CN110266620A - 基于卷积神经网络的3d mimo-ofdm系统信道估计方法 - Google Patents

基于卷积神经网络的3d mimo-ofdm系统信道估计方法 Download PDF

Info

Publication number
CN110266620A
CN110266620A CN201910609895.1A CN201910609895A CN110266620A CN 110266620 A CN110266620 A CN 110266620A CN 201910609895 A CN201910609895 A CN 201910609895A CN 110266620 A CN110266620 A CN 110266620A
Authority
CN
China
Prior art keywords
layer
value
convolutional neural
channel
mimo
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
Application number
CN201910609895.1A
Other languages
English (en)
Other versions
CN110266620B (zh
Inventor
武畅
闫康旭
金雪敏
高璇
陈阳
吴鹏
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201910609895.1A priority Critical patent/CN110266620B/zh
Publication of CN110266620A publication Critical patent/CN110266620A/zh
Application granted granted Critical
Publication of CN110266620B publication Critical patent/CN110266620B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04L25/0204—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
    • H04L25/0224—Channel estimation using sounding signals
    • H04L25/0228—Channel estimation using sounding signals with direct estimation from sounding signals
    • H04L25/023—Channel estimation using sounding signals with direct estimation from sounding signals with extension to other symbols
    • H04L25/0232—Channel estimation using sounding signals with direct estimation from sounding signals with extension to other symbols by interpolation between sounding signals
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Image Analysis (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明公开了一种基于卷积神经网络的3D MIMO‑OFDM系统信道估计方法，其包括采用3D MIMO‑OFDM系统中接收到的导频值计算LS估计值，并对LS估计值进行预处理得到实部图像化表示和虚部图形化表示；将实部图像化表示和虚部图形化表示分别作为已训练的实部CECNN模型和虚部CECNN模型的输入，并分别输出一个完整信道图像化表示；分别对两个完整信道图像化表示进行归一化的逆向操作得到实部数据和虚部数据；以及对实部数据和虚部数据进行拼接，得到3D MIMO‑OFDM系统完整的信道响应值。

Description

基于卷积神经网络的3D MIMO-OFDM系统信道估计方法
技术领域
本发明属于信息与通信工程技术领域，涉及一种基于卷积神经网络的3D MIMO-OFDM系统信道估计方法。
背景技术
信道估计，就是从接收数据中将假定的某个信道模型的模型参数估计出来的过程，信道估计的精度将直接影响整个系统的性能。现有的3D MIMO-OFDM系统在原有的MIMO-OFDM系统上扩展了信道的垂直维度，造成无线信道相比其他情况更加复杂，若是采用现有常规的LS算法(LS算法通过一定的计算得到信道在导频处的响应H，并对H进行内插就可以获得完整的信道响应值)对其进行信道估计，存在估计精度差、导频资源占用多等缺陷。
发明内容
针对现有技术中的上述不足，本发明提供的基于卷积神经网络的3D MIMO-OFDM系统信道估计方法与传统的LS算法相比，在占用相同数量导频资源的情况下，提高了信道估计的精度。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种基于卷积神经网络的3D MIMO-OFDM系统信道估计方法，其包括：采用3DMIMO-OFDM系统中接收到的导频值计算LS估计值，并对LS估计值进行预处理得到实部图像化表示和虚部图形化表示
将实部图像化表示和虚部图形化表示分别作为已训练的实部CECNN模型和虚部CECNN模型的输入，并分别输出一个完整信道图像化表示；
分别对两个完整信道图像化表示进行归一化的逆向操作得到实部数据和虚部数据；以及
对实部数据和虚部数据进行拼接，得到3D MIMO-OFDM系统完整的信道响应值。
进一步地，所述LS估计值的预处理包括对LS估计值进行拆分虚实部、归一化和插值放大处理。
进一步地，采用MATLAB中的real函数和imag函数进行虚实部的拆分；插值放大处理为最近邻法或基于Bicubic函数的双三次插值；归一化处理的表达式为：
其中，x*为归一化数据；x为原始数据；max和min分别为归一化数据集的最大值和最小值。
进一步地，所述实部CECNN模型和虚部CECNN模型的训练方法包括：
A1、采用3D MIMO-OFDM系统产生LS估计值和完整信道值作为训练集数据；
A2、分别对LS估计值和完整信道值进行预处理，得到LS估计值的实部图像化表示和虚部的图像化表示及完整信道值的实部图形化表示和虚部图形化表示；
A3、将训练集数据LS估计值和完整信道值的实部图形化表示及训练集数据LS估计值和完整信道值的虚部图形化表示分别输入一个三层卷积神经网络；
A4、卷积神经网络对输入的图形化表示进行信道特征提取、非线性映射和完整信道恢复处理；
A5、判断卷积神经网的损失函数的值是否小于设定阈值；若是，完成卷积神经网络的训练得到实部CECNN模型或虚部CECNN模型，否则进入步骤A6；
A6、采用损失函数的值更新卷积神经网中每层卷积层的卷积核矩阵和神经元阈值，并返回步骤A4。
进一步地，所述卷积神经网络对输入的图形化表示进行信道特征提取、非线性映射和完整信号恢复处理进一步包括：
B1、采用卷积神经网络第一层的卷积层对输入的图形化表示进行信道特征提取：
y1(x)＝f(w1*x+b1)
其中，x为输入的图像化表示；y1(x)为采用第一层的卷积层提取的低维信道特征；f(.)为激活函数；w1为第一层卷积核矩阵；b1为第一层神经元阈值；
B2、采用卷积神经网络第二层的卷积层对低维信道特征进行非线性映射：
y2(x)＝f(w2*y1(x)+b2)
其中，y2(x)为高维信道特征；w2为第二层卷积核矩阵；b2为第二层神经元阈值；
B3、卷积神经网络第三层的卷积层采用高维信道特征重构完整信道：
y3(x)＝w3*y2(x)+b3
其中，y3(x)为重构的完整信道；w3为第三层卷积核矩阵；b3为第三层神经元阈值。
进一步地，第一层卷积核矩阵w1大小为c×f1×f1×n1；c＝1为第一层图像化表示的维度；f1＝9为第一层卷积核的大小；n1＝10为第一层滤波器的数量；
第二层卷积核矩阵w2大小为n1×f2×f2×n2，f2＝1为第二层卷积核的大小；n2＝5为第二层滤波器的数量；
第三层卷积核矩阵w3大小为n2×f3×f3×c，f3＝5为卷积核的大小。
进一步地，所述损失函数为均方误差函数，其表达式为：
其中，N为输出层的个数，为第i个输出层的值，y(i)为对应的期望值。
进一步地，对实部CECNN模型和虚部CECNN模型进行训练时，采用自适应矩估计算法，其学习速率为0.001，一阶矩估计的指数衰减率为0.9，二阶矩估计的指数衰减率为0.999，epsilon为10-8，迭代次数为10000次。
进一步地，对完整信道值进行预处理包括对完整信道值进行拆分虚实部和归一化处理。
本发明的有益效果为：本方案在进行信道估计时将信道的频域响应等效为二维图像，从而成功将信道估计问题转化为从低分辨率图像中恢复高分辨率图像的问题，并利用一个三层卷积神经网络从代表信道导频响应的低分辨率图像中恢复出代表信道完整响应的高分辨率图像，达到了信道估计的目的。
本方案已训练的实部CECNN模型和虚部CECNN模型可以根据训练阶段学习到的信道特性来进行信道估计，降低了信道估计的均方误差和系统的误比特率，与LS算法相比在占用相同数量导频资源的情况下，提高了信道估计的精度。
附图说明
图1为基于卷积神经网络的3D MIMO-OFDM系统信道估计方法的流程图。
图2为实部CECNN模型和虚部CECNN模型的训练方法。
图3为3D MIMO-OFDM系统框图。
图4为LS算法和CECNN模型的均方误差对比曲线。
图5为LS算法和CECNN模型的误比特率对比曲线。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
参考图1，图1示出了基于卷积神经网络的3D MIMO-OFDM系统信道估计方法的流程图；如图1所示，该方法100包括步骤101至步骤104。
在步骤101中，采用3D MIMO-OFDM系统中接收到的导频值计算LS估计值，并对LS估计值进行预处理得到实部图像化表示和虚部图形化表示。其中，3D MIMO-OFDM系统是采用MATLAB搭建而成，在3D MIMO-OFDM系统中，每一根发送天线和接收天线之间可以等效为一个OFDM系统。
实施时，本方案优选所述LS估计值的预处理包括对LS估计值进行拆分虚实部、归一化和插值放大处理。虚实部的拆分采用MATLAB中的real函数和imag函数实现；插值放大处理为最近邻法或基于Bicubic函数的双三次插值；归一化处理的表达式为：
其中，x*为归一化数据；x为原始数据；max和min分别为归一化数据集的最大值和最小值。
基于Bicubic函数的双三次插值的函数为：
其中，a的取值为-0.5，x为输入数据。
在步骤102中，将实部图像化表示和虚部图形化表示分别作为已训练的实部CECNN模型和虚部CECNN模型的输入，并分别输出一个完整信道图像化表示；
在步骤103中，分别对两个完整信道图像化表示进行归一化的逆向操作得到实部数据和虚部数据；归一化的逆向操作的计算公式为：x'＝x*'·(max-min)+min，其中，x*'为待逆归一化的数据；x'为逆归一化后的数据。
在步骤104中，对实部数据和虚部数据进行拼接，得到3D MIMO-OFDM系统完整的信道响应值。
参考图2，图2示出了实部CECNN模型和虚部CECNN模型的训练方法；如图2所示，该方法A包括步骤A1至步骤A6。
在步骤A1中，采用3D MIMO-OFDM系统产生LS估计值和完整信道值作为训练集数据；其中LS估计值为导频处的信道频域响应，LS估计值在经过预处理操作后为神经网络的输入数据。完整信道值为整个OFDM块的信道频域响应，完整信道值在经过预处理操作后为神经网络的监督数据。
在步骤A2中，分别对LS估计值和完整信道值进行预处理，得到LS估计值的实部图像化表示和虚部的图像化表示及完整信道值的实部图形化表示和虚部图形化表示。
其中，对完整信道值进行预处理包括对完整信道值进行拆分虚实部和归一化处理；此处的拆分虚实部和归一化与LS估计值的预处理中的方式是相同的，此处就不在赘述。
本方案对LS估计值和完整信道值进行预处理可以达到如下目的：
其一，训练集数据均为信道响应值，信道响应值通常为复数，而神经网络模型只能处理实数。本方案在此处对实部和虚部进行拆分，方便神经网络对信道响应值进行处理。
其二，神经网络处理的数据范围大多在0到1之间，而不同环境中信道的响应值范围变化较大，对训练集数据进行归一化操作，可以使其分布在0到1之间，以便采用神经网络进行训练。
其三，在低分辨率图像的尺寸放大时会失真模糊，本方案通过插值算法对放大后的图像内插来获得相邻像素点之间的值，以避免失真模糊的问题。
在步骤A3中，将训练集数据LS估计值和完整信道值的实部图形化表示及训练集数据LS估计值和完整信道值的虚部图形化表示分别输入一个三层卷积神经网络。
其中LS估计值的图像化表示代表导频响应的低分辨率图像，是神经网络的输入数据，完整信道的图像化表示代表完整信道响应的高分辨率图像，是神经网络的监督数据。
在步骤A4中，卷积神经网络对输入的图形化表示进行信道特征提取、非线性映射和完整信道恢复处理。
在本发明的一个实施例中，卷积神经网络对输入的图形化表示进行信道特征提取、非线性映射和完整信号恢复处理进一步包括：
B1、采用卷积神经网络第一层的卷积层对输入的图形化表示进行信道特征提取：
y1(x)＝f(w1*x+b1)
其中，x为输入的图像化表示；y1(x)为采用第一层的卷积层提取的低维信道特征；f(.)为激活函数；w1为第一层卷积核矩阵；b1为第一层神经元阈值；
第一层卷积核矩阵w1大小为c×f1×f1×n1；c＝1为第一层图像化表示的维度；f1＝9为第一层卷积核的大小；n1＝10为第一层滤波器的数量。
B2、采用卷积神经网络第二层的卷积层对低维信道特征进行非线性映射：
y2(x)＝f(w2*y1(x)+b2)
其中，y2(x)为高维信道特征；w2为第二层卷积核矩阵；b2为第二层神经元阈值；
第二层卷积核矩阵w2大小为n1×f2×f2×n2，f2＝1为第二层卷积核的大小；n2＝5为第二层滤波器的数量。
B3、卷积神经网络第三层的卷积层采用高维信道特征重构完整信道：
y3(x)＝w3*y2(x)+b3
其中，y3(x)为重构的完整信道；w3为第三层卷积核矩阵；b3为第三层神经元阈值；
第三层卷积核矩阵w3大小为n2×f3×f3×c，f3＝5为卷积核的大小。
在步骤A5中，判断卷积神经网的损失函数的值是否小于设定阈值；若是，完成卷积神经网络的训练得到实部CECNN模型或虚部CECNN模型，否则进入步骤A6。
在步骤A6中，采用损失函数的值更新卷积神经网中每层卷积层的卷积核矩阵和神经元阈值，并返回步骤A4。
损失函数对于训练人工神经网络至关重要，损失函数必须能够代表模型输出值与期望输出值之间的差距，信道估计值与实际信道值的均方误差代表了信道估计的准确度，因此本方案选取均方误差函数作为损失函数，其表达形式为：
其中，N为输出层的个数，为第i个输出层的值，y(i)为对应的期望值。
本方案在对实部CECNN模型和虚部CECNN模型进行训练时，采用自适应矩估计算法，其学习速率为0.001，一阶矩估计的指数衰减率为0.9，二阶矩估计的指数衰减率为0.999，epsilon为10-8，迭代次数为10000次。
下面结合具体实例与LS算法进行对比对本方案(以下简称CECNN模型))的效果进行说明：
本申请的3D MIMO-OFDM系统框图如图3所示，3D MIMO-OFDM系统的发送端调制方式为QPSK，发送天线数为2，一个OFDM块包含64个子帧，一个子帧包含64个子载波，一个OFDM块包含1024个导频，导频调制方式为BPSK，循环前缀长度为32，仿真所采用的3D MIMO信道多径参数见表1：
3D MIMO信道多径参数设置
时延(ns) 0 25 75 100 175
径内平均水平离开角(°) 10 7 8 6 8
径内平均俯仰离开角(°) 98 25 84 102 96
径功率(dB) 0 -1 -2 -3 -3
接收端首先对接收到的多路数据进行OFDM解调，再根据接收到的导频信息对信道状态进行估计，其中信道估计模块使用本方案提出的估计方法，并与LS算法进行对比。空时解码器根据信道估计值及接收到的信号将多路信号合并为一路信号。信道估计的准确度对空时解码后的数据有着直接的影响。最后再对数据进行解调就可以恢复出原始比特数据。
信道估计性能的比较参数采用误比特率和均方误差，公式如下：
如图4和图5所示，其为在表1信道条件下的CECNN模型信道估计均方误差与LS算法对比曲线。其中插值放大处理采取的插值方法分别为最近邻法和双三次插值法。
结合图4和图5分析可知，随着信噪比逐渐增加，LS算法与CECNN模型的均方误差均呈现出下降趋势，采用双三次内插时，LS算法和CECNN模型的信道估计性能均比最近邻法好。采用双三次内插时，在信噪比0dB条件下，LS算法的均方误差为4左右，而CECNN模型为3左右。
随着信噪比增加，LS算法的均方误差下降缓慢，CECNN模型的均方误差下降较快。信噪比为30dB时，LS算法的均方误差稳定在3×10-1左右，CECNN模型的均方误差可以下降到1×10-2左右，由图4和图5的曲线可知CECNN模型的信道估计性能好于LS算法。
由上分析可知，LS算法和CECNN模型使用双三次内插时性能较好，在采用的内插方法相同时，使用CECNN模型进行信道估计时的均方误差小于LS算法，系统误比特率低于LS算法。
故综上所述，本方案提出的基于卷积神经网络的信道估计方法可以对3D MIMO-OFDM系统的信道进行有效的估计。

Claims (9)

1.基于卷积神经网络的3D MIMO-OFDM系统信道估计方法，其特征在于，包括：
采用3D MIMO-OFDM系统中接收到的导频值计算LS估计值，并对LS估计值进行预处理得到实部图像化表示和虚部图形化表示；
将实部图像化表示和虚部图形化表示分别作为已训练的实部CECNN模型和虚部CECNN模型的输入，并分别输出一个完整信道图像化表示；
分别对两个完整信道图像化表示进行归一化的逆向操作得到实部数据和虚部数据；以及
对实部数据和虚部数据进行拼接，得到3D MIMO-OFDM系统完整的信道响应值。
2.根据权利要求1所述的基于卷积神经网络的3D MIMO-OFDM系统信道估计方法，其特征在于，所述LS估计值的预处理包括对LS估计值进行拆分虚实部、归一化和插值放大处理。
3.根据权利要求2所述的基于卷积神经网络的3D MIMO-OFDM系统信道估计方法，其特征在于，采用MATLAB中的real函数和imag函数进行虚实部的拆分；插值放大处理为最近邻法或基于Bicubic函数的双三次插值；归一化处理的表达式为：
其中，x*为归一化数据；x为原始数据；max和min分别为归一化数据集的最大值和最小值。
4.根据权利要求1-3任一所述的基于卷积神经网络的3D MIMO-OFDM系统信道估计方法，其特征在于，所述实部CECNN模型和虚部CECNN模型的训练方法包括：
A1、采用3D MIMO-OFDM系统产生LS估计值和完整信道值作为训练集数据；
A2、分别对LS估计值和完整信道值进行预处理，得到LS估计值的实部图像化表示和虚部的图像化表示及完整信道值的实部图形化表示和虚部图形化表示；
A3、将训练集数据LS估计值和完整信道值的实部图形化表示及训练集数据LS估计值和完整信道值的虚部图形化表示分别输入一个三层卷积神经网络；
A4、卷积神经网络对输入的图形化表示进行信道特征提取、非线性映射和完整信道恢复处理；
A5、判断卷积神经网的损失函数的值是否小于设定阈值；若是，完成卷积神经网络的训练得到实部CECNN模型或虚部CECNN模型，否则进入步骤A6；
A6、采用损失函数的值更新卷积神经网中每层卷积层的卷积核矩阵和神经元阈值，并返回步骤A4。
5.根据权利要求4所述的基于卷积神经网络的3D MIMO-OFDM系统信道估计方法，其特征在于，所述卷积神经网络对输入的图形化表示进行信道特征提取、非线性映射和完整信号恢复处理进一步包括：
B1、采用卷积神经网络第一层的卷积层对输入的图形化表示进行信道特征提取：
y1(x)＝f(w1*x+b1)
其中，x为输入的图像化表示；y1(x)为采用第一层的卷积层提取的低维信道特征；f(.)为激活函数；w1为第一层卷积核矩阵；b1为第一层神经元阈值；
B2、采用卷积神经网络第二层的卷积层对低维信道特征进行非线性映射：
y2(x)＝f(w2*y1(x)+b2)
其中，y2(x)为高维信道特征；w2为第二层卷积核矩阵；b2为第二层神经元阈值；
B3、卷积神经网络第三层的卷积层采用高维信道特征重构完整信道：
y3(x)＝w3*y2(x)+b3
其中，y3(x)为重构的完整信道；w3为第三层卷积核矩阵；b3为第三层神经元阈值。
6.根据权利要求5所述的基于卷积神经网络的3D MIMO-OFDM系统信道估计方法，其特征在于，第一层卷积核矩阵w1大小为c×f1×f1×n1；c＝1为第一层图像化表示的维度；f1＝9为第一层卷积核的大小；n1＝10为第一层滤波器的数量；
第二层卷积核矩阵w2大小为n1×f2×f2×n2，f2＝1为第二层卷积核的大小；n2＝5为第二层滤波器的数量；
第三层卷积核矩阵w3大小为n2×f3×f3×c，f3＝5为卷积核的大小。
7.根据权利要求4所述的基于卷积神经网络的3D MIMO-OFDM系统信道估计方法，其特征在于，所述损失函数为均方误差函数，其表达式为：
其中，N为输出层的个数，为第i个输出层的值，y(i)为对应的期望值。
8.根据权利要求4所述的基于卷积神经网络的3D MIMO-OFDM系统信道估计方法，其特征在于，对实部CECNN模型和虚部CECNN模型进行训练时，采用自适应矩估计算法，其学习速率为0.001，一阶矩估计的指数衰减率为0.9，二阶矩估计的指数衰减率为0.999，epsilon为10-8，迭代次数为10000次。
9.根据权利要求4所述的基于卷积神经网络的3D MIMO-OFDM系统信道估计方法，其特征在于，对完整信道值进行预处理包括对完整信道值进行拆分虚实部和归一化处理。
CN201910609895.1A 2019-07-08 2019-07-08 基于卷积神经网络的3d mimo-ofdm系统信道估计方法 Active CN110266620B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910609895.1A CN110266620B (zh) 2019-07-08 2019-07-08 基于卷积神经网络的3d mimo-ofdm系统信道估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910609895.1A CN110266620B (zh) 2019-07-08 2019-07-08 基于卷积神经网络的3d mimo-ofdm系统信道估计方法

Publications (2)

Publication Number Publication Date
CN110266620A true CN110266620A (zh) 2019-09-20
CN110266620B CN110266620B (zh) 2020-06-30

Family

ID=67924857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910609895.1A Active CN110266620B (zh) 2019-07-08 2019-07-08 基于卷积神经网络的3d mimo-ofdm系统信道估计方法

Country Status (1)

Country Link
CN (1) CN110266620B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110943944A (zh) * 2019-11-07 2020-03-31 浙江大学 一种基于深度学习的ofdm系统的信道估计方法
CN111327559A (zh) * 2020-02-28 2020-06-23 北京邮电大学 一种编码、解码方法及装置
CN111404849A (zh) * 2020-03-20 2020-07-10 北京航空航天大学 一种基于深度学习的ofdm信道估计与信号检测方法
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
CN111628833A (zh) * 2020-06-10 2020-09-04 桂林电子科技大学 基于卷积神经网络的mimo天线数目估计方法
WO2021223504A1 (zh) * 2020-05-08 2021-11-11 中兴通讯股份有限公司 上下行信道互易的实现方法、通信节点和存储介质
CN113726711A (zh) * 2021-09-01 2021-11-30 北京邮电大学 Ofdm接收方法和装置、信道估计模型训练方法和装置
CN114726683A (zh) * 2021-01-04 2022-07-08 中国移动通信有限公司研究院 一种信道估计方法、装置及相关设备
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
CN114916928A (zh) * 2022-05-12 2022-08-19 电子科技大学 一种人体姿态多通道卷积神经网络检测方法
CN115606120A (zh) * 2020-05-25 2023-01-13 Oppo广东移动通信有限公司（Cn） 一种信道状态信息传输方法、电子设备及存储介质
CN115664898A (zh) * 2022-10-24 2023-01-31 四川农业大学 一种基于复数卷积神经网络的ofdm系统信道估计方法及系统
WO2023185999A1 (zh) * 2022-03-31 2023-10-05 华为技术有限公司 一种信号处理方法和装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1866763A (zh) * 2006-05-11 2006-11-22 上海交通大学 基于粒子滤波的信道估计方法
CN1943194A (zh) * 2004-02-19 2007-04-04 高通股份有限公司 校准无线mimo通信系统中的下行链路和上行链路信道响应
CN101577576A (zh) * 2008-05-09 2009-11-11 杰脉通信技术(上海)有限公司 一种td-scdma终端初始下行同步方法
CN102082754A (zh) * 2009-11-26 2011-06-01 中兴通讯股份有限公司 一种ofdm信道估计方法及装置
CN102158293A (zh) * 2005-01-27 2011-08-17 高通股份有限公司 用于时分双工通信系统的信道校准
EP2630762A1 (en) * 2010-10-18 2013-08-28 Sony Corporation Multiresolution transmission with multicarrier signals
CN108616470A (zh) * 2018-03-26 2018-10-02 天津大学 基于卷积神经网络的调制信号识别方法
CN108616471A (zh) * 2018-05-07 2018-10-02 中国电子科技集团公司第三十六研究所 一种基于卷积神经网络的信号调制识别方法和装置
CN109067688A (zh) * 2018-07-09 2018-12-21 东南大学 一种数据模型双驱动的ofdm接收方法
CN109802737A (zh) * 2019-01-23 2019-05-24 电子科技大学 一种3d mimo信道建模的均方根角度扩展获取方法
CN109886406A (zh) * 2019-02-25 2019-06-14 东南大学 一种基于深度压缩的复数卷积神经网络压缩方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1943194A (zh) * 2004-02-19 2007-04-04 高通股份有限公司 校准无线mimo通信系统中的下行链路和上行链路信道响应
CN102158293A (zh) * 2005-01-27 2011-08-17 高通股份有限公司 用于时分双工通信系统的信道校准
CN1866763A (zh) * 2006-05-11 2006-11-22 上海交通大学 基于粒子滤波的信道估计方法
CN101577576A (zh) * 2008-05-09 2009-11-11 杰脉通信技术(上海)有限公司 一种td-scdma终端初始下行同步方法
CN102082754A (zh) * 2009-11-26 2011-06-01 中兴通讯股份有限公司 一种ofdm信道估计方法及装置
EP2630762A1 (en) * 2010-10-18 2013-08-28 Sony Corporation Multiresolution transmission with multicarrier signals
CN108616470A (zh) * 2018-03-26 2018-10-02 天津大学 基于卷积神经网络的调制信号识别方法
CN108616471A (zh) * 2018-05-07 2018-10-02 中国电子科技集团公司第三十六研究所 一种基于卷积神经网络的信号调制识别方法和装置
CN109067688A (zh) * 2018-07-09 2018-12-21 东南大学 一种数据模型双驱动的ofdm接收方法
CN109802737A (zh) * 2019-01-23 2019-05-24 电子科技大学 一种3d mimo信道建模的均方根角度扩展获取方法
CN109886406A (zh) * 2019-02-25 2019-06-14 东南大学 一种基于深度压缩的复数卷积神经网络压缩方法

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110943944A (zh) * 2019-11-07 2020-03-31 浙江大学 一种基于深度学习的ofdm系统的信道估计方法
CN111327559B (zh) * 2020-02-28 2021-01-08 北京邮电大学 一种编码、解码方法及装置
CN111327559A (zh) * 2020-02-28 2020-06-23 北京邮电大学 一种编码、解码方法及装置
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
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
CN111404849B (zh) * 2020-03-20 2021-01-12 北京航空航天大学 一种基于深度学习的ofdm信道估计与信号检测方法
CN111404849A (zh) * 2020-03-20 2020-07-10 北京航空航天大学 一种基于深度学习的ofdm信道估计与信号检测方法
WO2021223504A1 (zh) * 2020-05-08 2021-11-11 中兴通讯股份有限公司 上下行信道互易的实现方法、通信节点和存储介质
CN115606120A (zh) * 2020-05-25 2023-01-13 Oppo广东移动通信有限公司（Cn） 一种信道状态信息传输方法、电子设备及存储介质
CN111628833B (zh) * 2020-06-10 2022-02-08 桂林电子科技大学 基于卷积神经网络的mimo天线数目估计方法
CN111628833A (zh) * 2020-06-10 2020-09-04 桂林电子科技大学 基于卷积神经网络的mimo天线数目估计方法
CN114726683A (zh) * 2021-01-04 2022-07-08 中国移动通信有限公司研究院 一种信道估计方法、装置及相关设备
CN113726711A (zh) * 2021-09-01 2021-11-30 北京邮电大学 Ofdm接收方法和装置、信道估计模型训练方法和装置
CN113726711B (zh) * 2021-09-01 2023-09-15 北京邮电大学 Ofdm接收方法和装置、信道估计模型训练方法和装置
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
WO2023185999A1 (zh) * 2022-03-31 2023-10-05 华为技术有限公司 一种信号处理方法和装置
CN114916928B (zh) * 2022-05-12 2023-08-04 电子科技大学 一种人体姿态多通道卷积神经网络检测方法
CN114916928A (zh) * 2022-05-12 2022-08-19 电子科技大学 一种人体姿态多通道卷积神经网络检测方法
CN115664898A (zh) * 2022-10-24 2023-01-31 四川农业大学 一种基于复数卷积神经网络的ofdm系统信道估计方法及系统
CN115664898B (zh) * 2022-10-24 2023-09-08 四川农业大学 一种基于复数卷积神经网络的ofdm系统信道估计方法及系统

Also Published As

Publication number Publication date
CN110266620B (zh) 2020-06-30

Similar Documents

Publication Publication Date Title
CN110266620A (zh) 基于卷积神经网络的3d mimo-ofdm系统信道估计方法
CN112737985B (zh) 基于深度学习的大规模mimo信道联合估计和反馈方法
CN108768585B (zh) 基于深度学习的上行免信令非正交多址接入noma系统多用户检测方法
CN110648292B (zh) 一种基于深度卷积网络的高噪声图像去噪方法
CN103077506B (zh) 结合局部和非局部的自适应图像去噪方法
CN109474388B (zh) 基于改进梯度投影法的低复杂度mimo-noma系统信号检测方法
CN116132239B (zh) 采用预激活残差单元和超分辨网络的ofdm信道估计方法
CN110598677A (zh) 一种用于自动调制识别的时空多通道深度学习系统
CN114499601B (zh) 一种基于深度学习的大规模mimo信号检测方法
CN111224905B (zh) 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
CN112910812B (zh) 一种基于时空特征提取深度学习的调制模式识别方法
CN113422745B (zh) 一种基于深度学习的空海无线信道估计方法
CN114826832B (zh) 信道估计方法、神经网络的训练方法及装置、设备
CN113938254A (zh) 一种基于注意力机制的分层信源信道联合编码传输系统及其传输方法
CN109729035A (zh) 一种正交频分复用技术通信系统中的脉冲噪声抑制方法
CN109728824A (zh) 一种基于深度学习的ldpc码迭代译码方法
CN111555990A (zh) 基于长短时记忆残差网络的信道插值估计方法
CN113572708A (zh) 一种dft信道估计改进方法
CN113971430A (zh) 信号检测及模型训练方法、装置、设备及存储介质
CN113436101A (zh) 基于高效通道注意力机制的龙格库塔模块去雨的方法
CN116070136A (zh) 基于深度学习的多模态融合无线信号自动调制识别方法
CN111079347A (zh) 一种利用星座图的基于深度学习的信噪比估计方法
CN114301742B (zh) 信道估计方法及装置
CN112580598A (zh) 一种基于多通道Diffpool的无线电信号分类方法
CN113037411B (zh) 一种基于深度学习的多用户信号检测方法及装置

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