[發明專利]非平穩信道場景下基于圖像超分辨率的優化導頻實現方法

在審

• 申請號: 202310130107.7
• 申請日: 2023-02-17
• 公開（公告）號: CN116366403A
• 公開（公告）日: 2023-06-30
• 發明（設計）人: 孫彥贊;譚紅昌;張舜卿;陳小靜
• 申請（專利權）人: 上海大學
• 主分類號: H04L25/02
• 分類號: H04L25/02
• 代理公司: 上海交達專利事務所 31201
• 代理人: 王毓理;王錫麟

1.一種非平穩信道場景下基于圖像超分辨率的優化導頻實現方法，其特征在于，在離線階段通過DMRS最密導頻圖樣和基于幾何的隨機模型(GBSM)產生非平穩信道的RB數據，通過隨機二維導頻靜音機制和隨機導頻RE/數據RE的功率配比設置下生成導頻維度的信道頻域響應作為訓練集對導頻維度超分辨率卷積神經網絡(Pilot-SRCNN)進行訓練，根據訓練后的Pilot-SRCNN得到高分辨率的信道頻域響應(CFR)，將其插值處理后作為訓練集進一步用于訓練資源塊超分辨率卷積神經網絡(RB-SRCNN)；在在線階段，根據待測RB數據遍歷所有可選的二維導頻靜音機制選擇和導頻RE/數據RE的功率配比并通過訓練后的資源塊超分辨率卷積神經網絡得到待測RB數據的平均均方誤差，當其滿足最大能效標準時，根據該RB數據設置導頻；

所述的Pilot-SRCNN網絡和RB-SRCNN網絡均包括：輸入卷積層、中間卷積層和輸出卷積層。

2.根據權利要求1所述的非平穩信道場景下基于圖像超分辨率的優化導頻實現方法，其特征是，所述的對導頻維度的超分辨率卷積神經網絡進行訓練時，將Pilot-SRCNN的損失函數設置為最小導頻維度的平均均方誤差；

所述的訓練資源塊超分辨率卷積神經網絡，將RB-SRCNN的損失函數設置為最小化RB維度中數據的平均均方誤差。

3.根據權利要求1所述的非平穩信道場景下基于圖像超分辨率的優化導頻實現方法，其特征是，具體包括：

步驟1)通過DMRS最密導頻圖樣和GBSM產生非平穩信道RB數據，通過隨機二維導頻靜音機制和隨機導頻RE/數據RE的功率配比設置下生成導頻維度的信道頻域響應作為訓練集；

步驟2)構建并通過步驟1得到的訓練集對導頻維度超分辨率卷積神經網絡進行訓練，根據訓練后的Pilot-SRCNN得到高分辨率的導頻維度訓練集的信道頻域響應，將其插值處理后生成訓練集進一步用于訓練資源塊超分辨率卷積神經網絡，具體包括：

步驟2.1)構建pilot-SRCNN，其中：輸入卷積層采用64個3×3的卷積核；中間卷積層采用32個1×1的卷積核，并且這兩層都采用線性整流函數(ReLu)作為激活函數；輸出卷積層采用16個5×5的卷積核，損失函數為其中：為導頻維度的訓練數據集，為導頻維度的訓練數據集的數目，H_p為導頻維度的真實CFR，*_F為F-范數，為通過步驟1得到的訓練集，即經過二維導頻靜音機制得到的低精度的導頻維度的CFR，為pilot-SRCNN輸出的高精度的導頻維度的CFR；

步驟2.2)對步驟2.1得到的高精度的導頻維度信道頻域響應依次進行頻域DFT插值和時域高斯插值得到訓練集，具體為：高精度的導頻維度信道時域響應在頻域進行DFT插值操作：在頻域軸將補0至長度為N_sub即然后進行DFT操作再進行高斯插值操作得到RB維度低精度的其中：i_p為導頻在時域軸的符號索引，j_p為導頻在頻域軸的子載波索引，為高斯插值系數；

步驟2.3)構建RB-SRCNN，其中：輸入卷積層采用64個9×9的卷積核；中間卷積層采用32個5×5的卷積核，并且這兩層均采用線性整流函數(ReLu)作為激活函數；輸出卷積層采用3個5×5的卷積核，其損失函數為其中：為RB維度的訓練數據集，為RB維度的訓練數據集的數目，H為RB維度的真實CFR，Ω_ref為最密DMRS配置下的導頻時頻位置的索引集，為步驟2.2得到的訓練集，為RB-SRCNN輸出的高精度的導頻維度的CFR；

步驟3)在在線階段中，遍歷待測RB信道數據的每個二維導頻靜音機制選擇和導頻RE/數據RE的功率配比，通過步驟2訓練后的資源塊超分辨率卷積神經網絡得到每種情況下的RB中的數據RE的平均均方誤差基于獲得的δ_d便可求出每種情況下RB能效。