一种基于自监督学习的水声信道估计方法及装置制造方法及图纸

本发明专利技术提供一种基于自监督学习的水声信道估计方法及装置。该方法包括：对接收信号进行信道粗估计得到对应于发送信号中每个子载波在导频信息插入位置的初始信道估计，所述接收信号是将发送信号中插入导频信息并通过水声信道传输后的信号；从第一组导频位置开始对所述初始信道估计进行第一下采样，从第二组导频位置开始对所述初始信道估计进行第二下采样,对所述第一下采样后的初始信道估计进行第一插值得到第一信道估计；以及，对所述第二下采样后的初始信道估计进行第二插值得到第二信道估计,将所述第一信道估计输入神经网络模型，得到预测信号估计，以减小所述预测信号估计和所述第二信道估计的差距为优化目标，训练所述神经网络模型。如此，可以不依赖水声标签信息以及监督学习的限制对信道进行估计。信息以及监督学习的限制对信道进行估计。信息以及监督学习的限制对信道进行估计。

【技术实现步骤摘要】
一种基于自监督学习的水声信道估计方法及装置


[0001]本说明书一个或多个实施例涉及水声信号处理
，尤其涉及一种基于自监督学习的水声信道估计方法及装置。

技术介绍

[0002]声波是水下无线通信的重要载体，水声信道特性复杂多变，具有强多途、强噪声、多普勒频移，明显的空间和时间起伏等特点，给水声通信带来了非常大的困难和挑战。水声信道估计是完成水下信息传输的重要步骤，对信道参数的准确估计是提高通信性能的重要手段。
[0003]水声信道估计的目标是为了获取水声信道冲激响应，传统算法主要包括最小二乘(Least Square,简称LS)以及最小均方误差(Minimum mean square error,简称MMSE)算法。该类方法通常基于一定的训练符号(多用于单载波通信)或导频序列(多用于多载波通信)，其中LS算法实现简单，但估计性能通常不能满足高精度的要求。MMSE算法在信道估计过程中需要一定的水声信道先验信息作为前提条件，而实际的水声通信应用中，该部分信息往往无法提前获知。此外标准的MMSE算法中由于涉及到矩阵求逆的操作导致运算复杂度较高，虽然该方法能够实现线性估计中统计意义上的最优解，但是实际应用中的可操作性不强。
[0004]近年来，已有研究人员将机器学习方法引入水声信道估计任务中，其凭借出色的学习能力以及强大的自适应能力，在复杂环境条件下以及难以线性建模的问题中展现出了巨大的优势。基于机器学习的水声信道估计模型将发送和接收的训练序列(或导频符号)作为输入信息，输出为信道估计结果。研究人员先后将多层感知机(Multilayer Perceptron,简称MLP)、全连接深度神经网络(Fully Connected Deep Neural Network，简称FC
‑
DNN)、卷积神经网络(Convolutional Neural Network,简称CNN)等机器学习模型应用于水声信道估计，相较传统算法取得了较大的估计精度以及误码率性能提升。
[0005]然而，现有基于机器学习的水声信道估计技术需要大量高精度水声信道标注数据来进行有监督的训练，这往往与实际需求相违背：一方面，真实水声信道往往通常未知，高精度的大量标注成本高；另一方面，有监督的离线训练策略难以适应在线学习和部署的应用场景。因此，亟需探索一种不依赖水声标签信息以及监督学习限制的信道估计方法。

技术实现思路

[0006]本专利技术描述一种基于自监督学习的水声信道估计方法及装置，可以解决上述技术问题。
[0007]根据第一方面，提供一种基于自监督学习的水声信道估计方法。该方法包括：
[0008]对接收信号进行信道粗估计得到对应于所述发送信号中每个子载波在导频信息插入位置的初始信道估计，所述接收信号是将发送信号中插入导频信息并通过水声信道传输后的信号；其中导频间隔为m；从第一组导频位置开始对所述初始信道估计进行第一下采
样，从第二组导频位置开始对所述初始信道估计进行第二下采样；所述第一组导频位置相对第二组导频位置相差一个导频间隔m；对所述第一下采样后的初始信道估计进行第一插值得到第一信道估计；以及，对所述第二下采样后的初始信道估计进行第二插值得到第二信道估计；所述第一信道估计和第二信道估计的维度一致；将所述第一信道估计输入神经网络模型，得到预测信号估计，以减小所述预测信号估计和所述第二信道估计的差距为优化目标，训练所述神经网络模型；将所述初始信道估计进行插值后输入训练好的所述神经网络模型，得到最终水声信道估计。
[0009]在一个实施例中，初始信道估计的计算公式为：
[0010][0011]其中H
LS
(k)表示频域信道估计结果在第k个载波频点上的响应即初始信道估计，Y
p
(k)表示在第k个载波频点上的接收信号，X
p
(k)表示在第k个载波频点上的发送信号，正交频分复用总载波个数为K，导频个数为L，梳状插入的导频位置记作P＝[1：K/L：K]。
[0012]在一个实施例中，所述从第一组导频位置开始对所述初始信道估计进行第一下采样，从第二组导频位置开始对所述初始信道估计进行第二下采样，所述第一下采样的导频位置为P1＝P[1：2：L]，所述第二下采样的导频位置为P2＝P[2：2：L]。
[0013]在一个实施例中，所述神经网络模型表示为：
[0014][0015]其中表示神经网络中训练参数，F(
·
)表示神经网络模型的前向计算过程，ω
l
以及b
l
分别代表第l层的权重向量以及偏差向量，表示神经网络模型中的每一层前向计算过程，是复数自监督学习网络估计得到的信道在第k个载波频点上的响应值。
[0016]在一个实施例中，所述神经网络的层操作为：
[0017][0018]其中a,b分别为复数权重ω＝a+jb的实部和虚部，x
In
和x
Out
分别是复数网络各层的输入和输出，为取实部操作，为取虚部操作，基于复数信号的激活函数可以表示为：
[0019][0020]其中ReLU(
·
)表示神经网络中的ReLU激活函数，表示复数形式的ReLU激活函数。
[0021]在一个实施例中，所述神经网络模型的训练的优化目标为：其中H
sub1
(k)为第一信道估计，H
sub2
(k)为第二信道估计，F(
·
)表示神经网络模型的前向计算过程。
[0022]根据第二方面，提供一种基于自监督学习的水声信道估计装置，该装置包括：
[0023]信道粗估计模块，配置为对接收信号进行信道粗估计得到对应于所述发送信号中每个子载波在导频信息插入位置的初始信道估计，所述接收信号是将发送信号中插入导频信息并通过水声信道传输后的信号；其中导频间隔为m；
[0024]第一和第二信道估计模块，配置为从第一组导频位置开始对所述初始信道估计进行第一下采样，从第二组导频位置开始对所述初始信道估计进行第二下采样，所述第一组导频位置相对第二组导频位置相差一个导频间隔m；对所述第一下采样后的初始信道估计进行第一插值得到第一信道估计；以及，对所述第二下采样后的初始信道估计进行第二插值得到第二信道估计；所述第一信道估计和第二信道估计的维度一致。
[0025]训练模块，配置为将所述第一信道估计输入神经网络模型，得到预测信号估计，以减小所述预测信号估计和所述第二信道估计的差距为优化目标，训练所述神经网络模型。
[0026]最终信道估计确定模块，将所述初始信道估计进行插值后输入训练好的所述神经网络模型，得到最终水声信道估计。
[0027]在一个实施例中，所述神经网络模型表示为：
[0028][0029]其中表示神经网络中训练参数，F(
·
)表示神经网络模型的前向计算过程，ω
l
以及b
l
分别代表第l本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自监督学习的水声信道估计方法，用于正交频分复用水声通信系统，其特征在于，所述方法包括：对接收信号进行信道粗估计得到对应于发送信号中每个子载波在导频信息插入位置的初始信道估计，所述接收信号是在发送信号中插入导频信息并通过水声信道传输后的信号；其中导频间隔为m；从第一组导频位置开始对所述初始信道估计进行第一下采样，从第二组导频位置开始对所述初始信道估计进行第二下采样；所述第一组导频位置相对第二组导频位置相差一个导频间隔m；对所述第一下采样后的初始信道估计进行第一插值得到第一信道估计；以及，对所述第二下采样后的初始信道估计进行第二插值得到第二信道估计；所述第一信道估计和第二信道估计的维度一致；将所述第一信道估计输入神经网络模型，得到预测信号估计，以减小所述预测信号估计和所述第二信道估计的差距为优化目标，训练所述神经网络模型；将所述初始信道估计进行插值后输入训练好的所述神经网络模型，得到最终水声信道估计。2.根据权利要求1所述的方法，其特征在于，所述初始信道估计的计算公式为：其中H
LS
(k)表示频域信道估计结果在第k个载波频点上的响应即所述初始信道估计，Y
p
(k)表示在第k个载波频点上的接收信号，X
p
(k)表示在第k个载波频点上的发送信号，正交频分复用总载波个数为K，导频个数为L，梳状插入的导频位置记作P＝[1：K/L：K]。3.根据权利要求2所述的方法，其特征在于，所述从第一组导频位置开始对所述初始信道估计进行第一下采样，从第二组导频位置开始对所述初始信道估计进行第二下采样，所述第一下采样的导频位置为P1＝P[1：2：L]，所述第二下采样的导频位置为P2＝P[2:2:L]。4.根据权利要求1所述的方法，其特征在于，所述神经网络模型表示为：其中表示神经网络中训练参数，F(
·
)表示神经网络模型的前向计算过程，ω
l
以及b
l
分别代表第l层的权重向量以及偏差向量，表示神经网络模型中的每一层前向计算过程，是复数自监督学习网络估计得到的信道在第k个载波频点上的响应值。5.根据权利要求1或4所述的方法，其特征在于，所述神经网络的层操作为：其中a,b分别为复数权重ω＝a+jb的实部和虚部，x
In
和x
Out
分别是复数网络各层的输入和输出，为取实部操作，为取虚部操作，基于复数信号的激活函数可以表示为：
其中ReLU(
·
)表示神经网络中的ReLU激活函数，表示复数形式...

【专利技术属性】
技术研发人员：张永霖，王迪雅，台玉朋，王海斌，汪俊，吴立新，
申请(专利权)人：中国科学院声学研究所，
类型：发明
国别省市：