CN111786923A - 一种正交频分复用系统时频双选信道的信道估计方法 - Google Patents

一种正交频分复用系统时频双选信道的信道估计方法 Download PDF

Info

Publication number
CN111786923A
CN111786923A CN202010506165.1A CN202010506165A CN111786923A CN 111786923 A CN111786923 A CN 111786923A CN 202010506165 A CN202010506165 A CN 202010506165A CN 111786923 A CN111786923 A CN 111786923A
Authority
CN
China
Prior art keywords
channel
channel estimation
time
neural network
network
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
CN202010506165.1A
Other languages
English (en)
Inventor
赵磊
江明
李亮华
容琪龙
刘为
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.)
Seventh Research Institute Of China Electronics Technology Group Corp
Sun Yat Sen University
Original Assignee
Seventh Research Institute Of China Electronics Technology Group Corp
Sun Yat Sen 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 Seventh Research Institute Of China Electronics Technology Group Corp, Sun Yat Sen University filed Critical Seventh Research Institute Of China Electronics Technology Group Corp
Priority to CN202010506165.1A priority Critical patent/CN111786923A/zh
Publication of CN111786923A publication Critical patent/CN111786923A/zh
Pending legal-status Critical Current

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
    • H04L27/2647—Arrangements specific to the receiver only
    • H04L27/2655—Synchronisation arrangements
    • H04L27/2689—Link with other circuits, i.e. special connections between synchronisation arrangements and other circuits for achieving synchronisation
    • H04L27/2695—Link with other circuits, i.e. special connections between synchronisation arrangements and other circuits for achieving synchronisation with channel estimation, e.g. determination of delay spread, derivative or peak tracking
    • 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
    • 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
    • H04L25/0256—Channel estimation using minimum mean square error criteria

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种正交频分复用系统时频双选信道的信道估计方法，所述信道估计方法如下：构建深度神经网络DNN、长短时记忆神经网络LSTM‑NN，并组成DL‑CE信道估计网络，分别用于带导频的OFDM符号估计和不带导频的OFDM符号预测；对DL‑CE信道估计网络进行训练，训练得到DL‑CE信道估计网络的所有参数；频域信道估计：在一个OFDM符合内，将采用最小二乘法获取导频处的CSI，通过深度神经网络获取各个数据符号位置的信道响应；利用长短时记忆神经网络跟踪信道的变化，在时域上对后续不带导频的OFDM符号的CSI进行预测。本发明有效解决OFDM系统应用到航空通信时面临的信道估计难题。

Description

一种正交频分复用系统时频双选信道的信道估计方法
技术领域
本发明涉及航空通信技术领域，更具体的，涉及一种正交频分复用系统时频双选信道的信道估计方法。
背景技术
近年来，随着通信网络的不断发展，航空通信技术受到了学术界和工业界的关注，而将长期演进计划(Long Term Evolution，LTE)、第五代(The Fifth Generation，5G)通信的新无线(New Radio，NR)系统应用到航空通信中，是目前的研究热点0N.Tadayon,G.Kaddoum and R.Noumeir,"Inflight broadband connectivity using cellularnetworks,"IEEE Access,vol.4,pp.1595-1606,Mar.2016。在航空通信中，由于飞行器的高速移动，使得基站和飞行器之间的无线信道会产生严重的多普勒频移；又由于多径效应的影响，该无线信道还会呈现时频双选特性A.Ghazal et al.,"ANon-Stationary IMT-Advanced MIMO Channel Model for High-Mobility Wireless CommunicationSystems,"in IEEE Transactions on Wireless Communications,vol.16,no.4,pp.2057-2068,Apr.2017。因此，适用于该场景的精确信道估计技术目前面临很大的挑战。
为了解决高速移动场景的信道估计难题，学者们提出了基扩展模型(BasisExpansion Model，BEM)、高阶移动模型(High Order Motion，HOM)、有限状态马尔可夫模型(Finite State Markov，FSM)等信道估计技术方案0E.P.Simon,L.Ros,H.Hijazi andM.Ghogho,"Joint Carrier Frequency Offset and Channel Estimation for OFDMSystems via the EM Algorithm in the Presence of Very High Mobility,"in IEEETransactions on Signal Processing,vol.60,no.2,pp.754-765,Feb.2012。例如，BEM模型将时频双选特性表示为随时间变化的系数加权的时不变基函数(例如，傅立叶基函数、多项式、小波等)的叠加X.Shen,Y.Liao,X.Dai,D.Li and K.Liu,"BEM-based EKF-RTSSChannel Estimation for Non-stationary Doubly-selective Channel,"in 2018IEEE/CIC International Conference on Communications in China(ICCC),Beijing,China,2018,pp.536-541。
然而，实际的无线信道可能受到许多未知因素的影响，而上述精确模型无法很好地获知这些未知因素，从而影响实际可以获得的性能。因此，现有的信道估计技术在实际航空场景下的应用仍然面临许多问题。
如图1所示为正交频分复用OFDM系统物理层算法流程图。待发送的为二进制0、1序列，为了增强系统的抗干扰性能通常对二进制序列进行信道编码、交织等技术处理；经过处理后的二进制序列进行星座图映射，常用的映射方式有BPSK、QPSK、16QAM、64QAM、256QAM等，星座图映射的选择取决于系统的设计需求、速率以及信道条件；星座图映射后的数据经过串并转换将串行的高速数据流转换成低速的并行数据；在进行OFDM调制之前根据导频图案插入导频，然后做快速傅里叶逆变换(Inverse Fast Fourier Transform，IFFT)，将频域信号转换为时域信号，通常还需要在符号间添加保护间隔以抑制符号间干扰(Inter-Symbol Interference，ISI)，保护间隔一般采用循环前缀(Cyclic Prefix，CP)方式，其长度要大于最大多径时延，从而形成基带OFDM信号。在接收端，通过一系列反向操作对OFDM信号进行解调，导频信号通常为发送端和接收端已知信息。但是目前现有技术不能精准的进行信道估计。
发明内容
本发明为了解决在高速移动的场景下，OFDM系统应用到航空通信时面临的信道估计困难的问题，提供了一种正交频分复用系统时频双选信道的信道估计方法，其可有效解决OFDM系统应用到航空通信时面临的信道估计难题，能精准的估计出频域的信道，并能预测时域信道。
为实现上述本发明目的，采用的技术方案如下：一种正交频分复用系统时频双选信道的信道估计方法，所述的信道估计方法步骤如下：
S1：构建深度神经网络DNN、长短时记忆神经网络LSTM-NN，并组成DL-CE信道估计网络，分别用于带导频的OFDM符号估计和不带导频的OFDM符号预测；
S2：将导频处的信道状态信息CSI作为DL-CE信道估计网络的输入数据，一个OFDM符号处的信道状态信息CSI作为标签数据对DL-CE信道估计网络进行训练，训练得到DL-CE信道估计网络的所有参数；
S3：频域信道估计：在一个OFDM符合内，将采用最小二乘法获取导频处的CSI，通过深度神经网络进行插值，获取各个数据符号位置的信道响应；
S4：将深度神经网络DNN对一个OFDM的信道响应输入长短时记忆神经网络跟踪信道的变化，从而在时域上对后续不带导频的OFDM符号的信道状态信息进行预测。
本发明的有益效果如下：
1.在频域，本发明先利用最小二乘法估计导频处的信道状态信息，再利用DNN进行插值，相比于传统的线性插值方法，基于DNN的插值方法更能捕捉到频域选择性信道的特点。
2.在时域，由于长短时记忆神经网络在处理时间序列数据方面有很大的优势，并考虑到飞行器高速移动引入的时变特性，本发明提出一种基于LSTM-NN的信道预测方法，利用带导频OFDM符号的CSI估计值，预测后续不带导频的数据OFDM符号的CSI。
3.本发明有效解决OFDM系统应用到航空通信时面临的信道估计难题。
附图说明
图1是现有技术OFDM系统流程图。
图2是实施例LTE系统的一种典型导频图案示例。
图3是实施例所述信道估计方法的步骤流程图。
图4是实施例DNN结构示意图。
图5是实施例LSTM-NN结构示意图。
图6是实施例DL-CE信道估计网络结构。
图7是实施例DL-CE工作流程示意图。
图8是实施例LSTM-NN处理流程图。
具体实施方式
下面结合附图和具体实施方式对本发明做详细描述。
实施例1
结合背景技术分析可知，LTE系统的一种标准导频图案如图2所示。从图中可以看出，在一个子帧的14个OFDM符号中，只有4个符号有导频。在包含导频的OFDM符号中，导频成梳妆结构排列，因此需要利用导频处估计得到的CSI信息，对数据子载波进行插值，从而获得一个OFDM符号中数据子载波的CSI信息。另外，为了成功解调无导频的OFDM符号，还需要对该符号所有数据子载波处的CSI信息进行预测。
基于以上分析，本实施例提出一种正交频分复用系统时频双选信道的信道估计方法，如图3所示，所述的信道估计方法步骤如下：
S1：构建深度神经网络DNN、长短时记忆神经网络LSTM-NN，并组成DL-CE信道估计网络，分别用于带导频的OFDM符号估计和不带导频的OFDM符号预测；
S2：将导频处的信道状态信息CSI作为DL-CE信道估计网络的输入数据，一个OFDM符号处的信道状态信息CSI作为标签数据对DL-CE信道估计网络进行训练，训练得到DL-CE信道估计网络的所有参数；
S3：频域信道估计：在一个OFDM符合内，将采用最小二乘法获取导频处的CSI，通过深度神经网络进行插值，获取各个数据符号位置的信道响应；
S4：将DNN深度神经网络对一个OFDM的信道响应作为输入，利用长短时记忆神经网络跟踪信道的变化，从而在时域上对后续不带导频的OFDM符号的信道状态信息进行预测。
在一个具体的实施例中，步骤S1，构建深度神经网络DNN，具体如下：
所述的深度神经网络DNN的基本组成单元是相互连接的神经元。如图4所示，一般有L层神经网络组成，包括1个输入层、L-2个隐藏层和1个输出层，层与层之间是完全连接的。
第l(0<l<L-1)层神经网络由n个神经元组成。每个神经元将与之连接的上一层神经元的输入值乘以相应的权值并求和，再通过一个激活函数将信息传递到下一层连接的神经元。在深度神经网络DNN中常用的激活函数有Sigmoid函数、ReLU函数等。本实施例选择ReLU作为激活函数，可表示为
fT(x)＝max(x,0) (1)
根据深度神经网络DNN的信息传递规则，输入数据被各层神经元逐层处理最终得到输出结果，这个过程称为正向传播。通过对比DNN的输出值和真实标签数据，DNN可以通过训练调整神经网络间的权值以提高预测的准确度，这个过程为误差反向传播。一般地，可以增加DNN网络隐藏层的数量，提高表示或识别的能力。
在一个具体的实施例中，步骤S1，构建长短时记忆神经网络LSTM-NN，具体如下：
LSTM-NN是循环神经网络(Recurrent Neural Network，RNN)的一个变体，主要由若干LSTM-NN单元组成，用于解决RNN网络存在的梯度爆炸和梯度消失问题。如图5所示，每个LSTM-NN单元由记忆单元、输入门、输出门和遗忘门组成。记忆单元会记住任意时间间隔内的值，并且由输入门、输出门和遗忘门控制着进出记忆单元的信息流。
在一个具体的实施例中，所述的遗忘门可控制历史学习对当前记忆单元状态值的影响，可表示为
ft＝σ(Wfxt+Ufht-1+bf) (2)
其中：σ(·)为sigmoid函数，Wf、Uf为遗忘门权重值，bf为遗忘门偏置，ht-1为上一个单元的输出，xt为单元输入，下标t表示时间步长。
在一个具体的实施例中，所述的输入门可控制当前数据输入对记忆单元状态的影响，可表示为
it＝σ(Wixt+Uiht-1+bi) (3)
其中：Wi、Ui为输入门权重值，bi为输入门偏置。
在一个具体的实施例中，所述的输出门可控制记忆模块状态值的输出，可表示为
ot＝σ(Woxt+Uoht-1+bo) (4)
其中：Wo、Uo为输出门权重值，bo为输出门偏置。
在一个具体的实施例中，当前时刻记忆单元状态值为
Figure BDA0002526611360000051
其中：ct-1为上一时刻状态值，bc为偏置量，运算符
Figure BDA0002526611360000052
表示Hadamard乘积(按元素乘积)。
LSTM-NN的单元输出为
ht＝ottanh(ct) (6)
其中：tanh(.)为双曲正切函数。
LSTM-NN具有内在的存储器单元，能够长时间保持先前提取的信息以用于下一个时刻的预测，因此LSTM-NN非常适合基于时间序列数据进行分类、处理和预测。
将构建好的深度神经网络DNN、长短时记忆神经网络LSTM-NN进行组成DL-CE信道估计网络，即DL-CE网络信道估计由DNN网络和LSTM-NN组成，分别用于带导频的OFDM符号估计和不带导频的OFDM符号预测，如图6所示。
本实施例设计的DL-CE信道估计网络包括离线训练和在线预测两个部分，如图7所示。在离线训练阶段，利用航空信道模型产生大量的信道数据对设计的DL-CE网络进行训练，使学习网络学习到信道的变化特征。在在线预测阶段，学习网络的输入为LS估计得到的导频处的CSI，输出为一个子帧所有子载波的预测CSI。
在一个具体的实施例中，对DL-CE信道估计网络进行训练，具体如下：
本实施例使用航空信道模型生成训练数据。对于离线训练，导频处的信道状态信息CSI和一个OFDM符号处的信道状态信息CSI通过仿真收集作为训练数据。
具体地，将导频处的CSI作为DL-CE信道估计网络的输入数据，一个OFDM符号处的CSI作为标签数据对DL-CE信道估计网络进行训练。本实施例使用端到端的训练方式得到DL-CE的所有参数。
设整个信道估计网络的变换公式和所有参数分别为fest(·)和θest，因此，DL-CE输出可以表示为
Figure BDA0002526611360000061
式中，h表示输入导频处信道数据；
可使用随机梯度下降算法训练信道估计网络中的参数，从而可快速将损失函数最小化。借助均方误差(Mean Squared Error，MSE)，DL-CE信道估计网络的损失函数如下所示：
Figure BDA0002526611360000062
其中：h’为标签数据，M为训练样本数目，hm表示输入导频处信道数据。
通过以上训练方法，训练得到DL-CE信道估计网络的所有参数。
在一个具体的实施例中，步骤S3，对频域信道估计，具体如下：
在多径环境下，信道一般呈现频率选择性衰落，传统的线性插值方法很难跟踪这种信道的变化。本实施例提出一种基于DNN的插值方法，在一个OFDM符号内，采用最小二乘法LS方法获取导频位置处的CSI，再通过所述的深度神经网络DNN获取各个数据符号位置的信道响应。本实施例提出的基于深度学习DL的信道估计方法可实时追踪信道的频域变化。
由图4可知，深度神经网络DNN主要包括输入层、隐藏层和输出层。其中，所述的输入层处的数据是最小二乘法LS估计得到的导频处的CSI，其表示为：
Figure BDA0002526611360000071
其中，Np为一个OFDM符号导频的数量，hi为导频处的CSI，其中1≤i≤NP。
由于原始的信道数据为复数，需在输入DNN之前将数据的实部和虚部提取出来形成一个串联向量，即构造为输入数据
Figure BDA0002526611360000072
输入层后面紧接着的是隐藏层。每个隐藏层由一定数量的神经元构成，每个神经元的输出是前一层所有数据的加权和的非线性变换。第k个隐藏层的变换公式为
lk＝fT(Wklk-1+bk) (9)
其中：lk-1为第k-1隐藏层的输出；Wk为第k隐藏层的权重系数，bk表示DNN网络的偏置；fT激活函数。
因此，DL-CE信道估计网络的输出
Figure BDA0002526611360000073
为输入数据h的非线性变换的级联，可表示为：
Figure BDA0002526611360000074
其中：L表示DL-CE信道估计网络中的网络层数，θ表示DL-CE信道估计网络中的所有参数，
Figure BDA0002526611360000075
表示为一个子帧所有子载波的预测信道状态信息。
在一个具体的实施例中，步骤S4，对时域CSI预测，具体如下：
利用LSTM-NN对序列数据的强大处理能力来跟踪信道的变化，即将深度神经网络DNN对一个OFDM的信道响应输入到长短时记忆神经网络，从而实现在时域上对后续不带导频的OFDM符号的信道状态信息进行预测。如图8所示，LSTM-NN主要由若干个LSTM-NN单元组成，每个LSTM-NN单元的参数可以共享，即每个时间步上神经网络的参数都一样。LSTM-NN的输出ht和隐藏层ht-1变换公式可以简化为：
ht＝LSTM(ht-1,xt,Θ) (11)
其中，LSTM(.)为式(2)～(6)的组合，Θ表示LSTM-NN中的所有参数。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种正交频分复用系统时频双选信道的信道估计方法，其特征在于：所述的信道估计方法步骤如下：
S1：构建深度神经网络DNN、长短时记忆神经网络LSTM-NN，并组成DL-CE信道估计网络，分别对带导频的OFDM符号估计和不带导频的OFDM符号预测；
S2：将导频处的信道状态信息CSI作为DL-CE信道估计网络的输入数据，一个OFDM符号处的信道状态信息CSI作为标签数据对DL-CE信道估计网络进行训练，训练得到DL-CE信道估计网络的所有参数；
S3：频域信道估计：在一个OFDM符合内，将采用最小二乘法获取导频处的CSI，通过深度神经网络获取各个数据符号位置的信道响应；
S4：时域信道预测：将深度神经网络DNN对一个OFDM的信道响应输入长短时记忆神经网络跟踪信道的变化，从而在时域上对后续不带导频的OFDM符号的信道状态信息进行预测。
2.根据权利要求1所述的正交频分复用系统时频双选信道的信道估计方法，其特征在于：步骤S1，所述的深度神经网络DNN由L层神经网络组成，分别为1个输入层、L-2个隐藏层、1个输出层，所述的输入层、隐藏层、输出层之间是完成连接的；
第l层神经网络由n个神经元组成，其中0<l<L-1；每个神经元将与之连接的上一层神经元的输入值乘以相应的权值并求和，再通过一个激活函数将信息传递到下一层连接的神经元。
3.根据权利要求2所述的正交频分复用系统时频双选信道的信道估计方法，其特征在于：所述的激活函数包括Sigmoid函数、ReLU函数。
4.根据权利要求1所述的正交频分复用系统时频双选信道的信道估计方法，其特征在于：所述的长短时记忆神经网络由若干LSTM-NN单元组成，每个LSTM-NN单元包括记忆单元、输入门、输出门和遗忘门；所述的记忆单元会记住任意时间间隔内的值，并且由输入们、输出门、遗忘门控制着进出记忆单元的信息流。
5.根据权利要求4所述的正交频分复用系统时频双选信道的信道估计方法，其特征在于：所述的遗忘门可控制历史学习对当前记忆单元状态值的影响，可表示为
ft＝σ(Wfxt+Ufht-1+bf) (1)
其中：σ(·)为sigmoid函数，Wf、Uf为遗忘门权重值，bf为遗忘门偏置，ht-1为上一个单元的输出，xt为单元输入，下标t表示时间步长；
6.根据权利要求5所述的正交频分复用系统时频双选信道的信道估计方法，其特征在于：所述的输入门可控制当前数据输入对记忆单元状态的影响，可表示为
it＝σ(Wixt+Uiht-1+bi) (2)
其中：Wi、Ui为输入门权重值，bi为输入门偏置。
7.根据权利要求6所述的正交频分复用系统时频双选信道的信道估计方法，其特征在于：所述的输出门可控制记忆单元状态值的输出，可表示为
ot＝σ(Woxt+Uoht-1+bo) (3)
其中：Wo、Uo为输出门权重值，bo为输出门偏置；
当前时刻记忆单元状态值为
Figure FDA0002526611350000021
其中：ct-1为上一时刻状态值，bc为偏置量，运算符
Figure FDA0002526611350000022
表示Hadamard乘积；Wc为权重矩阵，可通过训练获得；
LSTM-NN的单元输出为
ht＝ottanh(ct) (5)
其中：tanh(.)为双曲正切函数。
8.根据权利要求2～7任一项所述的正交频分复用系统时频双选信道的信道估计方法，其特征在于：步骤S2，对DL-CE信道估计网络进行训练，具体如下：
设整个DL-CE信道估计网络的变换公式和所有参数分别为fest(·)和θest，则DL-CE信道估计网络的输出表示为
Figure FDA0002526611350000023
式中，h表示输入导频处信道数据；
采用随机梯度下降算法训练DL-CE信道估计网络中的参数，并使用均方误差，DL-CE信道估计网络的损失函数如下：
Figure FDA0002526611350000024
其中：h’为标签数据，M为训练样本数目，hm表示输入导频处信道数据。
9.根据权利要求8所述的正交频分复用系统时频双选信道的信道估计方法，其特征在于：步骤S3，具体的，采用最小二乘法估计得到导频处的CSI，表达式如下：
Figure FDA0002526611350000031
Np为一个OFDM符号导频的数量；hi为导频处的CSI，其中1≤i≤NP；
由于原始的信道数据为复数，需在输入DNN之前将数据的实部和虚部提取出来形成一个串联向量，即构造的输入数据为
Figure FDA0002526611350000032
深度神经网络中的第k个隐藏层的变换公式为
lk＝fT(Wklk-1+bk) (9)
其中：lk-1为第k-1隐藏层的输出；Wk为第k隐藏层的权重系数，bk表示DNN网络的偏置；fT激活函数；
因此深度神经网络的输出
Figure FDA0002526611350000033
为输入数据h的非线性变换的级联，表示为
Figure FDA0002526611350000034
其中：L表示深度神经网络中的网络层数，θ表示深度神经网络中的所有参数；
Figure FDA0002526611350000035
表示为一个子帧所有子载波的预测信道状态信息。
10.根据权利要求9所述的正交频分复用系统时频双选信道的信道估计方法，其特征在于：步骤S4，采用LSTM-NN对基于时间序列数据进行分类、处理和预测，所述的LSTM-NN的输出ht和隐藏层ht-1变换公式简化为:
ht＝LSTM(ht-1,xt,Θ) (11)
其中，LSTM(.)为式(1)～(5)的组合，Θ表示LSTM-NN中的所有参数。
CN202010506165.1A 2020-06-05 2020-06-05 一种正交频分复用系统时频双选信道的信道估计方法 Pending CN111786923A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010506165.1A CN111786923A (zh) 2020-06-05 2020-06-05 一种正交频分复用系统时频双选信道的信道估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010506165.1A CN111786923A (zh) 2020-06-05 2020-06-05 一种正交频分复用系统时频双选信道的信道估计方法

Publications (1)

Publication Number Publication Date
CN111786923A true CN111786923A (zh) 2020-10-16

Family

ID=72754010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010506165.1A Pending CN111786923A (zh) 2020-06-05 2020-06-05 一种正交频分复用系统时频双选信道的信道估计方法

Country Status (1)

Country Link
CN (1) CN111786923A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112671419A (zh) * 2020-12-17 2021-04-16 北京邮电大学 一种无线信号重建方法、装置、系统、设备和存储介质
CN112702286A (zh) * 2020-12-11 2021-04-23 北京科技大学 一种无人机通信中下行信道估计方法
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
CN113472706A (zh) * 2021-07-12 2021-10-01 南京大学 一种基于深度神经网络的mimo-ofdm系统信道估计方法
CN113595666A (zh) * 2021-07-13 2021-11-02 华中科技大学 大规模mimo系统基于时频联合相关性的信道预测方法和系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101267422A (zh) * 2008-03-10 2008-09-17 电子科技大学 一种正交频分复用系统的频域信道估计方法
CN101827057A (zh) * 2010-01-28 2010-09-08 北京天碁科技有限公司 用于正交频分复用通信系统的信道估计方法及信道估计器
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
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
US20190378531A1 (en) * 2016-05-30 2019-12-12 Oticon A/S Audio processing device and a method for estimating a signal-to-noise-ratio of a sound signal
US20200059306A1 (en) * 2018-08-17 2020-02-20 Electronics And Telecommunications Research Institute Signal-multiplexing apparatus and method based on machine learning

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101267422A (zh) * 2008-03-10 2008-09-17 电子科技大学 一种正交频分复用系统的频域信道估计方法
CN101827057A (zh) * 2010-01-28 2010-09-08 北京天碁科技有限公司 用于正交频分复用通信系统的信道估计方法及信道估计器
US20190378531A1 (en) * 2016-05-30 2019-12-12 Oticon A/S Audio processing device and a method for estimating a signal-to-noise-ratio of a sound signal
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
US20200059306A1 (en) * 2018-08-17 2020-02-20 Electronics And Telecommunications Research Institute Signal-multiplexing apparatus and method based on machine learning
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YONG LIAO，YUANXIAO HUA等: ""CSI Feedback Based on Deep Learning for Massive MIMO Systems"", 《IEEE ACCESS》 *
廖勇，花远肖等: ""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)》 *
廖勇，花远肖等: ""高速移动环境下基于深度学习的信道估计方法"", 《电子学报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112702286A (zh) * 2020-12-11 2021-04-23 北京科技大学 一种无人机通信中下行信道估计方法
CN112702286B (zh) * 2020-12-11 2022-05-31 北京科技大学 一种无人机通信中下行信道估计方法
CN112671419A (zh) * 2020-12-17 2021-04-16 北京邮电大学 一种无线信号重建方法、装置、系统、设备和存储介质
CN112671419B (zh) * 2020-12-17 2022-05-03 北京邮电大学 一种无线信号重建方法、装置、系统、设备和存储介质
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
CN113472706A (zh) * 2021-07-12 2021-10-01 南京大学 一种基于深度神经网络的mimo-ofdm系统信道估计方法
CN113472706B (zh) * 2021-07-12 2023-04-07 南京大学 一种基于深度神经网络的mimo-ofdm系统信道估计方法
CN113595666A (zh) * 2021-07-13 2021-11-02 华中科技大学 大规模mimo系统基于时频联合相关性的信道预测方法和系统

Similar Documents

Publication Publication Date Title
Liao et al. ChanEstNet: A deep learning based channel estimation for high-speed scenarios
CN111404849B (zh) 一种基于深度学习的ofdm信道估计与信号检测方法
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
Pan et al. Channel estimation based on deep learning in vehicle-to-everything environments
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
CN112600772A (zh) 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
CN101409694B (zh) 一种单载波频域均衡实现方法及系统
CN113472706A (zh) 一种基于深度神经网络的mimo-ofdm系统信道估计方法
CN113206809B (zh) 一种联合深度学习与基扩展模型的信道预测方法
Taşpinar et al. Back propagation neural network approach for channel estimation in OFDM system
Jiang et al. AI-aided online adaptive OFDM receiver: Design and experimental results
Qiao et al. A novel signal detection scheme based on adaptive ensemble deep learning algorithm in SC-FDE systems
CN115664898A (zh) 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
CN112968847A (zh) 一种基于深度学习和数据导频辅助的信道估计方法
Luan et al. Attention based neural networks for wireless channel estimation
Hamedani et al. Energy efficient MIMO-OFDM spectrum sensing using deep stacked spiking delayed feedback reservoir computing
Ye et al. Bilinear convolutional auto-encoder based pilot-free end-to-end communication systems
Gizzini et al. Adaptive channel estimation based on deep learning
Mohamed et al. Modified gate activation functions of Bi-LSTM-based SC-FDMA channel equalization
Wong et al. Deep Learning for Channel Estimation and Signal Detection in OFDM-Based Communication Systems
Ali et al. GFDM transceiver based on ann channel estimation
Yıldırım et al. Deep receiver design for multi-carrier waveforms using cnns
Bhatt et al. Analysis of the fifth generation NOMA system using LSTM algorithm
Olickal et al. LSTM projected layer neural network-based signal estimation and channel state estimator for OFDM wireless communication systems.

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201016

RJ01 Rejection of invention patent application after publication