[發明專利]一種基于深度學習的OFDM系統信道估計方法

有效

• 申請號: 202210409459.1
• 申請日: 2022-04-19
• 公開（公告）號: CN114785643B
• 公開（公告）日: 2023-04-25
• 發明（設計）人: 袁曉軍;黃周洋
• 申請（專利權）人: 電子科技大學
• 主分類號: H04L25/02
• 分類號: H04L25/02;H04L25/03;G06N3/08;G06N3/0464
• 代理公司: 成都點睛專利代理事務所(普通合伙) 51232
• 代理人: 孫一峰

本發明屬于信息與通信技術領域，涉及一種基于深度學習的OFDM系統信道估計方法。為了進一步提升OFDM系統信道估計的性能，本發明提出了一種基于深度學習的OFDM系統信道估計方法：首先，使用線性估計的方法從接收信號中估計出導頻位置的信道狀態信息；其次，使用插值算法獲得整個OFDM時頻資源塊的信道狀態信息估計值；最后，使用本發明提出的多尺度并行擴張卷積神經網絡進一步對估計的信道狀態信息降噪。在復雜的TDL混合場景下對所提方法進行了性能測試，結果表明本發明方法超過目前已有的方法。

技術領域

本發明屬于信息與通信技術領域，涉及一種基于深度學習的OFDM系統信道估計方法。

背景技術

準確的信道估計和有效的信道信息反饋是保障無線通信系統性能的基礎條件。近年來，深度學習(Deep?Learning,DL)或AI在無線通信系統中得到了廣泛的研究，無論是學術界還是業界。OFDM是4G和5G標準的核心技術之一，它能很好地支持多址接入，在頻率選擇性衰落環境下性能穩定。在無線通信系統中，傳輸信號會受到各種衰落和多徑傳播的影響。為了對發射信號進行解調，設計了導頻信號來估計信道信息。導頻信號與數據信號一起傳輸，使用相同的數據信號傳輸預編碼，并遭受相似的信道衰落。由于導頻信號的位置和序列對接收機來說是已知的，所以接收機可以利用接收到的信號估計信道。

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,doi:10.1109/LCOMM.2019.2898944.”將快速衰落通信信道的時頻響應考慮為二維圖像，將導頻值視為低分辨率圖像，并使用超分辨率網絡與去噪網絡級聯來估計信道，并將提出的網絡命名為ChannelNet。

文獻2“L.Li,H.Chen,H.-H.Chang?and?L.Liu,Deep?Residual?Learning?MeetsOFDM?Channel?Estimation,in?IEEE?Wireless?Communications?Letters,vol.9,no.5,pp.615-618,May?2020,doi:10.1109/LWC.2019.2962796.”設計了一種用于信道估計的基于殘差學習的深度神經網絡，命名為ReEsNet。

發明內容

為了進一步提升OFDM系統信道估計的性能，本發明提出了一種基于深度學習的OFDM系統信道估計方法。

本發明采用的技術方案包括以下步驟：

S1、假設系統有N_t個OFDM符號，N_f個子載波，M_Tx個發送天線和M_Rx個接收天線；假設OFDM系統的循環前綴(cyclic?prex,CP)長度大于最大信道時延，則去除循環前綴并進行離散傅里葉變換(discrete?Fourier?transform，DFT)后，第m_Rx個接收天線接收到的第k個OFDM符號，第i個子載波上的信號可以表示為

其中，和分別是對應的頻域信道和第m_Tx根天線的預編碼因子；s_k，i為發送符號，是加性高斯白噪聲；由于導頻和數據信號都是用相同的發射預編碼器發射的，所以上面的方程可以重寫為

其中，是預編碼信道。對于所有的OFDM符號和子載波，有

其中，s_k，i和分別是S和的(k，i)-th個元素；表示矩陣對應位置元素的乘積；