CN110719240A - 基于反卷积和去噪卷积的信道估计方法和系统 - Google Patents

Abstract

本发明提供一种基于反卷积和去噪卷积的信道估计方法，涉及通信技术领域。本发明首先基于原始信道信息获取导频点信息，然后通过反卷积网络对导频点信息进行插值处理，拟合出初始完整信道信息，再通过去噪卷积网络DnCNN实现去噪处理，得到信道估计值。本发明利用反卷积网络对导频信道信息进行插值拟合，有效地利用了导频点信息间的关联信息，并通过去噪卷积网络DnCNN对提取出的初始完整信道信息进行去噪处理，得到更加精确的信道估计值，本发明在信道估计的过程中，有效降低了数据失真和信道噪声的影响，从而提高了信道估计的精度。

Description

基于反卷积和去噪卷积的信道估计方法和系统

技术领域

本发明涉及通信技术领域，具体涉及一种基于反卷积和去噪卷积的信道估计方法。

背景技术

信道估计是一种用于估计信道信息的技术，是实现无线通信系统的一项关键技术。简单来说，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，是信道对输入信号影响的一种数学表示。广泛应用在移动通信、无线传输等领域。

频域信道估计为现有技术中常见的信道估计方法，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。该方法是在发送信号中的特定位置插入导频信息，然后再在接收信号的相应的特定位置取出局部的信道状态信息，最后根据插值算法对局部的信道状态信息进行插值，从而可以估计出完整的信道状态。例如最小二乘加线性插值或样条插值信道估计方法，线性最小均方误差加线性插值或样条插值信道估计方法等，上述的方法均是假设导频处的信道频域响应与数据处的CFR的变化是线性的。

然而实际运用中，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复杂的信道，使得传统插值方法的估计性能较低，从而导致现有的频域信道估计精度低。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于反卷积和去噪卷积的信道估计方法和系统，解决了现有技术中信道的估计方法精度低的技术问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

本发明提供一种基于反卷积和去噪卷积的信道估计方法，所述方法由计算机执行，包括以下步骤：

S1、基于原始信道信息获取导频点信息；

S2、基于反卷积神经网络对所述导频点信息进行插值处理，获取初始完整信道信息；

S3、基于去噪卷积网络DnCNN对所述初始完整信道信息进行去噪处理，获取信道估计值。

优选的，在S1中，原始信道信息为72*14*2的矩阵形信息，导频点信息为24*2*2的矩阵形信息。

优选的，在S2中，所述反卷积神经网络包括：

前四层是5*5的卷积核，第五层是1*1的卷积核的5层反卷积神经网络。

优选的，在S3中，对所述初始完整信道信息进行去噪处理包括：

基于去噪卷积网络DnCNN获取初始信道信息中残余的噪声信息分布；

根据噪声信息分布进行相减操作，实现去噪。

优选的，所述去噪卷积网络DnCNN包括20个卷积层，其中：

第1层是64个3*3滤波器+Relu激活函数；

第2层到第19层是64个3*3的卷积核，通过归一化操作和Relu激活函数来激活；

第20层是1个3*3的卷积核。

本发明是提供一种基于反卷积和去噪卷积的信道估计系统，所述系统包括计算机，所述计算机包括：

至少一个存储单元；

至少一个处理单元；

其中，所述至少一个存储单元中存储有至少一条指令，所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤：

S1、基于原始信道信息获取导频点信息；

S2、基于反卷积神经网络对所述导频点信息进行插值处理，获取初始完整信道信息；

S3、基于去噪卷积网络DnCNN对所述初始完整信道信息进行去噪处理，获取信道估计值。

优选的，在S1中，原始信道信息为72*14*2的矩阵形信息，导频点信息为24*2*2的矩阵形信息。

优选的，在S2中，所述反卷积神经网络包括：

前四层是5*5的卷积核，第五层是1*1的卷积核的5层反卷积神经网络。

优选的，在S3中，对所述初始完整信道信息进行去噪处理包括：

基于去噪卷积网络DnCNN获取信道信息中残余的噪声信息分布；

根据噪声信息分布进行相减操作，实现去噪。

优选的，所述去噪卷积网络DnCNN包括20个卷积层，其中：

第1层是64个3*3滤波器+Relu激活函数；

第2层到第19层是64个3*3的卷积核，通过归一化操作和Relu激活函数来激活；

第20层是1个3*3的卷积核。

(三)有益效果

本发明提供了一种基于反卷积和去噪卷积的信道估计方法和系统。与现有技术相比，具备以下有益效果：

本发明首先基于原始信道信息获取导频点信息，然后通过反卷积网络对导频点信息进行插值处理，拟合出初始完整信道信息，再通过去噪卷积网络DnCNN实现去噪处理，得到信道估计值。本发明利用反卷积网络对导频信道信息插值拟合，有效地利用了导频点信息间的关联信息，然后通过去噪卷积网络DnCNN对提取出的初始完整信道信息进行去噪处理，得到更加精确的信道估计值，本发明在信道估计的过程中，有效降低了数据失真和信道噪声的影响，从而提高了信道估计的精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一种基于反卷积和去噪卷积的信道估计方法的框图；

图2为本发明实施例中的导频点信息提取方式示意图。

图3为本发明实施例的方法和其他方法在不同信噪比条件下的信道估计值和原始信道信息之间的均方误差的折线图。

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，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作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。

本申请实施例通过提供一种基于反卷积和去噪卷积的信道估计方法和系统，解决了现有技术中信道的估计方法精度低的问题，实现降低了数据失真和信息噪声的影响，提高了信道估计的精度。

本申请实施例中的技术方案为解决上述技术问题，总体思路如下：

本发明实施例利用反卷积网络对导频信道信息插值拟合，有效地利用了导频点信息间的关联信息，然后通过去噪卷积网络DnCNN对提取出的初始完整信道信息进行去噪处理，得到信道估计值，有效提高了信道估计的精度。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

本发明实施例提供一种基于反卷积和去噪卷积的信道估计方法，上述方法由计算机执行，如图1所示，包括步骤S1～S3：

S1、基于原始信道信息获取导频点信息；

S2、基于反卷积神经网络对上述导频点信息进行插值处理，获取初始完整信道信息；

S3、基于去噪卷积网络DnCNN对上述初始完整信道信息进行去噪处理，获取信道估计值。

本发明实施例首先基于原始信道信息获取导频点信息，然后通过反卷积网络对导频点信息进行插值处理，拟合出初始完整信道信息，再通过去噪卷积网络DnCNN实现去噪处理，得到信道估计值。本发明实施例利用反卷积网络对导频信道信息插值拟合，有效地利用了导频点信息间的关联信息，然后通过去噪卷积网络DnCNN对提取出的初始完整信道信息进行去噪处理，得到更加精确的信道估计值。本发明实施例在信道估计的过程中，有效降低了数据失真和信道噪声的影响，从而提高了信道估计的精度。

下面对各个步骤进行详细描述。

在步骤S1中，基于原始信道信息获取导频点信息。具体为：从72*14*2的矩阵形的原始信道信息中提取24*2*2的矩阵形导频点信息。本发明实施例中，导频点信息的提取方式为：保证导频点之间的相对位置信息不变，将导频点信息从完整的信道信息中提取出来，并重新组合成一个小的矩阵，如图2所示。

需要说明的是，在本发明实施例中，原始信道信息是仿真数据信息。上述仿真数据信息是通过维也纳大学LTE链路级v1.5仿真平台生成的，模拟的信道模型采用的是VehA信道模型，每个子载波由14个时间间隔和72个副载波，导频点数为48，UE数为1，基站数为1，UE端接收天线数为2，基站发送天线数为4，带宽为1.4MHz。输入数据是导频信息，输出是相对应的完整的原始信道信息。原始信道信息数量为40000个。需要说明的是，在本发明实施例中，用32000个原始信道信息作为训练集。用于训练本发明实施例中提供的方法，用4000个原始信道信息作为测试集，用于测试本发明实施例的用法是否能有效提高信道估计的精度。用4000个原始信道信息作为验证集，用于验证本发明实施例提供的反卷积神经网络插值方法优于传统的信道插值方法。

在步骤S2中，基于反卷积神经网络对上述导频点信息进行插值处理，获取初始完整信道信息。在本发明实施例中反卷积神经网络为前四层是5*5的卷积核，第五层是1*1的卷积核的5层反卷积神经网络。具体实施过程如下：

S201、设置5层反卷积神经网络的相关参数，如设置batchsize(批大小，即每次训练在训练集中取batchsize个样本训练)为200，设置学习率为0.0001，epoch设置为100。

S202、按照参数batchsize的设置，将训练集中的导频点信息输入到5层反卷积神经网络，获取初始完整信道信息；

S203、每次训练后，通过初始完整信道信息与对应的原始信道信息之间均方误差来调整优化反卷积神经网络，采用adam优化函数来优化反卷积神经网络。具体为：均方误差是用来计算通过由导频点信息经过反卷积得到的初始完整信道信息和初始信道信息之间的损失大小，而adam则是深度学习过程中一种优化网络权重的算法，在设置它的默认参数时选定第一次估计指数衰减率0.9，第二次估计指数衰次减率0.99，平滑项选择为10^-8。

S204、重复步骤S202～S203，获取全部训练集中导频点信息对应的初始完整信道信息，并保留相关参数的设置。

S3、基于去噪卷积网络DnCNN对上述初始完整信道信息进行去噪处理，获取信道估计值。在本发明实施例中，去噪卷积网络DnCNN包括20个卷积层，其中，第1层是64个3*3滤波器+Relu激活函数，第2层到第19层是64个3*3的卷积核，通过归一化操作和Relu激活函数来激活，第20层是1个3*3的卷积核。具体实施过程如下：

S301、设置去噪卷积网络DnCNN的相关参数，如设置batchsize(批大小，即每次训练在训练集中取batchsize个样本训练)为200，设置学习率为0.0001，epoch设置为100。

S302、将步骤204中的初始完整信道信息输入到去噪卷积网络DnCNN，通过去噪卷积网络DnCNN学习到信道矩阵中残余的噪声信息分布；根据噪声信息分布进行相减操作，实现去噪，得到初始完整信道信息对应的信道估计值。

S303、每次训练后，通过信道估计值与对应的初始完整信道信息之间最小均方误差来调整优化去噪卷积网络DnCNN，采用adam优化函数来优化去噪卷积网络DnCNN。

S304、重复步骤S302～S303，获取全部初始完整信道信息对应的信道估计值，并保留相关参数的设置。

在本发明实施例中，通过4000个原始信道信息作为测试集，用于测试本发明实施例中的反卷积神经网络和去噪卷积网络DnCNN。如图3所示，low-dl折线为：初始完整信道信息和原始信息信息之间的均方误差，该初始完整信道信息的获取方式为：通过步骤S1的方法提取原始信道信息中的导频点信息，然后将导频点信息输入到用步骤204保留的参数设置的5层反卷积神经网络中，获取初始完整信道信息。high-dl折线为：信息估计值和原始信息信息之间的均方误差，该信息估计值的获取方式为：将low-dl折线中获取的初始完整信道信息输入到用步骤304保留的参数设置的20层去噪卷积网络DnCNN中，获取信道估计值。从图3可知，本发明实施例的方法的均方误差较低，能有效提高信道估计的精度，去噪卷积网络DnCNN能进一步提高信道估计的精度。

在本发明实施例中，通过4000个原始信道信息作为验证集，采用传统信道估计方式下的线性插值、三次样条插值作为本发明实施例的验证对照组，通过对比传统线性插值和样条插值，在选取不同信噪比(SNR)条件下，进行对比，如图3所示。Linear折线为：信息估计值和原始信息信息之间的均方误差，该信息估计值采用线性插值法获得。Cubic折线为：信息估计值和原始信息信息之间的均方误差，该信息估计值采用样条插值法获得。从图3中的low-dl折线、Cubic折线、Linear折线可以看出来本发明实施例的插值方法更优于传统插值方式。

本发明还提供一种基于反卷积和去噪卷积的信道估计系统，上述系统包括计算机，上述计算机包括：

至少一个存储单元；

至少一个处理单元；

其中，上述至少一个存储单元中存储有至少一条指令，上述至少一条指令由上述至少一个处理单元加载并执行以实现以下步骤：

S1、基于原始信道信息获取导频点信息；

S2、基于反卷积神经网络对上述导频点信息进行插值处理，获取初始完整信道信息；

S3、基于去噪卷积网络DnCNN对上述初始完整信道信息进行去噪处理，获取信道估计值。

可理解的是，本发明实施例提供的上述基于反卷积和去噪卷积的信道估计系统与上述基于反卷积和去噪卷积的信道估计方法相对应，其有关内容的解释、举例、有益效果等部分可以参考基于反卷积和去噪卷积的信道估计方法中的相应内容，此处不再赘述。

综上所述，与现有技术相比，具备以下有益效果：

本发明实施例首先基于原始信道信息获取导频点信息，然后通过反卷积网络对导频点信息进行插值处理，拟合出初始完整信道信息，再通过去噪卷积网络DnCNN实现去噪处理，得到信道估计值。本发明实施例利用反卷积网络对导频信道信息插值拟合，有效地利用了导频点信息间的关联信息，然后通过去噪卷积网络DnCNN对提取出的初始完整信道信息进行去噪处理，得到信道估计值。本发明实施例在信道估计的过程中，有效降低了数据失真和信道噪声的影响，从而提高了信道估计的精度。为实际应用中的信息传输，信道的选择等工作提供更为高效的框架。

需要说明的是，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于反卷积和去噪卷积的信道估计方法，其特征在于，所述方法由计算机执行，包括以下步骤：

S1、基于原始信道信息获取导频点信息；

S2、基于反卷积神经网络对所述导频点信息进行插值处理，获取初始完整信道信息；

S3、基于去噪卷积网络DnCNN对所述初始完整信道信息进行去噪处理，获取信道估计值。

2.如权利要求1所述的基于反卷积和去噪卷积的信道估计方法，其特征在于，在S1中，原始信道信息为72*14*2的矩阵形信息，导频点信息为24*2*2的矩阵形信息。

3.如权利要求1所述的基于反卷积和去噪卷积的信道估计方法，其特征在于，在S2中，所述反卷积神经网络包括：

前四层是5*5的卷积核，第五层是1*1的卷积核的5层反卷积神经网络。

4.如权利要求1所述的基于反卷积和去噪卷积的信道估计方法，其特征在于，在S3中，对所述初始完整信道信息进行去噪处理包括：

基于去噪卷积网络DnCNN获取初始信道信息中残余的噪声信息分布；

根据噪声信息分布进行相减操作，实现去噪。

5.如权利要求1所述的基于反卷积和去噪卷积的信道估计方法，其特征在于，所述去噪卷积网络DnCNN包括20个卷积层，其中：

第1层是64个3*3滤波器+Relu激活函数；

第2层到第19层是64个3*3的卷积核，通过归一化操作和Relu激活函数来激活；

第20层是1个3*3的卷积核。

6.一种基于反卷积和去噪卷积的信道估计系统，其特征在于，所述系统包括计算机，所述计算机包括：

至少一个存储单元；

至少一个处理单元；

其中，所述至少一个存储单元中存储有至少一条指令，所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤：

S1、基于原始信道信息获取导频点信息；

S2、基于反卷积神经网络对所述导频点信息进行插值处理，获取初始完整信道信息；

S3、基于去噪卷积网络DnCNN对所述初始完整信道信息进行去噪处理，获取信道估计值。

7.如权利要求6所述的基于反卷积和去噪卷积的信道估计方法，其特征在于，在S1中，原始信道信息为72*14*2的矩阵形信息，导频点信息为24*2*2的矩阵形信息。

8.如权利要求6所述的基于反卷积和去噪卷积的信道估计方法，其特征在于，在S2中，所述反卷积神经网络包括：

前四层是5*5的卷积核，第五层是1*1的卷积核的5层反卷积神经网络。

9.如权利要求6所述的基于反卷积和去噪卷积的信道估计方法，其特征在于，在S3中，对所述初始完整信道信息进行去噪处理包括：

基于去噪卷积网络DnCNN获取初始信道信息中残余的噪声信息分布；

根据噪声信息分布进行相减操作，实现去噪。

10.如权利要求6所述的基于反卷积和去噪卷积的信道估计方法，其特征在于，所述去噪卷积网络DnCNN包括20个卷积层，其中：

第1层是64个3*3滤波器+Relu激活函数；

第2层到第19层是64个3*3的卷积核，通过归一化操作和Relu激活函数来激活；

第20层是1个3*3的卷积核。

Images