CN111510402B - 基于深度学习的ofdm信道估计方法 - Google Patents

基于深度学习的ofdm信道估计方法 Download PDF

Info

Publication number
CN111510402B
CN111510402B CN202010171978.XA CN202010171978A CN111510402B CN 111510402 B CN111510402 B CN 111510402B CN 202010171978 A CN202010171978 A CN 202010171978A CN 111510402 B CN111510402 B CN 111510402B
Authority
CN
China
Prior art keywords
channel estimation
model
net
pilot
signal
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.)
Active
Application number
CN202010171978.XA
Other languages
English (en)
Other versions
CN111510402A (zh
Inventor
高明
廖覃明
李靖
潘毅恒
黄凤杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN202010171978.XA priority Critical patent/CN111510402B/zh
Publication of CN111510402A publication Critical patent/CN111510402A/zh
Application granted granted Critical
Publication of CN111510402B publication Critical patent/CN111510402B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04L25/0254—Channel estimation channel estimation algorithms using neural network 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
    • H04L27/2647—Arrangements specific to the receiver only
    • H04L27/2655—Synchronisation arrangements
    • H04L27/2689—Link with other circuits, i.e. special connections between synchronisation arrangements and other circuits for achieving synchronisation
    • H04L27/2695—Link with other circuits, i.e. special connections between synchronisation arrangements and other circuits for achieving synchronisation with channel estimation, e.g. determination of delay spread, derivative or peak tracking

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)

Abstract

本发明公开了一种基于深度学习的OFDM信道估计方法，主要解决现有技术信道估计质量差或实现复杂度太高的问题。其方案为：在接收端，获取时域信号y并进行预处理，得到接收信号导频位置的频域信号YP；利用全连接层神经网络搭建信道估计模型CE‑Net，并对其训练；利用现实环境的数据进行迁移训练；将CE‑Net置于接收端，用于线上的信道估计。本发明降低了信道估计的实现复杂度，显著地提高了信道估计质量，可用于梳状导频模式下的OFDM通信***。

Description

基于深度学习的OFDM信道估计方法
技术领域
本发明属于通信技术领域，具体涉及一种正交频分复用OFDM***中的信道估计方法，可用于基于梳状导频的正交频分复用OFDM通信***。
背景技术
OFDM是当前通信***中广泛应用的关键技术之一，实现复杂度低，能够有效地提高频带利用率。在宽带移动通信***中，无线信道通常具有频率选择性和时变特性，信道估计的性能将直接影响接收信号的质量，因此有必要进行动态的信道估计，且保证估计结果的准确性。
考虑目前广泛应用的基于导频的OFDM信道估计，当OFDM***选择梳状导频模式时，信道估计可分为导频位置的信道估计和信道插值。现有关于OFDM信道估计的研究中，导频位置的信道估计原则主要集中于最小二乘LS算法和最小均方误差MMSE算法，信道插值主要集中于线性插值，高斯插值和样条插值。
应用到实际场景中时，基于上述两种原则的信道估计方法在实现复杂度与性能之间难以权衡，且上述插值算法无法跟踪信道变化，因此如何有效改进现有的信道估计方法，使其更好的适应于工程应用是需要着重考虑的问题。
针对这些问题，论文“基于深度学习的OFDM信道估计”中提出了一种梳状导频模式下OFDM***的信道估计方法。该方法通过全连接层神经网络模块搭建深度神经网络架构DL-CE来模拟信道插值过程。通过离线信道数据对信道估计网络进行迭代训练，能够学习到信道的特征，并追踪信道的变化，使得该方案获得较好的性能改善。但是该方案利用基于LS算法获得导频位置的信道频域响应CFR，作为DL-CE的输入，忽略了基于LS得到的CFR易受噪声影响，并将导频位置的信道估计和信道插值两个过程分开进行，没有考虑到接收的导频信号和发射的导频信号之间存在的线性关系，提高了算法复杂度，因此该方案仍然存在性能不足和算法复杂度较高的问题。此外，专利申请号为CN201910057264的“一种人工智能辅助的OFDM接收机”被提出。该方法通过在传统OFDM接收机结构中引入人工智能算法，取代信道估计、信号检测及QAM解映射三个模块。其中取代信道估计模块的人工智能算法是利用深度神经网络对信道特征进行学习,改善信道估计的性能，并且可以根据实际需求选择合适的网络结构，对实际信道环境具有很强的适应性。但是该方案采用的是块状导频模式，适用于慢衰落信道，没有考虑到快衰落信道的时变特性。因此在快衰落信道的应用场景下，该方案难以适用。
发明内容
本发明的目的在于针对上述现有技术存在的缺陷，提出一种基于全连接深度神经网络FC-DNN的OFDM信道估计方法，在保证算法复杂度较低的前提下，提高信道估计精度，并且可以应用到快衰落信道场景中。
本发明的技术思路是：通过全连接层FC神经网络搭建一个全连接深度神经网络FC-DNN的信道估计模型，称之为CE-Net。通过对模型CE-Net的数据训练，使得模型的输入对应的输出与该输入对应的标签数据之间的均方误差最小化；将已训练的信道估计模型CE-Net部署在发射端或接收端以用于线上测试。
根据上述技术思路，一种基于深度学习的OFDM信道估计方法，包括如下步骤：
(1)用接收端接收时域信号y并进行预处理，得到接收信号导频位置的频域信号YP；
(2)利用全连接层神经网络搭建信道估计模型CE-Net：
(2a)信道估计模型CE-Net包含一个输入层、多个隐藏层以及一个输出层；
(2b)将接收信号导频位置的频域信号YP作为模型的输入，模型的输出是对真实信道向量H的估计向量
Figure BDA0002409496410000021
(3)利用样本数据训练信道估计模型CE-Net以获取模型参数：
(3a)利用Matlab软件仿真平台产生由时域接收信号y组成的输入样本集，及其对应的真实信道向量H组成的标签样本集，按照步骤(1)中描述的方式对输入样本集进行预处理，以获得由接收信号导频位置的频域信号YP及其对应的真实信道向量H组成的样本数据；
(3b)将信道估计向量
Figure BDA0002409496410000022
与真实信道向量H之间的均方误差函数作为信道估计模型CE-Net的代价函数，利用样本数据对模型进行线下训练，使得代价函数最小化，得到模型参数，即权重W、偏置b；将W、b输入到模型中，以获得训练好的信道估计模型CE-Net；
(4)将从现实环境中挑选的接收信号导频位置的频域信号以及对应的信道向量组成的样本集作为目标域数据，对训练好的信道估计模型CE-Net进行迁移训练，调整信道估计模型CE-Net的参数；
(5)用步骤(4)得到的信道估计模型CE-Net对线上信道进行估计：
(5a)将步骤(4)得到的信道估计模型置于接收端；
(5b)在线上测试或使用过程中，接收端按照步骤(1)中描述的方式获取某一个接收信号导频位置的频域信号YP输入到模型，以获得信道估计向量
Figure BDA0002409496410000023
进一步地，(1)所述的接收端接收时域信号y并进行预处理，并得到接收信号导频位置的频域信号YP，其实现如下：
(1a)接收端获取时域接收信号y，对y依次进行去除循环前缀CP、离散傅里叶变换DFT，得到频域接收信号
Figure BDA0002409496410000024
其中C表示复数的集合，Nc为子载波数量，所述频域接收信号Y包含导频位置的信息YP和数据位置的信息YD；
(1b)设导频数量为NP＝Nc/DP，其中Nc为子载波数量，DP为导频间隔；由于导频位置以及导频值为发送端和接收端事先已知，设导频值均为复数v，则根据已知的导频位置在频域接收信号Y中提取导频位置的频域接收信号
Figure BDA0002409496410000025
进一步地，(2a)中所述信道估计模型CE-Net的结构如下：
信道估计模型CE-Net包含一个输入层、多个隐藏层以及一个输出层；
输入层和第一层隐藏层均由2NP个神经元组成，其中NP为导频数量；输出层由2Nc个神经元组成，其中Nc为子载波数量。
进一步地，第一层隐藏层的激活函数采用Sigmoid函数；其余层的激活函数均采用线性Linear函数，以加快网络收敛速度。
进一步地，(3b)中的均方误差函数，表示如下：
Figure BDA0002409496410000031
其中W和b分别代表模型CE-Net参数中的权重和偏置，‖·‖2是欧几里得范数，T为训练集的样本数量，Ht和
Figure BDA0002409496410000032
分别为训练集中第t个输入
Figure BDA0002409496410000033
对应的期望输出和实际输出，表示为：
Figure BDA0002409496410000034
式中fmodel表示信道估计模型CE-Net，W和b分别表示模型参数中的权重和偏置。
进一步地，(4)中从现实环境中挑选的接收信号导频位置的频域信号以及对应的信道向量组成的样本集作为目标域数据包括：
根据相似度度量方法，计算现实环境下接收信号导频位置的频域信号与仿真环境下接收信号导频位置的频域信号的相似度，将相似度高于设定阈值的现实环境中挑选的接收信号导频位置的频域信号以及对应的信道向量挑选出来组成样本集，作为目标域数据。
本发明与现有技术相比，具有以下有益效果：
1、本发明利用全连接层神经网络搭建信道估计模型CE-Net，将导频位置的信道估计和信道插值两个分而治之的子过程联合进行，通过数据驱动模型CE-Net，使得其充分的学习信道特征，且工程实施时无需获取信道先验信息。相比于基于DL-CE的信道估计技术，在相同信噪比的情况下，CE-Net的计算复杂度较低，且能获得更高的信道估计质量。相比于人为固定插值算法的基于LS的信道估计技术，在相同信噪比的情况下，CE-Net能够获得更小的估计误差，从而显著提升信道估计的质量。仿真结果表明，在算法复杂度较低的前提下，本发明相比于现有技术可以显著提高信道估计的质量。
2、本发明通过迁移学习将仿真环境数据训练得到的知识迁移到现实环境中，通过现实环境下的数据对网络模型进行微调，可以进一步提高本发明信道估计模型的信道估计质量。
附图说明
图1为本发明的实现流程框图；
图2为本发明中使用的梳状导频结构图；
图3为一种CE-Net网络架构示例图；
图4为CE-Net与几种现有技术信道估计质量对比结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图以及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种基于深度学习的OFDM信道估计方法。图1为本发明的实现流程框图。下面通过具体实施例来进行说明。
实施例一：
本实例OFDM通信***使用梳状导频模式，如图2所示，子载波数量设置为Nc，发射端等间隔***导频，间隔设置为DP，信道快变，且发射端和接收端都只使用一根天线。
步骤1，接收端获取时域接收信号y并进行预处理，得到导频位置的频域接收信号YP。
1a)接收端获取时域接收信号y，对y依次进行去除循环前缀CP、离散傅里叶变换DFT，得到频域接收信号
Figure BDA0002409496410000041
其中C表示复数的集合，Nc为子载波数量，所述频域接收信号Y包含导频位置的信息YP和数据位置的信息YD；
1b)设导频数量为NP＝Nc/DP，其中Nc为子载波数量，DP为导频间隔。由于导频位置以及导频值为发送端和接收端事先已知，设导频值均为复数v，则根据已知的导频位置在频域接收信号Y中提取导频位置的频域接收信号
Figure BDA0002409496410000042
步骤2，利用全连接层神经网络搭建信道估计模型CE-Net。
2a)信道估计模型CE-Net包含一个模型包含一个输入层、多个隐藏层以及一个输出层；
如图3所示是包含三个隐藏层的信道估计模型CE-Net示例。输入层和第一个隐藏层均由2NP个神经元组成，其中NP为导频数量；输出层、第二层隐藏层和第三层隐藏层均由2Nc个神经元组成，其中Nc为子载波数量。考虑输入数据为复数，其实部与虚部都是可正可负，为了避免影响输入数据的原始分布，以及模型训练过程中的神经元死亡情况，因此第一层隐藏层的激活函数采用Sigmoid函数；其余层的激活函数均采用线性Linear函数，以加快网络收敛速度。在具体实施中，实施者可以根据实施情况加深网络深度，提高网络泛化能力。
2b)将接收信号导频位置的频域信号YP作为模型的输入，模型的输出是对真实信道向量H的估计向量
Figure BDA0002409496410000043
考虑上述参数均为复数，模型在输入前以及输出后都需对向量进行变形操作：将YP的实部与虚部叠加得到
Figure BDA0002409496410000044
作为模型的输入，即
Figure BDA0002409496410000045
其中R表示实数的集合，Real[]、Image[]分别表示括号内变量的实部与虚部；由(2a)可知，输出层的维度设置为2Nc，设模型的输出为
Figure BDA0002409496410000046
则
Figure BDA0002409496410000047
作为对真实信道向量H的估计向量，其中i为虚数的单位。
步骤3，利用样本数据训练信道估计模型CE-Net以获取模型参数。
3a)根据本实例所设的OFDM通信***，利用Matlab软件仿真平台产生由时域接收信号y组成的输入样本集，及其对应的真实信道向量H组成的标签样本集，按照步骤(1)中描述的方式对输入样本集依次去除循环前缀、DFT和根据导频位置取值操作，以获得由接收信号导频位置的频域信号YP及其对应的真实信道向量H组成的样本数据；按8:1:1的比例将样本数据依次分成训练集、验证集和测试集，其中YP及其对应的H分别作为模型的输入和该输入对应的期望输出；
3b)将信道估计向量
Figure BDA0002409496410000048
与真实信道向量H之间的均方误差函数作为信道估计模型CE-Net的代价函数，表示为：
Figure BDA0002409496410000049
其中W和b分别代表模型CE-Net参数中的权重和偏置，‖·‖2是欧几里得范数，T为训练集的样本数量，Ht和
Figure BDA00024094964100000410
分别为训练集中第t个输入
Figure BDA00024094964100000411
对应的期望输出和实际输出，表示为：
Figure BDA00024094964100000412
式中fmodel表示信道估计模型CE-Net，W和b分别表示模型参数中的权重和偏置；
为了降低代价函数，采用Adam优化算法,将信道估计模型CE-Net进行线下的训练，即将CE-Net遍历训练集，使得代价函数最小化，得到模型参数，即权重W与偏置b。将W和b输入到模型中，以获得训练好的信道估计模型；
在训练过程中，根据信道估计模型CE-Net在验证集上的性能来调整模型的超参数，使得CE-Net在验证集上获得最优性能；在测试过程中，测试集可以评估训练好的模型的性能。
至此，获得了根据仿真数据训练的信道估计模型。然而，由于仿真环境下的数据是根据计算模型模拟出来的，与现实环境下的数据存在一定差异，因此，如果直接将仿真环境下的训练结果应用于现实环境中的数据，往往会出现估计结果偏差。如果直接采用现实环境下的数据作为样本集，短时间内无法获取大量的样本用于训练模型。因此，本发明基于迁移学习思想搭建仿真与现实的桥梁，将仿真环境下样本集训练得到的知识迁移至现实环境下，使得信道估计模型在现实环境下具有更高的估计准确度。
步骤4，将从现实环境中挑选的接收信号导频位置的频域信号以及对应的信道向量组成的样本集作为目标域数据，对训练好的信道估计模型CE-Net进行迁移训练，调整信道估计模型CE-Net的参数。
具体地，根据相似度度量方法，计算现实环境下接收信号导频位置的频域信号与仿真环境下接收信号导频位置的频域信号的相似度，将相似度高于设定阈值的现实环境中挑选的接收信号导频位置的频域信号以及对应的信道向量挑选出来组成样本集，作为目标域数据。实施者可以根据需求选择合适的设定阈值以及相似度度量方法，一种实施方式是采用欧式距离来进行相似度度量，以此来挑选目标域数据。另外，由于隐藏层的输出可以反映输入数据的特征，因此，还可以选取最能表达输入数据特征的隐藏层的输出作为相似度衡量客体，进行相似度度量。
步骤5，用步骤4得到的信道估计模型CE-Net对线上信道进行估计。
5a)将步骤4得到的信道估计模型置于接收端；
5b)在线上测试或使用过程中，接收端按照步骤(1)中描述的方式获取某一个接收信号导频位置的频域信号
Figure BDA0002409496410000051
再根据(2b)中描述的向量变形操作，将YP的实部虚部拉直重组为一个2NP维向量输入模型，以获得信道估计向量
Figure BDA0002409496410000052
以下结合实验，对本发明的技术效果进行说明。
本发明的仿真实验是在运行***Intel(R)Core(TM)i5-8400 [email protected]，64位Windows操作***以及Ubuntu16.04的Linux操作***的硬件平台进行，仿真软件采用MATLAB。本发明与现有传统技术的仿真采用瑞利多径信道，发射端与接收端均只使用一根天线，且该16QAM OFDM***采用梳状导频模式，子载波数量设置为128，循环前缀长度设置为16，发射端等间隔***导频，间隔设置为8。对于现有技术中参数设置均是其发明的默认参数选择，仿真实验中的所有信道均为平坦快衰落信道。
在上述仿真环境下，应用本发明信道估计模型CE-Net和现有技术在工程中应用广泛的基于LS的信道估计技术以及基于LS的DFT信道估计技术，其中对信道估计向量
Figure BDA0002409496410000053
与真实信道向量H之间的归一化均方误差NMSE进行仿真对比，结果如图4。
图4中NN为本发明模型CE-Net的性能曲线，LS-linear、LS-spline、LS-linear-DFT、LS-spline-DFT为现有传统技术的性能曲线，其中Signal-to-Noise-Ratio代表信噪比，即SNR，单位为dB，Normalized Mean-Square-Error代表信道估计向量
Figure BDA0002409496410000061
与真实信道向量H之间的归一化均方误差，单位为dB。从图4可见，本发明和现有传统技术的NMSE都随着SNR的增加而随之降低；且在不同SNR下，本发明的NMSE均低于现有传统技术，从而本发明能够显著地提升信道估计的质量。
进一步地，将基于LS的DFT信道估计技术的性能曲线作为基线，依次与本发明和基于DL-CE的信道估计技术进行仿真性能对比。本发明的性能曲线NN与LS-linear-DFT在NMSE相同的情况下，SNR差距一直保持在4.8dB至5.9dB；而DL-CE的性能曲线与DFT在NMSE相同的情况下，SNR差距一直保持在2.5dB至5.5dB；由此可见，与基于DL-CE的信道估计技术相比，本发明的计算复杂度较低，且能获得更高的信道估计质量的提升。而且，由于本发明采用现实环境的样本数据对信道估计模型进行了迁移训练，与现有技术中的几种信道估计模型相比，在现实环境下的接收端信道估计中，信道估计向量之间的误差更小，本发明的方法信道估计质量更高。
以上实施例仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于深度学习的OFDM信道估计方法，其特征在于，包括如下步骤：
(1)用接收端接收时域信号y并进行预处理，得到接收信号导频位置的频域信号YP；
(2)利用全连接层神经网络搭建信道估计模型CE-Net：
(2a)信道估计模型CE-Net包含一个输入层、多个隐藏层以及一个输出层；
(2b)将接收信号导频位置的频域信号YP作为模型的输入，模型的输出是对真实信道向量H的估计向量
Figure FDA0002409496400000011
(3)利用样本数据训练信道估计模型CE-Net以获取模型参数：
(3a)利用Matlab软件仿真平台产生由时域接收信号y组成的输入样本集，及其对应的真实信道向量H组成的标签样本集，按照步骤(1)中描述的方式对输入样本集进行预处理，以获得由接收信号导频位置的频域信号YP及其对应的真实信道向量H组成的样本数据；
(3b)将信道估计向量
Figure FDA0002409496400000012
与真实信道向量H之间的均方误差函数作为信道估计模型CE-Net的代价函数，利用样本数据对模型进行线下训练，使得代价函数最小化，得到模型参数，即权重W、偏置b；将W、b输入到模型中，以获得训练好的信道估计模型CE-Net；
(4)将从现实环境中挑选的接收信号导频位置的频域信号以及对应的信道向量组成的样本集作为目标域数据，对训练好的信道估计模型CE-Net进行迁移训练，调整信道估计模型CE-Net的参数；
(5)用步骤(4)得到的信道估计模型CE-Net对线上信道进行估计：
(5a)将步骤(4)得到的信道估计模型置于接收端；
(5b)在线上测试或使用过程中，接收端按照步骤(1)中描述的方式获取某一个接收信号导频位置的频域信号YP输入到模型，以获得信道估计向量
Figure FDA0002409496400000013
2.根据权利要求1所述的方法，其特征在于，(1)所述的接收端接收时域信号y并进行预处理，并得到接收信号导频位置的频域信号YP，其实现如下：
(1a)接收端获取时域接收信号y，对y依次进行去除循环前缀CP、离散傅里叶变换DFT，得到频域接收信号
Figure FDA0002409496400000014
其中C表示复数的集合，Nc为子载波数量，所述频域接收信号Y包含导频位置的信息YP和数据位置的信息YD；
(1b)设导频数量为NP＝Nc/DP，其中Nc为子载波数量，DP为导频间隔；由于导频位置以及导频值为发送端和接收端事先已知，设导频值均为复数v，则根据已知的导频位置在频域接收信号Y中提取导频位置的频域接收信号
Figure FDA0002409496400000015
3.根据权利要求1所述的方法，其特征在于，(2a)中所述信道估计模型CE-Net的结构如下：
信道估计模型CE-Net包含一个输入层、多个隐藏层以及一个输出层；
输入层和第一层隐藏层均由2NP个神经元组成，其中NP为导频数量；输出层由2Nc个神经元组成，其中Nc为子载波数量。
4.根据权利要求3所述的方法，其特征在于，所述第一层隐藏层的激活函数采用Sigmoid函数；其余层的激活函数均采用线性Linear函数，以加快网络收敛速度。
5.根据权利要求1所述的方法，其特征在于，(3b)中的均方误差函数，表示如下：
Figure FDA0002409496400000021
其中W和b分别代表模型CE-Net参数中的权重和偏置，‖·‖2是欧几里得范数，T为训练集的样本数量，Ht和
Figure FDA0002409496400000022
分别为训练集中第t个输入
Figure FDA0002409496400000023
对应的期望输出和实际输出，表示为：
Figure FDA0002409496400000024
式中fmodel表示信道估计模型CE-Net，W和b分别表示模型参数中的权重和偏置。
6.根据权利要求1所述的方法，其特征在于，(4)中从现实环境中挑选的接收信号导频位置的频域信号以及对应的信道向量组成的样本集作为目标域数据包括：
根据相似度度量方法，计算现实环境下接收信号导频位置的频域信号与仿真环境下接收信号导频位置的频域信号的相似度，将相似度高于设定阈值的现实环境中挑选的接收信号导频位置的频域信号以及对应的信道向量挑选出来组成样本集，作为目标域数据。
CN202010171978.XA 2020-03-12 2020-03-12 基于深度学习的ofdm信道估计方法 Active CN111510402B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010171978.XA CN111510402B (zh) 2020-03-12 2020-03-12 基于深度学习的ofdm信道估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010171978.XA CN111510402B (zh) 2020-03-12 2020-03-12 基于深度学习的ofdm信道估计方法

Publications (2)

Publication Number Publication Date
CN111510402A CN111510402A (zh) 2020-08-07
CN111510402B true CN111510402B (zh) 2021-08-27

Family

ID=71875781

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010171978.XA Active CN111510402B (zh) 2020-03-12 2020-03-12 基于深度学习的ofdm信道估计方法

Country Status (1)

Country Link
CN (1) CN111510402B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112866150B (zh) * 2021-01-13 2024-05-17 上海复旦通讯股份有限公司 一种无线信道特征提取与降维方法及***
CN112953862A (zh) * 2021-02-07 2021-06-11 哈尔滨工程大学 一种基于深度学习的高速铁路场景信道估计方法
CN117099330A (zh) * 2021-04-15 2023-11-21 Oppo广东移动通信有限公司 数据增强的方法、接收机及存储介质
EP4362404A1 (en) * 2021-06-22 2024-05-01 Beijing Xiaomi Mobile Software Co., Ltd. Channel estimation method, channel estimation apparatus, and storage medium
CN113572708B (zh) * 2021-06-30 2023-03-14 西安电子科技大学 一种dft信道估计改进方法
CN113824658B (zh) * 2021-09-22 2023-06-20 西华大学 一种ofdm***中采用dnsp方案的深度迁移学习信道估计方法
CN114006794B (zh) * 2021-10-09 2022-11-25 苏州大学 基于复数值神经网络的信道估计方法及***
CN114172765B (zh) * 2021-12-03 2023-07-07 中国信息通信研究院 一种无线通信人工智能信道估计方法和设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108390706A (zh) * 2018-01-30 2018-08-10 东南大学 一种基于深度学习的大规模mimo信道状态信息反馈方法
CN108540419A (zh) * 2018-03-21 2018-09-14 东南大学 一种基于深度学习的抗子载波间干扰的ofdm检测方法
CN109412996A (zh) * 2018-12-11 2019-03-01 深圳大学 链路自适应方法、电子装置及计算机可读存储介质
CN109587093A (zh) * 2018-10-30 2019-04-05 东南大学 一种基于级联结构的深度学习网络ofdm信号检测方法
CN109672464A (zh) * 2018-12-13 2019-04-23 西安电子科技大学 基于fcfnn的大规模mimo信道状态信息反馈方法
CN109831399A (zh) * 2019-01-22 2019-05-31 东南大学 一种人工智能辅助的ofdm接收机
CN109831400A (zh) * 2019-03-06 2019-05-31 深兰科技（上海）有限公司 一种正交频分复用ofdm信号接收的方法及设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10911266B2 (en) * 2018-05-18 2021-02-02 Parallel Wireless, Inc. Machine learning for channel estimation
CN110719239B (zh) * 2019-09-29 2022-03-11 东南大学 一种数据模型双驱动的联合mimo信道估计和信号检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108390706A (zh) * 2018-01-30 2018-08-10 东南大学 一种基于深度学习的大规模mimo信道状态信息反馈方法
CN108540419A (zh) * 2018-03-21 2018-09-14 东南大学 一种基于深度学习的抗子载波间干扰的ofdm检测方法
CN109587093A (zh) * 2018-10-30 2019-04-05 东南大学 一种基于级联结构的深度学习网络ofdm信号检测方法
CN109412996A (zh) * 2018-12-11 2019-03-01 深圳大学 链路自适应方法、电子装置及计算机可读存储介质
CN109672464A (zh) * 2018-12-13 2019-04-23 西安电子科技大学 基于fcfnn的大规模mimo信道状态信息反馈方法
CN109831399A (zh) * 2019-01-22 2019-05-31 东南大学 一种人工智能辅助的ofdm接收机
CN109831400A (zh) * 2019-03-06 2019-05-31 深兰科技（上海）有限公司 一种正交频分复用ofdm信号接收的方法及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度学习的OFDM信道估计;廖勇等;《重庆邮电大学学报（自然科学版）》;20190630;第31卷(第3期);第0-4节 *

Also Published As

Publication number Publication date
CN111510402A (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
CN111510402B (zh) 基于深度学习的ofdm信道估计方法
Liao et al. ChanEstNet: A deep learning based channel estimation for high-speed scenarios
CN111404849B (zh) 一种基于深度学习的ofdm信道估计与信号检测方法
CN112600772B (zh) 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法
CN111683024B (zh) 一种基于深度学习的时变ofdm***信道估计方法
KR101992053B1 (ko) 적응적 앙상블 지도학습 기반의 딥 뉴럴 네트워크를 이용한 siso-ofdm 채널 추정 장치 및 그 방법
CN109246038B (zh) 一种数据模型双驱动的gfdm接收机及方法
CN113285899B (zh) 一种基于深度学习的时变信道估计方法及***
CN111614584B (zh) 基于神经网络的变换域自适应滤波信道估计方法
CN111669344B (zh) 一种基于深度学习的时变ofdm***信号检测方法
CN112733811B (zh) 基于改进稠密神经网络的水声信号调制方式类间识别方法
CN110311876A (zh) 基于深度神经网络的水声正交频分复用接收机的实现方法
Zhao et al. Deep Learning-Based channel estimation with SRGAN in OFDM Systems
Qiao et al. A novel signal detection scheme based on adaptive ensemble deep learning algorithm in SC-FDE systems
CN113014524A (zh) 一种基于深度学习的数字信号调制识别方法
Zhao et al. Multi-task learning based underwater acoustic OFDM communications
CN114039821B (zh) 一种宽带mmWave MIMO-OFDM***波束空间信道估计方法
Zhang et al. Deep learning based underwater acoustic OFDM receiver with joint channel estimation and signal detection
Yao et al. Deep learning assisted channel estimation refinement in uplink OFDM systems under time-varying channels
CN112564830B (zh) 一种基于深度学习的双模正交频分复用索引调制检测方法及装置
Li et al. Deep learning-assisted OFDM channel estimation and signal detection technology
CN112636855A (zh) 一种ofdm信号检测方法
CN111726309A (zh) 用于移动正交频分复用***的信道估计方法及其估计装置
CN116248444A (zh) 基于改进卷积神经网络的车联网中otfs***信道估计方法
CN113709075B (zh) 一种利用水声信道多径效应的水声通信接收机的实现方法

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
GR01 Patent grant
GR01 Patent grant