【技术实现步骤摘要】
非平稳信道场景下基于图像超分辨率的优化导频实现方法
[0001]本专利技术涉及的是一种无线通信领域的技术,具体是一种非平稳信道场景下基于图像超分辨率的优化导频实现方法。
技术介绍
[0002]导频其中一种重要的作用就是作为收发两端已知信号用于信道估计用来评估信道的衰落情况,在第四代(4G)长期演进(LTE)系统菱形导频图样被证明性能最优,而在第五代(5G)新空口(NR)系统菱形导频图样不再适用。现有的导频的自适应设计方法大致分为两类,一类是通过预先给定基本的导频配置,通过信道实时的多普勒扩展调整导频在时域轴的间隔,通过信道实时的时延扩展调整导频在频域轴的间隔,多普勒(时延扩展)扩展与导频在时域轴(频域轴)成负相关关系。另一类是通过预先给定的最密导频配置,通过优化问题最佳进行一维导频关断选择从而达到自适应导频设计要求。在5G NR系统中一类导频解调参考信号(DMRS)有针对四种不同信道的图样格式:缓慢时变信道、频率选择信道、快时变信道和双选择信道。但随着超5G(B5G)系统非平稳信道概念的提出和绿色通信理念的关注,信道实时的导频设计的自主性需求进一步加大。
[0003]经过对现有技术的检索发现,中国专利文献号CN114944895A公开日20220826,公开一种针对无人机非平稳信道场景的优化导频实现方法,根据无线协议配置和无人机通信运行数据估计当前的资源块(RB)的信道时间相关函数,然后通过选择基于不同符号位置的导频序列的关断以及基于RB能效最大化原则进行导频和数据功率配比,最后根据信道时间相关函数和功率配比 ...
【技术保护点】
【技术特征摘要】
1.一种非平稳信道场景下基于图像超分辨率的优化导频实现方法,其特征在于,在离线阶段通过DMRS最密导频图样和基于几何的随机模型(GBSM)产生非平稳信道的RB数据,通过随机二维导频静音机制和随机导频RE/数据RE的功率配比设置下生成导频维度的信道频域响应作为训练集对导频维度超分辨率卷积神经网络(Pilot
‑
SRCNN)进行训练,根据训练后的Pilot
‑
SRCNN得到高分辨率的信道频域响应(CFR),将其插值处理后作为训练集进一步用于训练资源块超分辨率卷积神经网络(RB
‑
SRCNN);在在线阶段,根据待测RB数据遍历所有可选的二维导频静音机制选择和导频RE/数据RE的功率配比并通过训练后的资源块超分辨率卷积神经网络得到待测RB数据的平均均方误差,当其满足最大能效标准时,根据该RB数据设置导频;所述的Pilot
‑
SRCNN网络和RB
‑
SRCNN网络均包括:输入卷积层、中间卷积层和输出卷积层。2.根据权利要求1所述的非平稳信道场景下基于图像超分辨率的优化导频实现方法,其特征是,所述的对导频维度的超分辨率卷积神经网络进行训练时,将Pilot
‑
SRCNN的损失函数设置为最小导频维度的平均均方误差;所述的训练资源块超分辨率卷积神经网络,将RB
‑
SRCNN的损失函数设置为最小化RB维度中数据的平均均方误差。3.根据权利要求1所述的非平稳信道场景下基于图像超分辨率的优化导频实现方法,其特征是,具体包括:步骤1)通过DMRS最密导频图样和GBSM产生非平稳信道RB数据,通过随机二维导频静音机制和随机导频RE/数据RE的功率配比设置下生成导频维度的信道频域响应作为训练集;步骤2)构建并通过步骤1得到的训练集对导频维度超分辨率卷积神经网络进行训练,根据训练后的Pilot
‑
SRCNN得到高分辨率的导频维度训练集的信道频域响应,将其插值处理后生成训练集进一步用于训练资源块超分辨率卷积神经网络,具体包括:步骤2.1)构建pilot
‑
SRCNN,其中:输入卷积层采用64个3
×
3的卷积核;中间卷积层采用32个1
×
1的卷积核,并且这两层都采用线性整流函数(ReLu)作为激活函数;输出卷积层采用16个5
×
5的卷积核,损失函数为其中:为导频维度的训练数据集,为导频维度的训练数据集的数目,H
p
为导频维度的真实CFR,*
F
为F
‑
范数,为通过步骤1得到的训练集,即经过二维导频静音机制得到的低精度的导频维度的CFR,为pilot
‑
SRCNN输出的高精度的导频维度的CFR;步骤2.2)对步骤2.1得到的高精度的导频维度信道频域响应依次进行频域DFT插值和时域高斯插值得到训练集,具体为:高精度的导频维度信道时域响应在频域进行DFT插值操作:在频域轴将补0至长度为N
sub
即然后进行DFT操作再进行高斯插值操作再进行高斯插值操作得到RB维度低精度的其中:i
p
为导频在时域轴的符号索引,j
p
为导频在频域轴的子载波索引,为高斯插值系数;
步骤2.3)构建RB
‑
SRCNN,其中:输入卷积层采用64个9
×
9的卷积核;中间卷积层采用32个5
×
5的卷积核,并且这两层均采用线性整流函数(ReLu)作为激活函数;输出卷积层采用3个5
×
5的卷积核,其损失函数为其中:...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。