【技术实现步骤摘要】
本专利技术属于无线通信，涉及一种基于深度学习的时变mimo-ofdm系统分块平面信道估计方法。
技术介绍
1、mimo-ofdm技术被广泛应用在无线通信标准中，信道估计是其物理层中的一个基本问题。传统的信道估计算法，计算复杂度低且可解释性强。但是，传统的信道估计算法依赖于精确的数学建模，在复杂的信道条件下，如快速时变信道中，存在局限性。近年来出现的基于深度学习的信道估计器，使用神经网络学习信道的统计特性，其不需要精确的数学建模，可以更好地表征复杂条件下的信道。然而，基于深度学习的信道估计器计算复杂度一般较高。对于一个物理可行的mimo-ofdm系统而言，复杂度是信道估计器一个尤为重要的指标。因此，针对物理可行的时变mimo-ofdm系统，研究设计一种高准确度低复杂度的信道估计器尤为重要。
2、高准确度低复杂度的信道估计器通常包括两步。第一步，将接收到的信号分成多个子块，分别估计每个子块对应的信道。这种分块方案减少了矩阵/向量乘法的数量以降低复杂度，同时分离了每个子块中不同用户的信道。然后，在第二步中，通过利用信道的相关性，对所有子块上每个用户的信道估计值进行重组和滤波。然而，在现有的方法中，第一步往往会强加过于简单的假设，如通过假设每个子块内的信道是平坦衰落的ls获得信道估计值，导致模型误差。在第二步中，没有对信道的相关性进行充分利用，如只利用频空域相关性进行信道滤波。因此，在保证低复杂度的情况下，为提升信道估计的性能，需要对以上两步进行优化。
技术实现思路
1、为了在
2、本专利技术采用的技术方案包括以下步骤：
3、s1、k个单天线用户向配置有m根天线的基站发送数据。系统的每个ofdm帧包括n个子载波和t个ofdm符号。在每个ofdm帧内，tp个符号用于导频传输，剩余的t-tp个符号用于数据传输。
4、s2、建立一种时频域系统模型。在每个帧内，将t个ofdm符号分为u个子块，将n个子载波分为v个子块。在第(u，v)个子块内，第k个用户在第m根天线第t个ofdm符号第n个子载波上的信道系数为
5、
6、其中，lk是第k个用户的路径数；βk，m，l是第k个用户在第m根天线第l个路径上的信道复系数；δf是子载波间隔；τk，l和vk，l分别是第k个用户在第l个路径上的时延和多普勒频移。在第t个ofdm符号上，将第k个用户的传输信号矢量表示为其中xu，v，k，t，n为第k个用户在第n个子载波上的传输信号；将第k个用户在第m根天线上的信道矢量表示为其中hu，v，k，m，t，n为第k个用户在第m根天线第n个子载波上的信道。我们假设循环前缀(cp)的长度超过最大信道延迟，然后去除cp，对接收信号进行离散傅里叶变换，得到第(u，v)个子块内第m根接收天线第t个ofdm符号上的信号模型为
7、
8、其中，diag(·)代表对角化操作；是第m根接收天线第t个ofdm符号上的接收信号；是加性高斯白噪声(awgn)，其元素彼此独立且服从分布我们假设在一个ofdm符号的持续时间内信道变化非常小，因此忽略了载波间干扰。对于第(u，v)个子块，且则可得信号模型为：
9、
10、其中，是m根天线上的接收信号且是awgn。基于上述模型，我们可以抽取xu，v，k，hu，v，k和yu，v对应导频符号的行。为此，用表示第(u，v)个子块的行选择矩阵。定义第(u，v)个子块的导频位置索引集合为su，v的第个元素为1，其余为0。则发送的导频信号可表示为导频信道可表示为接收导频信号可表示为
11、s3、基于上述模型，我们采用两个拼接的模块进行信道估计，如图1所示。首先，对于模块a，我们提出了一种分块平面信道模型，每个子块中只有三个变量，以更准确地近似时变频选信道。基于分块平面信道模型，我们使用lmmse准则来获取每个子块中的模型变量。随后，为充分利用信道在时频空域的相关性，我们设计了一个低复杂度的3维残差结构空洞卷积网络滤波器作为模块b。
12、s4、模块a中基于分块平面信道模型的信道估计具体内容如下。在时变频选信道中，信道系数在子载波和ofdm符号之间的变化是连续的，因此，我们建立了一种分块平面信道模型来有效地利用信道相关性。具体来说，在第(u，v)个子块中，使用仿射函数作为信道系数的近似值：
13、hu，v，k，m，t，n＝cu，v，k，mγ+du，v，k，mλ+qu，v，k，m+δu，v，k，m，t，n，其中，cu，v，k，m，du，v，k，m和qu，v，k，m分别代表第(u，v)个平面子块的时域斜率、频域斜率和均值；γ和λ分别为时域和频域的偏置；δu，v，k，m，t，n为模型误差。定义时域偏置向量为且其中vec(·)代表将矩阵按列矢量化的操作；定义频域偏置向量为且定义为长度是的全1向量。hu，v，k的分块平面模型可表示为：
14、
15、其中，cu，v，k＝[cu，v，k，1，...，cu，v，k，m]t；du，v，k＝[du，v，k，1，...，du，v，k，m]t；qu，v，k＝[qu，v，k，1，...，qu，v，k，m]t；定义xu，v，k＝diag(xu，v，k)，则我们可得分块平面系统模型为：
16、yu，v＝au，vcu，v+bu，vdu，v+fu，vqu，v+zu，v，
17、其中，au，v＝[xu，v，1e1，...，xu，v，ke1]；是时域斜率矩阵；bu，v＝[xu，v，1e2，...，xu，v，ke2]；是频域斜率矩阵；是均值矩阵；awgn和模型误差的和根据中心极限定理，zu，v可以建模为均值为0，方差为的awgn矩阵。定义则我们可以将接收到的导频信号表示为：
18、
19、基于上述模型，我们使用lmmse准则检测cu，v，du，v和qu，v。先验均值为0，先验方差可基于历史数据获得。则后验均值可由下式获得：
20、
21、其中，协方差∑u，v为
22、
23、类似于上式，我们可以得到和然后我们可以重构导频信道：
24、
25、接下来，导频信道进行重排列得到张量用于后续的滤波。请注意，每个子块内只有三个变量，并且每个子块分别使用lmmse准则，这大大降低了计算复杂度。
26、s5、定义3维残差结构空洞卷积网络l(·；θ)，其中θ代表网络参数，具体的网络结构和参数如附图3和表1所示。判断l(·；θ)是否已经训练保存，如果尚未训练，则执行s6；如果l(·；θ)已经训练保存，则执行s7；
27、s6、在训练阶段，训练具有降噪和插值功能的3维残差结构空洞卷积网络l(·；θ)，对每个用户的信道进行单独降噪和插值，并将信道的实虚部作为独立样本，即输入为3维残差结构空洞卷积网络的功能可公式化表示为：
<本文档来自技高网...【技术保护点】
1.一种基于深度学习的时变MIMO-OFDM系统分块平面信道估计方法，其特征在于，包括以下步骤：
【技术特征摘要】
1.一种基于深度学习的时变mimo-ofdm系统...
【专利技术属性】
技术研发人员：袁晓军，刘晨晨，姜文俊，
申请(专利权)人：电子科技大学长三角研究院湖州，
类型：发明
国别省市：
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。