一种基于深度学习的MIMO-OFDM系统信道估计方法技术方案

本发明专利技术属于信息与通信技术领域，涉及一种基于深度学习的MIMO

【技术实现步骤摘要】
一种基于深度学习的MIMO
‑
OFDM系统信道估计方法


[0001]本专利技术属于信息与通信
，涉及一种基于深度学习的MIMO
‑
OFDM系统信道估计方法。

技术介绍

[0002]对于多用户上行的MIMO
‑
OFDM信道估计问题，通常可以利用基站天线的特殊排列引起的角域稀疏性，降低导频开销，使得求解问题变为欠定问题，为了解决这类问题，目前使用最多的是压缩感知类方法。然而，一些实际信道场景下，信道的稀疏性并不明显，使传统压缩感知类方法性能大打折扣。

技术实现思路

[0003]为了进一步提升稀疏问题下信道估计的性能，本专利技术提出了一种模型辅助深度学习的MIMO
‑
OFDM系统信道估计方法：首先，利用频域信道的连续性，将信道在频域用分块线性模型近似，大大降低了待估计量；其次，将传统的Turbo
‑
CS方法用深度神经网络辅助展开，利用深度神经网络强大的学习能力，学习到信道频空域表示的内在关联信息，并以此关联信息作为先验对估计出的信道进一步去本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的MIMO
‑
OFDM系统信道估计方法，其特征在于，包括以下步骤：S1、K个单天线用户随机生成二进制比特流，使用QPSK调制到M个载波上，串并转换后得到频域导频符号，再经过IDFT添加循环前缀，并串转换后得到时域信号，向基站发送时域信号；S2、信号经过信道传输后被基站N根天线接收，经过串并转换，去除CP后，进行DFT变换，得到频域接收信号Y：其中，是第k个用户发射的导频矩阵，为对角阵，为第k个用户与基站间的频域信道矩阵，是噪声方差为的加性高斯白噪声；S3、在频域对待估计信道做分块线性近似，分块线性模型指的是将频域M个连续子载波分成Q块，而在每块内的信道频域响应采用线性函数近似，对于第q块，q＝1，...，Q，分块线性模型表述为：其中，n
q
＝(q
‑
1)M/Q+1，...，qM/Q，1)M/Q+1，...，qM/Q，与分别为第q块线性函数的均值和斜率，l
q
＝(q
‑
1/2)M/Q是第q块的中点，为模型误差；连续子载波分成Q块对应的待估计变量数为2Q即与定义1
M/Q
是长度为M/Q的全1向量，和对于频域信道矩阵的分块线性近似表示为：G
k
＝E1B
k
+E2C
k
+Δ
k
其中，Δ
k
为近似误差项，和分别为用户信道均值矩阵和补偿矩阵，得到分块线性近似下的系统模型表示为：Y＝A
b
B+A
c
C+Z其中，为分块线性近似下的导频矩阵，Z为AWGN与模型失配的误差项之和，为S4、信道估计器消除干扰并估计信道G
k
；具体为，估计器包括线性估计模块A和基于深度学习的降噪模块B，通过线性估计模块估计信道G
k
，通过去噪模块B对估计值进行降噪，并且两个模块之间迭代至收敛；迭代的具体方法为：初始化迭代信道估计器第一次迭代所需参数，模块A关于B的先验B
A，pri
＝0和方差以及模块A关于C的先验C
A，pri
＝0和方差其中，分别为B和C的均值，表示求均值操作；这里使用A
和B分别表示迭代模块A和模块B；上标“pri”表示先验信息，上标“post”表示后验信息，上标“ext”表示外信息；估计器各模块信号处理方式为：S41、接收信号输入线性估计模块A，计算接收信号的协方差矩阵这里I为单位矩阵；然后可以得到模块A关于B的LMMSE后验估计和方差：LMMSE后验估计和方差：同理，模块A关于C的LMMSE后验估计和方差：同理，模块A关于C的LMMSE后验估计和方差：S42、使用模块A关于B的先验信息以及后验信息计算外信息：S42、使用模块A关于B的先验信息以及后验信息计算外信息：同理，使用模块A关于C的先验信息以及后验信息计算外信息：同理，使用模块A关于C的先验信息以及后验信息计算外信息：S43、在去噪模块B中，将信道由分块线性下的表示，重构为正常信道表示：S44、定义具有盲去噪功能的深度神经网络其中...

【专利技术属性】
技术研发人员：袁晓军，黄周洋，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：