CN110365613A - 一种基于神经网络预测的信道估计方法 - Google Patents

一种基于神经网络预测的信道估计方法 Download PDF

Info

Publication number
CN110365613A
CN110365613A CN201910586929.XA CN201910586929A CN110365613A CN 110365613 A CN110365613 A CN 110365613A CN 201910586929 A CN201910586929 A CN 201910586929A CN 110365613 A CN110365613 A CN 110365613A
Authority
CN
China
Prior art keywords
neural network
channel
data
spline
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
CN201910586929.XA
Other languages
English (en)
Inventor
廖勇
黄周洋
张寅森
龙洋
孙国栋
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN201910586929.XA priority Critical patent/CN110365613A/zh
Publication of CN110365613A publication Critical patent/CN110365613A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Neurology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种基于神经网络预测的信道估计方法。首先，基于神经网络预测的信道估计方法构造一个神经网络来逼近理想信道状态，利用大量的正交频分复用(OFDM)信道数据进行神经网络的训练。其次，根据接收到的导频信号，通过神经网络预测出其余有限的数据位置的信道状态。最后，利用低次样条插值估计剩余的数据位置的信道频域响应。本发明利用了后向传播(BP)神经网络，解决了OFDM信道下信道估计的问题。由于神经网络具有自适应自学习的能力，因此本发明能够提升系统的信道估计精度。

Description

一种基于神经网络预测的信道估计方法
技术领域：
本发明涉及无线通信领域，尤其涉及一种基于神经网络预测的信道估计方法。
背景技术：
当接收用户处于高速运动中，接收的信号频率发生变化，产生传播频率扩散，成为多普勒效应，由此引起的附加频移称为多普勒频移。且多普勒频移的扩散程度与用户运动速度成正比。当移动台移向基站时，频率变高；远离基站时，频率变低。对于正交频分复用(OFDM)系统，微小的频偏都会破坏OFDM系统各个子载波之间频率的正交性，从而引起载波间干扰(ICI)，最终将严重影响通信的质量。信号接收端需要采用合适的信道估计及均衡方法来消除这些干扰。因此，能否在接收端正确地解调出发射信号，是衡量一个无线通信系统性能的重要指标并对于信道估计算法的研究是一项有重要意义的工作。
神经网络是一种高度复杂的非线性动力系统，除了具有非线性系统的共同特性外，还具有自学习自组织的特性。利用系统的输入输出数据，对系统的信道响应进行训练，得到最逼近实际情况的信道响应。总的来说，其特点就是构建一个神经网络结构，使之逼近于系统的理想信道，再通过实际插入的导频值去估计出剩下数据点的值，从而求取真实的发送信号。
神经网络的非线性能力使得该网络有能力充分实现复杂的非线性映射关系。将神经网络运用于OFDM系统中，对信道状态进行预测，且为链路的自适应提供了及时准确的信道状态信息。所以通过神经网络预测，可以得到较准确的预测将来某时刻的信道状态信息数据。
发明内容：
本发明提出了一种基于神经网络预测的信道估计方法，其特征在于，包括：
S1，采用反向传播(BP)算法对神经网络进行构建；
S2，基于S1构建的信道预测网络，输入接收到的导频信息预测有限个数据点的信道状态，然后采用三次样条插值对其余数据点进行插值。
所述的一种基于神经网络预测的信道估计方法，其特征在于，所述S1包括：
通过信道传输的特点可得系统输出为：
yi＝Hixi+wi
其中，i表示第i个符号，yi表示[y1(i),y2(i),y3(i),…,yn(i)]T接收符号向量，xi表示[x1(i),x2(i),x3(i),…,xn(i)]T为发送符号向量,wi为加性高斯白噪声向量。而在实际系统中接收端往往收到的是与实际值相差较大的数据值，系统如下：
其中，为实际收到的数据值，为实际系统的信道响应，为实际系统中的加性噪声。
设接收到的一帧数据有14个正交频分复用(OFDM)符号，导频符号分布在第1、5、8和12个OFDM符号处；BP神经网络的输入矢量为xk，其中xk＝[x1,x5,x8,x12]T为已知导频处的值；隐含层包含4个神经元，它们的输出为x′k，其中x′k＝[x′1,x′5,x′8,x′12]T；输出层包含4个神经元，输出yk，其中yk＝[y3,y7,y10,y14]T。输入层到隐含层的权值为wij，阈值为θj；隐含层到输出层的权值为w′jk，阈值为θ′k。于是各层神经元输出为：
显然，它将完成4维空间矢量到4维空间的映射。其中，激活函数f(x)为单极性Sigmoid函数：
其中，f(x)具有连续可倒的特点。设f′(x)为f(x)的导数且有
f′(x)＝f(x)(1-f(x))
通过大量的数据训练最终确定一个神经网络使得网络输出yk无限逼近于系统接收数据yi。
所述的一种基于神经网络预测的信道估计方法，其特征在于，所述S2包括：
上述系统可描述为：
采用S1构建好的神经网络利用已知导频处的值xk预测出
其中，fNN[·]为构建好的神经网络，表示该网络的输出值，神经网络输入为第1、5、8和12个OFDM符号处的导频信号，通过神经网络的训练使得预测的逼近yi，i＝3，7，10，14，得到4个符号数据位置处的信道状态信息。
剩余的6个OFDM符号的信道状态信息由三次均匀样条方法获得。由de Boor-Cox标准定义的递推式：
其中，Y表示B样条基函数，τ表示B样条的阶数，选择三阶B样条插值。由式可以得到三次均匀B样条的表达式为：
其中，λ＝d-pm，即数据符号节点与导频符号节点的距离。
由于三次B样条插值方法得不到边缘节点附近点的插值结果，因此，需要对三次B样条的边缘节点进行补充。采用线性插值的结果来对三次B样条插值方法进行补充，由于补充点的个数较少，最终将不会影响整体插值算法的性能变化。至此该系统一帧14个OFDM符号数据点数据全部完成插值，得到整个帧的信道频域响应。
附图说明
本发明的上述和/或附加的方面和优点，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.本发明总体流程图。
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。
本发明提出了一种基于神经网络预测的信道估计方法，有效地利用神经网络进行信道状态估计，并采用低次样条插值方法，得到状态变量最小均方误差估计结果，可降低信道估计器复杂度，同时提升信道估计的精度。
结合附图1对本发明进行详细说明，主要包括以下步骤：
步骤1：开始。
步骤2：对信道神经网络进行训练。
通过信道传输的特性可得系统输出为：
yi＝Hixi+wi
其中，i表示第i个符号，yi表示[y1(i),y2(i),y3(i),…,yn(i)]T接收符号向量，xi表示[x1(i),x2(i),x3(i),…,xn(i)]T为发送符号向量,i为加性高斯白噪声。而在实际系统中接收端收到的是与实际值相差较大的数据值，系统如下：
其中，为实际收到的数据值，为实际系统的信道响应，为实际系统中的加性噪声。
通过离线训练多组xi、yi得到信道预测神经网络结构。设接收到的一帧数据有14个OFDM符号，并且设BP神经网络的输入矢量为xk，其中xk＝[x1,x5,x8,x12]T为已知导频处的值；隐含层有4个神经元，它们的输出为x′k，其中x′k＝[x′1,x′5,x′8,x′12]T；输出层有4个神经元，输出yk，其中yk＝[y3,y7,y10,y14]T。输入层到隐含层的权值为wij，阈值为θj；隐含层到输出层的权值为w′jk，阈值为θ′k。于是各层神经元输出为：
显然，它将完成4维空间矢量到4维空间的映射。其中，激活函数f(x)为单极性Sigmoid函数：
f(x)具有连续可倒的特点。设f′(x)为f(x)的导数且有
f′(x)＝f(x)(1-f(x))
通过大量的信道数据离线训练最终确定一个神经网络使得网络输出yk无限逼近于系统接收数据yi。
步骤3：接收到信号后进行信道估计。
步骤4：基于接收到的导频信号预测其他数据点的信道频域响应。
上述系统可描述为：
采用步骤2构建好的神经网络利用已知导频处的值xk预测出
其中，fNN[·]为构建好的神经网络，表示该网络的输出值，神经网络输入为第1、5、8和12个OFDM符号处的导频信号，通过神经网络的训练使得预测的逼近yi，i＝3，7，10，14，得到4个符号数据位置处的信道状态信息。
步骤5：在频域上通过低次样条插值对其余6个OFDM符号对应数据点进行插值，进而得到一个完整的子帧信道响应矩阵：
由de Boor-Cox标准定义的递推式：
其中，Y表示B样条基函数，τ表示B样条的阶数，选择三阶B样条插值。由式可以得到三次均匀B样条的表达式为：
其中，λ＝d-pm，即数据符号节点与导频符号节点的距离。
步骤6：信道估计结束并利用估计得到的信道频域响应进行下一步的均衡。
步骤7：时域转换得到时域数据。
步骤8：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 (3)

1.本发明提出了一种基于神经网络预测的信道估计方法，其特征在于，包括：
S1，采用后向传播(BP)算法对神经网络进行构建；
S2，基于S1得到的神经网络，根据接收端接收到的导频信息预测出有限个数据点的信道状态，然后采用三次样条插值对其余数据点进行插值。
2.根据权利要求1所述的一种基于神经网络预测的信道估计方法，其特征在于，所述S1包括：
通过信道传输的特性可得到接收端接收到的信号为：
yi＝Hixi+wi
其中，i表示第i个符号，yi表示[y1(i)，y2(i)，y3(i)，...，yn(i)]T接收符号向量，xi表示[x1(i)，x2(i)，x3(i)，...，xn(i)]T为发送符号向量，wi为加性高斯白噪声向量；而在实际系统中接收端收到的是与实际值相差较大的数据值，表达式为：
其中，为实际收到的数据值，为实际系统的信道响应，为实际系统中的加性高斯白噪声信号；
本发明运用神经网络通过训练多组xi、yi得到信道网络结构；设接收到的一帧数据有14个正交频分复用(OFDM)符号，导频符号分布在第1、5、8和12个OFDM符号处；BP神经网络的输入矢量为xk，其中xk＝[x1，x5，x8，x12]T为已知导频处的值；隐含层包含4个神经元，它们的输出为x′k，其中x′k＝[x′1，x′5，x′8，x′12]T；输出层包含4个神经元，输出yk，其中yk＝[y3，y7，y10，y14]T；输入层到隐含层的权值为wij，阈值为θj；隐含层到输出层的权值为w′jk，阈值为θ′k；于是各层神经元输出为：
显然，它将完成4维空间矢量到4维空间的映射；其中，激活函数f(x)为单极性Sigmoid函数：
其中，f(x)具有连续可导的特点；设f′(x)为f(x)的导数且有
f′(x)＝f(x)(1-f(x))
通过大量的数据训练最终确定一个神经网络使得网络输出yk无限逼近于系统接收数据yi。
3.根据权利要求1所述的一种基于神经网络预测的信道估计方法，其特征在于，所述S2包括：
上述系统可描述为：
基于S1构建好的神经网络，利用已知导频处的值xk预测出
其中，fNN[·]为构建好的神经网络，表示该网络的输出值，神经网络输入为第1、5、8和12个OFDM符号处的导频信号，通过神经网络的训练使得预测的逼近yi，i＝3，7，10，14，得到4个符号数据位置处的信道状态信息；
剩余的6个OFDM符号的信道状态信息由三次均匀样条方法获得；由de Boor-Cox标准定义递推式：
其中，Y表示B样条基函数，τ表示B样条的阶数；选择三阶B样条插值，由上式可以得到三次均匀B样条的表达式为：
其中，λ＝d-pm，即数据符号节点与导频符号节点的距离；
由于三次B样条插值方法得不到边缘节点附近位置的插值结果，因此，需要对三次B样条的边缘节点进行补充；采用线性插值的结果来对三次B样条插值方法进行补充，由于补充点的个数较少，最终将不会影响整体插值算法的性能变化；至此该系统一帧14个OFDM符号数据点数据全部完成插值，得到整个帧的信道频域响应。
CN201910586929.XA 2019-07-01 2019-07-01 一种基于神经网络预测的信道估计方法 Pending CN110365613A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910586929.XA CN110365613A (zh) 2019-07-01 2019-07-01 一种基于神经网络预测的信道估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910586929.XA CN110365613A (zh) 2019-07-01 2019-07-01 一种基于神经网络预测的信道估计方法

Publications (1)

Publication Number Publication Date
CN110365613A true CN110365613A (zh) 2019-10-22

Family

ID=68217681

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910586929.XA Pending CN110365613A (zh) 2019-07-01 2019-07-01 一种基于神经网络预测的信道估计方法

Country Status (1)

Country Link
CN (1) CN110365613A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN111726308A (zh) * 2020-06-15 2020-09-29 哈尔滨工程大学 基于频响预插值的正交匹配追踪信道估计方法
CN112600772A (zh) * 2020-12-09 2021-04-02 齐鲁工业大学 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法
CN113285899A (zh) * 2021-05-20 2021-08-20 南京邮电大学 一种基于深度学习的时变信道估计方法及系统
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
CN114785643A (zh) * 2022-04-19 2022-07-22 电子科技大学 一种基于深度学习的ofdm系统信道估计方法
US20220239510A1 (en) * 2021-01-25 2022-07-28 Marvell Asia Pte Ltd Ethernet physical layer transceiver with non-linear neural network equalizers
CN115876153A (zh) * 2022-11-23 2023-03-31 重庆大学 一种编队航天器的高精度测角方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5764858A (en) * 1995-09-14 1998-06-09 University Of Southern California One-dimensional signal processor with optimized solution capability
CN108833313A (zh) * 2018-07-12 2018-11-16 北京邮电大学 一种基于卷积神经网络的无线信道估计方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5764858A (en) * 1995-09-14 1998-06-09 University Of Southern California One-dimensional signal processor with optimized solution capability
CN108833313A (zh) * 2018-07-12 2018-11-16 北京邮电大学 一种基于卷积神经网络的无线信道估计方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
RAVINDER KAUR: ""Implementation of neural network for channel estimation in OFDM network"", 《2016 2ND INTERNATIONAL CONFERENCE ON CONTEMPORARY COMPUTING AND INFORMATICS (IC3I)》 *
廖勇: ""基于深度学习的OFDM信道估计"", 《重庆邮电大学学报(自然科学版).》 *
徐超: ""新一代MIMO系统信道估计技术研究"", 《中国博士学位论文全文数据库》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
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
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
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
CN111726308A (zh) * 2020-06-15 2020-09-29 哈尔滨工程大学 基于频响预插值的正交匹配追踪信道估计方法
CN111726308B (zh) * 2020-06-15 2022-08-02 哈尔滨工程大学 基于频响预插值的正交匹配追踪信道估计方法
CN112600772A (zh) * 2020-12-09 2021-04-02 齐鲁工业大学 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法
US20220239510A1 (en) * 2021-01-25 2022-07-28 Marvell Asia Pte Ltd Ethernet physical layer transceiver with non-linear neural network equalizers
CN113285899A (zh) * 2021-05-20 2021-08-20 南京邮电大学 一种基于深度学习的时变信道估计方法及系统
CN114785643A (zh) * 2022-04-19 2022-07-22 电子科技大学 一种基于深度学习的ofdm系统信道估计方法
CN114785643B (zh) * 2022-04-19 2023-04-25 电子科技大学 一种基于深度学习的ofdm系统信道估计方法
CN115876153A (zh) * 2022-11-23 2023-03-31 重庆大学 一种编队航天器的高精度测角方法

Similar Documents

Publication Publication Date Title
CN110365613A (zh) 一种基于神经网络预测的信道估计方法
CN111404849B (zh) 一种基于深度学习的ofdm信道估计与信号检测方法
Jiang et al. Deep neural networks for channel estimation in underwater acoustic OFDM systems
CN109450830B (zh) 一种高速移动环境下基于深度学习的信道估计方法
Mehrabi et al. Decision directed channel estimation based on deep neural network $ k $-step predictor for MIMO communications in 5G
Ma et al. Learning assisted estimation for time-varying channels
CN109756432B (zh) Ofdm信道估计方法和装置
Careem et al. Real-time prediction of non-stationary wireless channels
JP2012517202A (ja) 最小２乗ブロックチャネル推定のための方法およびシステム
CN113285899B (zh) 一种基于深度学习的时变信道估计方法及系统
Hiray et al. A neural network based channel estimation scheme for OFDM system
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
CN105471777A (zh) 可见光信道估计方法与系统
Gizzini et al. Joint TRFI and deep learning for vehicular channel estimation
Cheng et al. Channel estimation in OFDM systems using neural network technology combined with a genetic algorithm
Ponnaluru et al. RETRACTED ARTICLE: Deep learning for estimating the channel in orthogonal frequency division multiplexing systems
Dos Reis et al. Low complexity LSTM-NN-based receiver for vehicular communications in the presence of high-power amplifier distortions
Gizzini et al. RNN Based Channel Estimation in Doubly Selective Environments
Gizzini et al. Deep Learning Based Channel Estimation in High Mobility Communications Using Bi-RNN Networks
CN111291511B (zh) 一种基于历史信息的软卡尔曼滤波迭代时变信道估计方法
Ahrens et al. A machine learning method for prediction of multipath channels
Kojima et al. Generalized regression neural network based fast fading channel tracking using frequency-domain CSI smoothing
Suresh et al. A fast learning fully complex-valued relaxation network (FCRN)
Pamungkas et al. Doppler effect mitigation on V2V channels with moving scatterers using dynamic equalization based on the coherence time
CN110708264B (zh) 一种基于复指数基模型信道的递归最小二乘定向跟踪方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191022

WD01 Invention patent application deemed withdrawn after publication