CN112702288B - 一种低导频开销的水声ofdm通信***信道估计方法 - Google Patents
一种低导频开销的水声ofdm通信***信道估计方法 Download PDFInfo
- Publication number
- CN112702288B CN112702288B CN202011538599.6A CN202011538599A CN112702288B CN 112702288 B CN112702288 B CN 112702288B CN 202011538599 A CN202011538599 A CN 202011538599A CN 112702288 B CN112702288 B CN 112702288B
- Authority
- CN
- China
- Prior art keywords
- channel state
- channel estimation
- matrix
- channel
- pilot frequency
- 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
Links
Images
Landscapes
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明公开了一种低导频开销的水声OFDM通信***信道估计方法,包括以下步骤:S1、计算当前时刻预设导频位置处的信道状态信息;S2、根据所得导频位置处的信道状态信息,预估计信道状态矩阵,得到预估计的信道状态矩阵;S3、将预估计的信道状态矩阵输入到预训练好的信道估计模型,得到当前时刻的信道状态矩阵;其中,所述信道估计模型包括超分辨率模型。本发明通过将部分预设导频位置的信道状态信息估计未知数据位置的信道状态这一问题等效为一个矩阵补全问题,通过构建并训练超分辨率模型作为信道估计模型对预估计的信道状态矩阵进一步精确估计,无需增加导频数量即可进行信道状态的矩阵的精确估计,即能够以较少的导频开销实现精准的信道估计。
Description
技术领域
本发明属于水声无线通信技术领域,更具体地,涉及一种低导频开销的水声OFDM通信***信道估计方法。
背景技术
海洋蕴含着丰富的矿产、生物资源,是人类社会可持续发展的重要战略空间。随着水下待通信节点的指数式增长,对水下通信的可靠性和有效性提出了更高的要求。纵观电磁波、声波、光波等目前主流的水下通信传输媒介,水声是唯一可靠的中长距离水下通信技术。然而,水声信道恶劣且复杂,水声通信面临着多径效应严重、可用带宽窄等严峻的挑战,高速水声通信亟待发展。
正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)技术由于其抗多径效应强和频谱利用率高的优势,为高速水声通信提供了一种极具潜力的思路。OFDM通过化单路高速串行数据为多路低速并行数据,在不影响传输速率的前提下能有效对抗多径干扰;另外,OFDM通过保证子载波之间正交性允许频谱重叠,从而有效提升水声信道的频谱效率。
其中,信道估计是水声OFDM***中不可或缺的重要模块,其对发送端自适应调制与编码和接收端信号检测与恢复均起着至关重要的作用。传统信道估计方法主要分为非盲估计、半盲估计和盲估计三类,非盲估计指借助导频(参考信号)的估计方法,盲估计指通过信号固有特性而无需导频的估计方法,半盲估计则是结合非盲和盲估计的方法。一般来讲,盲估计和半盲估计无需或少需参考信号,能有效降低估计开销,数据传输率高,但计算复杂度较高且估计精度十分有限。因而,目前无线通信主要采用基于导频的非盲信道估计方法。然而,水声信道恶劣且复杂,多径效应和多普勒效应严重,相干带宽和相干时间极短(为保证估计精度,通常在一个相干时间和相干带宽内至少需要***一个导频符号)。传统非盲信道估计方法通过增加导频数量以提升估计精度,在水声信道中将带来严重的导频开销,极大地降低了数据的有效传输速率。因此,如何利用较少的导频开销实现精准的信道估计对水声OFDM***至关重要。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种低导频开销的水声OFDM通信***信道估计方法,其目的在于解决现有技术无法以较少的导频开销实现精准的信道估计的技术问题。
为实现上述目的,第一方面,本发明提供了一种低导频开销的水声 OFDM通信***信道估计方法,包括以下步骤:
S1、计算当前时刻预设导频位置处的信道状态信息;
S2、根据所得导频位置处的信道状态信息,预估计信道状态矩阵,得到预估计的信道状态矩阵;
S3、将预估计的信道状态矩阵输入到预训练好的信道估计模型中,得到当前时刻的信道状态矩阵;
其中,信道估计模型包括超分辨率模型。
进一步优选地,上述信道估计模型的训练方法包括:
采集不同时刻水声OFDM通信***中发送端的发送信号X和接收端的接收信号Y,根据发送信号X和接收端的接收信号Y,计算得到真实水声环境下不同时刻的信道状态矩阵,其中,发送信号X在发送端和接收端均已知;
对所采集的不同时刻的发送信号X,分别计算发送信号X中预设导频位置处的信道状态信息,并根据所得导频位置处的信道状态信息,预估计信道状态矩阵,得到不同时刻预估计的信道状态矩阵;
将不同时刻预估计的信道状态矩阵作为输入,对应的真实水声环境下的信道状态矩阵作为输出,训练信道估计模型,得到预训练好的信道估计模型。
进一步优选地,上述信道估计模型还包括乘法模块和除法模块;乘法模块、超分辨率模型和除法模块依次串联;
乘法模块用于将输入到信道估计模型的数据乘以缩放因子后输出到超分辨率模型中;
除法模块用于将超分辨率模型的输出数据相应的除以缩放因子。
进一步优选地,记预估计的信道状态矩阵的大小为R×C,将预估计的信道状态矩阵中各元素实部和虚部进行分割,得到大小均为R×C的实部矩阵和虚部矩阵;将实部矩阵和虚部矩阵重组得到大小为R×C×2的矩阵,作为信道估计模型的输入。
进一步优选地,超分辨率模型为VDSR模型。
进一步优选地,VDSR模型的激励函数为LReLu函数。
进一步优选地,采用LS算法计算预设导频位置处的信道状态信息。
进一步优选地,根据所得导频位置处的信道状态信息,采用插值算法预估计信道状态矩阵。
进一步优选地,插值算法为三次样条插值算法。
第二方面,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述的低导频开销的水声OFDM通信***信道估计方法。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
1、本发明提供了一种低导频开销的水声OFDM通信***信道估计方法,通过将部分预设导频位置的信道状态信息估计未知数据位置的信道状态这一问题等效为一个矩阵补全问题,通过构建并训练超分辨率模型作为信道估计模型对预估计的信道状态矩阵进一步精确估计,无需增加导频数量即可进行信道状态的矩阵的精确估计,能够以较少的导频开销实现精准的信道估计。
2、本发明所提供的低导频开销的水声OFDM通信***信道估计方法,考虑到水声的信道状态矩阵均为极小数,在输入超分辨率模型之前将输入乘以缩放因子,使得信道估计模型在训练过程中避免梯度消失的问题。
3、由于在水声信道中,信道状态矩阵中的元素为复数,且每个元素中的实部和虚部是息息相关的,共同决定信道的幅值衰减和相位旋转。为了保存信道状态矩阵元素实部和虚部之间固有的内联性,本发明所提供的低导频开销的水声OFDM通信***信道估计方法,将预估计的信道状态矩阵中各元素实部和虚部进行分割,将分割后的两个等大的矩阵进一步重组,沿着第三坐标重组为双通道实数矩阵,以保证在信道估计模型的训练过程中的三维卷积能够同时兼顾到实部和虚部信息。
4、本发明所提供的低导频开销的水声OFDM通信***信道估计方法,将信道估计模型的激励函数优选为LReLu函数,以保证正数和负数均能有效计算梯度,同时避免引入过多的参数导致网络过拟合。
附图说明
图1是本发明实施例1所提供的低导频开销的水声OFDM通信***信道估计方法流程图;
图2是本发明实施例1所提供的将预估计的信道状态矩阵重组为三维矩阵的过程示意图;
图3是本发明实施例1所提供的低导频开销的水声OFDM通信***信道估计过程示意图;
图4是本发明实施例1所提供的水声OFDM通信***信道估计的MSE 性能图;
图5是本发明实施例1所提供的水声OFDM通信***信道估计的BER 性能图。
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。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1、
一种低导频开销的水声OFDM通信***信道估计方法,如图1所示,包括以下步骤:
S1、计算当前时刻预设导频位置处的信道状态信息;
具体的,本实施例采用复杂度较低的LS算法计算当前时刻预设导频位置处的信道状态信息。信道传输矩阵可表示为:
Y=HX+N
最终得到,导频位置信道位置状态粗略估计的结果为
S2、根据所得导频位置处的信道状态信息,预估计信道状态矩阵,得到预估计的信道状态矩阵;
本实施例采用插值算法预估计信道状态矩阵。优选地,本实施例三次样条插值算法预估计信道状态矩阵。
S3、将预估计的信道状态矩阵输入到预训练好的信道估计模型中,得到当前时刻的信道状态矩阵;其中,信道估计模型主要包括超分辨率模型;
具体的,上述信道估计模型的训练方法包括:
采集不同时刻水声OFDM通信***中发送端的发送信号X和接收端的接收信号Y,根据发送信号X和接收端的接收信号Y,计算得到真实水声环境下不同时刻的信道状态矩阵,其中,发送信号X在发送端和接收端均已知;
对所采集的不同时刻的发送信号X,分别计算发送信号X中预设导频位置处的信道状态信息,并根据所得导频位置处的信道状态信息,预估计信道状态矩阵,得到不同时刻预估计的信道状态矩阵;
将不同时刻预估计的信道状态矩阵作为输入,对应的真实水声环境下的信道状态矩阵作为输出,训练信道估计模型,得到预训练好的信道估计模型。
本实施例中,水声OFDM通信***的参数设置为载波频率为16kHz,带宽为4kHz,子载波数量为512个,每一帧包含16个符号(对应信道矩阵的大小为512*16),调制方式为QPSK。本发明生成10000个信道矩阵,其中8000个作为训练集,1000个作为验证集,剩下1000个作为测试集。
优选地,上述信道估计模型还包括乘法模块和除法模块;乘法模块、超分辨率模型和除法模块依次串联;乘法模块用于将输入到信道估计模型的数据乘以缩放因子后输出到超分辨率模型中;除法模块用于将超分辨率模型的输出数据相应的除以缩放因子,以补偿这一影响。由于水声信道状态矩阵均为极小数,均在10-3~10-6之间,在信道估计模型训练过程过程中,极容易带来梯度消失的问题。因此,在训练之前将输入信道估计模型的数据乘以一个缩放因子α,保证模型在训练过程中梯度的计算能够正常进行。
进一步地,由于在水声信道中,信道状态矩阵中的元素为复数,且每个元素中的实部和虚部是息息相关的,共同决定信道的幅值衰减和相位旋转,为了保存信道状态矩阵元素实部和虚部之间固有的内联性,如图2所示,本发明将预估计的信道状态矩阵中各元素实部和虚部进行分割,将分割后的两个等大的矩阵进一步重组,沿着第三坐标重组为双通道实数矩阵,以保证在信道估计模型的训练过程中的三维卷积能够同时兼顾到实部和虚部信息。具体的,记预估计的信道状态矩阵的大小为R×C,将预估计的信道状态矩阵中各元素实部和虚部进行分割后,得到大小均为R×C的实部矩阵和虚部矩阵;将实部矩阵和虚部矩阵重组得到大小为R×C×2的矩阵,作为信道估计模型的输入。
进一步地,本实施例中的信道估计模型优选为性能好、复杂度低且极具代表性的深度残差卷积神经网络,即VDSR模型。另外,在水声信道中,信道状态矩阵中的元素是有正有负的,经典的ReLu激活函数在负半轴为常数0,将阻碍负数在训练过程中的梯度传播。为了保证激活函数的非线性,同时不引入过多的参数导致网络过拟合,本实施例将VDSR模型的激励函数优选为LReLu函数,记为:其中,ai为可调节的梯度值,取值在0-1之间,通常设置为0.2。
具体的,如图3所示,VDSR模型中的神经网络由20个卷积层和19 个LReLu激活函数组成,前19层的卷积核大小均为3×3,卷积核数量为64个。最后一个卷积层作为输出层,卷积核数量为2(对应双通道实数矩阵),也无需激活函数。本发明中损失函数设置为估计得到的信道矩阵和真实信道矩阵之间的均方误差:其中,hi为真实水声环境下的信道状态矩阵中的元素;为预估计的信道状态矩阵中的元素,M为预估计的信道状态矩阵中的元素的个数。
在训练过程中,本实施例缩放因子α设置为10,将初始学习率设置为 0.001。为了加快初期信道估计模型的收敛速度同时避免后期错过最优解,学习率将会在每40次迭代后以0.1的因子衰减。迭代终止条件为100次迭代,但如果连续5次迭代中损失函数均未发生下降,则迭代将提前终止以避免网络过拟合。
为了进一步说明本发明所提出的低导频开销的水声OFDM通信***信道估计方法的效果,下面分别在预设导频个数为2个符号(记为2symbols) 和4个符号(记为4symbols)的条件下,分别采用LS算法、DNN算法和本发明所提供的信道估计方法(记为CSRNet)分别进行信道估计,并分别计算估计出来的信道矩阵与真实信道矩阵之间的均方误差MSE,以及利用估计出来的信道矩阵恢复发送数据时的误码率BER(对于水声OFDM***而言,还原发送数据是信道估计的重要目的),进而得到如图4所示的水声OFDM通信***信道估计的MSE性能图和如图5所示的水声OFDM通信***信道估计的BER性能图。从图4可以看出,与DNN算法(DNN算法的性能已经非常逼近作为性能上限的MMSE算法)相比,在相同的导频数量下,本发明提出的方法总是能取得更低的均方误差,最高可达67.64% (SNR=0dB时)。且与广泛使用的LS算法相比,当导频开销减少50%时,本发明提出的方法仍能获得更低的误差表现,这意味着本发明以更低的导频开销实现了更高的估计精度。而从图5可以看出,与DNN算法相比,本发明提出的方法在恢复发送数据时总能取得更低的误码率。而更值得注意的是,以2个符号作为导频的本发明方法能比4个符号作为导频的LS算法取得更低的BER,最高甚至可达44.74%。也就是说,本发明以更低的导频开销实现了更精准的信号检测。
实施例2、
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如实施例所述的低导频开销的水声OFDM通信***信道估计方法。
相关技术方案同实施例1,这里不做赘述。
本领域的技术人员容易理解,以上所述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 (8)
1.一种低导频开销的水声OFDM通信***信道估计方法,其特征在于,包括以下步骤:
S1、计算当前时刻预设导频位置处的信道状态信息;
S2、根据所述导频位置处的信道状态信息,预估计信道状态矩阵,得到预估计的信道状态矩阵;
S3、将所述预估计的信道状态矩阵输入到预训练好的信道估计模型中,得到当前时刻的信道状态矩阵;所述预估计的信道状态矩阵的大小为R×C,将所述预估计的信道状态矩阵中各元素实部和虚部进行分割,得到大小均为R×C的实部矩阵和虚部矩阵;将所述实部矩阵和所述虚部矩阵重组得到大小为R×C×2的矩阵,作为所述信道估计模型的输入;
其中,所述信道估计模型包括依次串联的乘法模块、超分辨率模型和除法模块;
所述乘法模块用于将输入到所述信道估计模型的数据乘以缩放因子后输出到所述超分辨率模型中;
所述除法模块用于将所述超分辨率模型的输出数据相应的除以所述缩放因子。
2.根据权利要求1所述的低导频开销的水声OFDM通信***信道估计方法,其特征在于,所述信道估计模型的训练方法包括:
采集不同时刻水声OFDM通信***中发送端的发送信号X和接收端的接收信号Y,根据发送信号X和接收端的接收信号Y,计算得到真实水声环境下不同时刻的信道状态矩阵,其中,发送信号X在发送端和接收端均已知;
对所采集的不同时刻的发送信号X,分别计算发送信号X中预设导频位置处的信道状态信息,并根据所得导频位置处的信道状态信息,预估计信道状态矩阵,得到不同时刻预估计的信道状态矩阵;
将所述不同时刻预估计的信道状态矩阵作为输入,对应的真实水声环境下的信道状态矩阵作为输出,训练所述信道估计模型,得到所述预训练好的信道估计模型。
3.根据权利要求1或2所述的信道估计方法,其特征在于,所述超分辨率模型为VDSR模型。
4.根据权利要求3所述的信道估计方法,其特征在于,所述VDSR模型的激励函数为LReLu函数。
5.根据权利要求1或2所述的信道估计方法,其特征在于,采用LS算法计算预设导频位置处的信道状态信息。
6.根据权利要求1或2所述的信道估计方法,其特征在于,根据导频位置处的信道状态信息,采用插值算法预估计信道状态矩阵。
7.根据权利要求6所述的信道估计方法,其特征在于,所述插值算法为三次样条插值算法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7任意一项所述的信道估计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011538599.6A CN112702288B (zh) | 2020-12-23 | 2020-12-23 | 一种低导频开销的水声ofdm通信***信道估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011538599.6A CN112702288B (zh) | 2020-12-23 | 2020-12-23 | 一种低导频开销的水声ofdm通信***信道估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112702288A CN112702288A (zh) | 2021-04-23 |
CN112702288B true CN112702288B (zh) | 2022-03-29 |
Family
ID=75511023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011538599.6A Active CN112702288B (zh) | 2020-12-23 | 2020-12-23 | 一种低导频开销的水声ofdm通信***信道估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112702288B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110048972A (zh) * | 2019-04-24 | 2019-07-23 | 燕山大学 | 一种水声正交频分复用信道估计方法及*** |
CN110263646A (zh) * | 2019-05-21 | 2019-09-20 | 华中科技大学 | 一种基于卷积神经网络的海面弱目标探测方法和*** |
CN111740934A (zh) * | 2020-05-21 | 2020-10-02 | 江苏科技大学 | 一种基于深度学习的水声fbmc通信信号检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2653466C1 (ru) * | 2014-04-30 | 2018-05-08 | Хуавей Текнолоджиз Ко., Лтд. | Способ измерения канала, устройство измерения канала, абонентская станция и система |
CN104184562B (zh) * | 2014-08-20 | 2017-11-10 | 江苏中兴微通信息科技有限公司 | 一种信道状态信息自适应插值重构方法及装置 |
-
2020
- 2020-12-23 CN CN202011538599.6A patent/CN112702288B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110048972A (zh) * | 2019-04-24 | 2019-07-23 | 燕山大学 | 一种水声正交频分复用信道估计方法及*** |
CN110263646A (zh) * | 2019-05-21 | 2019-09-20 | 华中科技大学 | 一种基于卷积神经网络的海面弱目标探测方法和*** |
CN111740934A (zh) * | 2020-05-21 | 2020-10-02 | 江苏科技大学 | 一种基于深度学习的水声fbmc通信信号检测方法 |
Non-Patent Citations (1)
Title |
---|
Yixin Zhang ; Yuzhou Li ; Yu Zhang ; Tao Jiang.Underwater Anchor-AUV Localization Geometries With an Isogradient Sound Speed Profile: A CRLB-Based Optimality Analysis.《IEEE Transactions on Wireless Communications》.2018, * |
Also Published As
Publication number | Publication date |
---|---|
CN112702288A (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Panayirci et al. | Sparse channel estimation for OFDM-based underwater acoustic systems in Rician fading with a new OMP-MAP algorithm | |
CN110149287B (zh) | 基于线性预编码的超奈奎斯特***及其符号估计方法 | |
CN101945066B (zh) | 一种ofdm/oqam***的信道估计方法 | |
CN110266617B (zh) | 超奈奎斯特***的多径信道估计方法 | |
CN111431831B (zh) | 一种基于多维ofdm环境自适应调制方法和*** | |
CN107483373B (zh) | 一种抗多径迭代加权的lmmse信道估计方法及装置 | |
CN109861939B (zh) | 一种oqpsk频域均衡无线数据传输方法 | |
CN113452641B (zh) | 一种fbmc信道估计方法、***、计算机设备、终端 | |
CN107682296A (zh) | 适于fsc的gfdm***高效mmse接收方法及装置 | |
CN102377726B (zh) | Ofdm***的定时同步方法 | |
CN113079122A (zh) | 截断与外推重构多载波信号中导频序列的设计方法 | |
Zhang et al. | Deep residual learning for otfs channel estimation with arbitrary noise | |
Yang et al. | Delay-Doppler frequency domain-aided superimposing pilot OTFS channel estimation based on deep learning | |
CN106911621B (zh) | 一种基于v-ofdm的信道均衡和跟踪方法 | |
CN112702288B (zh) | 一种低导频开销的水声ofdm通信***信道估计方法 | |
CN115426224B (zh) | 一种基于otfs信号的信道估计方法及*** | |
CN109361631B (zh) | 稀疏度未知的水声正交频分复用信道估计方法及装置 | |
CN116319193A (zh) | 一种基于子块传输的gce-bem迭代信道估计方法、***、设备及介质 | |
CN116248444A (zh) | 基于改进卷积神经网络的车联网中otfs***信道估计方法 | |
CN113556305A (zh) | 适用于高频率选择性衰落的fbmc迭代信道均衡方法及*** | |
CN116633734B (zh) | 适用于高阶调制的超奈奎斯特***svd预编码方法 | |
CN114422308B (zh) | 无线信号传输方法、装置、电子设备及存储介质 | |
CN116132224B (zh) | 一种差分水声ofdm信号检测模型的构建方法及应用 | |
Das et al. | Efficient image transmission in uwa channel | |
CN114938321B (zh) | 一种利用数据符号用作参考信号进行信道估计的方法 |
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 |