基于深度神经网络的最小二乘法OTFS系统信道估计方法技术方案

基于深度神经网络的最小二乘法OTFS系统信道估计方法，属无线通信技术领域。本发明专利技术针对车联网准确信道估计与可靠信息交互需求，基于DNN设计了一种高效低时延的信道估计方法。该方法分三步：首先，在车联网OTFS系统发射端从时频域插入块状导频，并在接收端从时频域将其进行提取，利用传统LS信道估计方法进行时频域信道估计，得到粗略估计的信道矩阵H

【技术实现步骤摘要】
基于深度神经网络的最小二乘法OTFS系统信道估计方法


[0001]本专利技术涉及一种基于深度神经网络的最小二乘法OTFS系统信道估计方法，属于无线通信传输中信道估计


技术介绍

[0002]当前基于车联网的智能交通系统得到广泛关注。在车联网场景下，通信收发端具有移动速度快、信道复杂、传输时延低等特点，本专利技术建立在车联网OTFS系统框架上，OTFS技术可以实现更高的数据传输速率，并解决高速移动通信中符号与载波间干扰及多普勒间干扰等问题。选取恰当的信道模型和使用合适的信道估计方法可更好满足车联网通信对准确可靠信道估计的要求，保障车联网通信质量。信道估计是无线移动通信系统的重要功能模块，主要用来估计信号所经历信道的冲击响应，并用于后续信道均衡的处理，旨在消除多径信号混叠等造成的符号间干扰(internsymbol interference，ISI)。典型信道估计方法有最小二乘(LS)信道估计方法和最小均方误差(MMSE)信道估计方法等，这些方法均是基于导频来进行信道估计的非盲估计，其频谱效率低，但估计效果好。MMSE信道估计方法可有效抑制本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的最小二乘法OTFS系统信道估计方法，由车联网正交时频空间OTFS调制通信系统实现；该系统包括发射端和接收端，发射端包括依次相连的正交相移键控QPSK调制模块、逆辛傅里叶变换ISFFT模块、正交频分复用OFDM调制器和一发射天线；接收端包括依次相连的一接收天线、OFDM解调器、信道估计模块、信道均衡模块、辛傅里叶变换SFFT模块和QPSK解调模块，其中信道估计模块包括LS信道估计和DNN模型,信道估计的实现过程为：首先，发射端对时延
‑
多普勒域中的随机比特流进行两两分组，并在QPSK调制模块中进行调制，形成时延
‑
多普勒域信号，随后经过ISFFT模块，将时延
‑
多普勒域信号转换为时频域信号，此时向时频域信号插入块状导频，以进行LS信道估计；随后，OFDM调制器将带有导频的时频域信号经海森堡变换转换为时域信号，并通过发射天线在时域信道进行传输；接收端通过接收天线接收信号，继而通过OFDM解调器对接收信号进行解调，即通过魏格纳变换得到时频域信号，将导频与数据信号相分离，并在信道估计模块中利用接收到的导频做LS信道估计，得到粗略估计的信道矩阵H
LS
，然后利用DNN对H
LS
进行优化得到H
LS
‑
DNN
；最后，接收端在信道均衡模块处利用H
LS
‑
DNN
进行OTFS系统时频域信道均衡，得到时频域数据恢复信号，并将其通过SFFT模块，得到时延
‑
多普勒域信号，在QPSK解调模块中再经过相应解调恢复得到原始比特流；其具体步骤如下：1)车联网OTFS系统信道矩阵数据集生成：(1)将时延
‑
多普勒域中的随机比特流进行两两分组，并在QPSK调制模块通过QPSK调制得到时延
‑
多普勒域信号x(k,l)，其中k∈{0,1,...,N
‑
1}，l∈{0,1,...,M
‑
1}，M和N分别为时延维度数和多普勒维度数；在ISFFT模块处，时延
‑
多普勒域信号x(k,l)通过ISFFT得到时频域信号其中n，m分别表示时频域信号的时域索引位置和频域索引位置；在时频域信号X[n,m]前放置两列同样的导频符号p1[q]和p2[q]，形成X
p
[n,m]以进行LS信道估计，其中q为时频域信号中第q个子载波，且p1[q]和p2[q]是元素均为“1”的比特序列，这里采用全“1”序列作为导频符号，是为了使接收端导频符号y1[q]和y2[q]能更加完整地记录时频域信道响应；在OFDM调制器中将带有导频的时频域信号X
p
[n,m]经过海森堡变换得到时域信号s(t)，表示为其中t为时域信号的抽样时刻，g
tx
(t)为时域发射脉冲，T和Δf分别为时频域中最小抽样间隔和最小抽样频率；随后在时域信号s(t)各信息符号的开头均添加循环前缀作为保护间隔，再对信号流进行并串转换，通过发射天线将并串转换后的信号在时域信道进行传输；(2)接收天线接收得到经过时变信道传输的信号r(t)，其表示为r(t)＝∫∫h...

【专利技术属性】
技术研发人员：白智全，胡嘉成，杨纪凯，蔡月影，
申请(专利权)人：山东大学，
类型：发明
国别省市：