CN110830409A - 外源辐射雷达参考信道估计和信道估计模型训练方法 - Google Patents
外源辐射雷达参考信道估计和信道估计模型训练方法 Download PDFInfo
- Publication number
- CN110830409A CN110830409A CN201911118052.8A CN201911118052A CN110830409A CN 110830409 A CN110830409 A CN 110830409A CN 201911118052 A CN201911118052 A CN 201911118052A CN 110830409 A CN110830409 A CN 110830409A
- Authority
- CN
- China
- Prior art keywords
- sample
- ofdm symbol
- channel
- frame header
- channel 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
- H04L27/2602—Signal structure
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
- H04L27/2602—Signal structure
- H04L27/261—Details of reference signals
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请提供一种外源辐射雷达参考信道估计和信道估计模型训练方法,涉及雷达探测技术领域。本申请通过获取接收到的OFDM符号的帧头序列,根据预设的信道估计模型和OFDM符号的帧头序列,确定OFDM符号对应的信道响应,可以有效提高信道估计的精度,从而能够通过提高参考信道的估计精度,提高参考信号纯度,进而改善外辐射源雷达的探测性能。
Description
技术领域
本申请涉及雷达探测技术领域,具体而言,涉及一种外源辐射雷达参 考信道估计和信道估计模型训练方法。
背景技术
外辐射源雷达(Digital Terrestrial Multimedia Broadcast,DTMB)以数 字地面多媒体广播信号作为探测信号,通过检测空间中目标的反射回波对 目标进行探测、定位和跟踪。外辐射源雷达一般利用监测通道目标信号与 参考信号的相关性实现目标的探测。其中,参考信号的获取是外辐射源雷 达关键技术之一,参考信号的获取纯度关系着雷达的探测性能,而信道估 计的精度又关系着参考信号的获取纯度,因此,外辐射源雷达中对信道估 计的精度有着较高的要求。
目前,常见的信道估计方法通常为:基于最小二乘算法、导频信息辅 助算法、压缩感知理论方法等计算OFDM符号的信道响应,作为信道估计 结果。
但是,上述现有的信道估计方法的估计精度不高,影响了外辐射源雷 达的探测性能。
发明内容
本申请的目的在于,提供一种外源辐射雷达参考信道估计和信道估计 模型训练方法,可以提高信道估计的估计精度,进而提高外辐射源雷达的 探测性能。
第一方面,本申请实施例提供一种外源辐射雷达参考信道估计方法, 包括:
获取接收到的正交频分复用OFDM符号的帧头序列;
根据预设的信道估计模型和OFDM符号的帧头序列,确定OFDM符号 对应的信道响应;其中,信道估计模型通过采用样本集合对神经网络训练 所获取,样本集合包括:样本OFDM符号的帧头序列、以及样本OFDM符 号的信道响应。
第二方面,本申请实施例提供一种信道估计模型训练方法,包括:
获取样本集合,样本集合包括:样本OFDM符号的帧头序列、以及样 本OFDM符号的信道响应;
采用预设的神经网络和样本集合,训练获取信道估计模型。
可选地,上述采用预设的神经网络和样本集合,训练获取信道估计模 型,包括:
采用预设算法,计算样本集合中样本OFDM符号的帧头序列的信道响 应;
根据样本OFDM符号的帧头序列的信道响应、以及样本集合中样本 OFDM符号的信道响应,采用预设的神经网络训练获取信道估计模型。
可选地,上述采用预设算法,计算样本集合中样本OFDM符号的帧头 序列的信道响应,包括:
采用最小二乘算法,计算样本集合中样本OFDM符号的帧头序列的信 道响应。
可选地,上述获取样本集合,包括:
基于瑞利信道,通过仿真获取样本OFDM符号的帧头序列、以及样本 OFDM符号的信道响应,得到样本集合。
第三方面,本申请实施例提供一种外源辐射雷达参考信道估计装置, 包括:第一获取模块和估计模块。第一获取模块用于获取接收到的正交频 分复用OFDM符号的帧头序列;估计模块用于根据预设的信道估计模型和 OFDM符号的帧头序列,确定OFDM符号对应的信道响应;其中,信道估 计模型通过采用样本集合对神经网络训练所获取,样本集合包括:样本 OFDM符号的帧头序列、以及样本OFDM符号的信道响应。
第四方面,本申请实施例提供一种信道估计模型训练装置,包括:第 二获取模块和训练模块。第二获取模块用于获取样本集合,样本集合包括: 样本OFDM符号的帧头序列、以及样本OFDM符号的信道响应;训练模块 用于采用预设的神经网络和样本集合,训练获取信道估计模型。
可选地,训练模块包括:计算子模块和训练子模块。计算子模块用于 采用预设算法,计算样本集合中样本OFDM符号的帧头序列的信道响应; 训练子模块用于根据样本OFDM符号的帧头序列的信道响应、以及样本集 合中样本OFDM符号的信道响应,采用预设的神经网络训练获取信道估计 模型。
可选地,计算子模块具体用于采用最小二乘算法,计算样本集合中样 本OFDM符号的帧头序列的信道响应。
可选地,第二获取模块具体用于基于瑞利信道,通过仿真获取样本 OFDM符号的帧头序列、以及样本OFDM符号的信道响应,得到样本集合。
第五方面,本申请实施例提供一种电子设备,包括:处理器和存储器, 存储器中存储有可在处理器运行的计算机程序,处理器执行计算机程序时 实现如第一方面或第二方面所述的方法。
第六方面,本申请实施例还提供一种计算机存储介质,其上存储有计 算机程序,计算机程序被处理器执行时实现如第一方面或第二方面所述的 方法。
本申请实施例通过获取接收到的OFDM符号的帧头序列,根据预设的 信道估计模型和OFDM符号的帧头序列,确定OFDM符号对应的信道响应, 可以有效提高信道估计的精度,从而能够通过提高参考信道的估计精度, 提高参考信号纯度,进而改善外辐射源雷达的探测性能。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需 要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些 实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本申请实施例提供的外源辐射雷达参考信道估计方法的流 程示意图;
图2示出了外源辐射雷达的探测原理示意图;
图3示出了DTMB信号帧的结构示意图;
图4示出了本申请实施例提供的信道估计模型训练方法的流程示意图;
图5示出了本申请实施例提供的信道估计模型训练方法的另一流程示 意图;
图6示出了本申请实施例提供的神经网络的结构示意图;
图7示出了本申请实施例提供的外源辐射雷达参考信道估计装置的结 构示意图;
图8示出了本申请实施例提供的信道估计模型训练装置的结构示意图;
图9示出了本申请实施例提供的训练模块的结构示意图;
图10示出了本申请实施例提供的电子设备的结构示意图;
图11示出了本申请实施例提供的电子设备的另一结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本 申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。 通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配 置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限 制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本 申请中的实施例,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,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一 旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步 定义和解释。此外,还需要说明的是,本申请实施例中将会用到术语“包 括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。而 且,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指 示或暗示相对重要性。
本申请实施例提供一种外源辐射雷达参考信道估计方法,通过该方法 可以进行信道估计,实现参考信号的获取。该方法可以应用于外辐射源雷 达的信号处理设备,或者,也可以应用于计算机、服务器等其他具备数据 处理能力的设备,本申请对此不作限制。
图1示出了本申请实施例提供的外源辐射雷达参考信道估计方法的流 程示意图。
如图1所示,该外源辐射雷达参考信道估计方法,可以包括:
S101、获取接收到的正交频分复用(Orthogonal Frequency DivisionMultiplexing,OFDM)符号的帧头序列。
以外源辐射雷达为例,图2示出了外源辐射雷达的探测原理示意图。
如图2所示,飞机、建筑物等探测目标可以与发射塔、接收机等共同 组成外源辐射雷达的探测空间。外源辐射雷达的探测空间中存在多条反射 信号,参考信号的信道可以等效为多径信道,从而参考信道的估计本质上 可以是无线通信的多径信道估计。
外辐射源雷达(Digital Terrestrial Multimedia Broadcast,DTMB)一般 基于OFDM传输系统进行信号传输,图3示出了DTMB信号帧的结构示意 图。
如图3所示,DTMB信号是以图3中所述的DTMB信号帧为基本的组 成单位。DTMB信号帧包括帧头301和帧体302两部分。帧头301由确定 已知的伪随机二进制序列构成,帧体302为多载波调制的OFDM符号。
如上所述,在接收到DTMB信号后,可以从接收到DTMB信号中获取 OFDM符号的帧头序列,即可以获取前述图3中所示的DTMB信号帧的帧 头部分。
S102、根据预设的信道估计模型和OFDM符号的帧头序列,确定OFDM 符号对应的信道响应。
其中,信道估计模型通过采用样本集合对神经网络训练所获取,样本 集合可以包括:样本OFDM符号的帧头序列、以及样本OFDM符号的信道 响应。
在获取到OFDM符号的帧头序列后,可以将OFDM符号的帧头序列输 入预设的信道估计模型,信道估计模型可以根据输入的OFDM符号的帧头 序列估计得到OFDM符号对应的信道响应,进而实现信道估计。
上述信道估计模型是通过样本OFDM符号的帧头序列、以及样本 OFDM符号的信道响应组成的样本集合对神经网络训练所获取。相对于现 有技术中,基于最小二乘算法、导频信息辅助算法、压缩感知理论方法等 计算OFDM符号的信道响应的方法而言,通过基于神经网络的信道估计模 型进行信道估计时,可以具有更好的估计精度。
由上所述,本申请实施例通过获取接收到的OFDM符号的帧头序列, 根据预设的信道估计模型和OFDM符号的帧头序列,确定OFDM符号对应 的信道响应,可以有效提高信道估计的精度,从而能够通过提高参考信道 的估计精度,提高参考信号纯度,进而改善外辐射源雷达的探测性能。
本申请实施例还对应提供一种信道估计模型训练方法,通过该方法可 以训练获取前述方法实施例中所述的信道估计模型。
图4示出了本申请实施例提供的信道估计模型训练方法的流程示意图。
如图4所示,该信道估计模型训练方法,可以包括:
S401、获取样本集合。
其中,样本集合可以包括:样本OFDM符号的帧头序列、以及样本 OFDM符号的信道响应。
可选地,可以通过仿真获取OFDM符号的帧头序列、以及OFDM符号 对应的实际信号响应,作为上述样本OFDM符号的帧头序列、以及样本 OFDM符号的信道响应,构成样本集合。
例如,部分实施方式中,可以基于瑞利信道,通过仿真获取样本OFDM 符号的帧头序列、以及样本OFDM符号的信道响应,得到样本集合。其中, 瑞利信道也称瑞利衰落信道(Rayleigh fading channel),是一种无线电信号 传播环境的统计模型。该统计模型假设信号通过无线信道之后,信号幅度 是随机的,即“衰落”,并且其包络服从瑞利分布。
S402、采用预设的神经网络和样本集合,训练获取信道估计模型。
可选地,在得到样本OFDM符号的帧头序列、以及样本OFDM符号的 信道响应构成的样本集合后,可以将样本OFDM符号的帧头序列作为神经 网络的输入,并根据样本OFDM符号的信道响应、以及样本OFDM符号的 帧头序列作为输入时神经网络的输出结果,对神经网络进行训练,使得神 经网络可以学习到信道的频域相关系数和信道的分布特征,从而得到基于 神经网络的信道估计模型。
图5示出了本申请实施例提供的信道估计模型训练方法的另一流程示 意图。
可选地,如图5所示,上述采用预设的神经网络和样本集合,训练获 取信道估计模型,可以包括:
S501、采用预设算法,计算样本集合中样本OFDM符号的帧头序列的 信道响应。
其中,预设算法可以是最小二乘算法(Least Squares,LS)。可以采用 最小二乘算法,计算样本集合中样本OFDM符号的帧头序列的信道响应。
S502、根据样本OFDM符号的帧头序列的信道响应、以及样本集合中 样本OFDM符号的信道响应,采用预设的神经网络训练获取信道估计模型。
可选地,可以采用通过最小二乘算法计算得到的样本OFDM符号的帧 头序列的信道响应作为神经网络的输入,并根据样本OFDM符号的信道响 应、以及样本OFDM符号的帧头序列的信道响应作为输入时神经网络的输 出结果,对神经网络进行训练,以获取信道估计模型。
本实施例中,先采用预设算法,计算样本集合中样本OFDM符号的帧 头序列的信道响应,然后根据样本OFDM符号的帧头序列的信道响应、以 及样本集合中样本OFDM符号的信道响应,采用预设的神经网络训练获取 信道估计模可以加快神经网络的收敛时间,避免其陷入局部最优解。
可选地,预设的神经网络可以由深度神经网络(deep neural network, DNN)组成,DNN可以采用多层结构,层与层之间采用全联接方式,非线 性函数可以作为每一层神经元之间的传递函数。例如,非线性函数可以是 逻辑回归(Sigmiod)函数。
图6示出了本申请实施例提供的神经网络的结构示意图。
如图6所示,神经网络可以包括输入层、隐含层和输出层。输入层可 以为上述可以采用最小二乘算法计算得到的样本OFDM符号的帧头序列的 信道响应。输入层之后的隐含层由多个神经元构成,每个神经元的输出由 前一层的输入数据的加权和非线性变换构成。其中,非线性变换所使用的 函数为上述Sigmiod函数。
神经元的非线性变换的表达式可以如下:
其中,ω1,i表示第1个隐含层中的i个神经元的权值;h(i)表示输入层输 入的最小二乘算法计算得到的样本OFDM符号的帧头序列的信道响应;b表 示第1个隐含层中的i个神经元的偏置;q1,i表示第1个隐含层中的i个神经 元的输出。
进一步,基于前述神经元的非线性变换的表达式,隐含层的非线性变 换的表达式可以如下:
其中,qk-1表示第k-1个隐含层的输出;ωk表示第k个隐含层的权值; bk表示第k个隐含层的偏置;qk表示第k个隐含层的输出。
对应的,经过所有隐含层后,输出层的最终输出为:
通过对样本集合中样本OFDM符号的信道响应和神经网络预测得到的 信道响应进行对比,可以反向对神经网络的参数进行优化和更新,经过多 次迭代后,即可得到上述信道估计模型。
基于前述方法实施例中所述的外源辐射雷达参考信道估计方法,本申 请实施例还对应提供一种外源辐射雷达参考信道估计装置,图7示出了本 申请实施例提供的外源辐射雷达参考信道估计装置的结构示意图。
如图7所示,该信道估计装置可以包括:第一获取模块10和估计模块 20。第一获取模块10可以用于获取接收到的正交频分复用OFDM符号的帧 头序列。估计模块20可以用于根据预设的信道估计模型和OFDM符号的帧 头序列,确定OFDM符号对应的信道响应。其中,信道估计模型通过采用 样本集合对神经网络训练所获取,样本集合包括:样本OFDM符号的帧头 序列、以及样本OFDM符号的信道响应。
本申请实施例提供的外源辐射雷达参考信道估计装置,对应于前述方 法实施例中所述的外源辐射雷达参考信道估计方法,具备前述方法实施例 中所述的外源辐射雷达参考信道估计方法的全部有益效果,本申请在此不 再赘述。
基于前述方法实施例中所述的信道估计模型训练方法,本申请实施例 还对应提供一种信道估计模型训练装置,图8示出了本申请实施例提供的 信道估计模型训练装置的结构示意图。
如图8所示,该信道估计模型训练装置可以包括:第二获取模块30和 训练模块40。第二获取模块30可以用于获取样本集合,样本集合包括:样 本OFDM符号的帧头序列、以及样本OFDM符号的信道响应。训练模块 40可以用于采用预设的神经网络和样本集合,训练获取信道估计模型。
图9示出了本申请实施例提供的训练模块的结构示意图。
可选地,如图9所示,训练模块可以包括:计算子模块41和训练子模 块42。计算子模块41可以用于采用预设算法,计算样本集合中样本OFDM 符号的帧头序列的信道响应。训练子模块42可以用于根据样本OFDM符号 的帧头序列的信道响应、以及样本集合中样本OFDM符号的信道响应,采 用预设的神经网络训练获取信道估计模型。
可选地,计算子模块42具体可以用于采用最小二乘算法,计算样本集 合中样本OFDM符号的帧头序列的信道响应。
可选地,第二获取模块30具体可以用于基于瑞利信道,通过仿真获取 样本OFDM符号的帧头序列、以及样本OFDM符号的信道响应,得到样本 集合。
本申请实施例提供的信道估计模型训练装置,对应于前述方法实施例 中所述的信道估计模型训练方法,具备前述方法实施例中所述的信道估计 模型训练方法的全部有益效果,本申请在此不再赘述。
本申请实施例还提供一种电子设备,该电子设备可以是计算机或外源 辐射雷达的信号处理设备,图10示出了本申请实施例提供的电子设备的结 构示意图。
可选地,如图10所示,该电子设备可以包括:处理器100和存储器200, 存储器200中存储有可在处理器100运行的计算机程序,处理器100执行 计算机程序时实现如前述方法实施例中所述的外源辐射雷达参考信道估计 方法。具体实现方式和技术效果类似,本申请在此不再赘述。
本申请实施例还提供一种电子设备,该电子设备可以是计算机或服务 器,图11示出了本申请实施例提供的电子设备的另一结构示意图。
可选地,如图11所示,该电子设备可以包括:处理器300和存储器400, 存储器400中存储有可在处理器300运行的计算机程序,处理器300执行 计算机程序时实现如前述方法实施例中所述的信道估计模型训练方法。具 体实现方式和技术效果类似,本申请在此不再赘述。
本申请实施例还提供一种计算机存储介质,其上存储有计算机程序, 计算机程序被处理器执行时实现如前述实施例中所述的外源辐射雷达参考 信道估计方法或信道估计模型训练方法。具体实现方式和技术效果同样类 似,本申请在此亦不再赘述。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于 本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精 神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请 的保护范围之内。
Claims (10)
1.一种外源辐射雷达参考信道估计方法,其特征在于,包括:
获取接收到的正交频分复用OFDM符号的帧头序列;
根据预设的信道估计模型和所述OFDM符号的帧头序列,确定所述OFDM符号对应的信道响应;其中,所述信道估计模型通过采用样本集合对神经网络训练所获取,所述样本集合包括:样本OFDM符号的帧头序列、以及所述样本OFDM符号的信道响应。
2.一种信道估计模型训练方法,其特征在于,包括:
获取样本集合,所述样本集合包括:样本OFDM符号的帧头序列、以及所述样本OFDM符号的信道响应;
采用预设的神经网络和所述样本集合,训练获取信道估计模型。
3.根据权利要求2所述的方法,其特征在于,所述采用预设的神经网络和所述样本集合,训练获取信道估计模型,包括:
采用预设算法,计算所述样本集合中样本OFDM符号的帧头序列的信道响应;
根据所述样本OFDM符号的帧头序列的信道响应、以及所述样本集合中所述样本OFDM符号的信道响应,采用所述预设的神经网络训练获取所述信道估计模型。
4.根据权利要求3所述的方法,其特征在于,所述采用预设算法,计算所述样本集合中样本OFDM符号的帧头序列的信道响应,包括:
采用最小二乘算法,计算所述样本集合中样本OFDM符号的帧头序列的信道响应。
5.根据权利要求2-4任一项所述的方法,其特征在于,所述获取样本集合,包括:
基于瑞利信道,通过仿真获取样本OFDM符号的帧头序列、以及所述样本OFDM符号的信道响应,得到所述样本集合。
6.一种外源辐射雷达参考信道估计装置,其特征在于,包括:
第一获取模块,用于获取接收到的正交频分复用OFDM符号的帧头序列;
估计模块,用于根据预设的信道估计模型和所述OFDM符号的帧头序列,确定所述OFDM符号对应的信道响应;其中,所述信道估计模型通过采用样本集合对神经网络训练所获取,所述样本集合包括:样本OFDM符号的帧头序列、以及所述样本OFDM符号的信道响应。
7.一种信道估计模型训练装置,其特征在于,包括:
第二获取模块,用于获取样本集合,所述样本集合包括:样本OFDM符号的帧头序列、以及所述样本OFDM符号的信道响应;
训练模块,用于采用预设的神经网络和所述样本集合,训练获取信道估计模型。
8.根据权利要求7所述的装置,其特征在于,所述训练模块包括:
计算子模块,用于采用预设算法,计算所述样本集合中样本OFDM符号的帧头序列的信道响应;
训练子模块,用于根据所述样本OFDM符号的帧头序列的信道响应、以及所述样本集合中所述样本OFDM符号的信道响应,采用所述预设的神经网络训练获取所述信道估计模型。
9.一种电子设备,其特征在于,包括:处理器和存储器,所述存储器中存储有可在所述处理器运行的计算机程序,所述处理器执行计算机程序时实现如权利要求1-5任一项所述的方法。
10.一种计算机存储介质,其特征在于,其上存储有计算机程序,计算机程序被处理器执行时实现如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911118052.8A CN110830409B (zh) | 2019-11-15 | 2019-11-15 | 外源辐射雷达参考信道估计和信道估计模型训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911118052.8A CN110830409B (zh) | 2019-11-15 | 2019-11-15 | 外源辐射雷达参考信道估计和信道估计模型训练方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110830409A true CN110830409A (zh) | 2020-02-21 |
CN110830409B CN110830409B (zh) | 2022-02-22 |
Family
ID=69555525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911118052.8A Active CN110830409B (zh) | 2019-11-15 | 2019-11-15 | 外源辐射雷达参考信道估计和信道估计模型训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110830409B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113193928A (zh) * | 2021-05-07 | 2021-07-30 | 展讯通信(上海)有限公司 | 一种数据传输配置信息确定方法及设备 |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101299733A (zh) * | 2008-03-05 | 2008-11-05 | 中科院嘉兴中心微系统所分中心 | 一种应用于无线传感网的最小均方误差信道估计装置 |
WO2010042809A1 (en) * | 2008-10-10 | 2010-04-15 | Microtune (Texas), L.P. | Adaptive known signal canceller |
CN101989968A (zh) * | 2009-07-31 | 2011-03-23 | 联芯科技有限公司 | 频偏估计方法及装置 |
CN102223323A (zh) * | 2010-04-16 | 2011-10-19 | 深圳国微技术有限公司 | Dtmb系统及其多载波dtmb中的信道估计方法 |
CN102474485A (zh) * | 2009-09-29 | 2012-05-23 | 富士通株式会社 | 导频添加方法与导频添加装置 |
CN102640468A (zh) * | 2009-12-23 | 2012-08-15 | 富士通株式会社 | 无线通信系统中数据流到资源块的映射方法与装置 |
US20120243593A1 (en) * | 2011-03-24 | 2012-09-27 | Kabushiki Kaisha Toshiba | Receiving apparatus and receiving method |
CN102957635A (zh) * | 2011-08-17 | 2013-03-06 | 清华大学 | 基于信息块传输的数字宽带通信方法及系统 |
CN103326966A (zh) * | 2013-05-16 | 2013-09-25 | 东莞中山大学研究院 | 适用于无线局域网ofdm系统的信道估计方法 |
EP2645652A1 (en) * | 2012-03-30 | 2013-10-02 | Imec | Receiver architecture for block transmission with known symbol padding |
CN104506475A (zh) * | 2014-12-26 | 2015-04-08 | 中山大学花都产业科技研究院 | 一种基于数据域的频偏估计校正方法及系统 |
CN106169984A (zh) * | 2016-07-28 | 2016-11-30 | 武汉大学 | 一种适用于dtmb外辐射源雷达参考信号重构的匹配追踪信道估计方法 |
CN106970382A (zh) * | 2017-03-22 | 2017-07-21 | 武汉大学 | 一种基于外辐射源雷达无人机实时监测系统及方法 |
CN107843881A (zh) * | 2017-10-24 | 2018-03-27 | 中国人民解放军空军工程大学 | 雷达角度估计及误差校正方法 |
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 |
CN109450830A (zh) * | 2018-12-26 | 2019-03-08 | 重庆大学 | 一种高速移动环境下基于深度学习的信道估计方法 |
CN109756432A (zh) * | 2017-11-01 | 2019-05-14 | 展讯通信(上海)有限公司 | Ofdm信道估计方法和装置 |
CN110048972A (zh) * | 2019-04-24 | 2019-07-23 | 燕山大学 | 一种水声正交频分复用信道估计方法及系统 |
CN110365613A (zh) * | 2019-07-01 | 2019-10-22 | 重庆大学 | 一种基于神经网络预测的信道估计方法 |
US20210319286A1 (en) * | 2018-08-15 | 2021-10-14 | Imperial College Of Science, Technology And Medicine | Joint source channel coding for noisy channels using neural networks |
US20210351863A1 (en) * | 2018-08-15 | 2021-11-11 | Imperial College Of Science, Technology And Medicine | Joint source channel coding based on channel capacity using neural networks |
-
2019
- 2019-11-15 CN CN201911118052.8A patent/CN110830409B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101299733A (zh) * | 2008-03-05 | 2008-11-05 | 中科院嘉兴中心微系统所分中心 | 一种应用于无线传感网的最小均方误差信道估计装置 |
WO2010042809A1 (en) * | 2008-10-10 | 2010-04-15 | Microtune (Texas), L.P. | Adaptive known signal canceller |
CN101989968A (zh) * | 2009-07-31 | 2011-03-23 | 联芯科技有限公司 | 频偏估计方法及装置 |
CN102474485A (zh) * | 2009-09-29 | 2012-05-23 | 富士通株式会社 | 导频添加方法与导频添加装置 |
CN102640468A (zh) * | 2009-12-23 | 2012-08-15 | 富士通株式会社 | 无线通信系统中数据流到资源块的映射方法与装置 |
CN102223323A (zh) * | 2010-04-16 | 2011-10-19 | 深圳国微技术有限公司 | Dtmb系统及其多载波dtmb中的信道估计方法 |
US20120243593A1 (en) * | 2011-03-24 | 2012-09-27 | Kabushiki Kaisha Toshiba | Receiving apparatus and receiving method |
CN102957635A (zh) * | 2011-08-17 | 2013-03-06 | 清华大学 | 基于信息块传输的数字宽带通信方法及系统 |
EP2645652A1 (en) * | 2012-03-30 | 2013-10-02 | Imec | Receiver architecture for block transmission with known symbol padding |
CN103326966A (zh) * | 2013-05-16 | 2013-09-25 | 东莞中山大学研究院 | 适用于无线局域网ofdm系统的信道估计方法 |
CN104506475A (zh) * | 2014-12-26 | 2015-04-08 | 中山大学花都产业科技研究院 | 一种基于数据域的频偏估计校正方法及系统 |
CN106169984A (zh) * | 2016-07-28 | 2016-11-30 | 武汉大学 | 一种适用于dtmb外辐射源雷达参考信号重构的匹配追踪信道估计方法 |
CN106970382A (zh) * | 2017-03-22 | 2017-07-21 | 武汉大学 | 一种基于外辐射源雷达无人机实时监测系统及方法 |
CN107843881A (zh) * | 2017-10-24 | 2018-03-27 | 中国人民解放军空军工程大学 | 雷达角度估计及误差校正方法 |
CN109756432A (zh) * | 2017-11-01 | 2019-05-14 | 展讯通信(上海)有限公司 | Ofdm信道估计方法和装置 |
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 |
US20210319286A1 (en) * | 2018-08-15 | 2021-10-14 | Imperial College Of Science, Technology And Medicine | Joint source channel coding for noisy channels using neural networks |
US20210351863A1 (en) * | 2018-08-15 | 2021-11-11 | Imperial College Of Science, Technology And Medicine | Joint source channel coding based on channel capacity using neural networks |
CN109450830A (zh) * | 2018-12-26 | 2019-03-08 | 重庆大学 | 一种高速移动环境下基于深度学习的信道估计方法 |
CN110048972A (zh) * | 2019-04-24 | 2019-07-23 | 燕山大学 | 一种水声正交频分复用信道估计方法及系统 |
CN110365613A (zh) * | 2019-07-01 | 2019-10-22 | 重庆大学 | 一种基于神经网络预测的信道估计方法 |
Non-Patent Citations (4)
Title |
---|
SUYUE LI等: "A Generalized Analytical Solution to Channel Estimation With Intersymbol Interference Cancelation and Co-Channel Interference Cancelation for Single Input Single Output/Multiple Input Single Output Digital Terrestrial Multimedia Broadcasting Systems", 《 IEEE TRANSACTIONS ON BROADCASTING》 * |
ZHEN GAO等: "Temporal correlation based sparse channel estimation for TDS-OFDM in high-speed scenarios", 《MILCOM 2015 - 2015 IEEE MILITARY COMMUNICATIONS CONFERENCE》 * |
刘祥: "基于深度学习的无线通信场景识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
陈丽: "基于OFDM的车联网协作通信性能分析与仿真", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113193928A (zh) * | 2021-05-07 | 2021-07-30 | 展讯通信(上海)有限公司 | 一种数据传输配置信息确定方法及设备 |
CN113193928B (zh) * | 2021-05-07 | 2022-06-21 | 展讯通信(上海)有限公司 | 一种数据传输配置信息确定方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110830409B (zh) | 2022-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | Deep neural networks for channel estimation in underwater acoustic OFDM systems | |
CN113408743B (zh) | 联邦模型的生成方法、装置、电子设备和存储介质 | |
Zhang et al. | Parameter estimation of underwater impulsive noise with the Class B model | |
CN110890930B (zh) | 一种信道预测方法、相关设备及存储介质 | |
Gupta et al. | A geometric mixed norm approach to shallow water acoustic channel estimation and tracking | |
CN111147407B (zh) | 基于信道预测的tmsbl水声ofdm时变信道估计方法 | |
CN107390196B (zh) | 基于多基地雷达的快起伏目标双门限恒虚警检测方法 | |
CN111478868B (zh) | 一种otfs系统的信号检测方法及装置 | |
CN113708855B (zh) | 基于深度学习的otfs数据驱动接收方法、系统及介质 | |
CN106713190B (zh) | 基于随机矩阵理论和特征阈值估计的mimo发射天线数目盲估计算法 | |
CN112466320A (zh) | 一种基于生成对抗网络的水声信号降噪方法 | |
CN114531729B (zh) | 基于信道状态信息的定位方法、系统、存储介质及设备 | |
CN108419240A (zh) | 一种检测导频攻击的方法、装置、电子设备及存储介质 | |
Zhang et al. | Measurement‐based indoor NLoS ToA/RSS range error modelling | |
CN110830409B (zh) | 外源辐射雷达参考信道估计和信道估计模型训练方法 | |
CN110909453A (zh) | 一种基于eemd的输电线路覆冰等级预测方法 | |
CN110890932B (zh) | 5g毫米波信道信息确定的方法、相关装置及存储介质 | |
Jeong et al. | Positioning via direct localisation in C‐RAN systems | |
Wang et al. | Effects of nuisance variables selection on target localisation accuracy in multistatic passive radar | |
Liu et al. | Channel-aware adaptive quantization method for source localization in wireless sensor networks | |
JP6587745B2 (ja) | 無線通信装置及び無線通信方法 | |
Wang et al. | Interference‐to‐noise ratio estimation in long‐term evolution passive radar based on cyclic auto‐correlation | |
Park et al. | Dropout autoencoder fingerprint augmentation for enhanced Wi-Fi FTM-RSS indoor localization | |
CN113037409A (zh) | 基于深度学习的大规模mimo系统信号检测方法 | |
JP6120595B2 (ja) | Mimo受信装置及びプログラム |
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 |