CN112787962B - 基于导频参考信号的信道时域特征提取方法及*** - Google Patents
基于导频参考信号的信道时域特征提取方法及*** Download PDFInfo
- Publication number
- CN112787962B CN112787962B CN202011584723.2A CN202011584723A CN112787962B CN 112787962 B CN112787962 B CN 112787962B CN 202011584723 A CN202011584723 A CN 202011584723A CN 112787962 B CN112787962 B CN 112787962B
- Authority
- CN
- China
- Prior art keywords
- channel
- time domain
- impulse response
- reference signal
- algorithm
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 24
- 230000004044 response Effects 0.000 claims abstract description 61
- 238000004891 communication Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000007635 classification algorithm Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 38
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 abstract description 2
- 210000002569 neuron Anatomy 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000004579 scanning voltage microscopy Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- H04L25/0212—Channel estimation of impulse response
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明提供了一种基于导频参考信号的信道时域特征提取方法及***,包括:步骤M1:根据通信接收机接收到的频域基带信号对导频参考信号处的信道冲击响应进行估计;步骤M2:根据通信接收机接收到的频域基带信号对数字子载波处的信道冲击响应进行估计;步骤M3:将导频参考信号处的信道冲击响应和数字子载波处的信道冲击响应从频域转换为时域,并进行时域特征提取;步骤M4:将信道中时域特征通过信道分类算法对信道环境进行识别和分类。本发明通过时域特征提取模块,可以将信道的冲击响应从频域变化时域,最后再送入信道分类算法模块,从而完成对通信收发信机所处的信道环境进行识别和分类。
Description
技术领域
本发明涉及信道分类领域,具体地,涉及一种基于导频参考信号的信道时域特征提取方法及***,更为具体地,涉及导频参考信号的特征提取方法和信道分类感知方法。
背景技术
由于无线通信中信道环境复杂多变,信号传输过程受到周边复杂的物理环境影响,导致不同信道场景下的信号在能量、功率和时延以及信道响应等方面具有明显的差异性。因此为实现通信环境的智能感知,本发明将研究重点集中在基于导频参考信号的特征提取和信道分类方法上。
信号特征提取方法主要有时频域特征如时延与频偏匹配度特征,高阶统计量、循环平稳特性、小波变换提取信号各阶分量的能量比等;基于DNN或CNN神经网络训练学习特征进行识别。神经网络是通过深层网络自动学习数据或样本的特征,避免了节点在线提取特征的过程,将复杂的信息提取过程转移到离线的网络训练中,避免了人为提取特征设定参数的影响,识别准确率较高,性能优势较为显著。本发明拟采用的特征提取是将接收信号中的导频参考信号与本地参考序列进行互相关,并进行归一化、增益合并、截取等操作。
将通过特征提取后的数据利用机器学习方法进行分类训练,从而在新环境下,可以对无线通信收发信机所处的物理环境进行感知。拟采用的方法有KNN,CNN,SVM,随机森林等。现有的典型的信道模型有:低空信道、城市信道、乡村信道和山区信道模型。根据分类得到的信道模型,通过改变***调制阶数与调制模式等决策库进行通信***调整。
专利文献CN101997790A(申请号:200910057756.9)公开了一种基于时域导频序列的信道估计装置,包括:分离器,信道信息估计单元,时域导频循环利用控制单元,步长自适应单元,时域自适应滤波器,加法器,时域插值单元;根据估计出的信道变化的快慢自动调整时域自适应滤波器的抽头更新步长;估计出时域导频序列的信道响应;利用时域导频循环利用控制单元产生的时域导频序列,和时域自适应滤波器输出的抽头滤波求和运算结果相减得到估计误差,并作为时域自适应滤波器的抽头更新的误差;恢复出当前帧的信道响应值。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于导频参考信号的信道时域特征提取方法及***。
根据本发明提供的一种基于导频参考信号的信道时域特征提取方法,包括:
步骤M1:根据通信接收机接收到的频域基带信号对导频参考信号处的信道冲击响应进行估计;
步骤M2:根据通信接收机接收到的频域基带信号对数字子载波处的信道冲击响应进行估计;
步骤M3:将导频参考信号处的信道冲击响应和数字子载波处的信道冲击响应从频域转换为时域,并进行时域特征提取,得到信道的时域特征;
步骤M4:将信道中时域特征通过信道分类算法对信道环境进行识别和分类。
优选地,所述步骤M2包括:根据通信接收机接收到的频域基带信号,通过内插和/或滤波方法对数字子载波处的信道冲击响应进行估计。
优选地,所述步骤M3包括将导频参考信号处的信道冲击响应和数字子载波处的信道冲击响应通过包括快速傅里叶变换、离散余弦变换或小波变换从频域转换为时域。
优选地,所述步骤M3中时域特征提取包括:将时域进行包括归一化、增益合并和截取操作。
优选地,所述步骤M4中信道分类算法包括KNN算法、SVM算法、随机森林算法、神经网络算法或CNN算法。
根据本发明提供的一种基于导频参考信号的信道时域特征提取***,包括:
模块M1:根据通信接收机接收到的频域基带信号对导频参考信号处的信道冲击响应进行估计;
模块M2:根据通信接收机接收到的频域基带信号对数字子载波处的信道冲击响应进行估计;
模块M3:将导频参考信号处的信道冲击响应和数字子载波处的信道冲击响应从频域转换为时域,并进行时域特征提取,得到信道的时域特征;
模块M4:将信道中时域特征通过信道分类算法对信道环境进行识别和分类。
优选地,所述模块M2包括:根据通信接收机接收到的频域基带信号,通过内插和/或滤波方法对数字子载波处的信道冲击响应进行估计。
优选地,所述模块M3包括将导频参考信号处的信道冲击响应和数字子载波处的信道冲击响应通过包括快速傅里叶变换、离散余弦变换或小波变换从频域转换为时域。
优选地,所述模块M3中时域特征提取包括:将时域进行包括归一化、增益合并和截取操作。
优选地,所述模块M4中信道分类算法包括KNN算法、SVM算法、随机森林算法、神经网络算法或CNN算法。
与现有技术相比,本发明具有如下的有益效果:
1、本发明通过时域特征提取后可以有效的恢复信道特征;
2、本发明可以将建模数据或采集到的真实环境数据进行分类训练,通过信道分类模块后可以有效的得到信道信息。
3、本发明通过时域特征提取模块,可以将信道的冲击响应从频域变化时域,最后再送入信道分类算法模块,从而完成对通信收发信机所处的信道环境进行识别和分类。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为信道特征提取过程示意图;
图2为导频模式示意图;
图3为发端参考信号的频域示意图;
图4为归一化后的信道时域冲击响应;
图5为收端过信道后参考信号的频域示意图;
图6为过信道后估计出的冲击响应示意图;
图7为导频1模式下不同子载波估计出的冲击响应示意图;
图8为导频2模式下不同子载波估计出的冲击响应示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1
一种基于导频参考信号的信道时域特征提取方法,它是属于无线信道的分类,该方法主要基于已知的导频参考信号,通过未知信道后与本地序列进行互相关后得到的时域信道响应,并进行截断后得到信道相关特征的过程。
根据本发明提供的一种基于导频参考信号的信道时域特征提取方法,如图1-8所示,包括:
步骤M1:根据通信接收机接收到的频域基带信号对导频参考信号处的信道冲击响应进行估计;
步骤M2:根据通信接收机接收到的频域基带信号对数字子载波处的信道冲击响应进行估计;
步骤M3:将导频参考信号处的信道冲击响应和数字子载波处的信道冲击响应从频域转换为时域,并进行时域特征提取,得到信道的时域特征;
步骤M4:将信道中时域特征通过信道分类算法对信道环境进行识别和分类。
具体地,如图3所示为发端参考信号,参考信号通过信道后的频域响应如图5所示,将所得到的频域信道响应通过IFFT变换后得到过信道后估计出的时域冲击。将采集到的数据(如图6)进行分类训练,通过信道分类模块后可以有效的得到信道信息。
具体地,所述步骤M2包括:根据通信接收机接收到的频域基带信号,通过内插和/或滤波方法对数字子载波处的信道冲击响应进行估计。
具体地,所述步骤M3包括将导频参考信号处的信道冲击响应和数字子载波处的信道冲击响应通过包括快速傅里叶变换、离散余弦变换或小波变换从频域转换为时域。
具体地,所述步骤M3中时域特征提取包括:将时域进行包括归一化、增益合并和截取操作。
具体地,将接收信号中的导频参考信号与本地参考序列进行互相关,并进行归一化,并将接收到的信道频域冲击响应转换到时域后进行截断,从而得到信道的时域特征。
具体地,所述步骤M4中信道分类算法包括KNN算法、SVM算法、随机森林算法、神经网络算法或CNN算法。根据不同分类算法得到的分类准确率可以进行更优的通信***调整。
所述KNN算法只依据最邻近的一个或几个样本的类别来决定分类样本所属的类别,且所选择的邻居都是已经正确分类的对象;
所述SVM算法是一种二值分类模型,基本模型定义为特征空间上的间隔最大的线性分类器,其学习策略便是间隔最大化,最终可转化为一个凸二次规划问题的求解。
所述随机森林算法先从该结点的属性集合中随机选择一个包含k个属性的子集,然后再从这个子集中选择一个最优属性用于划分。
所述神经网络算法是指神经元接收到来自η个其他神经元传递过来的输入信号,这些输入信号通过带权重的连接进行传递,神经元接收到的总输入值将与神经元的阀值进行比较,然后通过"激活函数"处理以产生神经元的输出。
所述CNN算法通过卷积层、池化层等网络处理后,图像变得越来越小,但是由于卷积层它会变得越来越深,在堆栈的顶部,添加了由几个全连接层组成的常规前馈神经网络,最后的层输出预测。
根据本发明提供的一种基于导频参考信号的信道时域特征提取***,包括:
模块M1:根据通信接收机接收到的频域基带信号对导频参考信号处的信道冲击响应进行估计;
模块M2:根据通信接收机接收到的频域基带信号对数字子载波处的信道冲击响应进行估计;
模块M3:将导频参考信号处的信道冲击响应和数字子载波处的信道冲击响应从频域转换为时域,并进行时域特征提取,得到信道的时域特征;
模块M4:将信道中时域特征通过信道分类算法对信道环境进行识别和分类。
具体地,如图3所示为发端参考信号,参考信号通过信道后的频域响应如图5所示,将所得到的频域信道响应通过IFFT变换后得到过信道后估计出的时域冲击。将采集到的数据(如图6)进行分类训练,通过信道分类模块后可以有效的得到信道信息。
具体地,所述模块M2包括:根据通信接收机接收到的频域基带信号,通过内插和/或滤波方法对数字子载波处的信道冲击响应进行估计。
具体地,所述模块M3包括将导频参考信号处的信道冲击响应和数字子载波处的信道冲击响应通过包括快速傅里叶变换、离散余弦变换或小波变换从频域转换为时域。
具体地,所述模块M3中时域特征提取包括:将时域进行包括归一化、增益合并和截取操作。
具体地,将接收信号中的导频参考信号与本地参考序列进行互相关,并进行归一化,并将接收到的信道频域冲击响应转换到时域后进行截断,从而得到信道的时域特征。
具体地,所述模块M4中信道分类算法包括KNN算法、SVM算法、随机森林算法、神经网络算法或CNN算法。根据不同分类算法得到的分类准确率可以进行更优的通信***调整。
所述KNN算法只依据最邻近的一个或几个样本的类别来决定分类样本所属的类别,且所选择的邻居都是已经正确分类的对象;
所述SVM算法是一种二值分类模型,基本模型定义为特征空间上的间隔最大的线性分类器,其学习策略便是间隔最大化,最终可转化为一个凸二次规划问题的求解。
所述随机森林算法先从该结点的属性集合中随机选择一个包含k个属性的子集,然后再从这个子集中选择一个最优属性用于划分。
所述神经网络算法是指神经元接收到来自η个其他神经元传递过来的输入信号,这些输入信号通过带权重的连接进行传递,神经元接收到的总输入值将与神经元的阀值进行比较,然后通过"激活函数"处理以产生神经元的输出。
所述CNN算法通过卷积层、池化层等网络处理后,图像变得越来越小,但是由于卷积层它会变得越来越深,在堆栈的顶部,添加了由几个全连接层组成的常规前馈神经网络,最后的层输出预测。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的***、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的***、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (8)
1.一种基于导频参考信号的信道时域特征提取方法,其特征在于,包括:
步骤M1:根据通信接收机接收到的频域基带信号对导频参考信号处的信道冲击响应进行估计;
步骤M2:根据通信接收机接收到的频域基带信号对数字子载波处的信道冲击响应进行估计;
步骤M3:将导频参考信号处的信道冲击响应和数字子载波处的信道冲击响应从频域转换为时域,并进行时域特征提取,得到信道的时域特征;
步骤M4:将信道中时域特征通过信道分类算法对信道环境进行识别和分类。
2.根据权利要求1所述的基于导频参考信号的信道时域特征提取方法,其特征在于,所述步骤M2包括:根据通信接收机接收到的频域基带信号,通过内插和/或滤波方法对数字子载波处的信道冲击响应进行估计。
3.根据权利要求1所述的基于导频参考信号的信道时域特征提取方法,其特征在于,所述步骤M3中时域特征提取包括:将时域进行包括归一化、增益合并和截取的操作。
4.根据权利要求1所述的基于导频参考信号的信道时域特征提取方法,其特征在于,所述步骤M4中信道分类算法包括KNN算法、SVM算法、随机森林算法、神经网络算法。
5.一种基于导频参考信号的信道时域特征提取***,其特征在于,包括:
模块M1:根据通信接收机接收到的频域基带信号对导频参考信号处的信道冲击响应进行估计;
模块M2:根据通信接收机接收到的频域基带信号对数字子载波处的信道冲击响应进行估计;
模块M3:将导频参考信号处的信道冲击响应和数字子载波处的信道冲击响应从频域转换为时域,并进行时域特征提取,得到信道的时域特征;
模块M4:将信道中时域特征通过信道分类算法对信道环境进行识别和分类。
6.根据权利要求5所述的基于导频参考信号的信道时域特征提取***,其特征在于,所述模块M2包括:根据通信接收机接收到的频域基带信号,通过内插和/或滤波方法对数字子载波处的信道冲击响应进行估计。
7.根据权利要求5所述的基于导频参考信号的信道时域特征提取***,其特征在于,所述模块M3中时域特征提取包括:将时域进行包括归一化、增益合并和截取的操作。
8.根据权利要求5所述的基于导频参考信号的信道时域特征提取***,其特征在于,所述模块M4中信道分类算法包括KNN算法、SVM算法、随机森林算法、神经网络算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011584723.2A CN112787962B (zh) | 2020-12-28 | 2020-12-28 | 基于导频参考信号的信道时域特征提取方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011584723.2A CN112787962B (zh) | 2020-12-28 | 2020-12-28 | 基于导频参考信号的信道时域特征提取方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112787962A CN112787962A (zh) | 2021-05-11 |
CN112787962B true CN112787962B (zh) | 2024-05-17 |
Family
ID=75752944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011584723.2A Active CN112787962B (zh) | 2020-12-28 | 2020-12-28 | 基于导频参考信号的信道时域特征提取方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112787962B (zh) |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100578723B1 (ko) * | 2004-12-30 | 2006-05-12 | 전자부품연구원 | 파일럿 부반송파를 갖는 mimo- ofdm 시스템에서dft 기반 채널추정 방법 및 장치 |
CN1937598A (zh) * | 2005-09-19 | 2007-03-28 | 株式会社Ntt都科摩 | 正交频分复用***中的信道估计方法以及信道估计器 |
CN101023645A (zh) * | 2004-07-20 | 2007-08-22 | 高通股份有限公司 | 在多载波***中改善信道估计的频域滤波 |
CN101076001A (zh) * | 2006-05-15 | 2007-11-21 | 中兴通讯股份有限公司 | 一种多入多出正交频分复用***的信道估计方法 |
JP2008028515A (ja) * | 2006-07-19 | 2008-02-07 | Nec Corp | 受信装置、受信方法、及びプログラム |
CN101360079A (zh) * | 2008-07-18 | 2009-02-04 | 天津大学 | 基于小波去噪算法的最大似然估计器的小波域值去噪方法 |
CN101378371A (zh) * | 2007-08-27 | 2009-03-04 | 株式会社Ntt都科摩 | 在宽带无线移动通信***中信道估计的方法及信道估计器 |
CN101567870A (zh) * | 2008-04-22 | 2009-10-28 | 普天信息技术研究院有限公司 | 信道响应起始位置、峰值位置和结束位置检测方法及装置 |
CN101616104A (zh) * | 2009-07-27 | 2009-12-30 | 北京天碁科技有限公司 | 正交频分复用***的信道估计方法和装置 |
KR20100039947A (ko) * | 2008-10-09 | 2010-04-19 | 삼성전자주식회사 | 이동통신 시스템에서 채널 추정을 위한 참조 신호의 도메인변환 방법 및 장치 |
JP2010232898A (ja) * | 2009-03-26 | 2010-10-14 | Kyocera Corp | 無線通信装置及び無線通信方法 |
CN101938435A (zh) * | 2009-06-30 | 2011-01-05 | 中兴通讯股份有限公司 | 一种正交频分复用***的时偏估计装置及方法 |
CN102158436A (zh) * | 2010-02-11 | 2011-08-17 | 富士通株式会社 | 信道频域相关性计算方法及装置、信道估计方法及装置 |
CN102238110A (zh) * | 2010-04-23 | 2011-11-09 | 中兴通讯股份有限公司 | 多用户信道估计方法及装置 |
CN103051571A (zh) * | 2012-12-19 | 2013-04-17 | 同济大学 | 用于td-lte***的多普勒频偏估计方法 |
CN103179058A (zh) * | 2013-04-03 | 2013-06-26 | 北京航空航天大学 | 信道脉冲响应长度的估计方法及装置 |
CN103379053A (zh) * | 2012-04-26 | 2013-10-30 | 京信通信***(中国)有限公司 | 一种信道估计的方法及装置 |
CN105577582A (zh) * | 2014-10-17 | 2016-05-11 | 中兴通讯股份有限公司 | 一种在干扰条件下的lte上行***信道估计方法和装置 |
CN106416168A (zh) * | 2014-05-09 | 2017-02-15 | 华为技术有限公司 | 一种信号处理方法及装置 |
CN106534019A (zh) * | 2015-09-14 | 2017-03-22 | 展讯通信(上海)有限公司 | 小区测量的方法、装置及用户设备 |
CN108234364A (zh) * | 2018-01-18 | 2018-06-29 | 重庆邮电大学 | 一种lte-a***中基于小区参考信号的信道估计方法 |
CN111600816A (zh) * | 2020-05-12 | 2020-08-28 | 国网河北省电力有限公司电力科学研究院 | 一种电力线载波通信二维插值信道估计方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8149947B2 (en) * | 2007-01-29 | 2012-04-03 | Nxp B.V. | Channel estimation of multi-carrier signal with selection of time or frequency domain interpolation according to frequency offset of continuous pilot |
KR100950647B1 (ko) * | 2007-01-31 | 2010-04-01 | 삼성전자주식회사 | 직교 주파수 분할 다중 시스템에서 채널 추정 장치 및 방법 |
TWI436616B (zh) * | 2011-12-29 | 2014-05-01 | Ind Tech Res Inst | 通道估計的裝置及其方法 |
-
2020
- 2020-12-28 CN CN202011584723.2A patent/CN112787962B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101023645A (zh) * | 2004-07-20 | 2007-08-22 | 高通股份有限公司 | 在多载波***中改善信道估计的频域滤波 |
KR100578723B1 (ko) * | 2004-12-30 | 2006-05-12 | 전자부품연구원 | 파일럿 부반송파를 갖는 mimo- ofdm 시스템에서dft 기반 채널추정 방법 및 장치 |
CN1937598A (zh) * | 2005-09-19 | 2007-03-28 | 株式会社Ntt都科摩 | 正交频分复用***中的信道估计方法以及信道估计器 |
CN101076001A (zh) * | 2006-05-15 | 2007-11-21 | 中兴通讯股份有限公司 | 一种多入多出正交频分复用***的信道估计方法 |
JP2008028515A (ja) * | 2006-07-19 | 2008-02-07 | Nec Corp | 受信装置、受信方法、及びプログラム |
CN101378371A (zh) * | 2007-08-27 | 2009-03-04 | 株式会社Ntt都科摩 | 在宽带无线移动通信***中信道估计的方法及信道估计器 |
CN101567870A (zh) * | 2008-04-22 | 2009-10-28 | 普天信息技术研究院有限公司 | 信道响应起始位置、峰值位置和结束位置检测方法及装置 |
CN101360079A (zh) * | 2008-07-18 | 2009-02-04 | 天津大学 | 基于小波去噪算法的最大似然估计器的小波域值去噪方法 |
KR20100039947A (ko) * | 2008-10-09 | 2010-04-19 | 삼성전자주식회사 | 이동통신 시스템에서 채널 추정을 위한 참조 신호의 도메인변환 방법 및 장치 |
JP2010232898A (ja) * | 2009-03-26 | 2010-10-14 | Kyocera Corp | 無線通信装置及び無線通信方法 |
CN101938435A (zh) * | 2009-06-30 | 2011-01-05 | 中兴通讯股份有限公司 | 一种正交频分复用***的时偏估计装置及方法 |
CN101616104A (zh) * | 2009-07-27 | 2009-12-30 | 北京天碁科技有限公司 | 正交频分复用***的信道估计方法和装置 |
CN102158436A (zh) * | 2010-02-11 | 2011-08-17 | 富士通株式会社 | 信道频域相关性计算方法及装置、信道估计方法及装置 |
CN102238110A (zh) * | 2010-04-23 | 2011-11-09 | 中兴通讯股份有限公司 | 多用户信道估计方法及装置 |
CN103379053A (zh) * | 2012-04-26 | 2013-10-30 | 京信通信***(中国)有限公司 | 一种信道估计的方法及装置 |
CN103051571A (zh) * | 2012-12-19 | 2013-04-17 | 同济大学 | 用于td-lte***的多普勒频偏估计方法 |
CN103179058A (zh) * | 2013-04-03 | 2013-06-26 | 北京航空航天大学 | 信道脉冲响应长度的估计方法及装置 |
CN106416168A (zh) * | 2014-05-09 | 2017-02-15 | 华为技术有限公司 | 一种信号处理方法及装置 |
CN105577582A (zh) * | 2014-10-17 | 2016-05-11 | 中兴通讯股份有限公司 | 一种在干扰条件下的lte上行***信道估计方法和装置 |
CN106534019A (zh) * | 2015-09-14 | 2017-03-22 | 展讯通信(上海)有限公司 | 小区测量的方法、装置及用户设备 |
CN108234364A (zh) * | 2018-01-18 | 2018-06-29 | 重庆邮电大学 | 一种lte-a***中基于小区参考信号的信道估计方法 |
CN111600816A (zh) * | 2020-05-12 | 2020-08-28 | 国网河北省电力有限公司电力科学研究院 | 一种电力线载波通信二维插值信道估计方法 |
Non-Patent Citations (3)
Title |
---|
Pilot channel multiplexing method for multi-antenna transmission in EUTRA OFDMA based downlink;Panasonic;TSG-RAN WG1 #42 R1-050828;全文 * |
姜洁,仲伟志.MIMO-OFDM***的时域信道估计.计算机技术与发展.2015,全文. * |
接收分集OFDM通信***的盲信道估计;侯伟昆;叶梧;冯穗力;;***工程与电子技术(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112787962A (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112418014B (zh) | 基于小波变换和卷积长短期记忆神经网络的调制信号识别方法 | |
CN112910811B (zh) | 基于联合学***未知条件下的盲调制识别方法和装置 | |
CN112241724B (zh) | 一种基于双路卷积长短期神经网络的自动识别方法及*** | |
CN111585948A (zh) | 一种基于电网大数据的网络安全态势智能预测方法 | |
CN110598677A (zh) | 一种用于自动调制识别的时空多通道深度学习*** | |
CN108268837B (zh) | 基于小波熵和混沌特性的辐射源指纹特征提取方法 | |
CN112910812B (zh) | 一种基于时空特征提取深度学习的调制模式识别方法 | |
Jeong et al. | Spectrogram-based automatic modulation recognition using convolutional neural network | |
CN112836822B (zh) | 基于宽度学习的联邦学习策略优化方法和装置 | |
CN113298031B (zh) | 一种考虑信号物理和时序特性的信号调制识别方法及*** | |
Mirmohammadsadeghi et al. | Modulation classification using convolutional neural networks and spatial transformer networks | |
CN113449682B (zh) | 一种基于动态融合模型识别民航领域射频指纹的方法 | |
CN115296759A (zh) | 一种基于深度学习的干扰识别方法 | |
Wei et al. | Differentiable architecture search-based automatic modulation classification | |
CN112787962B (zh) | 基于导频参考信号的信道时域特征提取方法及*** | |
Ali et al. | Modulation format identification using supervised learning and high-dimensional features | |
CN114500396A (zh) | 区分匿名Tor应用流量的MFD色谱特征提取方法及*** | |
Essai et al. | Automatic Modulation Classification: Convolutional Deep Learning Neural Networks Approaches | |
CN113343868A (zh) | 一种辐射源个体识别方法及装置、终端、存储介质 | |
CN111343115B (zh) | 一种5g通信调制信号识别方法及*** | |
Wang et al. | Underwater communication signal recognition using sequence convolutional network | |
Hreshee | Automatic recognition of the digital modulation types using the artificial neural networks. | |
CN113537053B (zh) | 一种构建民航领域射频指纹识别模型的方法 | |
Yıldırım et al. | Deep receiver design for multi-carrier waveforms using cnns | |
CN115955375A (zh) | 基于cnn-gru和ca-vgg特征融合的调制信号识别方法及*** |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Li Yuntian Inventor after: Xu Jun Inventor after: Xiong Jian Inventor after: Li Xia Inventor before: Li Yuntian Inventor before: Xu Jun |
|
GR01 | Patent grant | ||
GR01 | Patent grant |