CN109756432B - Ofdm信道估计方法和装置 - Google Patents
Ofdm信道估计方法和装置 Download PDFInfo
- Publication number
- CN109756432B CN109756432B CN201711058460.XA CN201711058460A CN109756432B CN 109756432 B CN109756432 B CN 109756432B CN 201711058460 A CN201711058460 A CN 201711058460A CN 109756432 B CN109756432 B CN 109756432B
- Authority
- CN
- China
- Prior art keywords
- neural network
- channel estimation
- channel
- coefficients
- pilot
- 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.)
- Active
Links
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种OFDM信道估计方法和装置。所述方法包括：采用仿真产生的实际信道系数，已经经过衰落信道和高斯信道后接收机能观察到的导频序列的初始信道估计，构成训练集，在不同的噪声方差下，用后向误差传播算法进行离线神经网络训练，确定不同噪声方差对应的神经网络系数；使用与所述离线神经网络训练完全一致的神经网络，选择与当前实际噪声方差所对应的神经网络系数，对OFDM符号进行在线信道估计，根据神经网络输出得到信道估计结果。本发明能够提升信道估计的性能以及信道估计及均衡的整体性能。
Description
技术领域
本发明涉及无线通信技术领域，尤其涉及一种OFDM信道估计方法和装置。
背景技术
OFDM(Orthogonal Frequency Division Multiplexing，正交频分复用)无线通信系统中，基带信号模型可以表示为Y＝HX+N，其中Y表示接收到的信号，X表示发射信号，H表示信道系数，N是由接收机前端引入的热噪声。为了从接收到的信号Y中“恢复”出发射信号X，目前的方法分为两步：
第一步需要知道信道系数H的信息，一般通信系统中(例如LTE、WiMAX)都是通过在时频面中插入导频(图1中的黑点)来实现对H的估计，这个估计的过程称为信道估计。目前信道估计的实现方法都是基于线性最小化均方误差(Linear Minimum Mean SquareError，LMMSE)或是其变种(比如用FFT近似已降低复杂度)。
在信道估计过程之后，第二步是对非导频子载波，Y＝HX+N中已知Y和H，求X的过程，这个过程一般称为均衡。均衡比较简单的方法也是LMMSE，这种方法跟信道估计原理一致，在信道估计中是求H，在均衡中是求X。最优的方法是最大似然估计。
在实现本发明的过程中，发明人发现现有技术中至少存在如下技术问题：
现有的信道估计是一种线性估计器，线性估计器只是所有估计器的子集，信道估计的性能不够好；另外，现有的信道估计和均衡是两个分离的过程，性能不够好。
发明内容
本发明提供的OFDM信道估计方法和装置，能够提升信道估计的性能以及信道估计及均衡的整体性能。
第一方面，本发明提供一种OFDM信道估计方法，包括：
采用仿真产生的实际信道系数，已经经过衰落信道和高斯信道后接收机能观察到的导频序列的初始信道估计，构成训练集，在不同的噪声方差下，用后向误差传播算法进行离线神经网络训练，确定不同噪声方差对应的神经网络系数；
使用与所述离线神经网络训练完全一致的神经网络，选择与当前实际噪声方差所对应的神经网络系数，对OFDM符号进行在线信道估计，根据神经网络输出得到信道估计结果。
可选地，所述用后向误差传播算法进行离线神经网络训练，确定不同噪声方差对应的神经网络系数包括：对可能的工作区间的噪声方差进行分段，对不同的噪声方差计算不同的神经网络系数并且保存，制作一个表，表的索引项是噪声方差，表的内容项是对应的神经网络系数；
所述选择与当前实际噪声方差所对应的神经网络系数包括：选择与当前实际噪声方差最接近的索引项所对应的神经网络系数。
可选地，所述使用与所述离线神经网络训练完全一致的神经网络，选择与当前实际噪声方差所对应的神经网络系数，对OFDM符号进行在线信道估计，根据神经网络输出得到信道估计结果包括：
对OFDM符号进行滑动窗处理，每个滑动窗内的导频子载波的信道估计作为神经网络的输入，神经网络的输出作为滑动窗内所有子载波的信道估计结果。
可选地，将滑动处理窗内的导频符号的信道估计和非导频子载波的接收符号都作为神经网络的输入，直接输出非导频子载波的符号估计结果。
可选地，导频子载波比非导频子载波多经过多个中间层，或者非导频子载波前面多个中间层的系数固定为1；导频子载波多出来的多个中间层系数独立于神经网络的其它系数进行调整。
第二方面，本发明提供一种OFDM信道估计装置，包括：
离线训练单元，用于采用仿真产生的实际信道系数，已经经过衰落信道和高斯信道后接收机能观察到的导频序列的初始信道估计，构成训练集，在不同的噪声方差下，用后向误差传播算法进行离线神经网络训练，确定不同噪声方差对应的神经网络系数；
在线估计单元，用于使用与所述离线神经网络训练完全一致的神经网络，选择与当前实际噪声方差所对应的神经网络系数，对OFDM符号进行在线信道估计，根据神经网络输出得到信道估计结果。
可选地，所述离线训练单元，用于对可能的工作区间的噪声方差进行分段，对不同的噪声方差计算不同的神经网络系数并且保存，制作一个表，表的索引项是噪声方差，表的内容项是对应的神经网络系数；
所述在线估计单元，用于选择与当前实际噪声方差最接近的索引项所对应的神经网络系数。
可选地，所述在线估计单元，用于对OFDM符号进行滑动窗处理，每个滑动窗内的导频子载波的信道估计作为神经网络的输入，神经网络的输出作为滑动窗内所有子载波的信道估计结果。
可选地，所述在线估计单元，还用于将滑动处理窗内的导频符号的信道估计和非导频子载波的接收符号都作为神经网络的输入，直接输出非导频子载波的符号估计结果。
可选地，导频子载波比非导频子载波多经过多个中间层，或者非导频子载波前面多个中间层的系数固定为1；导频子载波多出来的多个中间层系数独立于神经网络的其它系数进行调整。
本发明实施例提供的OFDM信道估计方法和装置，采用神经网络实现非线性的信道估计器，神经网络的系数离线训练，信道估计在线进行，理论上可以超过线性估计器的性能界；而且采用神经网络实现联合信道估计和均衡，神经网络的系数离线训练，信道估计在线进行，理论上性能更好；另外，对整个时频面的子载波进行滑窗处理，滑窗滑动到不同位置时，共享神经网络的系数，能够降低训练和实时计算的复杂度。
附图说明
图1为现有技术中在时频面中插入导频来实现信道系数估计的示意图；
图2为本发明一实施例OFDM信道估计方法的流程图；
图3为本发明另一实施例OFDM信道估计方法的流程图；
图4为本发明再一实施例OFDM信道估计方法的实现过程示意图；
图5为本发明一实施例提供的对OFDM符号进行滑动窗处理以得到信道估计结果的示意图；
图6为本发明另一实施例提供的对OFDM符号进行滑动窗处理以得到信道估计结果的示意图；
图7为本发明实施例提供的OFDM信道估计装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种OFDM信道估计方法，如图2所示，所述方法包括：
S21、采用仿真产生的实际信道系数，已经经过衰落信道和高斯信道后接收机能观察到的导频序列的初始信道估计，构成训练集，在不同的噪声方差下，用后向误差传播算法进行离线神经网络训练，确定不同噪声方差对应的神经网络系数。
S22、使用与所述离线神经网络训练完全一致的神经网络，选择与当前实际噪声方差所对应的神经网络系数，对OFDM符号进行在线信道估计，根据神经网络输出得到信道估计结果。
本发明实施例提供的OFDM信道估计方法，采用神经网络实现非线性的信道估计器，神经网络的系数离线训练，信道估计在线进行，理论上可以超过线性估计器的性能界；而且采用神经网络实现联合信道估计和均衡，神经网络的系数离线训练，信道估计在线进行，理论上性能更好；另外，对整个时频面的子载波进行滑窗处理，滑窗滑动到不同位置时，共享神经网络的系数，能够降低训练和实时计算的复杂度。
下面结合具体实施例对本发明OFDM信道估计方法进行详细说明。
本实施例提供的信道估计方法分为离线神经网络训练和在线信道估计两个部分。离线神经网络训练是用仿真产生的实际信道系数Y，已经经过衰落信道和高斯信道后接收机能观察到的导频序列的初始信道估计X，构成训练集{X,Y}，用后向误差传播算法进行神经网络训练，如图3和图4所示，离线神经网络训练的步骤描述如下：
(1)训练数据产生时，信道建模采用“时延扩展内能量均匀分布”的信道模型，保证神经网络的泛化性能。
(2)构建一个由输入层、隐层和输出层组成的神经网络，输入层和输出层只有一层，隐层数目作为算法的一个可调参数。输入层节点数目等于处理窗内的导频数目，输出层的节点数目等于处理窗内的所有子载波数目。处理窗大小是可调参数，由频域相关带宽隐含决定。
(3)每一层的神经元的输出可以由一个递推关系确定：第l层第j个节点的神经元输出：
其中σ称为激活函数，可以采用ReLu函数(f(x)＝max(x,0))或者sigmoid函数(f(x)＝1/(1+exp(-x))。
(4)随机初始化神经网络权重系数ω和b。
(5)进入迭代过程不断更新神经网络权重系数，每次迭代由一次神经网络的前向和一次后向组成。前向过程中可以计算出当前权重系数下神经网络的最终输出结果aL。这个输出结果跟实际结果Y之间的误差记为C(Y,aL)。可以用均方误差函数
或者互熵函数
在后向迭代中，用梯度下降法逐层更新神经网络权重：
其中μ为学习因子，是一个可调算法参数。
(6)每进行N次步骤(5)的迭代，进行神经网络验证，验证过程中，只进行前向过程得到误差C，不更新网络参数。在M次验证的平均误差C小于门限CTH时，迭代终止，保存当前神经网络权重系数，供在线计算时使用。
(7)对可能的工作区间的噪声方差进行分段，对不同的噪声方差计算不同的神经网络系数并且保存，制作一个表，表的索引项是噪声方差，表的内容项是对应的神经网络系数。
然后进行在线信道估计，具体如下：
如图5所示，对一个OFDM符号进行滑动窗处理，每个滑动窗内的导频子载波的LS信道估计作为神经网络的输入，神经网络的输出作为滑动窗内所有子载波的信道估计结果(LS信道估计：HLS＝Y/X)。在线进行信道估计时，使用的神经网络结构必须与训练时的神经网络完全一致，选择与当前实际噪声方差最接近的索引项所对应的神经网络系数。
或者，如图6所示，可以将滑动处理窗内的导频符号的信道估计和非导频子载波的接收符号都作为神经网络的输入，而输出的直接就是非导频子载波的符号估计结果(均衡结果)。
在该方式下，导频子载波比非导频子载波多经过多个中间层，或者相当于非导频子载波前面多个中间层的系数固定为1；导频子载波多出来的多个中间层系数可以独立于神经网络的其它系数进行调整。
本发明实施例还提供一种OFDM信道估计装置，如图7所示，所述装置包括：
离线训练单元21，用于采用仿真产生的实际信道系数，已经经过衰落信道和高斯信道后接收机能观察到的导频序列的初始信道估计，构成训练集，在不同的噪声方差下，用后向误差传播算法进行离线神经网络训练，确定不同噪声方差对应的神经网络系数；
在线估计单元22，用于使用与所述离线神经网络训练完全一致的神经网络，选择与当前实际噪声方差所对应的神经网络系数，对OFDM符号进行在线信道估计，根据神经网络输出得到信道估计结果。
本发明实施例提供的OFDM信道估计装置，采用神经网络实现非线性的信道估计器，神经网络的系数离线训练，信道估计在线进行，理论上可以超过线性估计器的性能界；而且采用神经网络实现联合信道估计和均衡，神经网络的系数离线训练，信道估计在线进行，理论上性能更好；另外，对整个时频面的子载波进行滑窗处理，滑窗滑动到不同位置时，共享神经网络的系数，能够降低训练和实时计算的复杂度。
可选地，所述离线训练单元21，用于对可能的工作区间的噪声方差进行分段，对不同的噪声方差计算不同的神经网络系数并且保存，制作一个表，表的索引项是噪声方差，表的内容项是对应的神经网络系数；
所述在线估计单元22，用于选择与当前实际噪声方差最接近的索引项所对应的神经网络系数。
可选地，所述在线估计单元22，用于对OFDM符号进行滑动窗处理，每个滑动窗内的导频子载波的信道估计作为神经网络的输入，神经网络的输出作为滑动窗内所有子载波的信道估计结果。
进一步地，所述在线估计单元22，还用于将滑动处理窗内的导频符号的信道估计和非导频子载波的接收符号都作为神经网络的输入，直接输出非导频子载波的符号估计结果。
可选地，导频子载波比非导频子载波多经过多个中间层，或者非导频子载波前面多个中间层的系数固定为1；导频子载波多出来的多个中间层系数独立于神经网络的其它系数进行调整。
本实施例的装置，可以用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种OFDM信道估计方法，其特征在于，包括：
采用仿真产生的实际信道系数，已经经过衰落信道和高斯信道后接收机能观察到的导频序列的初始信道估计，构成训练集，在不同的噪声方差下，用后向误差传播算法进行离线神经网络训练，确定不同噪声方差对应的神经网络系数；
使用与所述离线神经网络训练完全一致的神经网络，选择与当前实际噪声方差所对应的神经网络系数，对OFDM符号进行在线信道估计，根据神经网络输出得到信道估计结果。
2.根据权利要求1所述的方法，其特征在于，所述用后向误差传播算法进行离线神经网络训练，确定不同噪声方差对应的神经网络系数包括：对可能的工作区间的噪声方差进行分段，对不同的噪声方差计算不同的神经网络系数并且保存，制作一个表，表的索引项是噪声方差，表的内容项是对应的神经网络系数；
所述选择与当前实际噪声方差所对应的神经网络系数包括：选择与当前实际噪声方差最接近的索引项所对应的神经网络系数。
3.根据权利要求1或2所述的方法，其特征在于，所述使用与所述离线神经网络训练完全一致的神经网络，选择与当前实际噪声方差所对应的神经网络系数，对OFDM符号进行在线信道估计，根据神经网络输出得到信道估计结果包括：
对OFDM符号进行滑动窗处理，每个滑动窗内的导频子载波的信道估计作为神经网络的输入，神经网络的输出作为滑动窗内所有子载波的信道估计结果。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
将滑动处理窗内的导频符号的信道估计和非导频子载波的接收符号都作为神经网络的输入，直接输出非导频子载波的符号估计结果。
5.根据权利要求4所述的方法，其特征在于，导频子载波比非导频子载波多经过多个中间层，或者非导频子载波前面多个中间层的系数固定为1；导频子载波多出来的多个中间层系数独立于神经网络的其它系数进行调整。
6.一种OFDM信道估计装置，其特征在于，包括：
离线训练单元，用于采用仿真产生的实际信道系数，已经经过衰落信道和高斯信道后接收机能观察到的导频序列的初始信道估计，构成训练集，在不同的噪声方差下，用后向误差传播算法进行离线神经网络训练，确定不同噪声方差对应的神经网络系数；
在线估计单元，用于使用与所述离线神经网络训练完全一致的神经网络，选择与当前实际噪声方差所对应的神经网络系数，对OFDM符号进行在线信道估计，根据神经网络输出得到信道估计结果。
7.根据权利要求6所述的装置，其特征在于，所述离线训练单元，用于对可能的工作区间的噪声方差进行分段，对不同的噪声方差计算不同的神经网络系数并且保存，制作一个表，表的索引项是噪声方差，表的内容项是对应的神经网络系数；
所述在线估计单元，用于选择与当前实际噪声方差最接近的索引项所对应的神经网络系数。
8.根据权利要求6或7所述的装置，其特征在于，所述在线估计单元，用于对OFDM符号进行滑动窗处理，每个滑动窗内的导频子载波的信道估计作为神经网络的输入，神经网络的输出作为滑动窗内所有子载波的信道估计结果。
9.根据权利要求8所述的装置，其特征在于，所述在线估计单元，还用于将滑动处理窗内的导频符号的信道估计和非导频子载波的接收符号都作为神经网络的输入，直接输出非导频子载波的符号估计结果。
10.根据权利要求9所述的装置，其特征在于，导频子载波比非导频子载波多经过多个中间层，或者非导频子载波前面多个中间层的系数固定为1；导频子载波多出来的多个中间层系数独立于神经网络的其它系数进行调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711058460.XA CN109756432B (zh) | 2017-11-01 | 2017-11-01 | Ofdm信道估计方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711058460.XA CN109756432B (zh) | 2017-11-01 | 2017-11-01 | Ofdm信道估计方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109756432A CN109756432A (zh) | 2019-05-14 |
| CN109756432B true CN109756432B (zh) | 2022-03-25 |
Family
ID=66398853
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711058460.XA Active CN109756432B (zh) | 2017-11-01 | 2017-11-01 | Ofdm信道估计方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109756432B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| US20220376953A1 (en) * | 2019-10-03 | 2022-11-24 | Telefonaktiebolaget Lm Ericsson (Publ) | Reception and decoding of data in a radio network |
| KR20210042717A (ko) * | 2019-10-10 | 2021-04-20 | 삼성전자주식회사 | 무선 통신 시스템에서 인공 지능을 활용한 신호 송수신 방법 및 장치 |
| 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 |
| CN111698754A (zh) * | 2020-05-22 | 2020-09-22 | 广西华南通信股份有限公司 | 基于级联人工神经网络的逐子载波无线转发站分配方法 |
| CN114884783B (zh) * | 2022-05-07 | 2023-06-02 | 重庆邮电大学 | 一种利用神经网络进行电力线系信道估计的方法 |
| WO2024083303A1 (en) * | 2022-10-17 | 2024-04-25 | Vestel Elektronik Sanayi Ve Ticaret A.S. | Deep learning based channel estimation |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101340266A (zh) * | 2008-06-06 | 2009-01-07 | 山东大学 | 一种基于粒子滤波器和神经网络的双选择性信道跟踪方法 |
| US9396738B2 (en) * | 2013-05-31 | 2016-07-19 | Sonus Networks, Inc. | Methods and apparatus for signal quality analysis |
| CN103945332B (zh) * | 2014-04-28 | 2017-08-11 | 清华大学 | 一种接收信号强度和多径信息联合神经网络室内定位方法 |
| CN104022978A (zh) * | 2014-06-18 | 2014-09-03 | 中国联合网络通信集团有限公司 | 一种半盲信道估计方法和系统 |
-
2017
- 2017-11-01 CN CN201711058460.XA patent/CN109756432B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109756432A (zh) | 2019-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109756432B (zh) | Ofdm信道估计方法和装置 | |
| Liao et al. | ChanEstNet: A deep learning based channel estimation for high-speed scenarios | |
| Prasad et al. | Joint approximately sparse channel estimation and data detection in OFDM systems using sparse Bayesian learning | |
| Zhang et al. | Deep learning based underwater acoustic OFDM communications | |
| CN109246038B (zh) | 一种数据模型双驱动的gfdm接收机及方法 | |
| CN113472706B (zh) | 一种基于深度神经网络的mimo-ofdm系统信道估计方法 | |
| Ma et al. | Learning assisted estimation for time-varying channels | |
| CN112637093A (zh) | 一种基于模型驱动深度学习的信号检测方法 | |
| CN102123115A (zh) | 基于粒子群优化的正交小波盲均衡方法 | |
| CN107222438B (zh) | 高速移动sc-fdma系统的简化bem信道估计方法 | |
| Wu et al. | Deep neural network method for channel estimation in visible light communication | |
| Taşpinar et al. | Back propagation neural network approach for channel estimation in OFDM system | |
| CN110311876A (zh) | 基于深度神经网络的水声正交频分复用接收机的实现方法 | |
| Qiao et al. | A novel signal detection scheme based on adaptive ensemble deep learning algorithm in SC-FDE systems | |
| Zhang et al. | Deep learning based underwater acoustic OFDM receiver with joint channel estimation and signal detection | |
| CN112511469B (zh) | 一种基于深度学习的稀疏水声信道估计方法 | |
| CN114039821A (zh) | 一种宽带mmWave MIMO-OFDM系统波束空间信道估计方法 | |
| Cheng et al. | Channel estimation and equalization based on deep BLSTM for FBMC-OQAM systems | |
| CN113497770A (zh) | Ofdm系统快时变信道参数估计方法及装置 | |
| Shehadeh et al. | Fast varying channel estimation in downlink LTE systems | |
| Yan et al. | Inter-carrier interference-aware sparse time-varying underwater acoustic channel estimation based on fast reconstruction algorithm | |
| Cheng et al. | Enhanced channel estimation in OFDM systems with neural network technologies | |
| Zhu et al. | Data-driven signal detection for underwater acoustic filter bank multicarrier communications | |
| Liu et al. | RecNet: Deep learning-based OFDM receiver with semi-blind channel estimation | |
| Kishore et al. | Deep Convolutional Spiking Neural Network Optimized with Coyote Chimp Optimization Algorithm for Imperfect Channel Estimation in MIMO-fOFDM/FQAM Based 5G Network. |
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 |