基于改进卷积神经网络的车联网中OTFS系统信道估计方法技术方案

基于改进卷积神经网络的车联网中OTFS系统信道估计方法，属无线通信技术领域。该方法包括三步：先由车联网中OTFS无线通信系统生成时延多普勒(DD)域数据集，并利用正交匹配追踪算法进行信道预估计，得到含噪的预估计信道矩阵；其次，在卷积神经网络的基础上引入混合空洞卷积和残差路径，将预估计信道矩阵与实际信道矩阵输入该网络进行离线训练；最后，在不同信噪比下，将预估计信道矩阵输入训练好的网络，输出最终信道估计矩阵。本发明专利技术将OMP算法与改进卷积神经网络相结合，把信道估计问题建模为去噪问题，对车联网中OTFS无线通信系统进行快速DD域信道估计，可显著提升信道估计的准确性，并对不同移动速度具有良好的鲁棒性。并对不同移动速度具有良好的鲁棒性。并对不同移动速度具有良好的鲁棒性。

【技术实现步骤摘要】
基于改进卷积神经网络的车联网中OTFS系统信道估计方法


[0001]本专利技术涉及一种基于改进卷积神经网络的车联网中OTFS系统信道估计方法，属于无线信道估计


技术介绍

[0002]正交时频空间(OTFS)使用时延
‑
多普勒域上的新一类载波实现QAM符号的多路传输，OTFS可以在实现性能与复杂度的最优化取舍的情况下，使传输速率接近信道容量，并有效抵御多普勒效应与多径效应产生的负面影响。考虑车联网高速移动环境中准确信道估计的重要性，OTFS系统通过将时频域发生剧烈变化的信道转换为时延
‑
多普勒域的稳定信道，可以有效地平衡多普勒频移。针对该系统的信道估计问题，一般采用传统基于导频的信道估计算法，如最小二乘(LS)和正交匹配追踪(OMP)算法，但传统信道估计受噪声信号的影响较大，且随着载波数目的增加复杂度急剧增加。深度学习作为人工智能领域的新兴技术，特别是卷积神经网络，近年来被广泛用于无线通信领域的各个方面，如信道估计、信号检测等。改进卷积神经网络是在卷积神经网络的基础上引入残差路径，并采用归一化均方误差(NMSE)作为损失函数，将信道估计问题建模为噪声消除问题，能够显著降低噪声影响，并且针对车联网中不同速度引起的多普勒频移有很好的鲁棒性，与传统神经网络方法相比，在保持了较低的模型复杂度的基础上很好地解决了梯度消失等问题，在无线通信领域表现出良好的应用前景。混合空洞卷积可以得到更大的感受野，让每个卷积输出都包含较大范围的信息，同时可以在降低计算量的前提下获得更加密集的数据特征，进而可更加准确地提取噪声特征。
[0003]Qingyu Li等(参见Q.Li,Y.Gong,F.Meng,Z.Li,L.Miao and Z.Xu,"Residual Learning based Channel Estimation for OTFS system,"2022IEEE/CIC International Conference on Communications in China.)基于深度学习对OTFS通信系统进行信道估计，提出了一种基于模型驱动的深度学习(DL)的时延
‑
多普勒域OTFS信道估计技术，利用深度残差学习网络(ResNet)对信道估计结果进一步处理，仿真结果表明该方法对比传统的信道估计方法能够实现较高的准确率。但是在低信噪比条件下的信道估计准确度的提升还有所欠缺，没有探究在噪声干扰较大情况下的模型性能，且模型的收敛速度较慢。

技术实现思路

[0004]传统基于导频和OMP信道估计算法在噪声干扰较大时信道估计准确率较低，且随着载波的增加复杂度急剧增加。为了克服这一问题，本专利技术提出了一种基于改进卷积神经网络的OTFS通信系统信道估计方法，能在低信噪比情况下进行噪声消除，从而显著提升信道估计的准确性。
[0005]本专利技术的技术方案如下：
[0006]一种基于改进卷积神经网络的车联网中OTFS系统信道估计方法，由OTFS无线通信系统实现，该系统包括发送端、时域信道和接收端，发送端为一含OTFS调制模块的单天线用
户，OTFS调制过程包括辛傅里叶逆变换、海森堡变换；时域信道稀疏路径数为P；接收端为四天线接收机，其包含OTFS解调模块及信道估计模块，OTFS解调过程包括辛傅里叶正变换和魏格纳变换；OTFS无线通信系统可将时频域剧烈变化的信道转换为延迟多普勒(DD)域中的稳定信道，从而有效抑制多普勒频移，信道估计模块的实现过程为：首先，由OTFS无线通信系统生成数据集，并利用OMP算法进行信道预估计，得到含噪的预估计矩阵；其次，引入混合空洞卷积和残差路径，搭建改进卷积神经网络，将含噪信道估计矩阵与实际信道矩阵输入该网络，并采用数据驱动方法进行离线训练；最后，在不同信噪比下，将测试数据输入训练好的改进卷积神经网络中，输出最终信道估计矩阵，并评测信道估计性能，其具体步骤如下：
[0007]1)OTFS无线通信系统仿真生成数据集，并对数据进行预处理：
[0008]首先，将一个长度为M
×
N的正交振幅调制(QAM)符号帧排列成一个二维数据矩阵其中表示M
×
N维的复数集，M和N分别为延迟维度和多普勒维度的单元数，一个OTFS符号帧被映射到延迟多普勒域网格中，得到延迟多普勒域中的信号x(k,l)，其中k∈{0,1,...,N
‑
1}，l∈{0,1,...,M
‑
1}；随后，通过逆辛傅里叶变换(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；X[n,m]再通过海森堡变换得到时域信号s(t)，表示为其中t表示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；然后，s(t)通过时域信道传输，在接收端得到时域信号r(t)，且r(t)＝∫∫h(τ,ν)g
tx
(t
‑
τ)e
j2πνt
dτdν+v(t)，其中v(t)表示时域加性高斯白噪声，h(τ,ν)表示稀疏路径数为P的信道冲激响应，τ和v分别表示延迟多普勒域路径时延和多普勒频移，r(t)在接收端经过魏格纳变换解调得到时频域输出信号Y[n,m]＝∫g
rx
(t
‑
τ)r(t)e
‑
j2π(t
‑
τ)
dt，其中g
rx
(t)表示时域接收脉冲；最后，通过辛傅里叶变换(SFFT)得到延迟多普勒域输出信号OTFS通信系统延迟多普勒域信道估计需要在发送信号中插入导频符号x
p
来对延迟多普勒域信道进行预估计，插入导频后的延迟多普勒域信号可表示为其中x
d
表示数据符号，(k
p
,l
p
)表示导频符号在时延域和多普勒域的位置，k
max
和l
max
分别表示延迟多普勒域的最大时延和最大多普勒扩展，此外可在k∈[k
p
‑
2k
max
,k
p
+2k
max
]及l∈[l
p
‑
l
max
,l
p
+l
max
]处通过置零作为导频符号的保护间隔；利用OMP算法进行信道预估计，将输入导频矩阵表示为S，将延迟多普勒域接收信号表示为Y，设置OMP算法的开始残差r为1，设置迭代次数为i,计算当前迭代次数i
‑
1的输入导频矩阵S
i
‑1的所有列向量与当前残差r
i
‑1的乘积，选择乘积绝对值最大的列
向量s
i
，将其添加到下一次迭代i的导频矩阵中，表示为S
i
＝[S
i
‑1,s
i
]，并采用最小二乘法得到第i次迭代的信道估计矩阵其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进卷积神经网络的车联网中OTFS系统信道估计方法，由OTFS无线通信系统实现，该系统包括发送端、时域信道和接收端，发送端为一含OTFS调制模块的单天线用户，OTFS调制过程包括辛傅里叶逆变换、海森堡变换；时域信道稀疏路径数为P；接收端为四天线接收机，其包含OTFS解调模块及信道估计模块，OTFS解调过程包括辛傅里叶正变换和魏格纳变换；OTFS无线通信系统可将时频域剧烈变化的信道转换为延迟多普勒域中的稳定信道，从而有效抑制多普勒频移，信道估计模块的实现过程为：首先，由OTFS无线通信系统生成数据集，并利用OMP算法进行信道预估计，得到含噪的预估计矩阵；其次，引入混合空洞卷积和残差路径，搭建改进卷积神经网络，将含噪信道估计矩阵与实际信道矩阵输入该网络，并采用数据驱动方法进行离线训练；最后，在不同信噪比下，将测试数据输入训练好的改进卷积神经网络中，输出最终信道估计矩阵，并评测信道估计性能，其具体步骤如下：1)OTFS无线通信系统仿真生成数据集，并对数据进行预处理：首先，将一个长度为M
×
N的正交振幅调制符号帧排列成一个二维数据矩阵其中表示M
×
N维的复数集，M和N分别为延迟维度和多普勒维度的单元数，一个OTFS符号帧被映射到延迟多普勒域网格中，得到延迟多普勒域中的信号x(k,l)，其中k∈{0,1,...,N
‑
1}，l∈{0,1,...,M
‑
1}；随后，通过逆辛傅里叶变换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；X[n,m]再通过海森堡变换得到时域信号s(t)，表示为其中t表示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；然后，s(t)通过时域信道传输，在接收端得到时域信号r(t)，且r(t)＝∫∫h(τ,ν)g
tx
(t
‑
τ)e
j2πνt
dτdν+v(t)，其中v(t)表示时域加性高斯白噪声，h(τ,ν)表示稀疏路径数为P的信道冲激响应，τ和v分别表示延迟多普勒域路径时延和多普勒频移，r(t)在接收端经过魏格纳变换解调得到时频域输出信号Y[n,m]＝∫g
rx
(t
‑
τ)r(t)e
‑
j2π(t
‑
τ)
dt，其中g
rx
(t)表示时域接收脉冲；最后，通过辛傅里叶变换得到延迟多普勒域输出信号OTFS通信系统延迟多普勒域信道估计需要在发送信号中插入导频符号x
p
来对延迟多普勒域信道进行预估计，插入导频后的延迟多普勒域信号可表示为l∈[l
p
‑
l
max
,l
p
+l
max
]，其中x
d
表示数据符号，(k
p
,l
p
)表示导频符号在时延域和多普勒域的位置，k
max
和l
max
分别表示延迟多普勒域的最大时延...

【专利技术属性】
技术研发人员：白智全，贺邦玮，马媛媛，许浩，胡嘉成，杨颖超，
申请(专利权)人：山东大学，
类型：发明
国别省市：