CN109450830A - 一种高速移动环境下基于深度学习的信道估计方法 - Google Patents
一种高速移动环境下基于深度学习的信道估计方法 Download PDFInfo
- Publication number
- CN109450830A CN109450830A CN201811600671.6A CN201811600671A CN109450830A CN 109450830 A CN109450830 A CN 109450830A CN 201811600671 A CN201811600671 A CN 201811600671A CN 109450830 A CN109450830 A CN 109450830A
- Authority
- CN
- China
- Prior art keywords
- network
- channel
- channel estimation
- data
- estimation
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 7
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 230000002441 reversible effect Effects 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 abstract description 22
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 230000000306 recurrent effect Effects 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- H04L25/0204—Channel estimation of multiple channels
-
- 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
- H04L25/022—Channel estimation of frequency response
-
- 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
- H04L25/021—Estimation of channel covariance
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提出一种高速移动环境下基于深度学习的信道估计方法。首先，设计了包含卷积神经网络和循环神经网络的信道估计网络，利用卷积神经网络提取导频特征矢量和循环神经网络估计信道状态信息(Channel State Information,CSI)。其次，通过标准高速信道仿真模型收集到大量的高速信道数据，用收集到的信道数据对信道估计网络进行离线训练，使得信道估计网络能够通过样本学习到高速信道的变化特点。再者，通过训练好后的信道估计网络进行在线信道估计，估计时导频处的CSI通过最小二乘估计得到，数据处通过信道估计网络估计得到，进而进行信道均衡等操作。本发明通过设计基于深度学习的信道估计网络进行信道估计，能够有效地利用训练样本中的信道信息，使得信道估计网络能够通过学习学习到高速信道的变化特点，以此来跟踪高速信道的变化，实现降低信道估计器复杂度的同时提升信道估计的精度。
Description
技术领域：
本发明涉及深度学习和无线通信领域，尤其涉及一种高速移动环境下基于深度学习的信道估计方法。
背景技术：
随着高铁的快速发展，用于高速环境的移动通信系统已成为研究的热点。其中，对于正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统，其下行链路信道估计已受到广泛关注。在高速环境中，由于多径效应和多普勒效应的共同影响，其信道响应具有时/频域选择性衰落(双选衰落)和非平稳的特性，在这种环境下，传统的信道估计技术已不再适合。
传统的信道估计主要分为时域信道估计和频域信道估计，对于这两类信道估计，主要区别是在性能和复杂度方面。其中，频域信道估计是利用导频符号的估计与插值操作来获取各个资源元素位置上的信道频域响应的方法，由于该类方法能够兼容各种导频图样且操作复杂度较低而被广泛的研究和应用，例如最小二乘(Least Squares,LS)加线性插值或样条插值信道估计方法，线性最小均方误差(Linear Minimum Mean Square Error,LMMSE)加线性插值或样条插值信道估计方法等，该类方法假设导频处的信道频域响应(Channel Frequency Response,CFR)与数据处的CFR的变化是线性的，但在高速环境下，由于多径和多普勒的共同影响使得信道的变化相对比较复杂，导致线性变化的这一假设不能很好的适用于高速信道，使得传统插值方法的估计性能较低。对于时域信道估计方法，由于该类方法可以直接估计出信道冲激响应(Channel Impulse Response,CIR)，因此可以消除子载波间干扰ICI，但是由于其需要估计出每个路径的CIR，导致该类方法的待估计参数数量将远远高于频域估计方法，因此需要寻找有效的方法减少时域信道估计方法中的待估计参数。针对待估计参数过多问题，传统的时域信道估计方法一般使用基扩展模型(BasisExpansion Model,BEM)将CIR变换到一个由基向量张成的低维空间中，有效地降低时域信道估计方法中待估计参数的数量，例如基于BEM的LS算法，能够利用BEM降低待估计参数，但是由于使用LS估计算法，估计性能较低，因此不适合高速场景。
近几年来发展起来的深度学习，在对大数据的处理上表现出强大的能力，并且已有一些学者将其应用于无线通信系统，有学者提出基于深度学习的联合信道估计与信号检测，通过设计多层深度神经网络隐式的估计CSI并直接恢复发送的符号。该方法能够在接收端直接恢复出发送的符号，较传统的信道估计方法有一定的性能提升。不过，此方法假设信道变化是恒定的，这限制了其应用场景适合于静止或低速场景。另一方面，对于全球大范围部署的频分双工的移动通信系统，即接收机需要反馈CSI给发射机，获取精确的CSI还是十分必要且普遍的。因此寻找一种高性能且低复杂度的高速移动环境下的信道估计仍然面试技术挑战。
综上，现有的信道估计方法，虽然它们的估计方法简单，但是估计性能较低，不适用于高速移动场景，估计性能较差，因此，亟需行业领域专业人员提出相应的解决办法。
发明内容：
针对传统信道估计方法在高速移动场景下估计性能的不足，以及结合深度学习在基带信号处理领域的其它应用，本发明提出一种基于卷积神经网络(ConvolutionalNeural Network,CNN)和循环神经网络(Recurrent Neural Network,RNN)的信道估计算法，即ChanEstNet。ChanEstNet利用CNN提取数据特征矢量和RNN网络对序列数据处理的强大能力进行信道估计，通过导频处的CSI预测出数据符号处的CSI。我们首先通过仿真收集标准的高速信道数据，然后利用收集到的数据对信道估计网络进行离线训练，最后使用训练好的网络用于信道估计。
为了实现本发明的上述目的，本发明提供了一种高速移动环境下基于深度学习的信道估计方法，其特征在于，包括：
S1，根据快时变高速信道模型，建立OFDM系统高速信道系统模型。
S2，ChanEstNet网结构。
S3，ChanEstNet网络中的数据流程。
S4，ChanEstNet网络训练。
所述的高速移动环境下基于深度学习的信道估计方法，其特征在于，所述S1包括：
考虑具有N个子载波的OFDM系统，一个子帧总共包含T个OFDM符号，设第t个OFDM符号上第n个子载波上传输符的符号用st(n)表示，因此第t个OFDM符号上传输的符号矢量为st＝[st(1),...,st(N)]T。将频域符号经过傅里叶逆变换(Inverse Discrete FourierTransform,IDFT)变换进行OFDM调制后，有：
其中，表示发送的时域序列，表示傅里叶变换矩阵。进一步可以构造OFDM传输模型如下：
yt＝Htst+zt (2)
其中，第t个OFDM符号块上接收到的频域符号向量为yt＝[yt(1),...,yt(N)]T，zt为信道的加性复高斯白噪声，协方差矩阵为表示第t个OFDM符号上信道的频域响应矩阵，有
Ht＝FgtFH (3)
其中矩阵表示第i个符号时间信道的冲激响应矩阵，有
其中ht(k,l)表示第t个符号时间上，信道冲激响应第l个抽头的第k个采样点。
所述的高速移动环境下基于深度学习的信道估计方法，其特征在于，所述S2包括：
ChanEstNet结构主要分为离线训练和在线预测两个部分，其结构图如图1所示，本发明所使用的信道估计网络主要分为两个步骤，对于离线训练，我们利用收集到的大量信道数据对学习网络进行训练，使学习网络学习到信道的变化特征。对于在线预测，学习网络的输入为OFDM无线通信系统反馈的一个子帧大小的信道矩阵。学习网络主要包括一维(OneDimension,1D)CNN网络，1D MaxPooling网络，双向长短期记忆(Bidirectional LongShort-Term Memory,BiLSTM)网络和全连接神经网络，其结构图如图2所示。
1D CNN网络主要用于提取导频序列特征值，主要由若干个并行的滤波器组成，这些滤波器通过一组权重连接到CSI图像，沿着水平方向(时间轴)跨越图像并计算卷积结果。通常，一个CNN网络由多个卷积滤波器组成，每个滤波器处理不同通道上的数据，通过滑动窗口对数据进行卷积求和。设W为卷积滤波器，其卷积核大小为N×M，通过在待卷积数据上滑动滤波器，对N×M个数据加权求和得到卷积输出。因此CNN的变换公式为：
其中，b为偏置，f为激活函数，表示卷积操作。本发明使用双正切激活函数，其表达式为：
1D Maxpooling网络主要用于降维待估计参数，通过一个池化窗口来寻找滤波器输出结果之间的最大值。对于频域信道估计，由于其待估计参数较少，因此这层可以省略。针对时域信道估计，其变化表达式如下式所示:
x*＝max(x*) (7)
BiLSTM网络主要用于CSI预测，为两个单向LSTM网络的组合，其中一个LSTM网络进行数据的正向预测，另一个LSTM网络进行反向预测。LSTM网络主要由若干个LSTM单元组成，每个单元由输入门，遗忘门，输出门和记忆单元组成。一般的，CSI不仅与前一个时刻相关，并且与后一个时刻也相关，因此我们使用双向LSTM来预测CSI，充分利用前项导频信息和后项导频信息通过正向和反向预测，提高预测精度，单个LSTM结构的数学描述如下。
it＝σ(bi+Uixt+Wilt-1) (8)
ft＝σ(bf+Ufxt+Wflt-1) (9)
ot＝σ(bo+Uoxt+Wolt-1) (11)
其中it，ft，ot，ct，lt分别为LSTM网络每个时间步的输入门，遗忘门，输出门，记忆单元和隐藏层矢量，Ui，Wi，Uf，Wf，Uc，Wc，Uo，为LSTM网络的权重矩阵，bi，bf，bc，为LSTM网络的偏置，权重和偏置都是通过训练学习得到，表示元素乘法，σ为sigmoid函数，d表示输入序列维度，在本文中即为OFDM子载波个数，t为输入序列长度，即为OFDM符号数，也即为LSTM单元数量。每个时间步LSTM网络的输出和隐藏层更新变换公式可以简化为式(13)和(14)：
lt＝LSTM(lt-1,xt,Θ) (13)
其中LSTM(·)为公式(8)-(12)的组合，Θ表示LSTM网络中的所有参数，Wh2o和bh2o表示隐藏层到输出的权重和偏置。BiLSTM为两个单向LSTM的结合，因此我们可以得到BiLSTM网络的输出变换公式为：
其中为t时刻BiLSTM网络的反向输出。pt为t时刻BiLSTM网络的输出，Concat(·)函数将两个矢量按指定维度结合起来。我们将BiLSTM网络每个时间步的输出变换简写成下式：
其中为t-1时刻BiLSTM网络的反向隐藏层矢量，为t时刻BiLSTM网络的反向输入。Θbi和BiLSTM(·)分别表示BiLSTM网络中的所有参数和变换函数。BiLSTM网络的输出维度为单向LSTM网络的两倍，因此在学习网络最后一层使用全连接网络对BiLSTM网络每个时间步的输出进行降维，相较于卷积神经网络，全连接神经网络输入每个元素都连接到一个不同的权重，输出为输入所有的元素加权和。
所述的高速移动环境下基于深度学习的信道估计方法，其特征在于，所述S3包括：
输入数据通过ChanEstNet进行CSI估计，其数据流程如图3所示，其中T，N和L分别为OFDM符号数，子载波数和多径数，对于频域信道估计，L被设为1。具体而言，原始数据首先需要经过预处理。原始的CSI数据为复数，因此我们将原始数据的实部和虚部提取出来然后合成一个维度。因为LSTM网络需要时间的序列作为输入，因此将CSI数据的OFDM符号数作为时间序列数。数据经过预处理后作为1D CNN网络的输入，通过1D CNN提取特征矢量。特别的，对于时域信道信道估计，由于直接估计CIR，因此原始数据相对于频域信道估计多了一个时延维，与频域信道估计不同就是多了一个1D Maxpooling层，用于压缩待估计参数。当数据经过特征提取或参数降维后输入到双向LSTM网络，通过LSTM网络获取数据符号处的CSI，最后通过全连接网络对双向LSTM网络的输出降维，输出最终预测的CSI。下面分别对输入数据，CSI特征矢量提取，信道估计进行详细介绍。
(1)输入数据：在发明中，所提学习网络的输入数据为一个子帧大小的信道矩阵，导频符号处的CSI通过LS方法估计得到，数据符号处的CSI设为0。LSTM网络需要时间序列数据作为输入，因此将CSI变换成序列的形式，其输入数据表达形式为：
Η＝[h1,…,ht,…,hT] (17)
其中，为第t个OFDM符号处的CSI。因为信道数据为复数信号，因此在对所提的学习网络进行输入之前需要对数据进行预处理，把输入数据的实部和虚部提取出来然后将实部和虚部结合成一个维度，于是输入数据变成，即学习网络的输入为T个2NL维的序列。
(2)频率特征矢量提取：输入数据经过预处理之后就送入1D CNN网络，1D CNN的主要任务是进行数据特征矢量的提取和选择，与传统手动进行特征提取和选择的机器算法不同，CNN能够自动的从数据中进行特征值的提取和选择，以从输入数据中获得代表性矢量。1D CNN网络通过T维对H′进行卷积运算，滤波器个数为2NL，因此CNN网络的输出为：
通过卷积网络后，输出维度不变，即特别的，对于时域信道估计，1DCNN网络的输出将通过1D Maxpooling网络压缩待估计参数。设1D Maxpooling网络的池化窗口大小为L×1，因此池化后的数据维度为
(3)信道估计：我们所提的学习网络旨在利用过去、当前的反馈和未来的数据预测出当前的CSI。考虑到LSTM网络在序列任务学习中表现优异，因此本文采用LSTM网络进行CSI预测，对于正向预测，后一时刻的CSI通过前一时刻的CSI预测得到，对于反向预测，前一时刻的CSI通过后一时刻预测得到，充分利用前向和后向的导频信息，以进一步的提升信道估计的精度。对于信道估计，BiLSTM网络的每个时间步都有输出，基于公式(16)，我们可以得到每个时间步CSI预测序列如下：
BiLSTM网络的输出维度为输入的两倍，即最后通过全连接网络将双向LSTM网络每个时序的输出进行维度变换，使得最终的输出维度与输入维度一致，即全连接神经元个数为2NL个。其变换表达式为：
其中Wl,t和bl,t分别为每个时间步上全连接层的权重和偏置。通过Reshape函数分别得到信道的实部和虚部，再将实部和虚部加在一起得到最终输出：
所述的高速移动环境下基于深度学习的信道估计方法，其特征在于，所述S4包括：
为了训练ChanEstNet网络，本发明使用端到端的的方式获取ChanEstNet网络中的所有权重和偏置。设整个ChanEstNet网络的变换公式和所有参数分别为fest(·)和Θest，因ChanEstNet网络估计得到的CSI可以表示为我们使用自适应矩估计(ADAptive Moment estimation,ADAM)算法更新ChanEstNet网络的参数集，ADAM算法与传统采用固定学习率的梯度下降算法不同，它能够通过训练自适应的更新学习率。网络的损失函数为均方误差(Mean Squared Error,MSE)，因此，我们模型的预测损失为：
其中，为监督数据，T为训练样本集中总的样本数。通过最小化上式对学习网络进行训练得到最终的信道估计网络。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本发明通过基于深度学习的高速信道估计，能够有效地通过离线训练使得信道估计网络学习到高速信道的变化特征，有效的利用了训练样本中的信道信息，使得训练好后信道估计网络能够适应高速环境的变化特点，提高了估计精度，降低了在线估计复杂度。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明信道估计网络框图；
图2是本发明信道估计学习网络结构图；
图3是本发明信道估计网络中的数据流程图。
图4是本发明的实施流程图
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
本发明提出了一种高速移动环境下基于深度学习的信道估计方法，能够有效地通过离线训练使得信道估计网络学习到高速信道的变化特征，有效的利用了训练样本中的信道信息，使得训练好后信道估计网络能够适应高速环境的变化特点，提高了估计精度。降低了在线估计复杂度。
结合附图4对本发明进行详细说明，主要包括以下步骤：
步骤1：离线训练，开始。
步骤2：通过离线收集到大量标准的完美的高速信道数据。
步骤3：利用收集的大量标准的完美的高速信道数据对信道估计网络进行训练，使得信道估计网络学习到高速信道的变化特征。
步骤4：在线信道估计，开始。
步骤5：接收到符号，开始信道估计。
在一个LTE系统中，考虑每一个子帧有N个子载波，则多径信道上的冲激响应为：
yt＝Htxt+wt (23)
其中，t表示第t个符号时间，yt为接收符号向量，xt为发送符号，Ht为频域响应向量，wt为系统中的加性高斯白噪声，其协方差矩阵为Qw，t；令表示对信道Ht的估计，则可得LS信道估计结果：
步骤6：获取信道估计网络初始化输入。
信道估计网络的输入为一个子帧大小的信道矩阵，导频处CSI通过LS方法估计得到，数据处CSI被设为0，其输入数据表达式为：
Η＝[h1,…,ht,…,hT] (25)
其中，为第t个OFDM符号处的CSI，
步骤7：输入数据预处理。
信道估计网络需要实数序列作为输入，因此将输入的复数信号的实部和虚部提取出来然后合并成一个维度，并且将OFDM符号数作为时间序列，因此输入数据变成，即学习网络的输入为T个2NL维的序列。
步骤8：频率特征矢量提取。
输入数据经过预处理之后就送入1D CNN网络，1D CNN的主要任务是进行数据特征矢量的提取和选择，与传统手动进行特征提取和选择的机器算法不同，CNN能够自动的从数据中进行特征值的提取和选择，以从输入数据中获得代表性矢量。1D CNN网络通过T维对H′进行卷积运算，滤波器个数为2NL，因此CNN网络的输出为：
通过卷积网络后，输出维度不变，即特别的，对于时域信道估计，1DCNN网络的输出将通过1D Maxpooling网络压缩待估计参数。设1D Maxpooling网络的池化窗口大小为L×1，因此池化后的数据维度为
步骤9：信道估计。
我们所提的学习网络旨在利用过去、当前的反馈和未来的数据预测出当前的CSI。对于信道估计，BiLSTM网络的每个时间步都有输出，因此我们可以得到每个时间步CSI预测序列如下：
步骤10：数据降维。
BiLSTM网络的输出维度为输入的两倍，即最后通过全连接网络将双向LSTM网络每个时序的输出进行维度变换，使得最终的输出维度与输入维度一致，即全连接神经元个数为2NL个。其变换表达式为：
其中Wl,t和bl,t分别为每个时间步上全连接层的权重和偏置。通过Reshape函数分别得到信道的实部和虚部，再将实部和虚部加在一起得到最终输出：
步骤11：结束。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (6)
1.一种高速移动环境下基于深度学习的信道估计方法，其特征在于，包括：
S1：通过离线收集到大量标准的完美的高速信道数据；
S2：利用收集的大量标准的完美的高速信道数据对信道估计网络进行训练，使得信道估计网络学习到高速信道的变化特征；
S3：获取信道估计网络初始化输入；
S4：输入数据预处理；
S5：频率特征矢量提取；
S6：信道估计；
S7：数据降维。
2.根据权利要求1所述的一种高速移动环境下基于深度学习的信道估计方法，其特征在于，所述S3包括：
在一个LTE系统中，考虑每一个子帧有N个子载波和T个OFDM符号，则多径信道上的冲激响应为：
yt＝Htxt+wt
其中，t表示第t个符号时间，yt为接收符号向量，xt为发送符号，Ht为频域响应向量，wt为系统中的加性高斯白噪声，其协方差矩阵为Qw,t；令表示对信道Ht的估计，则可得LS信道估计结果：
信道估计网络的输入为一个子帧大小的信道矩阵，导频处CSI通过LS方法估计得到，数据处CSI被设为0，其输入数据表达式为：
Η＝[h1,…,ht,…,hT]
其中，为第t个OFDM符号处的CSI，
3.根据权利要求1所述的一种高速移动环境下基于深度学习的信道估计方法，其特征在于，所述S4包括：
信道估计网络需要实数序列作为输入，因此将输入的复数信号的实部和虚部提取出来然后合并成一个维度，并且将OFDM符号数作为时间序列，因此输入数据变成，即学习网络的输入为T个2NL维的序列。
4.根据权利要求1所述的一种高速移动环境下基于深度学习的信道估计方法，其特征在于，所述S5包括：
输入数据经过预处理之后就送入1D CNN网络，1D CNN的主要任务是进行数据特征矢量的提取和选择，与传统手动进行特征提取和选择的机器算法不同，CNN能够自动的从数据中进行特征值的提取和选择，以从输入数据中获得代表性矢量；1D CNN网络通过T维对H′进行卷积运算，滤波器个数为2NL，因此CNN网络的输出为：
其中Wc和bc表示1D CNN网络的权重和偏置；通过卷积网络后，其输出维度不变，即特别的，对于时域信道估计，1D CNN网络的输出将通过1D Maxpooling网络压缩待估计参数；设1D Maxpooling网络的池化窗口大小为L×1，因此池化后的数据维度为
5.根据权利要求1所述的一种高速移动环境下基于深度学习的信道估计方法，其特征在于，所述S6包括：
我们所提的学习网络旨在利用过去、当前的反馈和未来的数据预测出当前的CSI；对于信道估计，BiLSTM网络的每个时间步都有输出，因此我们可以得到每个时间步CSI预测序列如下：
其中lt-1和为t-1时刻BiLSTM网络的正反向隐藏层矢量，h″t和为t时刻BiLSTM网络的正反向输入，为t时刻BiLSTM网络的输出；Θbi和BiLSTM(·)分别表示BiLSTM网络中的所有参数和变换函数。
6.根据权利要求1所述的一种高速移动环境下基于深度学习的信道估计方法，其特征在于，所述S7包括：
BiLSTM网络的输出维度为输入的两倍，即最后通过全连接网络将双向LSTM网络每个时序的输出进行降维，其表达式为：
其中Wl,t和bl,t分别为每个时间步上全连接层的权重和偏置；通过Reshape函数分别得到信道的实部和虚部，再将实部和虚部加在一起得到最终输出：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811600671.6A CN109450830B (zh) | 2018-12-26 | 2018-12-26 | 一种高速移动环境下基于深度学习的信道估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811600671.6A CN109450830B (zh) | 2018-12-26 | 2018-12-26 | 一种高速移动环境下基于深度学习的信道估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109450830A true CN109450830A (zh) | 2019-03-08 |
| CN109450830B CN109450830B (zh) | 2021-09-21 |
Family
ID=65535740
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811600671.6A Active CN109450830B (zh) | 2018-12-26 | 2018-12-26 | 一种高速移动环境下基于深度学习的信道估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109450830B (zh) |
Cited By (34)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110035478A (zh) * | 2019-04-18 | 2019-07-19 | 北京邮电大学 | 一种高速移动场景下的动态多信道接入方法 |
| CN110113119A (zh) * | 2019-04-26 | 2019-08-09 | 国家无线电监测中心 | 一种基于人工智能算法的无线信道建模方法 |
| 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 |
| 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 |
| 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 |
| 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 |
| CN111614584A (zh) * | 2020-05-20 | 2020-09-01 | 西安电子科技大学 | 基于神经网络的变换域自适应滤波信道估计方法 |
| CN111654456A (zh) * | 2020-06-09 | 2020-09-11 | 江南大学 | 基于降维分解的毫米波大规模mimo角域信道估计方法及装置 |
| CN111669344A (zh) * | 2020-06-01 | 2020-09-15 | 西北工业大学 | 一种基于深度学习的时变ofdm系统信号检测方法 |
| CN111786923A (zh) * | 2020-06-05 | 2020-10-16 | 中国电子科技集团公司第七研究所 | 一种正交频分复用系统时频双选信道的信道估计方法 |
| CN111817757A (zh) * | 2020-06-08 | 2020-10-23 | 武汉大学 | 一种用于mimo无线通信系统的信道预测方法及系统 |
| CN111814962A (zh) * | 2020-07-09 | 2020-10-23 | 平安科技（深圳）有限公司 | 识别模型的参数获取方法、装置、电子设备及存储介质 |
| CN112217750A (zh) * | 2020-10-09 | 2021-01-12 | 东南大学 | 基于卷积神经网络的信道统计信息估计方法 |
| CN112468230A (zh) * | 2020-11-19 | 2021-03-09 | 西安理工大学 | 一种基于深度学习的无线紫外光散射信道估计方法 |
| CN112491754A (zh) * | 2020-11-20 | 2021-03-12 | 西华大学 | 基于ddst及深度学习的信道估计与信号检测方法 |
| CN112671419A (zh) * | 2020-12-17 | 2021-04-16 | 北京邮电大学 | 一种无线信号重建方法、装置、系统、设备和存储介质 |
| CN112702286A (zh) * | 2020-12-11 | 2021-04-23 | 北京科技大学 | 一种无人机通信中下行信道估计方法 |
| CN112737987A (zh) * | 2020-12-28 | 2021-04-30 | 南京邮电大学 | 一种新型的基于深度学习的时变信道预测方法 |
| CN112866150A (zh) * | 2021-01-13 | 2021-05-28 | 上海复旦通讯股份有限公司 | 一种无线信道特征提取与降维方法及系统 |
| CN112953862A (zh) * | 2021-02-07 | 2021-06-11 | 哈尔滨工程大学 | 一种基于深度学习的高速铁路场景信道估计方法 |
| WO2021142836A1 (zh) * | 2020-01-19 | 2021-07-22 | Oppo广东移动通信有限公司 | 通信方法及装置 |
| WO2021228075A1 (zh) * | 2020-05-15 | 2021-11-18 | 维沃移动通信有限公司 | 导频信息符号发送方法、信道估计方法及通信设备 |
| WO2022000365A1 (en) * | 2020-07-01 | 2022-01-06 | Qualcomm Incorporated | Machine learning based downlink channel estimation and prediction |
| CN114079599A (zh) * | 2020-08-20 | 2022-02-22 | 展讯通信（上海）有限公司 | Pdsch的信道估计方法、系统及ue |
| WO2022040662A1 (en) * | 2020-08-18 | 2022-02-24 | Qualcomm Incorporated | Encoding a data set using a neural network for uplink communication |
| CN114143148A (zh) * | 2021-11-25 | 2022-03-04 | 中国电子科技集团公司第五十四研究所 | 一种基于神经网络的ofdm系统信道估计方法 |
| CN114363129A (zh) * | 2022-01-10 | 2022-04-15 | 嘉兴学院 | 一种基于深度密集残差网络的无线衰落信道估计方法 |
| CN114500193A (zh) * | 2020-10-27 | 2022-05-13 | 上海诺基亚贝尔股份有限公司 | 用于高速通信系统的信号均衡的方法和装置 |
| CN114826833A (zh) * | 2022-03-11 | 2022-07-29 | 国网福建省电力有限公司经济技术研究院 | 一种IRS辅助MEC中CF-mMIMO的通信优化方法及终端 |
| CN114884775A (zh) * | 2022-03-31 | 2022-08-09 | 南京邮电大学 | 一种基于深度学习的大规模mimo系统信道估计方法 |
| CN115103438A (zh) * | 2022-05-16 | 2022-09-23 | 重庆电子工程职业学院 | 一种基于cir峰值偏移和复值深层神经网络的无线定位方法 |
| CN116097591A (zh) * | 2020-08-18 | 2023-05-09 | 高通股份有限公司 | 用于信道状态信息的处理时间线考虑因素 |
| CN116455706A (zh) * | 2023-04-12 | 2023-07-18 | 华南理工大学 | 一种信道估计与均衡的设计方法及系统 |
| WO2023193570A1 (en) * | 2022-04-08 | 2023-10-12 | Mediatek Inc. | Method and apparatus for channel state information (csi) prediction |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1595924A (zh) * | 2004-06-25 | 2005-03-16 | 北京邮电大学 | 基于二维迭代最小二乘准则的自适应信道估计方法 |
| US20050286406A1 (en) * | 2004-06-28 | 2005-12-29 | Korea Electronics Technology Institute | Hybrid type channel estimation method and system for mobile environment |
| CN104854577A (zh) * | 2012-10-15 | 2015-08-19 | 伊卡诺斯通信公司 | 用以检测和分析噪声以及影响通信系统的其它事件的方法和装置 |
| CN107222438A (zh) * | 2017-05-23 | 2017-09-29 | 西安电子科技大学 | 高速移动sc‑fdma系统的简化bem信道估计方法 |
| CN107465636A (zh) * | 2017-08-21 | 2017-12-12 | 清华大学 | 一种毫米波大规模阵列空频双宽带系统的信道估计方法 |
| CN108377160A (zh) * | 2018-01-25 | 2018-08-07 | 重庆大学 | 一种高速移动下基于动态信道状态的mimo预编码方法 |
| CN108388900A (zh) * | 2018-02-05 | 2018-08-10 | 华南理工大学 | 基于多特征融合和时空注意力机制相结合的视频描述方法 |
-
2018
- 2018-12-26 CN CN201811600671.6A patent/CN109450830B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1595924A (zh) * | 2004-06-25 | 2005-03-16 | 北京邮电大学 | 基于二维迭代最小二乘准则的自适应信道估计方法 |
| US20050286406A1 (en) * | 2004-06-28 | 2005-12-29 | Korea Electronics Technology Institute | Hybrid type channel estimation method and system for mobile environment |
| CN104854577A (zh) * | 2012-10-15 | 2015-08-19 | 伊卡诺斯通信公司 | 用以检测和分析噪声以及影响通信系统的其它事件的方法和装置 |
| CN107222438A (zh) * | 2017-05-23 | 2017-09-29 | 西安电子科技大学 | 高速移动sc‑fdma系统的简化bem信道估计方法 |
| CN107465636A (zh) * | 2017-08-21 | 2017-12-12 | 清华大学 | 一种毫米波大规模阵列空频双宽带系统的信道估计方法 |
| CN108377160A (zh) * | 2018-01-25 | 2018-08-07 | 重庆大学 | 一种高速移动下基于动态信道状态的mimo预编码方法 |
| CN108388900A (zh) * | 2018-02-05 | 2018-08-10 | 华南理工大学 | 基于多特征融合和时空注意力机制相结合的视频描述方法 |
Non-Patent Citations (2)
| Title |
|---|
| 廖勇;沈轩帆;代学武;周昕;王丹: "基于扩展卡尔曼滤波的联合迭代检测译码信道估计方法", 《电子学报》 * |
| 李明富;廖勇;沈轩帆: "基于扩展卡尔曼滤波的MIMO迭代信道估计方法", 《电信科学》 * |
Cited By (47)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110035478A (zh) * | 2019-04-18 | 2019-07-19 | 北京邮电大学 | 一种高速移动场景下的动态多信道接入方法 |
| CN110113119A (zh) * | 2019-04-26 | 2019-08-09 | 国家无线电监测中心 | 一种基于人工智能算法的无线信道建模方法 |
| 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 |
| 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 |
| 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 |
| 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 |
| WO2021142836A1 (zh) * | 2020-01-19 | 2021-07-22 | Oppo广东移动通信有限公司 | 通信方法及装置 |
| US11722339B2 (en) | 2020-05-15 | 2023-08-08 | Vivo Mobile Communication Co., Ltd. | Pilot information system sending method, channel estimation method, and communications device |
| WO2021228075A1 (zh) * | 2020-05-15 | 2021-11-18 | 维沃移动通信有限公司 | 导频信息符号发送方法、信道估计方法及通信设备 |
| CN111614584A (zh) * | 2020-05-20 | 2020-09-01 | 西安电子科技大学 | 基于神经网络的变换域自适应滤波信道估计方法 |
| CN111669344A (zh) * | 2020-06-01 | 2020-09-15 | 西北工业大学 | 一种基于深度学习的时变ofdm系统信号检测方法 |
| CN111786923A (zh) * | 2020-06-05 | 2020-10-16 | 中国电子科技集团公司第七研究所 | 一种正交频分复用系统时频双选信道的信道估计方法 |
| CN111817757A (zh) * | 2020-06-08 | 2020-10-23 | 武汉大学 | 一种用于mimo无线通信系统的信道预测方法及系统 |
| CN111654456A (zh) * | 2020-06-09 | 2020-09-11 | 江南大学 | 基于降维分解的毫米波大规模mimo角域信道估计方法及装置 |
| WO2022000365A1 (en) * | 2020-07-01 | 2022-01-06 | Qualcomm Incorporated | Machine learning based downlink channel estimation and prediction |
| CN111814962A (zh) * | 2020-07-09 | 2020-10-23 | 平安科技（深圳）有限公司 | 识别模型的参数获取方法、装置、电子设备及存储介质 |
| CN111814962B (zh) * | 2020-07-09 | 2024-05-10 | 平安科技（深圳）有限公司 | 识别模型的参数获取方法、装置、电子设备及存储介质 |
| CN116097591A (zh) * | 2020-08-18 | 2023-05-09 | 高通股份有限公司 | 用于信道状态信息的处理时间线考虑因素 |
| WO2022040662A1 (en) * | 2020-08-18 | 2022-02-24 | Qualcomm Incorporated | Encoding a data set using a neural network for uplink communication |
| CN114079599B (zh) * | 2020-08-20 | 2024-04-05 | 展讯通信（上海）有限公司 | Pdsch的信道估计方法、系统及ue |
| CN114079599A (zh) * | 2020-08-20 | 2022-02-22 | 展讯通信（上海）有限公司 | Pdsch的信道估计方法、系统及ue |
| CN112217750A (zh) * | 2020-10-09 | 2021-01-12 | 东南大学 | 基于卷积神经网络的信道统计信息估计方法 |
| CN114500193A (zh) * | 2020-10-27 | 2022-05-13 | 上海诺基亚贝尔股份有限公司 | 用于高速通信系统的信号均衡的方法和装置 |
| CN112468230A (zh) * | 2020-11-19 | 2021-03-09 | 西安理工大学 | 一种基于深度学习的无线紫外光散射信道估计方法 |
| CN112468230B (zh) * | 2020-11-19 | 2022-08-09 | 西安华企众信科技发展有限公司 | 一种基于深度学习的无线紫外光散射信道估计方法 |
| CN112491754A (zh) * | 2020-11-20 | 2021-03-12 | 西华大学 | 基于ddst及深度学习的信道估计与信号检测方法 |
| CN112491754B (zh) * | 2020-11-20 | 2023-01-31 | 西华大学 | 基于ddst及深度学习的信道估计与信号检测方法 |
| CN112702286B (zh) * | 2020-12-11 | 2022-05-31 | 北京科技大学 | 一种无人机通信中下行信道估计方法 |
| CN112702286A (zh) * | 2020-12-11 | 2021-04-23 | 北京科技大学 | 一种无人机通信中下行信道估计方法 |
| CN112671419B (zh) * | 2020-12-17 | 2022-05-03 | 北京邮电大学 | 一种无线信号重建方法、装置、系统、设备和存储介质 |
| CN112671419A (zh) * | 2020-12-17 | 2021-04-16 | 北京邮电大学 | 一种无线信号重建方法、装置、系统、设备和存储介质 |
| CN112737987A (zh) * | 2020-12-28 | 2021-04-30 | 南京邮电大学 | 一种新型的基于深度学习的时变信道预测方法 |
| CN112737987B (zh) * | 2020-12-28 | 2022-11-01 | 南京邮电大学 | 一种新型的基于深度学习的时变信道预测方法 |
| CN112866150B (zh) * | 2021-01-13 | 2024-05-17 | 上海复旦通讯股份有限公司 | 一种无线信道特征提取与降维方法及系统 |
| CN112866150A (zh) * | 2021-01-13 | 2021-05-28 | 上海复旦通讯股份有限公司 | 一种无线信道特征提取与降维方法及系统 |
| CN112953862A (zh) * | 2021-02-07 | 2021-06-11 | 哈尔滨工程大学 | 一种基于深度学习的高速铁路场景信道估计方法 |
| CN114143148A (zh) * | 2021-11-25 | 2022-03-04 | 中国电子科技集团公司第五十四研究所 | 一种基于神经网络的ofdm系统信道估计方法 |
| CN114363129B (zh) * | 2022-01-10 | 2023-06-16 | 嘉兴学院 | 一种基于深度密集残差网络的无线衰落信道估计方法 |
| CN114363129A (zh) * | 2022-01-10 | 2022-04-15 | 嘉兴学院 | 一种基于深度密集残差网络的无线衰落信道估计方法 |
| CN114826833B (zh) * | 2022-03-11 | 2024-01-26 | 国网福建省电力有限公司经济技术研究院 | 一种IRS辅助MEC中CF-mMIMO的通信优化方法及终端 |
| CN114826833A (zh) * | 2022-03-11 | 2022-07-29 | 国网福建省电力有限公司经济技术研究院 | 一种IRS辅助MEC中CF-mMIMO的通信优化方法及终端 |
| CN114884775A (zh) * | 2022-03-31 | 2022-08-09 | 南京邮电大学 | 一种基于深度学习的大规模mimo系统信道估计方法 |
| WO2023193570A1 (en) * | 2022-04-08 | 2023-10-12 | Mediatek Inc. | Method and apparatus for channel state information (csi) prediction |
| CN115103438A (zh) * | 2022-05-16 | 2022-09-23 | 重庆电子工程职业学院 | 一种基于cir峰值偏移和复值深层神经网络的无线定位方法 |
| CN116455706A (zh) * | 2023-04-12 | 2023-07-18 | 华南理工大学 | 一种信道估计与均衡的设计方法及系统 |
| CN116455706B (zh) * | 2023-04-12 | 2024-05-31 | 华南理工大学 | 一种信道估计与均衡的设计方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109450830B (zh) | 2021-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109450830B (zh) | 一种高速移动环境下基于深度学习的信道估计方法 | |
| CN111404849B (zh) | 一种基于深度学习的ofdm信道估计与信号检测方法 | |
| Liao et al. | ChanEstNet: A deep learning based channel estimation for high-speed scenarios | |
| CN109067688B (zh) | 一种数据模型双驱动的ofdm接收方法 | |
| CN109617847B (zh) | 一种基于模型驱动深度学习的无循环前缀ofdm接收方法 | |
| CN110719239B (zh) | 一种数据模型双驱动的联合mimo信道估计和信号检测方法 | |
| CN107135041B (zh) | 一种基于相空间重构的rbf神经网络信道预测方法 | |
| Ma et al. | Learning assisted estimation for time-varying channels | |
| CN109194595B (zh) | 一种基于神经网络的信道环境自适应ofdm接收方法 | |
| CN113285899B (zh) | 一种基于深度学习的时变信道估计方法及系统 | |
| CN111510402B (zh) | 基于深度学习的ofdm信道估计方法 | |
| CN111817757B (zh) | 一种用于mimo无线通信系统的信道预测方法及系统 | |
| CN1315100A (zh) | 使用接收信号的多采样定时减小同信道干扰的方法和系统 | |
| Zhang et al. | MIMO channel estimation and equalization using three-layer neural networks with feedback | |
| CN105337906B (zh) | 信道估计方法及装置 | |
| CN113595666B (zh) | 大规模mimo系统基于时频联合相关性的信道预测方法和系统 | |
| CN111786923A (zh) | 一种正交频分复用系统时频双选信道的信道估计方法 | |
| CN112910812A (zh) | 一种基于时空特征提取深度学习的调制模式识别方法 | |
| Ponnaluru et al. | RETRACTED ARTICLE: Deep learning for estimating the channel in orthogonal frequency division multiplexing systems | |
| Wang et al. | Learn to adapt to new environments from past experience and few pilot blocks | |
| Mei et al. | Machine learning based channel estimation: a computational approach for universal channel conditions | |
| CN108881080A (zh) | 一种基于滑动窗与深度学习的ofdm抗ici检测方法 | |
| Shi et al. | A unified channel estimation framework for stationary and non-stationary fading environments | |
| CN113890799B (zh) | 一种基于域对抗网络的水声通信信道估计与信号检测方法 | |
| Rana | Performance comparison of LMS and RLS channel estimation algorithms for 4G MIMO OFDM systems |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220901 Address after: Room 402-20, Building 5, Software Park, No. 78 Keling Road, High-tech Zone, Suzhou City, Jiangsu Province, 215000 Patentee after: Suzhou Xiaotang Shuhe Intelligent Technology Co.,Ltd. Address before: 400044 No. 174 Sha Jie street, Shapingba District, Chongqing Patentee before: Chongqing University |