CN109218233B - 基于深度特征融合网络的ofdm信道估计方法 - Google Patents

Abstract

本发明提供的一种基于深度特征融合网络的OFDM信道估计方法，包括步骤：S1：在原始传输信号插入导频；S2：将步骤S1得到的传输信号串行数据流变成并行数据流，利用IDFT将传输信号进行OFDM调制；S3：将传输信号由并行数据流变成串行数据流；经由OFDM信道发送到接收端；S4：接收端接收传输信号后，将传输信号由串行数据流变成并行数据流，然后利用DFT对传输信号进行解调制；S5：将传输信号由并行数据流变成串行数据流，然后输入深度特征融合网络的信道估计模型中，输出经信道估计模型融合的传输信号；本发明能够在保证信道估计的性能的同时，能够有效的恢复在有限导频、CP去除和非线性噪声的情况下OFDM信道中的传输信号，降低了数据失真和信道噪声的影响。

Description

基于深度特征融合网络的OFDM信道估计方法

技术领域

本发明涉及OFDM信道估计领域，具体涉及一种基于深度特征融合网络的OFDM信道估计方法。

背景技术

正交频分复用系统(Orthogonal Frequency-division Multiplexing，OFDM)是一种流行的多载波调制方式，通过减小和消除信号的码间干扰来达到克服无线信道中的频率选择性衰落，因而在无线宽带系统中被广泛使用。在OFDM系统中，信道状态信息(ChannelState Information，CSI)与相干解调和解码有着密切的联系。在以往的研究中，通常是根据在探测到发射数据之前的导频来估计CSI，并以此估计CSI在接收机中恢复在信道中传输的数据和符号。

在以往的历史研究中，OFDM系统中的信道估计受到广大研究者的广泛研究。从最初的传统估计方法到后面的改进，研究者们进行了大量的研究。传统的最小二乘(LeastSquares，LS)和最小均方误差(Minimum Mean-square Error，MMSE)都进行了不同情况的优化。LS估计方法不需接受信道的先验信道统计量，但缺点是性能可能不够。而对于MMSE则是通过利用信道的二阶统计量来获得更好的检测性能。而对于信道所存在的失真问题，在导频丰富、有循环前缀(Cyclic Prefix，CP)、线性噪声的情况下，传统估计方法及其改进能够满足系统要求，但是在有限导频、CP去除和非线性噪声的情况下，以往的模型还不足以满足要求。

因此，需要提出一种新的OFDM信道估计方法。

发明内容

有鉴于此，本发明的目的是提供一种基于深度特征融合网络的OFDM信道估计方法，能够在保证信道估计的性能的同时，能够有效的恢复在有限导频、CP去除和非线性噪声的情况下OFDM信道中的传输信号，降低了数据失真和信道噪声的影响。

本发明提供一种基于深度特征融合网络的OFDM信道估计方法，包括步骤：

S1：在发射端，在原始传输信号插入导频；

S2：将步骤S1得到的传输信号串行数据流变成并行数据流，然后利用离散傅里叶反变换方法将传输信号进行OFDM调制；

S3：在步骤S2得到的传输信号中加入循环前缀，并将加入循环前缀的传输信号由并行数据流变成串行数据流；然后经由OFDM信道发送到接收端；

S4：接收端接收传输信号后，将传输信号由串行数据流变成并行数据流，去除循环前缀，然后利用离散傅里叶变换方法对传输信号进行解调制；

S5：将步骤S4得到的传输信号由并行数据流变成串行数据流，然后输入到预先建立的深度特征融合网络的信道估计模型中，输出经信道估计模型融合的传输信号，即原始传输信号的估计值。

进一步，所述建立深度特征融合网络的信道估计模型具体包括：

S612：获取训练样本；

S613：构建深度特征融合的卷积神经网络；

S614：利用获取的训练样本对深度特征融合的卷积神经网络进行训练，直到满足传输信号的损失值在允许误差范围内。

进一步，所述传输信号的损失值的计算公式为

其中，L₂表示传输信号的损失值；X(k)是接收端接收到的去掉循环前缀的传输信号；

是经信道估计模型融合的传输信号。

进一步，所述深度特征融合的卷积神经网络的信道模型为5层卷积网络CNN。

进一步，所述5层卷积网络CNN中将最后1层卷积层转置形成第1反卷积层，通过元素相加法将第1反卷积层的映射和倒数第2层卷积层的映射进行合并融合，得到新的倒数第2层卷积层的映射，将新的倒数第2层卷积层的映射作为倒数第2层卷积层的输出；

将新的倒数第2层卷积层转置形成第2反卷积层，通过元素相加法将第2反卷积层的映射和倒数第3层卷积层的映射进行合并融合，得到新的倒数第3层卷积层的映射，将新的倒数第3层卷积层的映射作为倒数第3层卷积层的输出；

将新的倒数第3层卷积层转置形成第3反卷积层，通过元素相加法将第3反卷积层的映射和倒数第4层卷积层的映射进行合并融合；得到新的倒数第4层卷积层的映射，将新的倒数第4层卷积层的映射作为5层卷积网络CNN总的输出。

进一步，所述5层卷积网络的前4层卷积层采用Relu函数作为激活函数；所述5层卷积网络的最后1层卷积层采用Sigmoid函数作为激活函数，将最后1层卷积层的输出映射到区间[0,1]之间。

本发明的有益效果：本发明通过深度特征融合网络的信道估计模型，能够在保证信道估计的性能的同时，能够有效的恢复在有限导频、CP去除和非线性噪声的情况下OFDM信道中的传输信号，降低了数据失真和信道噪声的影响。

附图说明

下面结合附图和实施例对本发明作进一步描述：

图1为发明中OFDM系统的模型；

图2为CNN的机构示意图；

图3为卷积层和反卷积层的融合示意图。

具体实施方式

如图1所示，本发明提供的一种基于深度特征融合网络的OFDM信道估计方法，包括步骤：

S1：在发射端，在原始传输信号插入导频；本实施例中，基于深度特征融合网络的OFDM信道估计方法应用的OFDM信道系统同与传统的基带OFDM系统相同，由发射端、OFDM信道和接收端三部分组成，所述的原始传输信号是经过了调制的传输信号，此为现有技术在此不赘述。导频符号插入在OFDM块前端，即原始传输信号，与原始传输信号组成新的传输信号，进入步骤S2。

S2：将步骤S1得到的传输信号串行数据流变成并行数据流，然后利用离散傅里叶反变换方法(IDFT)将传输信号进行OFDM调制；

S3：在步骤S2得到的传输信号中加入循环前缀，并将加入循环前缀的传输信号由并行数据流变成串行数据流；并由OFDM信道发送；本实施例中，为了减小传输过程中的符间干扰(Inter-sysbol Interference，ISI)因而插入一个循环前缀CP，CP的长度应不少于通道的最大延迟扩展。

S4：接收端接收传输信号后，将传输信号由串行数据流变成并行数据流，去除循环前缀，然后利用离散傅里叶变换方法(DFT)对传输信号进行解调制；对传输信号进行解调制；本实施例中，选取的空间多路径通道所描述的复杂随机变量为

则接收机接收到的信号可以表示为：

y(n)＝x(n)*h(n)+ω(n) (2)

其中，*表示循环卷积运算，x(n)表示为传输信号，ω(n)则表示为信道中的加性白噪声(Additive WhiteGaussian Noise，AWGN)，n表示信号的第n个的样本，N表示信号样本的总数。

在接收端去除循环前缀后，接收到的频率信号则为：

Y(k)＝X(k)*H(k)+W(k) (3)

其中的Y(k)，X(k)，H(k)，W(k)分别为y(n)，x(n)，h(n)，ω(n)的离散傅里叶变换。

S5：将步骤S4得到的传输信号由并行数据流变成串行数据流，然后输入到预先建立的深度特征融合网络的信道估计模型中，输出经信道估计模型融合的传输信号，即原始传输信号的估计值。本实施例中，得到了原始传输信号的估计值后还需要进行解调制，此为现有技术在此不赘述。通过上述方法，通过深度特征融合网络的信道估计模型，能够在保证信道估计的性能的同时，能够有效的恢复在有限导频、CP去除和非线性噪声的情况下OFDM信道中的传输信号，降低了数据失真和信道噪声的影响。

所述建立深度特征融合网络的信道估计模型具体包括：

S612：获取训练样本；本实施例中，训练样本根据WINNER II模型随机选取500组数据，每组数据包括原始传输信号和接收端接收到的去掉循环前缀的传输信号，将训练样本中原始传输信号作为输入参数输入深度特征融合的卷积神经网络，深度特征融合的卷积神经网络输出估计值，即经信道估计模型融合的传输信号。本实施例中，可采用正交设计或均匀设计法来设计训练样本。本实施例中，得到训练样本的WINNER II模型的载波频率为2.6GHz，路径数为24，并且使用具有最大延迟为16采样周期的典型城市信道采用的调制方法为QPSK。

其中载波频率为2.6GHz，路径数为24，并且使用具有最大延迟为16采样周期的典型城市信道，采用QPSK的调制方法；。

S613：构建深度特征融合的卷积神经网络；本实施例中，采用Xavier初始化的方法对深度特征融合的卷积神经网络的参数进行初始化。

S614：利用获取的训练样本对深度特征融合的卷积神经网络进行训练，直到满足传输信号的损失值在允许误差范围内。本实施例中，满足传输信号的损失值在允许误差范围即L₂<L_max，其中，L_max表示传输信号的最大损失阈值，L₂表示传输信号的损失值。

所述传输信号的损失值的计算公式为

其中，L₂表示传输信号的损失值；X(k)是接收端接收到的去掉循环前缀的传输信号；

是经信道估计模型融合的传输信号；k表示信号的第k个样本；N表示信号样本的总数。

如图1所示，所述深度特征融合的卷积神经网络的信道模型为5层卷积网络CNN。本实施例中，未加入反卷积层的5层卷积网络CNN中的每一层卷积层输出数据的高度和宽度依次为5层卷积网络CNN输入数据的

数据的高度和宽度逐渐缩小，其携带的信息也缩减，而使数据失真和信道噪声的影响导致传输信号的恢复性能下降。

如图1和图3所示，所述5层卷积网络CNN中将最后1层卷积层输出反卷积形成第1反卷积层，通过元素相加法将第1反卷积层的映射和倒数第2层卷积层的映射进行合并融合，得到新的倒数第2层卷积层的映射，将新的倒数第2层卷积层的映射作为倒数第2层卷积层的输出；以保证第1反卷积层的输出和倒数第2层卷积层的卷积输出的维数相同。图1中，conv表示卷积层、deconvolution表示反卷积层，符号

表示通过元素相加法反卷积的映射和反卷积层的映射进行合并融合，output表示5层卷积网络CNN总的输出。图3中，conv表示卷积层，conv n表示第n层卷积层，rf-map n+1表示n+1层卷积层的卷积输出；rf-map n表示n层卷积层的卷积输出；deconv表示反卷积层；sum和符号

表示通过元素相加法反卷积的映射和反卷积层的映射进行合并融合。

将新的倒数第2层卷积层转置形成第2反卷积层，通过元素相加法将第2反卷积层的映射和倒数第3层卷积层的映射进行合并融合，得到新的倒数第3层卷积层的映射，将新的倒数第3层卷积层的映射作为倒数第3层卷积层的输出；

将新的倒数第3层卷积层转置形成第3反卷积层，通过元素相加法将第3反卷积层的映射和倒数第4层卷积层的映射进行合并融合；得到新的倒数第4层卷积层的映射，将新的倒数第4层卷积层的映射作为5层卷积网络CNN总的输出。通过3层反卷积层和卷积层映射的合并融合，使得各卷积层具有更多的语义信息，能够有效的恢复OFDM信道中的传输信号，特别是在在有限导频、CP去除和非线性噪声等工程场景和实际条件下，能够有效降低了数据失真和信道噪声的影响，有着较好的恢复性能。

所述5层卷积网络的前4层卷积层采用Relu函数作为激活函数；所述5层卷积网络的最后1层卷积层采用Sigmoid函数作为激活函数，将最后1层卷积层的输出映射到区间[0,1]之间。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (2)

1.一种基于深度特征融合网络的OFDM信道估计方法，其特征在于：包括步骤：

S1：在发射端，在原始传输信号插入导频；

S2：将步骤S1得到的传输信号串行数据流变成并行数据流，然后利用离散傅里叶反变换方法将传输信号进行OFDM调制；

S3：在步骤S2得到的传输信号中加入循环前缀，并将加入循环前缀的传输信号由并行数据流变成串行数据流；然后经由OFDM信道发送到接收端；

S4：接收端接收传输信号后，将传输信号由串行数据流变成并行数据流，去除循环前缀，然后利用离散傅里叶变换方法对传输信号进行解调制；

S5：将步骤S4得到的传输信号由并行数据流变成串行数据流，然后输入到预先建立的深度特征融合网络的信道估计模型中，输出经信道估计模型融合的传输信号，即原始传输信号的估计值；

所述建立深度特征融合网络的信道估计模型具体包括：

S612：获取训练样本；

S613：构建深度特征融合的卷积神经网络；

S614：利用获取的训练样本对深度特征融合的卷积神经网络进行训练，直到满足传输信号的损失值在允许误差范围内；

所述深度特征融合的卷积神经网络的信道模型为5层卷积网络CNN；

所述5层卷积网络CNN中将最后1层卷积层转置形成第1反卷积层，通过元素相加法将第1反卷积层的映射和倒数第2层卷积层的映射进行合并融合，得到新的倒数第2层卷积层的映射，将新的倒数第2层卷积层的映射作为倒数第2层卷积层的输出；

将新的倒数第2层卷积层转置形成第2反卷积层，通过元素相加法将第2反卷积层的映射和倒数第3层卷积层的映射进行合并融合，得到新的倒数第3层卷积层的映射，将新的倒数第3层卷积层的映射作为倒数第3层卷积层的输出；

将新的倒数第3层卷积层转置形成第3反卷积层，通过元素相加法将第3反卷积层的映射和倒数第4层卷积层的映射进行合并融合；得到新的倒数第4层卷积层的映射，将新的倒数第4层卷积层的映射作为5层卷积网络CNN总的输出；

所述5层卷积网络的前4层卷积层采用Relu函数作为激活函数；所述5层卷积网络的最后1层卷积层采用Sigmoid函数作为激活函数，将最后1层卷积层的输出映射到区间[0,1]之间。

2.根据权利要求1所述基于深度特征融合网络的OFDM信道估计方法，其特征在于：所述传输信号的损失值的计算公式为

其中，L₂表示传输信号的损失值；X(k)是接收端接收到的去掉循环前缀的传输信号；

是经信道估计模型融合的传输信号。

Images