CN110943944A - 一种基于深度学习的ofdm***的信道估计方法 - Google Patents
一种基于深度学习的ofdm***的信道估计方法 Download PDFInfo
- Publication number
- CN110943944A CN110943944A CN201911081998.1A CN201911081998A CN110943944A CN 110943944 A CN110943944 A CN 110943944A CN 201911081998 A CN201911081998 A CN 201911081998A CN 110943944 A CN110943944 A CN 110943944A
- Authority
- CN
- China
- Prior art keywords
- channel estimation
- channel
- network
- estimation network
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0224—Channel estimation using sounding signals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于无线通信领域,涉及一种基于深度学习的OFDM***的信道估计方法。本发明公开了一种基于深度学习的OFDM***的信道估计方法,所述信道估计方法为:利用传统基于导频的信道估计方法,得到信道在导频位置的信道响应;将信道在导频位置的信道响应作为输入,输入到信道估计网络,所述信道估计网络通过模拟传统信道估计方法的插值过程输出导频位置以及数据位置信道响应值,作为信道估计值。本发明体用的信道估计方法可以得到较好的信道估计值,信道估计性能较高。
Description
技术领域
本发明属于无线通信领域,具体涉及一种基于深度学习的OFDM***的信道估计方法。
背景技术
在一个典型的无线通信场景中,信号通过不同的路径到达接收器。接收器同时接收来自多个路径的信号,导致了符号间干扰(ISI),给信号解调带来了很大的困难。OFDM(Orthogonal Frequency Division Multiplexing,正交频分复用技术)由于传输速率高、带宽利用率高、对多径衰落和延迟具有较强的鲁棒性,在许多无线通信***例如数字音频广播(DAB)、数字视频广播(DVB)、无线局域网网络、3GPP长期演进(LTE)、IEEE 802.16宽带无线接入***等有着广泛的应用。当前基于OFDM的***大多要求在接收端进行相干检测,这就需要对信道状态信息(CSI)进行精确估计。
信道估计方案主要有两类:一种不使用导频符号,称为判决引导的方法,另一种使用导频符号。前一类方法可以应用在不适合发送导频的情况下(例如,军事环境中的被动监听)。另一方面,由于接收方是“盲的”,它们需要大量的数据来进行信道估计,而且由于缺乏导频辅助估计,该方法准确率较低,复杂度高。后一类方法可以利用在传输数据***导频的优势,发送发射机和接收机都知道的训练序列,获取导频处信道状态信息。因此,它们可以实现更准确的信道估计,速度更快。基于导频的常见信道估计方法包括最小平方法(LS)和最小均方误差法(MMSE),LS估计算法简单,易于实现,但是忽略了噪声的影响,准确率较低。MMSE估计算法考虑了噪声的影响,估计准确率得到提升,同时算法复杂度也随着采样点数呈指数增长。
为了降低***开销,实际***中只在某些特定的时频资源块上放置导频符号,大部分时频资源块用于数据的传输。因此,数据资源位置的信道状态信息是在获得导频位置信道状态信息的基础上,通过某种插值的方式计算获得,其准确性难以保障。
发明内容
本发明的目的在于提出一种基于深度学习的OFDM***的信道估计方法,该信道估计方法可以得到较好的信道估计值,信道估计性能较高。
本发明采用下述技术方案:
一种基于深度学习的OFDM***的信道估计方法,所述信道估计方法为:利用传统基于导频的信道估计方法,得到信道在导频位置的信道响应;将信道在导频位置的信道响应作为输入,输入到信道估计网络,所述信道估计网络通过模拟传统信道估计方法的插值过程输出导频位置以及数据位置信道响应值,作为信道估计值。
其中,利用传统基于导频的信道估计方法,得到信道在导频位置的信道响应的具体工作过程是:先在少量位置放置导频,利用信道估计算法得到信道状态信息,即,信道在导频位置的信道响应。传统的信道估计过程通过使用固定的插值方法进行数据位置的信道响应估计。而本发明借鉴图像处理领域的超分辨率图像恢复技术,通过一种适用于信道估计的深度神经网络替换传统信道估计方法中的插值过程,来对信道响应进行估计,得到导频位置以及数据位置信道响应值。
所述的信道估计网络为训练完成后的神经网络,所述的信道估计网络的输入与输出的关系如下:
IHR=HNN(ILR;Θ)
其中,ILR为导频位置的信道响应,IHR为导频和数据位置的信道响应,HNN为信道估计网络,Θ为信道估计网络的网络参数。
所述的信道估计网络利用卷积神经网络学习插值的过程,估计输出信道矩阵。
本发明利用传统基于导频的信道估计方法,得到信道在导频位置的信道响应,并将其视为低分辨率图像,通过信道估计网络输出的信道响应估计值视为高分辨率图像。
所述的信道估计网络的网络参数Θ通过优化典型的损失函数确定,所述损失函数选自但不限于L1范数函数,均方误差函数等。
所述的信道估计网络在典型信道模型下进行训练,所述的典型信道模型选自但不限于EPA(Extended Pedestrian A)信道和EVA(Extended Vehicular A)信道,前者可以看成步行场景,后者可以看成在车内场景。
所述的信道估计网络在训练过程中,训练样本为信道数据,并被分为训练集和验证集;所述信道估计网络在训练过程中,训练和验证过程交叉进行,最终获得一个在验证集上性能最好的神经网络作为信道估计网络。
其中,所述信道估计网络在测试过程中,测试数据为一定范围信噪比范围内的信道数据。
与现有技术相比,本发明提供的信道估计方法:一是信道估计网络经过训练后可以学习到噪声分布以及信道统计分布的知识,可以得到较好的信道估计值,信道估计性能较高;在使用LS估计导频位置信道状态信息的情况下,信道估计的均方根误差(MSE)和误码率(BER)均逼近MMSE信道估计方法。二是本发明的信道估计网络模拟的插值过程,比现有的传统插值函数具备更完善的描述能力,对于导频位置信道响应与数据位置的信道响应关系有更好的拟合能力。三是本发明的信道估计网络采用线下训练、线上部署的方式,信道估计的复杂度较小,信道估计性能高。
在本发明提供的信道估计方法中:信道估计网络CENet(channel estimation)对于不同信道模型的信道估计均能获得跟信道真实值相近的信道估计值,并且对同一信道模型不同信噪比下的信道估计具有泛化能力。在未知噪声统计信息的情况下,本发明提供的信道估计网络的信道估计性能逼近需要噪声统计信息的MMSE信道估计方法,在线下训练后,复杂度也比MMSE低。本发明通过深度神经网络结构有效发掘、利用了训练数据中信道统计信息以及噪声分布信息,提升了信道估计性能,改善了传统的插值方法存在的对插值关系的表达不足的缺陷。
附图说明
图1为本发明实施例1中信道估计网络结构图;
图2为本发明实施例1中一次训练过程中验证性能指标变化情况示例;
图3为本发明实施例1中一次训练过程中训练损失函数变化情况示例;
图4为本发明实施例中在LTE-OFDM***EPA信道下,本发明提出的信道估计网络和传统的信道估计的均方根误差(MSE)性能比较;
图5为本发明实施例中在LTE-OFDM***EPA信道下,本发明提出的信道估计网络和传统的信道估计的误码率(BER)性能比较;
图6为本发明实施例中在LTE-OFDM***EVA信道下,本发明提出的信道估计网络和传统的信道估计的均方根误差(MSE)性能比较。
具体实施方式
下面结合附图和实施例,详细描述本发明的具体实施方式。
实施例1
图1给出了本实施例中信道估计网络的结构图,以下将其命名为“CENet”,所述的CENet网络结构如下表:
所述像素重组层(pixel shuffle)的具体操作是通过卷积先得到尺寸为(w,h,2r2)特征图,然后通过张量的重构(reshape)操作,将尺寸为(w,h,2r2)特征图重构输出尺寸为(rw,rh,2)特征图,重构(reshape)操作是卷积神经网络中常用的实现上采样的一种方法,其中r为上采样因子。
像素重组层(pixel shuffle)是将一个H×W的低分辨率输入图像(LowResolution),通过Sub-pixel操作将其变为rH×rW的高分辨率图像(High Resolution);通过卷积先得到r2个通道的特征图(特征图大小和输入低分辨率图像一致),然后通过周期筛选(periodic shuffling)的方法得到这个高分辨率的图像,其中r为上采样因子(upscaling factor),也就是图像的扩大倍率。
本实施例中信道估计网络的损失函数采用L1函数:
其中,IHR,GT为通过信道模型仿真得到的真实信道响应,N为训练数据的大小,Θ为信道估计网络的可学习参数。损失函数优化算法为随机梯度下降算法。
信道估计网络的输入为LS信道估计方法得到的导频处的信道响应低分辨率图像,输出为导频位以及数据位信道响应值的高分辨率图像,信道估计网络的输出值为对信道的完整估计值。
图2为CENet一次训练过程中验证性能指标变化情况示例。可以看到,随着训练轮数的增加,训练模型在验证集的均方误差总体在不断下降,而且在训练轮数较小时,就达到相对小的均方误差性能。
图3为CENet一次训练过程中训练损失函数变化情况示例。可以看到,整个训练过程中,损失函数值均在下降,而且收敛很快,这也进一步说明训练是有效的。
下面通过仿真结果来证明CENet能取得比传统的LS方法更好的性能。实施例达到的技术效果为:
图4为本发明实施例提供的信道估计网络在LTE-OFDM***EPA信道下,本发明提出的信道估计网络和传统的信道估计的均方根误差(MSE)性能比较,仿真条件为:
LTE-OFDM***,信道统计模型为EPA,终端移动速度为3km/h,导频个数为126个,导频结构为矩形;训练数据信噪比为22dB,测试数据信噪比范围为10~35dB,训练数据数为20000个,训练、验证和测试数据划分比例为5:1:1。图4中,坐标纵轴是以matlab坐标的log形式展现,可以看出,本发明提出的CENet的信道估计比传统的LS方法的均方误差小很多,跟MMSE方法的性能接近。
图5为本发明实施例提供的信道估计网络在LTE-OFDM***的EPA信道下,本发明提出的信道估计网络和传统的信道估计的误码率性能比较,其仿真设置与图4相同。可以看到,CENet的信道估计方法得到的误码率与MMSE方法得到的误码率几乎接近,而且比LS方法的误码率小,说明本发明提出的信道估计网络可以学习到训练数据的信道统计、噪声方差等知识,而且对不同信噪比下的信道数据有一定的泛化能力。
图6为本发明实施例提供的信道估计网络在LTE-OFDM***EVA信道下,本发明提出的信道估计网络和传统的信道估计的均方根误差(MSE)性能比较,仿真条件为:LTE-OFDM***,信道统计模型为EVA,终端移动速度为50km/h,导频个数为126个,导频结构为矩形;训练数据信噪比为22dB,测试数据信噪比范围为10~35dB,训练数据数为20000个,训练、验证和测试数据划分比例为5:1:1。图中,坐标纵轴是以matlab坐标的log形式展现,可以看出,本发明提出的CENet的信道估计比传统的最小平方法的均方误差小很多,在信噪比为15dB和20dB时,最小均方根误差比MMSE方法小,其它信噪比下跟最小均方误差法相近。图4和图6为本发明所提出的信道估计网络分别在不同信道模型下训练的信道估计性能,可以看出网络可以通过训练适应不同信道模型的信道估计任务。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于深度学习的OFDM***的信道估计方法,其特征在于,所述信道估计方法为:利用传统基于导频的信道估计方法,得到信道在导频位置的信道响应;将信道在导频位置的信道响应作为输入,输入到信道估计网络,所述信道估计网络通过模拟传统信道估计方法的插值过程输出导频位置以及数据位置信道响应值,作为信道估计值。
2.根据权利要求1所述的基于深度学习的OFDM***的信道估计方法,其特征在于,所述的信道估计网络为训练完成后的神经网络,所述的信道估计网络的输入与输出的关系如下:
IHR=HNN(ILR;Θ)
其中,ILR为导频位置的信道响应,IHR为导频和数据位置的信道响应,HNN为信道估计网络,Θ为信道估计网络的网络参数。
3.根据权利要求2所述的基于深度学习的OFDM***的信道估计方法,其特征在于,所述的信道估计网络利用卷积神经网络学习插值的过程,估计输出信道矩阵。
4.根据权利要求2所述的基于深度学习的OFDM***的信道估计方法,,其特征在于,所述的信道估计网络的网络参数Θ通过优化典型的损失函数确定,比如L1范数函数或均方误差函数。
5.根据权利要求2所述的基于深度学习的OFDM***的信道估计方法,其特征在于,所述的信道估计网络在无线通信典型信道模型下进行训练,比如EPA信道或EVA信道。
6.根据权利要求2所述的基于深度学习的OFDM***的信道估计方法,其特征在于,所述的信道估计网络在训练过程中,训练样本为信道数据,并被分为训练集和验证集;所述信道估计网络在训练过程中,训练和验证过程交叉进行,最终获得一个在验证集上性能最好的神经网络作为信道估计网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911081998.1A CN110943944A (zh) | 2019-11-07 | 2019-11-07 | 一种基于深度学习的ofdm***的信道估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911081998.1A CN110943944A (zh) | 2019-11-07 | 2019-11-07 | 一种基于深度学习的ofdm***的信道估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110943944A true CN110943944A (zh) | 2020-03-31 |
Family
ID=69907416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911081998.1A Pending CN110943944A (zh) | 2019-11-07 | 2019-11-07 | 一种基于深度学习的ofdm***的信道估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110943944A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111565061A (zh) * | 2020-05-28 | 2020-08-21 | 安徽大学 | 一种基于深度神经网络的mimo-scma下行链路通信方法 |
CN111786915A (zh) * | 2020-05-09 | 2020-10-16 | 广州番禺职业技术学院 | 非线性失真条件下基于深度学习的无线通信方法及其*** |
CN112802139A (zh) * | 2021-02-05 | 2021-05-14 | 歌尔股份有限公司 | 一种图像处理方法、装置、电子设备及可读存储介质 |
CN113572709A (zh) * | 2021-07-12 | 2021-10-29 | 华中科技大学 | 一种大规模mimo***中基站端导频辅助信道估计方法和*** |
CN114143145A (zh) * | 2020-12-16 | 2022-03-04 | 华北水利水电大学 | 一种基于深度学习的信道估计方法 |
CN117528573A (zh) * | 2023-11-07 | 2024-02-06 | 北京乾径科技有限公司 | 一种无线网络优化方法、装置、设备和计算机程序产品 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109981498A (zh) * | 2019-03-12 | 2019-07-05 | 上海大学 | 基于超分辨率图像恢复技术的Wi-Fi标准***信道估计方法 |
CN110266620A (zh) * | 2019-07-08 | 2019-09-20 | 电子科技大学 | 基于卷积神经网络的3d mimo-ofdm***信道估计方法 |
-
2019
- 2019-11-07 CN CN201911081998.1A patent/CN110943944A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109981498A (zh) * | 2019-03-12 | 2019-07-05 | 上海大学 | 基于超分辨率图像恢复技术的Wi-Fi标准***信道估计方法 |
CN110266620A (zh) * | 2019-07-08 | 2019-09-20 | 电子科技大学 | 基于卷积神经网络的3d mimo-ofdm***信道估计方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111786915A (zh) * | 2020-05-09 | 2020-10-16 | 广州番禺职业技术学院 | 非线性失真条件下基于深度学习的无线通信方法及其*** |
CN111786915B (zh) * | 2020-05-09 | 2023-03-14 | 广州番禺职业技术学院 | 非线性失真条件下基于深度学习的无线通信方法及其*** |
CN111565061A (zh) * | 2020-05-28 | 2020-08-21 | 安徽大学 | 一种基于深度神经网络的mimo-scma下行链路通信方法 |
CN111565061B (zh) * | 2020-05-28 | 2021-04-02 | 安徽大学 | 一种基于深度神经网络的mimo-scma下行链路通信方法 |
CN114143145A (zh) * | 2020-12-16 | 2022-03-04 | 华北水利水电大学 | 一种基于深度学习的信道估计方法 |
CN114143145B (zh) * | 2020-12-16 | 2023-08-18 | 华北水利水电大学 | 一种基于深度学习的信道估计方法 |
CN112802139A (zh) * | 2021-02-05 | 2021-05-14 | 歌尔股份有限公司 | 一种图像处理方法、装置、电子设备及可读存储介质 |
CN113572709A (zh) * | 2021-07-12 | 2021-10-29 | 华中科技大学 | 一种大规模mimo***中基站端导频辅助信道估计方法和*** |
CN117528573A (zh) * | 2023-11-07 | 2024-02-06 | 北京乾径科技有限公司 | 一种无线网络优化方法、装置、设备和计算机程序产品 |
CN117528573B (zh) * | 2023-11-07 | 2024-06-07 | 北京乾径科技有限公司 | 一种无线网络优化方法、装置、设备和计算机程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110943944A (zh) | 一种基于深度学习的ofdm***的信道估计方法 | |
CN103441967B (zh) | 基于基扩展模型的ofdm***信道估计与信号检测方法 | |
CN113285899B (zh) | 一种基于深度学习的时变信道估计方法及*** | |
Zhao et al. | Deep Learning-Based channel estimation with SRGAN in OFDM Systems | |
CN101945066A (zh) | 一种ofdm/oqam***的信道估计方法 | |
CN103107969A (zh) | 一种快变ofdm***的渐进迭代时变信道估计和ici消除方法 | |
CN112215335B (zh) | 一种基于深度学习的***检测方法 | |
WO2002063844A1 (en) | Method and apparatus for semi/blind communication channel estimation | |
CN109194594B (zh) | 一种基于连续载波聚合的相位噪声抑制方法 | |
Shen et al. | Joint channel estimation and decoding design for 5G-enabled V2V channel | |
CN108881080B (zh) | 一种基于滑动窗与深度学习的ofdm抗ici检测方法 | |
Liao et al. | BEM-based channel estimation and interpolation methods for doubly-selective OFDM channel | |
CN116132239A (zh) | 采用预激活残差单元和超分辨网络的ofdm信道估计方法 | |
CN102833191A (zh) | 一种信噪比估计方法与装置 | |
CN111555990A (zh) | 基于长短时记忆残差网络的信道插值估计方法 | |
CN106850471A (zh) | 一种利用加权虚拟导频的时频域联合插值信道估计方法 | |
CN101895309A (zh) | 一种基于信噪比估计的频偏调整方法 | |
CN103607231B (zh) | 高速移动环境下利用多天线的快速波束切换方法 | |
CN107592276B (zh) | 超高速移动环境lte-v2v信道估计与均衡方法 | |
CN111817990B (zh) | Ofdm***中基于最小均方误差的一种信道估计改进算法 | |
CN104468426A (zh) | Lte上行信道估计方法及*** | |
CN101001223A (zh) | 提高无线移动通信中信道估计精度的盲方法 | |
CN114143146B (zh) | 一种基于图信号方法的ofdm***信道估计***和方法 | |
CN110996133A (zh) | 一种用于无人机的视频信号传输方法 | |
CN104836771A (zh) | 快衰信道部分相干检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200331 |
|
WD01 | Invention patent application deemed withdrawn after publication |