导航：首页> 一般的物理或化学的方法或装置>一种基于深度学习的OFDM系统信道估计方法

一种基于深度学习的OFDM系统信道估计方法

文献发布时间：2023-06-19 16:06:26

技术领域

本发明属于信息与通信技术领域，涉及一种基于深度学习的OFDM系统信道估计方法。

背景技术

准确的信道估计和有效的信道信息反馈是保障无线通信系统性能的基础条件。近年来，深度学习(Deep Learning,DL)或AI在无线通信系统中得到了广泛的研究，无论是学术界还是业界。OFDM是4G和5G标准的核心技术之一，它能很好地支持多址接入，在频率选择性衰落环境下性能稳定。在无线通信系统中，传输信号会受到各种衰落和多径传播的影响。为了对发射信号进行解调，设计了导频信号来估计信道信息。导频信号与数据信号一起传输，使用相同的数据信号传输预编码，并遭受相似的信道衰落。由于导频信号的位置和序列对接收机来说是已知的，所以接收机可以利用接收到的信号估计信道。

文献1“M.Soltani,V.Pourahmadi,A.Mirzaei and H.Sheikhzadeh,"DeepLearning-Based Channel Estimation,"in IEEE Communications Letters,vol.23,no.4,pp.652-655,April 2019,doi:10.1109/LCOMM.2019.2898944.”将快速衰落通信信道的时频响应考虑为二维图像，将导频值视为低分辨率图像，并使用超分辨率网络与去噪网络级联来估计信道，并将提出的网络命名为ChannelNet。

文献2“L.Li,H.Chen,H.-H.Chang and L.Liu,"Deep Residual Learning MeetsOFDM Channel Estimation,"in IEEE Wireless Communications Letters,vol.9,no.5,pp.615-618,May 2020,doi:10.1109/LWC.2019.2962796.”设计了一种用于信道估计的基于残差学习的深度神经网络，命名为ReEsNet。

发明内容

为了进一步提升OFDM系统信道估计的性能，本发明提出了一种基于深度学习的OFDM系统信道估计方法。

本发明采用的技术方案包括以下步骤：

S1、假设系统有N

其中，

一般来说，在总的N

在接收端，使用最小二乘法LS根据已知导频S

其中，./表示矩阵对应元素位置相除；

S2、在获得OFDM时频资源块导频位置的信道估计值

其中，

至此，可以得到整个OFDM时频资源块的信道估计值

S3、判断多尺度并行扩张卷积神经网络(multi-scale parallel dilatedconvolutional neural network，MPDCNN)是否已经完成训练及保存；如果MPDCNN已经训练完成并保存，则执行步骤S5，否则执行步骤S4；

S4、离线训练MPDCNN对整个OFDM时频资源块信道估计值进行降噪；所提出的MPDCNN的具体结构如附图2所示：输入数据在MPDCNN内部首先经过一层二维卷积，然后依次经过若干个多尺度并行扩张卷积块(multi-scale parallel dilated convolutionalblock,MPDCB)和一层二维卷积，最后，再把经过二维卷积后的输出与输入MPDCNN的数据相加作为MPDCNN的输出；输入数据在MPDCB内部首先依次经过一层二维卷积，三个并行的不同扩张率的扩张卷积块(ilated convolutional block,DCB)；然后再把3个DCB的输出按照张量通道所在的维度拼接后送入通道注意力模块(channel attention,CA)，经过CA后的输出再经过一层二维卷积；最后，再把经过二维卷积后的输出与输入MPDCB的数据相加作为MPDCB的输出；输入数据在DCB内部会经过若干个残差块(residual block,ResBlock)，最后，再将最后一个ResBlock的输出与DCB的输入相加后作为DCB的输出；输入数据在ResBlock内部会依次经过二维卷积层、参数化整流线性单元(parametric rectifedlinear unit,PRelu)、二维卷积层；最后，再将第二层二维卷积层的输出与ResBlock的输入相加后作为ResBlock的输出；输入数据在CA模块内部依次经过二维卷积、PRelu、二维卷积、全局平均池化、1X1卷积、PRelu、1X1卷积、Sigmoid函数；最后，将Sigmoid函数的输出与CA模块的输入在通道维度按广播乘法相乘后作为CA模块的输出；

定义使用的MPDCNN降噪器为

离线训练阶段使用的损失函数为

S5、加载已保存的MPDCNN对整个OFDM时频资源块信道估计值的降噪，即

本发明的有益效果在于：通过使用深度神经网络利用OFDM系统信道的结构特性，对噪声较大的时频域资源块信道进行降噪，该方法在OFDM系统信道估计问题上性能突出。

附图说明

图1是使用的5G OFDM系统中导频配置示意图；

图2是所提信道估计方法的流程图；

图3是所提出去噪网络结构图；

图4为OFDM系统下使用不同信道估计方法的仿真曲线。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。

下面给出本发明基于上述方法的一个具体实施方法，该具体方法的参数设置如下：

附图1为当前5G系统中一个典型的试点资源分配。在频域，一个资源块(resourceblock,RB)中有12个子载波，14个OFDM符号。导频在一个RB和一个时隙中占用6个子载波和2个OFDM符号。在仿真中，在频域使用了8个附图1所示的RB，时域使用了14个OFDM符号，即N

链路级模拟器遵循3GPP抽头的延迟线(TDL)模型，该模型已经校准。载波频率为3.5GHz，副载波空间为15KHz。提出了一种新的混合训练数据构造方法，以解决DL中的泛化问题。对于训练数据，信道模型是TDL-A、TDL-B、TDL-C、TDL-D和TDL-E的混合模型，其中一个样本从这5个模型中随机选取一个信道模型；延迟扩展从0秒到300ns随机选择；速度在0km/h～50km/h之间随机生成；每个样本的信噪比从0dB至20dB中随机选取。

在训练MPDCNN网络时，训练集和测试集分别包含189000个样本(每信噪比9000个样本)和21000个样本(每信噪比1000个样本)。在MPDCNN中使用了4个不同的MPDCB，每个DCB又含4个不同的Resblock。注意,MPDCNN的第一层卷积是48个不同的3×3×2滤波器，MPDCNN的最后一层卷积是两个不同的3×3×48滤波器，CA中的1×1卷积是48个不同的1×1×48滤波器。MPDCNN的所有其它卷积层均为48个不同的3×3×48滤波器。使用了Adam优化器并将学习速率设置为1e

根据以上参数设置，该仿真的具体步骤如下：