據權利要求3所述的一種基于深度學習的空海無線信道估計方法，其特征在于，所述步驟S3具體包括以下過程：

把H的實部和虛部沿深度方向堆疊起來，形成同理，把的實部和虛部沿深度方向堆疊起來，形成為了提高模型在不同信噪比SNR下的魯棒性，按照K個dB值采集SNR的訓練樣本，每組訓練樣本由組成，每個SNR下的訓練樣本數量為P，因此訓練集總大小為KP。

5.根據權利要求4所述的一種基于深度學習的空海無線信道估計方法，其特征在于，在所述步驟S3中，所述K個dB值具體為0dB、10dB和20dB；所述訓練樣本數量P為5000；所述訓練集總大小為15000。