一种基于深度学习的时变信道估计方法及系统技术方案

本发明专利技术公开了一种基于深度学习的时变信道估计方法及系统，通过对网络输入样本进行合理构造，本发明专利技术基于单隐藏层神经网络，首先充分地利用历史信道信息中的信道变化特征，以及接收导频信号中的其他特征，并利用最小二乘估计的优势来进一步提高信道估计的性能，其次，本发明专利技术利用构造的样本对反向传播神经网络进行线下训练，然后以在线方式实时获取时变信道信息。为了降低计算复杂度，本发明专利技术仅采用了接收的导频信号与导频子信道的信息，并对导频子信道采用多项式基扩展模型建模来减少待估计参数进行时变信道估计。本发明专利技术可以显著地提高信道估计精度，具有较低的计算复杂度，适合于高速移动场景中时变信道信息的高效获取。

【技术实现步骤摘要】
一种基于深度学习的时变信道估计方法及系统
本专利技术涉及一种基于深度学习的时变信道估计方法及系统，属于无线通信

技术介绍
近年来，高速铁路、高速公路的大规模部署与快速发展，使得高速移动环境下的无线通信在全球引起了越来越多的关注。然而，在5G及5G后通信系统支撑的高速移动环境中，更高的车载速度、更频繁的切换和更宽的带宽使得高速移动无线通信系统的设计更具挑战性。因此，迫切地需要高性能的无线通信技术来支撑未来高速移动场景实现低时延高可靠(URLLC)的通信，其中抗多普勒频移技术是关键。在众多抗多普勒频移方案中，时变信道估计是其一重要技术。这是由于在未来5G后的高速移动环境中，更大的多普勒频移更易造成信道的时间选择性衰落，而更宽的带宽也更易引起信道的频率选择性衰落，这种时间和频率双选择性衰落信道，对信号的正确传输提出了更高的要求。因此，为了满足未来5G后高速移动场景通信质量的需求，必须依托于快速高效稳定的时变信道估计方法，通过获取的信道估计消除多普勒频移对传输信号的影响，以提供通信系统性能。近年来，基于深度学习的时变信道估计技本文档来自技高网...

【技术保护点】
1.一种基于深度学习的时变信道估计方法，其特征在于，包括：/n获取预先利用基扩展模型构建的信道模型，利用获取的前一时刻的接收导频信号和LS方法确定所述信道模型的前一时刻频域信道的基系数估计；/n利用一阶AR模型和前一时刻频域信道的基系数估计获得当前时刻第一频域信道基系数估计；/n利用获取的当前时刻的接收导频信号和LS方法确定所述信道模型的当前时刻的第二频域信道基系数估计；/n对第一频域信道基系数估计和第二频域信道基系数估计进行加和平均处理，得到当前时刻精确的第三频域信道基系数估计；/n循环V次得到第三频域信道基系数估计的过程，得到V个第三频域信道基系数估计；获取每次循环的当前时刻接收的导频信号...

【技术特征摘要】
1.一种基于深度学习的时变信道估计方法，其特征在于，包括：
获取预先利用基扩展模型构建的信道模型，利用获取的前一时刻的接收导频信号和LS方法确定所述信道模型的前一时刻频域信道的基系数估计；
利用一阶AR模型和前一时刻频域信道的基系数估计获得当前时刻第一频域信道基系数估计；
利用获取的当前时刻的接收导频信号和LS方法确定所述信道模型的当前时刻的第二频域信道基系数估计；
对第一频域信道基系数估计和第二频域信道基系数估计进行加和平均处理，得到当前时刻精确的第三频域信道基系数估计；
循环V次得到第三频域信道基系数估计的过程，得到V个第三频域信道基系数估计；获取每次循环的当前时刻接收的导频信号，得到V个当前时刻接收导频信号；根据V个第三频域信道基系数估计和V个当前时刻接收的导频信号构建训练输入样本；获取与每次循环相对应的当前时刻的真实信道构造的V个训练输出样本；根据训练输入样本和训练输出样本确定训练样本集；
对训练样本进行取实数操作，得到新的训练样本集；
根据新的训练样本集，采用量化共轭梯度下降法更新网络参数，以满足预设的训练中止条件，获取具有最佳网络参数的BP神经网络模型；
获取线上估计的输入样本，输入到最佳网络参数的BP神经网络模型，得到当前时刻的信道估计值；
对当前时刻的信道估计值进行实数转复数操作，得到最终的当前时刻的频域信道估计。


2.根据权利要求1所述的基于深度学习的时变信道估计方法，其特征在于，所述利用获取的前一时刻的接收导频信号和LS方法确定所述信道模型的前一时刻频域信道的基系数估计的过程包括：
获取第m-1时刻接收到的频域导频和发送导频；
通过LS算法计算第m-1时刻信道的基系数矩阵



表示m-1时刻发送的导频，fl是维数为N×L的傅里叶变换矩阵F的第l列，矩阵F具体表达为Mq是N×N维的基函数矩阵，其表达式为bn,q表示P-BEM的基函数矩阵，其第q列可以表示为


3.根据权利要求2所述的基于深度学习的时变信道估计方法，其特征在于，所述利用一阶AR模型和前一时刻导频符号的频域信道估计获得当前时刻导频信号的第一频域信道估计的计算公式为：



式中，εm为残差向量，φ1为AR模型的跟踪因子，0≤φ1≤1，m表示当前时刻。


4.根据权利要求3所述的基于深度学习的时变信道估计方法，其特征在于，所述利用当前时刻的接收信号和LS方法获取当前时刻导频符号的第二频域信道基系数估计的计算公式为：



式中，表示m时刻接收到的频域导频，其中表示m时刻发送的导频，fl是维数为N×L的傅里叶变换矩阵F的第l列，F矩阵可以具体表达为Mq是N×N维的基函数矩阵，其表达式为bn,q表示P-BEM的基函数矩阵，其第q列可以表示为


5.根据权利要求4所述的基于深度学习的时变信道估计方法，其特征在于，所述对第一频域信道基系数估计和第二频域信道基系数估计进行加和平均处理，得到当前时刻的第三频域信道基系数估计的计算公式为：





6.根据权利要求5所述的基于深度学习的时变信道估计方法，其特征...

【专利技术属性】
技术研发人员：杨丽花，呼博，聂倩，任露露，杨钦，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32