[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

本發明提出一種基于深度學習的空海無線信道估計方法，通過搭建海上無線信道仿真平臺，生成信道傳輸函數CTF數據；采集正交頻分復用導頻接收信號，計算導頻位置處CTF的最小二乘估計；對CTF數據和導頻位置處CTF的最小二乘估計預處理，構造訓練數據集；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；固化高效信道估計卷積神經網絡的權重參數，并在線進行測試。本發明提出的空海無線信道估計方法，使用可訓練的稀疏變換來提取信道延遲域上的稀疏特征，可降低模型參數冗余；同時，該方法還使用亞像素卷積層和裁剪層實現任意上采樣因子的插值計算，可降低模型計算復雜度，打破均方誤差性能瓶頸。

技術領域

本發明面向海上無線通信領域，提出了一種基于深度學習的空海無線信道估計方法。

背景技術

得益于理論研究和技術創新的持續發展，陸地無線通信經過了從第一代移動通信技術到第五代移動通信技術的發展，給人類社會帶來翻天覆地的變化。然而，由于海洋環境復雜多變，海上無線通信的發展遠滯后于陸地無線通信。如何實現海上終端的高速數據傳輸、高可靠無線接入和高質量用戶體驗是目前通信技術面臨的挑戰。

作為3GPP LTE的核心技術，正交頻分復用OFDM采用了多載波并行傳輸機制，具有傳輸速率高、帶寬利用率高、抗多徑干擾等優勢，在陸地無線通信中得到了廣泛的應用。為了更好地實現陸地和海洋場景下通信服務的無縫對接，OFDM是海上無線通信系統發展的必然趨勢。作為OFDM接收機的關鍵技術，信道估計CE的好壞影響通信系統相干檢測的性能。

近年來，憑借強大的特征學習能力，深度學習DL在計算機視覺、自然語言處理等領域得到廣泛的應用。與此同時，不少學者開始關注DL和無線通信的結合，尤其是基于DL的CE方案。文獻[1]M.Soltani,V.Pourahmadi,A.Mirzaei and H.Sheikhzadeh,“DeepLearning-Based Channel Estimation,”in IEEE Communications Letters,vol.23,no.4,pp.652-655,April 2019首次引入計算機視覺領域的超分辨率網絡和降噪網絡來解決OFDM系統的CE問題，提出了ChannelNet，并取得了與理想MMSE算法相當的估計性能。為了進一步降低神經網絡的計算開銷，文獻[2]L.Li,H.Chen,H.Chang and L.Liu,DeepResidual Learning Meets OFDM Channel Estimation,in IEEE WirelessCommunications Letters,vol.9,no.5,pp.615-618,May 2020提出了基于殘差結構的ReEsNet，不僅采用后上采樣結構，還使用反卷積層實現可學習的上采樣運算，因此取得了比ChannelNet更優的均方誤差MSE性能。此外，文獻[3]X.Yi and C.Zhong,Deep Learningfor Joint Channel Estimation and Signal Detection in OFDM Systems,inIEEECommunicationsLetters,vol.24,no.12,pp.2780-2784,Dec.2020提出了基于二階注意力網絡的CENet，以提升信號檢測性能。然而上述方案針對的是陸地無線信道場景，沒有結合海上無線信道特點進行定制化設計，因此存在較大的改進空間。

發明內容

本發明為克服上述現有技術存在的技術缺陷，提供一種可降低模型參數冗余、降低模型計算復雜度、打破MSE性能瓶頸的基于深度學習的空海無線信道估計方法。

為解決上述技術問題，本發明的技術方案如下：

一種基于深度學習的空海無線信道估計方法，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；