CN108833313A - 一种基于卷积神经网络的无线信道估计方法及装置 - Google Patents

一种基于卷积神经网络的无线信道估计方法及装置 Download PDF

Info

Publication number
CN108833313A
CN108833313A CN201810764457.8A CN201810764457A CN108833313A CN 108833313 A CN108833313 A CN 108833313A CN 201810764457 A CN201810764457 A CN 201810764457A CN 108833313 A CN108833313 A CN 108833313A
Authority
CN
China
Prior art keywords
channel estimation
data information
test
training
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810764457.8A
Other languages
English (en)
Inventor
纪晓东
王君
茅振东
刘春花
赵中原
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201810764457.8A priority Critical patent/CN108833313A/zh
Publication of CN108833313A publication Critical patent/CN108833313A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)

Abstract

本发明提供的一种基于卷积神经网络的无线信道估计方法及装置，通过接收发送端设备发送的数据信息，将数据信息输入至无线信道估计模型，获得数据信息对应的信道估计值，无线信道估计模型是采用训练样本集对该训练样本集对应的基于卷积神经网络的模型进行训练得到的，训练样本集包括用于训练的数据信息样本和数据信息样本对应的信道估计值。由于训练时只采用了数据信息样本和数据信息样本对应的信道估计值，没有采用导频信息。所以，接收端设备可以根据接收到的数据信息和训练得到的无线信道估计模型，直接进行信道估计，即发送端设备发送数据信息时不用发送导频信息。这样可以导频信息占用的时频资源用于传输数据信息，提高了数据传输的效率。

Description

一种基于卷积神经网络的无线信道估计方法及装置
技术领域
本发明涉及通信技术领域，特别是涉及一种基于卷积神经网络的无线信道估计方法及装置。
背景技术
随着通信技术的发展，与传统的3G/4G移动通信系统相比，下一代5G移动通信系统需要满足吞吐量更大、数据速率更快、端到端时延更低等要求。信道估计的方式和精度直接影响5G移动通信系统的数据传输效率，传统的移动通信系统中通常采用基于导频的方式进行信道估计。
采用基于导频的方式进行信道估计，发送端在发送数据信息时，需要发送导频信息；接收端可以利用导频信息计算导频信息处的信道估计值，再基于导频信息处的信道估计值，并利用信道时频域相关性，使用插值的方法估计出数据信息位置处的信道估计值(即数据信息对应的信道估计值)。
然而，发明人在实现本发明的过程中发现，现有技术至少存在如下问题：采用基于导频的方式进行信道估计，在信道估计的准确性上已经逼近理想信道估计的性能，很难再有突破。而且，为了避免导频信息与数据信息之间的相互干扰，导频信息通常不能与数据信息在同一个时频资源进行传输，因此，导频信息占用了一部分用于传输数据信息的时频资源，这样限制了数据传输的效率。
发明内容
本发明实施例的目的在于提供一种基于卷积神经网络的无线信道估计方法的方法及装置，以提高数据传输的效率。具体技术方案如下：
第一方面，提供了一种基于卷积神经网络的无线信道估计方法，所述方法包括：
接收发送端设备发送的数据信息；
将接收到的数据信息输入至无线信道估计模型，获得所述数据信息对应的信道估计值，其中，所述无线信道估计模型是采用训练样本集对所述训练样本集对应的基于卷积神经网络的模型进行训练得到的，所述训练样本集包括用于训练的数据信息样本和所述数据信息样本对应的信道估计值。
可选的，所述无线信道估计模型的训练过程，包括：
采用获得的训练样本集对所述训练样本集对应的基于卷积神经网络的模型进行训练，得到训练模型；
采用获得的测试样本集对得到的训练模型进行测试，得到测试结果，其中，所述测试样本集包括用于测试的数据信息样本和数据信息样本对应的信道估计值；
判断所述测试结果是否满足预设的测试精度要求；
如果满足，将所述训练模型作为所述无线信道估计模型；
如果不满足，重新获得训练样本集和测试样本集，以及所述重新获得的训练样本集对应的基于卷积神经网络的模型，并返回所述采用获得的训练样本集对所述训练样本集对应的基于卷积神经网络的模型进行训练，得到训练模型的步骤。
可选的，所述采用获得的训练样本集对所述训练样本集对应的基于卷积神经网络的模型进行训练，得到训练模型的步骤，包括：
按照预设的顺序，从获得的训练样本集中，确定当前用于训练的数据信息；
将所确定的当前用于训练的数据信息输入至所述训练样本集对应的基于卷积神经网络的模型，得到信道估计训练值，其中，所述训练样本集对应的基于卷积神经网络的模型包含预设的初始化参数；
根据当前用于训练的数据信息对应的信道估计值和信道估计训练值，以及预设的误差函数，计算第一误差值；
判断所述当前用于训练的数据信息对应的第一误差值是否不大于预设的第一阈值；
如果不大于，则将所述基于卷积神经网络的模型作为训练模型；
如果大于，则根据预设的误差函数的偏导函数，更新所述初始化参数，并返回所述按照预设的顺序，从获得的训练样本集中，确定当前用于训练的数据信息的步骤。
可选的，所述采用获得的测试样本集对得到的训练模型进行测试，得到测试结果的步骤，包括：
将获得的测试样本集中各个用于测试的数据信息样本输入至得到的训练模型，得到各个用于测试的数据信息样本对应的信道估计测试值；
根据每个用于测试的数据信息样本对应的信道估计值和信道估计测试值，以及预设的误差函数，计算得到各个信道估计测试值对应的第二误差值；
计算所有第二误差值中不大于预设的第二阈值的第二误差值所占的比率，将所述比率作为所述测试结果；
所述判断所述测试结果是否满足预设的测试精度要求的步骤，包括：
判断所述比率是否不小于预设的第三阈值；
如果不小于，则确定所述测试结果满足预设的测试精度要求；
如果小于，则确定所述测试结果不满足预设的测试精度要求。
第二方面，提供了一种基于卷积神经网络的无线信道估计装置，所述装置包括：
接收模块，用于接收发送端设备发送的数据信息；
获得模块，用于将接收到的数据信息输入至无线信道估计模型，获得所述数据信息对应的信道估计值，其中，所述无线信道估计模型是采用训练样本集对所述训练样本集对应的基于卷积神经网络的模型进行训练得到的，所述训练样本集包括用于训练的数据信息样本和所述数据信息样本对应的信道估计值。
可选的，所述装置还包括：
训练模块，用于采用获得的训练样本集对所述训练样本集对应的基于卷积神经网络的模型进行训练，得到训练模型；
测试模块，用于采用获得的测试样本集对得到的训练模型进行测试，得到测试结果，其中，所述测试样本集包括用于测试的数据信息样本和数据信息样本对应的信道估计值；
判断模块，用于判断所述测试结果是否满足预设的测试精度要求；
如果满足，将所述训练模型作为所述无线信道估计模型；
如果不满足，重新获得训练样本集和测试样本集，以及所述重新获得的训练样本集对应的基于卷积神经网络的模型。
可选的，所述训练模块包括：
确定子模块，用于按照预设的顺序，从获得的训练样本集中，确定当前用于训练的数据信息；
第一输入子模块，用于将所确定的当前用于训练的数据信息输入至所述训练样本集对应的基于卷积神经网络的模型，得到信道估计训练值，其中，所述所述训练样本集对应的基于卷积神经网络的模型包含预设的初始化参数；
第一计算子模块，用于根据当前用于训练的数据信息对应的信道估计值和信道估计训练值，以及预设的误差函数，计算第一误差值；
第一判断子模块，用于判断所述当前用于训练的数据信息对应的第一误差值是否不大于预设的第一阈值；
如果不大于，则将所述基于卷积神经网络的模型作为训练模型；
如果大于，则根据预设的误差函数的偏导函数，更新所述初始化参数，并返回所述按照预设的顺序，从获得的训练样本集中，确定当前用于训练的数据信息的步骤。
可选的，所述测试模块包括：
第二输入子模块，用于将获得的测试样本集中各个用于测试的数据信息样本输入至得到的训练模型，得到各个用于测试的数据信息样本对应的信道估计测试值；
第二计算子模块，用于根据每个用于测试的数据信息样本对应的信道估计值和信道估计测试值，以及预设的误差函数，计算得到各个信道估计测试值对应的第二误差值；
第三计算子模块，用于计算所有第二误差值中不大于预设的第二阈值的第二误差值所占的比率，将所述比率作为所述测试结果；
所述判断模块包括：
第二判断子模块，用于判断所述比率是否不小于预设的第三阈值；
如果不小于，则确定所述测试结果满足预设的测试精度要求；
如果小于，则确定所述测试结果不满足预设的测试精度要求。
第三方面，提供了一种电子设备，所述电子设备包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现上述任一所述的基于卷积神经网络的无线信道估计方法步骤。
第三方面，提供了一种电子设备，所述电子设备包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现上述任一所述的基于卷积神经网络的无线信道估计方法步骤。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述任一所述的基于卷积神经网络的无线信道估计方法。
第五方面，本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的基于卷积神经网络的无线信道估计方法。
本发明实施例提供的一种基于卷积神经网络的无线信道估计方法、装置及电子设备，通过接收发送端设备发送的数据信息，将数据信息输入至无线信道估计模型，获得数据信息对应的信道估计值，其中，无线信道估计模型是采用训练样本集对该训练样本集对应的基于卷积神经网络的模型进行训练得到的，训练样本集包括用于训练的数据信息样本和数据信息样本对应的信道估计值。
采用本发明实施例提供的技术方案，无线信道估计模型是通过训练训练样本集对应的基于卷积神经网络的模型获得的，由于训练时只采用了数据信息样本和数据信息样本对应的信道估计值，没有采用导频信息。所以，接收端设备可以根据接收到的数据信息和训练得到的无线信道估计模型，直接进行信道估计，也就是说发送端设备发送数据信息时可以不用发送导频信息。这样可以将导频信息占用的时频资源用于传输数据信息，提高了数据传输的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例提供的一种基于卷积神经网络的无线信道估计方法的流程图；
图2为本发明实施例提供的通信系统的第一种结构示意图；
图3为本发明实施例提供的获得无线信道估计模型的流程图；
图4为本发明实施例提供的一种基于卷积神经网络的模型结构示意图；
图5为本发明实施例提供的获得训练模型的流程图；
图6为本发明实施例提供的测试训练模型的流程图；
图7为本发明实施例提供的通信系统的第二种结构示意图；
图8为本发明实施例提供的一种基于卷积神经网络的无线信道估计装置的结构示意图；
图9为本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行描述。
本发明实施例提供的一种基于卷积神经网络的无线信道估计方法、装置及电子设备，可以将导频信息占用的时频资源用于传输数据信息，提高了数据传输的效率。本发明实施例的执行主体可以是通信网络中的接收端设备(以下简称接收端)。
下面首先对本发明实施例提供的一种基于卷积神经网络的无线信道估计方法进行介绍。
如图1所示，本发明实施例提供的一种基于卷积神经网络的无线信道估计方法可以包括以下步骤：
S110：接收发送端设备发送的数据信息。
在本发明实施例中，发送端可以向接收端发送调制后的数据信息，接收端可以通过射频解调过程接收该数据信息，然后进行信道估计。
具体的，发送端对原始的数据信息进行传输块处理、信道编码、调制和射频调制等处理后，经过无线信道传输至接收端，接收端接收到的数据信息是经过无线信道传输后的信息。其中，传输块处理、信道编码、调制和射频调制过程属于现有技术，在此不做赘述。
接收端可以包括射频解调模块和基于无线信道估计模型的信道估计模块。信道估计模块利用无线信道估计模型和数据信息进行信道估计。
S120：将接收到的数据信息输入至无线信道估计模型，获得数据信息对应的信道估计值，其中，无线信道估计模型是采用训练样本集对该训练样本集对应的基于卷积神经网络的模型进行训练得到的，训练样本集包括用于训练的数据信息样本和数据信息样本对应的信道估计值。
在本发明实施例中，接收端可以将接收到的数据信息输入至无线信道估计模型，该模型是基于卷积神经网络的模型，通过该模型可以获得数据信息对应的信道估计值。其中，本发明实施例中的信息估计模型是采用训练样本集对该训练样本集对应的基于卷积神经网络的模型进行训练得到的，训练样本集包括用于训练的数据信息样本和数据信息样本对应的信道估计值，基于卷积神经网络的模型的卷积层、池化层和神经元的个数等参数是根据训练样本包含的样本数据的总数及各样本数据的维度进行设置的，下文有具体的设置过程。
本发明实施例提供的一种基于卷积神经网络的无线信道估计方法，无线信道估计模型是通过训练训练样本集对应的基于卷积神经网络的模型获得的，由于训练时只采用了数据信息样本和数据信息样本对应的信道估计值，没有采用导频信息。所以，接收端设备可以根据接收到的数据信息和训练得到的无线信道估计模型，直接进行信道估计，也就是说发送端设备发送数据信息时可以不用发送导频信息。这样可以将导频信息占用的时频资源用于传输数据信息，提高了数据传输的效率。
训练样本的采集过程参见图2，图2是现有技术中发送端与接收端的结构示意图，发送端通常包括传输块产生、信道编码、调制和射频调制等模块，接收端通常包括射频解调、信道估计、联合检测、软解调和信道译码等模块。本发明实施例在信道估计模块的前端采集数据信息，在信道估计模块的后端采集数据信息对应的信道估计值。假设接收端接收到(L+L′)帧的信息，可以采用前L帧信息构建训练样本集其中Yi为接收端接收到的数据信息，Hi为数据信息Yi对应的信道估计值(即信道状态信息估计结果)；采用接收到的后L′帧信息构建测试样本集其中Y′i为接收端接收到的数据信息，H′i为数据信息Y′i对应的信道估计值。
以第i帧信息Bi为例，假设Bi由长度为q1的导频信息Pi和长度为q2的数据信息Xi构成。接收端接收到的第i帧信息可表示为：
其中，为接收端接收到的导频信息，Gi为导频信息对应的信道估计值，ni为其对应的噪声；Yi为接收端接收到的数据信息，Hi为数据信息Yi对应的信道估计值，wi为其对应的噪声。
接收端可以利用导频信息估计得到导频信息对应的信道估计值。以LS(LeastSquares，最小二乘法)估计算法为例，LS估计算法不考虑噪声ni，由公式(1)可得：
其中，为估计得到的导频信息Pi对应的信道状态信息估计结果，即导频信息Pi对应的信道估计值。
然后，接收端利用得到的导频信息对应的信道估计值，通过插值估计得到数据信息对应的信道估计值。以维纳滤波插值估计为例，维纳滤波插值矩阵可表示为：
其中，Rdp为数据信息Yi处信道与导频信息Pi处信道的相关矩阵，Rpp为导频信息Pi处信道的自相关矩阵，SNR为信噪比，I为单位向量。
进行插值得到数据信息处的信道状态信息估计结果，即数据信息对应的信道估计值为：
Hi＝RGi (4)
可选的，作为本发明实施例的一种实施方式，基于卷积神经网络的无线信道估计模型的训练过程如图3所示，包括以下步骤：
S310：采用获得的训练样本集对训练样本集对应的基于卷积神经网络的模型进行训练，得到训练模型。
在本发明实施例中，训练样本集对应的基于卷积神经网络的模型如图4所示，该模型包括输入层、卷积层、池化层、全连接层和输出层。各层的作用如下：
输入层：用于输入经过信道处理过后的数据信息。
卷积层：用于提取信道特征。输入数据分别同多个卷积核做卷积运算得到卷积层的净输入，再用激活函数，如ReLU(The Rectified Linear Unit，修正线性单元)函数分别对卷积层的输入激活，得到卷积层的输出。
池化层：用于下采样过程，对卷积层提取的信道特征参数进行下采样。以池化区域大小为单位将卷积层的输出划分为的多个不重复的小块，取每个小块内数值的最大值作为池化后的数值，由此减少卷积层输出参数的数量。其中，卷积层和池化层可有多层，图4中为简明表达只画出两层。
全连接层：用多个权值将池化后的多个信道特征综合起来得到全连接层的输入，并用激活函数对其进行激活，得到全连接层的输出。
输出层：输出卷积神经网络计算出的数据信息对应的信道估计值。
S320：采用获得的测试样本集对得到的训练模型进行测试，得到测试结果，其中，测试样本集包括用于测试的数据信息样本和数据信息样本对应的信道估计值。
在本发明实施例中，可以将测试样本集中的数据信息依次输入至训练得到的训练模型中，然后根据训练模型输出的数据信息对应的信道估计值与测试样本中已经存在的该数据信息对应的信道估计值之间的差值，得到测试结果。
S330：判断测试结果是否满足预设的测试精度要求；如果是，执行S340；如果否，执行S350。
S340：将训练模型作为无线信道估计模型。
S350：重新获得训练样本集和测试样本集，以及重新获得的训练样本集对应的基于卷积神经网络的模型，并返回步骤S310。
本发明实施例提供的方案中，在得到训练模型后，再用测试样本集进行测试，这样得到的无线信道估计模型在进行信道估计时，得到的信道估值精度更高。
可选的，作为本发明实施例的一种实施方式，上述S310如图5所示，可以包括以下步骤：
S3101：按照预设的顺序，从获得的训练样本集中，确定当前用于训练的数据信息。
在本发明实施例中，训练样本集包含多组数据信息和数据信息对应的信道估计值，接收端可以按照接收到这些数据信息的先后顺序，依此将数据信息输入该训练样本集对应的基于卷积神经网络的模型中。
S3102：将所确定的当前用于训练的数据信息输入至训练样本集对应的基于卷积神经网络的模型，得到信道估计训练值，其中，训练样本集对应的基于卷积神经网络的模型包含预设的初始化参数。
对基于卷积神经网络的模型进行初始化参数设置包括以下步骤：
1、对卷积层的层数n及各卷积层包含的卷积核个数进行初始化设置,各卷几层包含的卷积核个数可以不相同。例如，当训练样本集包含10万组数据信息，各数据信息的维度为120×14，这时可以将n设置为6，将第l(l＝1…n)层卷积层的卷积核的个数设置为100。
2、对卷积核矩阵Wj (l)和池化层到全连接层的权值进行初始化设置，其中，Wj (l)表示第l(l＝1…n)层卷积层第j(j＝1…m)个卷积核矩阵，矩阵维度a×b总小于或等于当前卷积层输入数据信息矩阵的维度，矩阵元素可初始化为服从标准正态分布的随机数；表示第n层池化层第k个神经元到全连接层(全连接层是第n+1层)第j个神经元之间的权值，可初始化为服从标准正态分布的随机数。
3、池化层的层数和卷积层的层数相同。对池化层池化区域的大小e×f及池化方式进行初始化设置，其中，池化区域的大小e×f小于卷积层输出矩阵的维度；池化方式分为平均池化或最大池化，本发明实施例采用最大池化。
以第i帧数据信息Yi为例，训练样本集对应的基于卷积神经网络的模型根据以下步骤计算并输出数据信息Yi对应的信道估计值
(1)将Yi分别与第1层的m个卷积核矩阵做卷积运算得到m个卷积层的净输入，净输入可以表示为其中，表示卷积运算符号，Wj表示第1层卷积层包含的各卷积核的权值；
(2)用ReLU激活函数分别对激活得到卷积层的输出
(3)对卷积层的输出做池化区域大小为e×f的最大池化操作：将矩阵中的每e×f个元素池化为一个元素，这个元素的数值为该e×f个元素中的最大值。得到第1层池化层的输出
(4)将第1层池化层输出作为第2层卷积层的输入，依此方式重复执行卷积运算和池化操作，最终得到第n层池化层的输出
(5)将第n层池化层的输出与一个同矩阵维度相同的权值矩阵做卷积运算得到
(6)将第n层池化层中与全连接层(全连接层为第n+1层)第j个神经元(神经元的个数为训练数据集Hi中元素的个数)相连的神经元用权值连接起来得到全连接层第j个神经元的净输入再用ReLU激活函数激活得到全连接层的输出中的元素
S3103：根据当前用于训练的数据信息对应的信道估计值和信道估计训练值，以及预设的误差函数，计算第一误差值。
当前用于训练的数据信息对应的信道估计值可以用Hi表示，信道估计训练值(即基于卷积神经网络的模型输出值)可以用表示，预设的误差函数可以用下面的公式(5)表示。
S3104：判断当前用于训练的数据信息对应的第一误差值是否不大于预设的第一阈值；如果当前用于训练的数据信息对应的第一误差值不大于预设的第一阈值，执行S3105；如果当前用于训练的数据信息对应的第一误差值大于预设的第一阈值，执行S3106并返回S3101。
预设的第一阈值可以设置为10-5，接收端可以将当前用于训练的数据信息对应的第一误差值与10-5进行大小比较，即判断当前用于训练的数据信息通过上述公式(5)计算得到的误差值是否不大于10-5。如果不大于，执行S3105；否则，执行S3106并返回S3101。
接收端也可以统计训练样本集中的各数据信息用于训练基于卷积神经网络的模型的次数，然后通过判断该次数是否达到n次，来确定是否结束训练。例如，预先设置n＝100次，如果训练样本集中的各数据信息用于训练基于卷积神经网络的模型的次数达到100次，则执行S3105；如果训练样本集中的各数据信息用于训练基于卷积神经网络的模型的次数未达到100次，则执行S3106并返回S3101。
S3105：将基于卷积神经网络的模型作为训练模型，即将训练后的基于卷积神经网络的模型作为训练模型。
S3106：根据预设的误差函数的偏导函数，更新初始化参数。
初始化参数的更新公式为：
其中，为第l层卷积层第j个卷积核的权值，为第n层池化层第k个神经元到全连接神经网络层(第n+1层)第j个神经元之间的权值，为第l层第j个卷积核的偏移值(在全连接层中为第j个神经元的偏移值)，为预设的误差函数的偏导函数，α为预设的系数。
本发明实施例提供的方案中，在训练训练样本集对应的基于卷积神经网络的模型时，只用到了数据信息和数据信息对应的信息估计值，不需要使用导频信息，这样可以使训练得到的训练模型，在后续进行信道估计时，可以根据接收到的数据信息直接计算该数据信息对应的信道估计值，不需要使用导频信息，从而提高了数据传输的效率。
可选的，作为本发明实施例的一种实施方式，上述步骤S320如图6所示，可以包括以下步骤：
S3201：将获得的测试样本集中各个用于测试的数据信息样本输入至得到的训练模型，得到各个用于测试的数据信息样本对应的信道估计测试值。
获得的测试样本集可以用表示，其中包含多组数据信息和数据信息对应的信道估计值。在测试过程中，可以将测试样本集中的各数据信息Y′i输入至训练得到的训练模型中，训练模型可以输出Y′i对应该的信道估计值即测试的数据信息样本Y′i对应的信道估计测试值。
S3202：根据每个用于测试的数据信息样本对应的信道估计值和信道估计测试值，以及预设的误差函数，计算得到各个信道估计测试值对应的第二误差值。
预设的误差函数可以用公式(9)表示：
其中，为本发明实施例训练得到的基于卷积神经网络的模型根据数据信息Y′i计算得到的信道估计值，H′i为数据信息Y′i对应的信道估计值。
S3203：计算所有第二误差值中不大于预设的第二阈值的第二误差值所占的比率，将该比率作为测试结果。
预设的第二阈值可以为10-5，接收端可以统计不大于预设的第二阈值的第二误差值所占的比率，并将该比率作为测试结果。
S3204：判断比率是否不小于预设的第三阈值；如果不小于，即该比率不小于预设的第三阈值，则执行S3205；如果小于，即该比率小于预设的第三阈值，则执行S3206。
预设的第三阈值可以为98％，接收端可以将步骤S3203中计算得到的比率值与预设的第三阈值进行大小比较。判断该比率是否不小于预设的第三阈值。如果不小于，执行S3205；如果小于，执行S3206。
S3205：确定测试结果满足预设的测试精度要求。
S3206：确定测试结果不满足预设的测试精度要求。此时需要重新采集训练样本集和测试样本集，重新训练和测试基于卷积神经网络的模型。
本发明实施例提供的方案中，在得到训练模型后，使用测试样本集对其进行测试，从而提高了该模型进行信道估计的精度。
示例性的，通信系统可以包括通过无线信道通信的发送端和接收端，如图7所示，发送端可以包括传输块产生、信道编码、调制和射频解调等模块，接收端可以包括射频解调、基于卷积神经网络的信道估计模块(即基于本发明训练得到的无线信道估计模型的模块)、联合检测、软解调和信道译码等模块。发送端对原始的数据信息进行传输块处理、信道编码、调制和射频调制等处理后，经过无线信道传输至接收端，接收端可以通过射频解调模块接收数据信息，并通过基于卷积神经网络的信道估计模块和接收到的数据信息进行信道估计，然后利用联合检测、软解调和信道译码等模块，并根据接收到的数据信息和对应的信道估计值计算得到最终的数据信息。
基于相同的技术构思，相应于图1所述的方法实施例，本发明还提供了一种基于卷积神经网络的无线信道估计装置，如图8所示，该装置包括：
接收模块801，用于接收发送端设备发送的数据信息；
获得模块802，用于将接收到的数据信息输入至无线信道估计模型，获得所述数据信息对应的信道估计值，其中，所述无线信道估计模型是采用训练样本集对所述训练样本集对应的基于卷积神经网络的模型进行训练得到的，所述训练样本集包括用于训练的数据信息样本和所述数据信息样本对应的信道估计值。
本发明实施例提供的一种基于卷积神经网络的无线信道估计方法，无线信道估计模型是通过训练训练样本集对应的基于卷积神经网络的模型获得的，由于训练时只采用了数据信息样本和数据信息样本对应的信道估计值，没有采用导频信息。所以，接收端设备可以根据接收到的数据信息和训练得到的无线信道估计模型，直接进行信道估计，也就是说发送端设备发送数据信息时可以不用发送导频信息。这样可以将导频信息占用的时频资源用于传输数据信息，提高了数据传输的效率。
可选的，所述装置还包括：
训练模块，用于采用获得的训练样本集对所述训练样本集对应的基于卷积神经网络的模型进行训练，得到训练模型；
测试模块，用于采用获得的测试样本集对得到的训练模型进行测试，得到测试结果，其中，所述测试样本集包括用于测试的数据信息样本和数据信息样本对应的信道估计值；
判断模块，用于判断所述测试结果是否满足预设的测试精度要求；
如果满足，将所述训练模型作为所述无线信道估计模型；
如果不满足，重新获得训练样本集和测试样本集，以及所述重新获得的训练样本集对应的基于卷积神经网络的模型。
具体应用时，判断模块重新获得训练样本集和测试样本集之后，会触发训练模块采用获得的训练样本集对所述训练样本集对应的基于卷积神经网络的模型进行训练，得到训练模型。
本发明实施例提供的方案中，在得到训练模型后，再用测试样本集进行测试，这样得到的无线信道估计模型在进行信道估计时，得到的信道估值精度更高。
可选的，所述训练模块包括：
确定子模块，用于按照预设的顺序，从获得的训练样本集中，确定当前用于训练的数据信息；
第一输入子模块，用于将所确定的当前用于训练的数据信息输入至所述训练样本集对应的基于卷积神经网络的模型，得到信道估计训练值，其中，所述所述训练样本集对应的基于卷积神经网络的模型包含预设的初始化参数；
第一计算子模块，用于根据当前用于训练的数据信息对应的信道估计值和信道估计训练值，以及预设的误差函数，计算第一误差值；
第一判断子模块，用于判断所述当前用于训练的数据信息对应的第一误差值是否不大于预设的第一阈值；
如果不大于，则将所述基于卷积神经网络的模型作为训练模型；
如果大于，则根据预设的误差函数的偏导函数，更新所述初始化参数。
具体应用时，第一判断子模块根据预设的误差函数的偏导函数，更新所述初始化参数后，触发确定子模块按照预设的顺序，从获得的训练样本集中，确定当前用于训练的数据信息。
本发明实施例提供的方案中，在训练所述训练样本集对应的基于卷积神经网络的模型时，只用到了数据信息和数据信息对应的信息估计值，不需要使用导频信息，这样可以使训练得到的训练模型，在后续进行信道估计时，可以根据接收到的数据信息直接计算该数据信息对应的信道估计值，不需要使用导频信息，从而提高了数据传输的效率。
可选的，所述测试模块包括：
第二输入子模块，用于将获得的测试样本集中各个用于测试的数据信息样本输入至得到的训练模型，得到各个用于测试的数据信息样本对应的信道估计测试值；
第二计算子模块，用于根据每个用于测试的数据信息样本对应的信道估计值和信道估计测试值，以及预设的误差函数，计算得到各个信道估计测试值对应的第二误差值；
第三计算子模块，用于计算所有第二误差值中不大于预设的第二阈值的第二误差值所占的比率，将所述比率作为所述测试结果；
所述判断模块包括：
第二判断子模块，用于判断所述比率是否不小于预设的第三阈值；
如果不小于，则确定所述测试结果满足预设的测试精度要求；
如果小于，则确定所述测试结果不满足预设的测试精度要求。
本发明实施例提供的方案中，在得到训练模型后，使用测试样本集对其进行测试，从而提高了该模型进行信道估计的精度。
本发明实施例还提供了一种电子设备，如图9所示，包括处理器901、通信接口902、存储器903和通信总线904，其中，处理器901、通信接口902、存储器903通过通信总线904完成相互间的通信；
存储器903，用于存放计算机程序；
处理器901，用于执行存储器903上所存放的程序时，实现如下步骤：
接收发送端设备发送的数据信息；
将接收到的数据信息输入至无线信道估计模型，获得所述数据信息对应的信道估计值，其中，所述无线信道估计模型是采用训练样本集对所述训练样本集对应的基于卷积神经网络的模型进行训练得到的，所述训练样本集包括用于训练的数据信息样本和所述数据信息样本对应的信道估计值。
本发明实施例提供的电子设备，无线信道估计模型是通过训练训练样本集对应的基于卷积神经网络的模型获得的，由于训练时只采用了数据信息样本和数据信息样本对应的信道估计值，没有采用导频信息。所以，接收端设备可以根据接收到的数据信息和训练得到的无线信道估计模型，直接进行信道估计，也就是说发送端设备发送数据信息时可以不用发送导频信息。这样可以将导频信息占用的时频资源用于传输数据信息，提高了数据传输的效率。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的基于卷积神经网络的无线信道估计方法。
本发明实施例提供的可读存储介质，无线信道估计模型是通过训练训练样本集对应的基于卷积神经网络的模型获得的，由于训练时只采用了数据信息样本和数据信息样本对应的信道估计值，没有采用导频信息。所以，接收端设备可以根据接收到的数据信息和训练得到的无线信道估计模型，直接进行信道估计，也就是说发送端设备发送数据信息时可以不用发送导频信息。这样可以将导频信息占用的时频资源用于传输数据信息，提高了数据传输的效率。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的基于卷积神经网络的无线信道估计方法。
本发明实施例提供的计算机程序产品，无线信道估计模型是通过训练训练样本集对应的基于卷积神经网络的模型获得的，由于训练时只采用了数据信息样本和数据信息样本对应的信道估计值，没有采用导频信息。所以，接收端设备可以根据接收到的数据信息和训练得到的无线信道估计模型，直接进行信道估计，也就是说发送端设备发送数据信息时可以不用发送导频信息。这样可以将导频信息占用的时频资源用于传输数据信息，提高了数据传输的效率。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、可读存储介质和计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (9)

1.一种基于卷积神经网络的无线信道估计方法，其特征在于，所述方法包括：
接收发送端设备发送的数据信息；
将接收到的数据信息输入至无线信道估计模型，获得所述数据信息对应的信道估计值，其中，所述无线信道估计模型是采用训练样本集对所述训练样本集对应的基于卷积神经网络的模型进行训练得到的，所述训练样本集包括用于训练的数据信息样本和所述数据信息样本对应的信道估计值。
2.根据权利要求1所述的方法，其特征在于，所述无线信道估计模型的训练过程，包括：
采用获得的训练样本集对所述训练样本集对应的基于卷积神经网络的模型进行训练，得到训练模型；
采用获得的测试样本集对得到的训练模型进行测试，得到测试结果，其中，所述测试样本集包括用于测试的数据信息样本和数据信息样本对应的信道估计值；
判断所述测试结果是否满足预设的测试精度要求；
如果满足，将所述训练模型作为所述无线信道估计模型；
如果不满足，重新获得训练样本集和测试样本集，以及所述重新获得的训练样本集对应的基于卷积神经网络的模型，并返回所述采用获得的训练样本集对所述训练样本集对应的基于卷积神经网络的模型进行训练，得到训练模型的步骤。
3.根据权利要求2所述的方法，其特征在于，所述采用获得的训练样本集对所述训练样本集对应的基于卷积神经网络的模型进行训练，得到训练模型的步骤，包括：
按照预设的顺序，从获得的训练样本集中，确定当前用于训练的数据信息；
将所确定的当前用于训练的数据信息输入至所述训练样本集对应的基于卷积神经网络的模型，得到信道估计训练值，其中，所述训练样本集对应的基于卷积神经网络的模型包含预设的初始化参数；
根据当前用于训练的数据信息对应的信道估计值和信道估计训练值，以及预设的误差函数，计算第一误差值；
判断所述当前用于训练的数据信息对应的第一误差值是否不大于预设的第一阈值；
如果不大于，则将所述基于卷积神经网络的模型作为训练模型；
如果大于，则根据预设的误差函数的偏导函数，更新所述初始化参数，并返回所述按照预设的顺序，从获得的训练样本集中，确定当前用于训练的数据信息的步骤。
4.根据权利要求2或3所述的方法，其特征在于，所述采用获得的测试样本集对得到的训练模型进行测试，得到测试结果的步骤，包括：
将获得的测试样本集中各个用于测试的数据信息样本输入至得到的训练模型，得到各个用于测试的数据信息样本对应的信道估计测试值；
根据每个用于测试的数据信息样本对应的信道估计值和信道估计测试值，以及预设的误差函数，计算得到各个信道估计测试值对应的第二误差值；
计算所有第二误差值中不大于预设的第二阈值的第二误差值所占的比率，将所述比率作为所述测试结果；
所述判断所述测试结果是否满足预设的测试精度要求的步骤，包括：
判断所述比率是否不小于预设的第三阈值；
如果不小于，则确定所述测试结果满足预设的测试精度要求；
如果小于，则确定所述测试结果不满足预设的测试精度要求。
5.一种基于卷积神经网络的无线信道估计装置，其特征在于，所述装置包括：
接收模块，用于接收发送端设备发送的数据信息；
获得模块，用于将接收到的数据信息输入至无线信道估计模型，获得所述数据信息对应的信道估计值，其中，所述无线信道估计模型是采用训练样本集对所述训练样本集对应的基于卷积神经网络的模型进行训练得到的，所述训练样本集包括用于训练的数据信息样本和所述数据信息样本对应的信道估计值。
6.根据权利要求5所述的装置，其特征在于，所述装置还包括：
训练模块，用于采用获得的训练样本集对所述训练样本集对应的基于卷积神经网络的模型进行训练，得到训练模型；
测试模块，用于采用获得的测试样本集对得到的训练模型进行测试，得到测试结果，其中，所述测试样本集包括用于测试的数据信息样本和数据信息样本对应的信道估计值；
判断模块，用于判断所述测试结果是否满足预设的测试精度要求；
如果满足，将所述训练模型作为所述无线信道估计模型；
如果不满足，重新获得训练样本集和测试样本集，以及所述重新获得的训练样本集对应的基于卷积神经网络的模型。
7.根据权利要求6所述的装置，其特征在于，所述训练模块包括：
确定子模块，用于按照预设的顺序，从获得的训练样本集中，确定当前用于训练的数据信息；
第一输入子模块，用于将所确定的当前用于训练的数据信息输入至所述训练样本集对应的基于卷积神经网络的模型，得到信道估计训练值，其中，所述训练样本集对应的基于卷积神经网络的模型包含预设的初始化参数；
第一计算子模块，用于根据当前用于训练的数据信息对应的信道估计值和信道估计训练值，以及预设的误差函数，计算第一误差值；
第一判断子模块，用于判断所述当前用于训练的数据信息对应的第一误差值是否不大于预设的第一阈值；
如果不大于，则将所述基于卷积神经网络的模型作为训练模型；
如果大于，则根据预设的误差函数的偏导函数，更新所述初始化参数。
8.根据权利要求6或7所述的装置，其特征在于，所述测试模块包括：
第二输入子模块，用于将获得的测试样本集中各个用于测试的数据信息样本输入至得到的训练模型，得到各个用于测试的数据信息样本对应的信道估计测试值；
第二计算子模块，用于根据每个用于测试的数据信息样本对应的信道估计值和信道估计测试值，以及预设的误差函数，计算得到各个信道估计测试值对应的第二误差值；
第三计算子模块，用于计算所有第二误差值中不大于预设的第二阈值的第二误差值所占的比率，将所述比率作为所述测试结果；
所述判断模块包括：
第二判断子模块，用于判断所述比率是否不小于预设的第三阈值；
如果不小于，则确定所述测试结果满足预设的测试精度要求；
如果小于，则确定所述测试结果不满足预设的测试精度要求。
9.一种电子设备，其特征在于，所述电子设备包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现权利要求1-4任一所述的方法步骤。
CN201810764457.8A 2018-07-12 2018-07-12 一种基于卷积神经网络的无线信道估计方法及装置 Pending CN108833313A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810764457.8A CN108833313A (zh) 2018-07-12 2018-07-12 一种基于卷积神经网络的无线信道估计方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810764457.8A CN108833313A (zh) 2018-07-12 2018-07-12 一种基于卷积神经网络的无线信道估计方法及装置

Publications (1)

Publication Number Publication Date
CN108833313A true CN108833313A (zh) 2018-11-16

Family

ID=64137041

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810764457.8A Pending CN108833313A (zh) 2018-07-12 2018-07-12 一种基于卷积神经网络的无线信道估计方法及装置

Country Status (1)

Country Link
CN (1) CN108833313A (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109302238A (zh) * 2018-11-29 2019-02-01 武汉邮电科学研究院有限公司 一种光iq调制器参数调节方法及系统
CN109617847A (zh) * 2018-11-26 2019-04-12 东南大学 一种基于模型驱动深度学习的无循环前缀ofdm接收方法
CN110008947A (zh) * 2019-04-12 2019-07-12 河南工业大学 一种基于卷积神经网络的粮仓粮食数量监测方法及装置
CN110138475A (zh) * 2019-05-08 2019-08-16 南京邮电大学 一种基于lstm神经网络的自适应门限信道占用状态预测方法
CN110351212A (zh) * 2019-08-10 2019-10-18 南京理工大学 快衰落信道下基于卷积神经网络的信道估计方法
CN110365613A (zh) * 2019-07-01 2019-10-22 重庆大学 一种基于神经网络预测的信道估计方法
CN110445581A (zh) * 2019-08-10 2019-11-12 南京理工大学 基于卷积神经网络降低信道译码误码率的方法
CN110535803A (zh) * 2019-09-03 2019-12-03 西南交通大学 一种无源光网络上行传输接收端解调方法
CN110830409A (zh) * 2019-11-15 2020-02-21 同方电子科技有限公司 外源辐射雷达参考信道估计和信道估计模型训练方法
CN111224677A (zh) * 2018-11-27 2020-06-02 华为技术有限公司 编码方法、译码方法及装置
CN111224905A (zh) * 2019-12-25 2020-06-02 西安交通大学 一种大规模物联网中基于卷积残差网络的多用户检测方法
CN111435926A (zh) * 2019-01-11 2020-07-21 中国移动通信有限公司研究院 一种mimo系统信道预测方法、装置、介质和设备
CN111464465A (zh) * 2020-03-11 2020-07-28 重庆邮电大学 一种基于集成神经网络模型的信道估计方法
CN111510400A (zh) * 2019-01-31 2020-08-07 诺基亚通信公司 用于预测修复的通信信道的比特率的方法和装置
CN111555992A (zh) * 2020-05-15 2020-08-18 厦门大学 一种基于深度卷积神经网络的大规模多天线信道估计方法
CN112152948A (zh) * 2019-06-28 2020-12-29 华为技术有限公司 一种无线通信处理的方法和装置
WO2021237423A1 (zh) * 2020-05-25 2021-12-02 Oppo广东移动通信有限公司 一种信道状态信息传输方法、电子设备及存储介质
CN114424623A (zh) * 2019-09-19 2022-04-29 上海诺基亚贝尔股份有限公司 基于机器学习的信道估计
WO2023088138A1 (zh) * 2021-11-18 2023-05-25 华为技术有限公司 信道状态信息处理方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106248801A (zh) * 2016-09-06 2016-12-21 哈尔滨工业大学 一种基于多声发射事件概率的钢轨裂纹检测方法
CN106651830A (zh) * 2016-09-28 2017-05-10 华南理工大学 一种基于并行卷积神经网络的图像质量测试方法
CN107220667A (zh) * 2017-05-24 2017-09-29 北京小米移动软件有限公司 图像分类方法、装置及计算机可读存储介质
CN107743103A (zh) * 2017-10-26 2018-02-27 北京交通大学 基于深度学习的mmtc系统的多节点接入检测和信道估计方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106248801A (zh) * 2016-09-06 2016-12-21 哈尔滨工业大学 一种基于多声发射事件概率的钢轨裂纹检测方法
CN106651830A (zh) * 2016-09-28 2017-05-10 华南理工大学 一种基于并行卷积神经网络的图像质量测试方法
CN107220667A (zh) * 2017-05-24 2017-09-29 北京小米移动软件有限公司 图像分类方法、装置及计算机可读存储介质
CN107743103A (zh) * 2017-10-26 2018-02-27 北京交通大学 基于深度学习的mmtc系统的多节点接入检测和信道估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PENG MUGEN，HU QIANG，XIE XINQIAN，ZHAO ZHONGYUAN: ""Network Coded Multihop Wireless Communication Networks: Channel Estimation and Training Design"", 《IEEE JOURNAL ON SELECTED AREAS IN COMMUNICATIONS》 *
赵中原: ""多天线无线中继系统网络编码传输理论和方法"", 《中国博士学位论文全文数据库信息科技辑》 *

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109617847A (zh) * 2018-11-26 2019-04-12 东南大学 一种基于模型驱动深度学习的无循环前缀ofdm接收方法
CN109617847B (zh) * 2018-11-26 2021-04-06 东南大学 一种基于模型驱动深度学习的无循环前缀ofdm接收方法
CN111224677B (zh) * 2018-11-27 2021-10-15 华为技术有限公司 编码方法、译码方法及装置
CN111224677A (zh) * 2018-11-27 2020-06-02 华为技术有限公司 编码方法、译码方法及装置
WO2020108472A1 (zh) * 2018-11-27 2020-06-04 华为技术有限公司 编码方法、译码方法及装置
CN109302238A (zh) * 2018-11-29 2019-02-01 武汉邮电科学研究院有限公司 一种光iq调制器参数调节方法及系统
CN111435926A (zh) * 2019-01-11 2020-07-21 中国移动通信有限公司研究院 一种mimo系统信道预测方法、装置、介质和设备
CN111510400B (zh) * 2019-01-31 2023-04-14 诺基亚通信公司 用于预测修复的通信信道的比特率的方法和装置
CN111510400A (zh) * 2019-01-31 2020-08-07 诺基亚通信公司 用于预测修复的通信信道的比特率的方法和装置
CN110008947A (zh) * 2019-04-12 2019-07-12 河南工业大学 一种基于卷积神经网络的粮仓粮食数量监测方法及装置
CN110008947B (zh) * 2019-04-12 2021-06-29 河南工业大学 一种基于卷积神经网络的粮仓粮食数量监测方法及装置
CN110138475A (zh) * 2019-05-08 2019-08-16 南京邮电大学 一种基于lstm神经网络的自适应门限信道占用状态预测方法
CN112152948B (zh) * 2019-06-28 2021-12-03 华为技术有限公司 一种无线通信处理的方法和装置
CN112152948A (zh) * 2019-06-28 2020-12-29 华为技术有限公司 一种无线通信处理的方法和装置
CN110365613A (zh) * 2019-07-01 2019-10-22 重庆大学 一种基于神经网络预测的信道估计方法
CN110445581A (zh) * 2019-08-10 2019-11-12 南京理工大学 基于卷积神经网络降低信道译码误码率的方法
CN110445581B (zh) * 2019-08-10 2022-11-01 南京理工大学 基于卷积神经网络降低信道译码误码率的方法
CN110351212A (zh) * 2019-08-10 2019-10-18 南京理工大学 快衰落信道下基于卷积神经网络的信道估计方法
CN110535803A (zh) * 2019-09-03 2019-12-03 西南交通大学 一种无源光网络上行传输接收端解调方法
CN114424623A (zh) * 2019-09-19 2022-04-29 上海诺基亚贝尔股份有限公司 基于机器学习的信道估计
CN110830409A (zh) * 2019-11-15 2020-02-21 同方电子科技有限公司 外源辐射雷达参考信道估计和信道估计模型训练方法
CN110830409B (zh) * 2019-11-15 2022-02-22 同方电子科技有限公司 外源辐射雷达参考信道估计和信道估计模型训练方法
CN111224905A (zh) * 2019-12-25 2020-06-02 西安交通大学 一种大规模物联网中基于卷积残差网络的多用户检测方法
CN111464465A (zh) * 2020-03-11 2020-07-28 重庆邮电大学 一种基于集成神经网络模型的信道估计方法
CN111464465B (zh) * 2020-03-11 2022-05-06 重庆邮电大学 一种基于集成神经网络模型的信道估计方法
CN111555992A (zh) * 2020-05-15 2020-08-18 厦门大学 一种基于深度卷积神经网络的大规模多天线信道估计方法
WO2021237423A1 (zh) * 2020-05-25 2021-12-02 Oppo广东移动通信有限公司 一种信道状态信息传输方法、电子设备及存储介质
WO2023088138A1 (zh) * 2021-11-18 2023-05-25 华为技术有限公司 信道状态信息处理方法及装置

Similar Documents

Publication Publication Date Title
CN108833313A (zh) 一种基于卷积神经网络的无线信道估计方法及装置
CN106452629B (zh) 一种基于核功率密度的无线信道多径分簇方法
CN109195170A (zh) 小区扩容方法、装置及存储介质
CN106817225A (zh) 以太网供电方法和设备
CN109754376A (zh) 图像去噪方法及装置
CN111526119B (zh) 异常流量检测方法、装置、电子设备和计算机可读介质
CN110661727B (zh) 数据传输优化方法、装置、计算机设备和存储介质
JP2019146162A (ja) テレコミュニケーションネットワークを監視するための方法および装置
CN110213003A (zh) 一种无线信道大尺度衰落建模方法及装置
CN109188410B (zh) 一种非视距场景下的距离校准方法、装置及设备
CN108597204A (zh) 一种智能抄表系统及其实现方法
CN114499651A (zh) 信号传输方法、信号传输装置及电子设备
CN104365025B (zh) 用于检测电信线路内的桥接抽头的方法和设备
CN105357707B (zh) 基于克里金插值算法的室内分布式移动通信信号覆盖预测方法
CN108234227A (zh) 网络节点设备的时延测量方法、装置及网络节点设备
CN110146855A (zh) 雷达间断干扰抑制门限计算方法及装置
CN108229240A (zh) 一种确定图像质量的方法及装置
CN109359727A (zh) 神经网络的结构确定方法、装置、设备及可读介质
US20200252146A1 (en) Method and apparatus for predicting the bitrate of a repaired communication channel
CN114841979A (zh) 一种多尺度融合注意力的深度学习癌症分子分型预测方法
CN110290534B (zh) 一种基于XGBoost的认知无线电协作频谱感知方法及系统
CN111352813A (zh) 一种分布式存储使用容量预估方法及装置
CN104170325B (zh) 用于确定家庭网络质量的方法和服务器
CN106060918A (zh) 一种功率控制方法及基站
CN117295096B (zh) 基于5g短共享的智能电表数据传输方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181116