CN112953862A - 一种基于深度学习的高速铁路场景信道估计方法 - Google Patents

Abstract

本发明是一种基于深度学习的高速铁路场景信道估计方法。本发明涉及预测或优化技术领域；采用大量的数据样本对CLSTMA网络进行训练，使学习网络自主学习信道响应数据；搭建基于自注意力机制的CNN‑LSTM网络结构，采用自注意力机制对所述预测的序列分配不同的权重，与当前输入值以及目标值显著参数分配权重；采用ADAM算法更新网络的参数集，通过训练自适应的更新学习率，降低网络的损失值。本发明的信道估计方法具有较强的性能，在同等信噪比环境下，较单一的神经网络以及传统的时域、频域信道估计方法相比，该发明与有更好的预测性能。

Description

一种基于深度学习的高速铁路场景信道估计方法

技术领域

本发明涉及预测或优化技术领域，是一种基于深度学习的高速铁路场景信道估计方法。

背景技术

常见的信道估计预测方法主要分为时域信道估计和频域信道估计。对于频域信道估计，该类方法假设导频位置的信道频域响应与数据符号处的信道频域响应的变化是线性的，但在高速铁路场景下，这一假设并不成立，因此传统频域信道估计方法的预测性能较差。对于时域信道估计，由于该类方法可直接通过计算获得信道响应值，因此可以消除子载波间干扰，但由于需要估计每条路经的信道响应，导致该类方法的待估计参数数量远远多于频域信道估计，因此，需要寻找有效的方法减少时域信道估计中的待估计参数数量。针对这一问题，常见的时域信道估计方法包括：最小二乘法(LS)、频谱时间平均法(STA)、离散傅里叶变换法(DFT)以及构造数据导频法(CDP)。基于最小二乘的信道估计方法减少了待估计参数数量，但估计性能较差；基于频谱时间平均的信道估计方法缓解了高速铁路信道的时变特性带来的影响。参数多普勒频移的取值取决于高铁信道的类型，实际上却很难获取准确的信息；基于离散傅立叶变换的信道估计技术将最小二乘估计获得的频域信道响应采用傅立叶逆变换转回时域。该方法在最大多普勒频移低于10Hz的情况下，该方案的性能良好。但是，随着多普勒频移增加到10Hz以上，其性能将严重下降；基于构造数据导频的信道估计方法利用相邻数据符号间信道响应的强相关特性及四相跟踪导频来获得比基于频谱时间平均的信道估计方法更好的性能，尤其是在较高的信噪比环境下。针对高速铁路场景下信道快时变、非平稳的特性导致信道估计性能首先的问题，我们可以在时间和空间意义上提取信道的隐藏特征，将深度学习应用于信道估计，尤其是高速铁路场景下的信道估计，进一步提高估计的准确性。

发明内容

本发明针对高速铁路场景，提出的信道估计方法能进一步提高预测性能，本发明提供了一种基于深度学习的高速铁路场景信道估计方法，本发明提供了以下技术方案：

一种基于深度学习的高速铁路场景信道估计方法，包括以下步骤：

步骤1：离散训练时，采用大量的数据样本对CLSTMA网络进行训练，使学习网络自主学习信道响应数据；

步骤2：搭建基于自注意力机制的CNN-LSTM网络结构，输入信道响应序列先经过两层卷积层的CNN网络，两个卷积层后分别接入的最大池层用于降采样，两个最大池层后均加入批归一化层、激活层以及丢弃层，经过CNN得到的结果，得到信道响应特征；

步骤3：将得到信道响应特征，放入LSTM神经元的单级LSTM层，得到每个时间步长下的信道响应预测序列；

步骤4：采用自注意力机制对所述预测的序列分配不同的权重，与当前输入值以及目标值显著参数分配权重；

步骤5：将处理后的信道响应特征序列送入全连接层，输出响应需转换为与输入响应相同的维度，得到全连接层的神经元个数和预测的信道响应；

步骤6：将预测的信道响应变换为两个矩阵作为信道响应的实部与虚部，再整合到一个维度形成最终预测的响应矩阵；

步骤7：采用ADAM算法更新网络的参数集，通过训练自适应的更新学习率，降低网络的损失值。

优选地，所述步骤1具体为：

获取训练数据集，经过CDP估计的信道响应矩阵为一个OFDM子帧大小的信道响应矩阵H∈R^T×NL，其中，一个子帧共包含T个OFDM符号，N代表OFDM子载波的数量，L为多径数，时域信道估计中L等于1；

LSTM网络需要将时序性序列作为学习网络输入，将信道响应矩阵需要变换成序列的形式进入训练网络，通过下式表示：

H＝[h₁,...,h_t,...,h_T]^T

其中，h_t∈R^NL代表第t个OFDM符号位置的信道响应；

信道响应是复数信号，在进入学习网络之前需要对信道响应数据进行预处理，提取输入数据的实部与虚部并将其整合并存储在同一序列，输入的信道响应数据变成H'∈R^{T ×2NL}，h_t'∈R^2NL，即学习网络的输入为T个2NL列的时序性序列。

优选地，所述步骤2具体为：

信道响应数据经过预处理后首先进入CNN网络，CNN网络设计为两层卷积层与池化层的叠加，采用滑动窗口对信道序列进行卷积求和，一维CNN网络对H'进行卷积运算，变换过程表示为：

H”＝f(W*H'+b)

其中，W是可学习的滤波器，b是可学习的偏置向量，f(·)表示激活函数；

一维CNN网络的输出进入最大池层，最大池层主要用于降采样，在确保不失真的情况下对信道响应特征进行降维，通过下式表示：

h_t”＝max(h_t”)

在两个最大池化层之后分别加入批归一化层、激活层以及丢弃层，通过LeakyReLU激活函数解决神经元不更新参数的情况。

优选地，所述步骤3具体为：LSTM网络采用前段时间的信道响应来预测当前时刻的的信道响应，并利用导频符号的信息提高信道响应预测的准确度，将得到的特征放入含有32个LSTM神经元的单级LSTM层，得到每个时间步长下的信道响应预测序列，其中，LSTM输入的信道响应h_t”，输出的信道响应h_t”'，l_j代表某一时刻LSTM隐藏层状态，通过下式表示信道响应h_t”：

h”'_t＝LSTM(l_t-1,h”_t,θ_lstm)。

优选地，所述步骤4具体为：将LSTM层作为编码器，将输入的信道响应序列编码为一组固定长度的矢量，即上下文向量，LSTM层后紧跟Self-Attention层对进行特征分析并凸显关键特征，将重要特征信息输入至全连接层处理，引入Self-Attention层；

自注意机制的计算过程包括：在所有输入信息上计算注意力分布，根据注意力分布来计算输入信息的加权平均，采用输入信息对应的概率值作为权系数，计算输入信息的加权平均，通过下式表示：

其中，上下文向量h″″_t需要综合计算隐藏层信息与权重信息，α_i代表l_i的权重，即这一状态对输出结果的影响，通过下式表示α_i：

优选地，所述步骤5具体为：将经过自注意力机制处理后的信道响应特征序列送入全连接层，输出响应需转换为与输入响应相同的维度，，全连接层的神经元个数为2NL，得到预测的信道响应

优选地，所述步骤6具体为：将

变换为两个R^NL的矩阵作为信道响应的实部与虚部，再整合到一个维度形成最终预测的响应矩阵，即

优选地，所述步骤7具体为：采用得到的训练集对构建的网络进行训练，训练的目标是最小化实际输出值与目标值的差值，因此网络的损失函数选择均方误差MSE，通过下式表示网络的损失函数选择均方误差；

其中，整个学习网络的变换式和所有参数分别为f_est(·)、θ_est，学习网络估计得到的信道响应序列表示为

H_i ^*为监督数据，M为训练集的样本数量；

损失函数设置好后，就利用ADAM算法优化神经网络的参数，可以通过训练自适应的更新学习率，降低网络的损失值。

优选地，训练阶段的步骤包括：构建网络，初始化i＝0，θ_est初始化为随机权重；给定训练数据H，经过预处理形成数据集H'；对损失函数利用ADAM算法更新参数θ_est；重复更新，直到i等于迭代次数。

本发明具有以下有益效果：

本发明针对高速铁路场景提供了一种基于深度学习的信道响应预测模型CLSTMA及其构建方法。该方法利用CNN提取信道响应特征向量，将提取的特征送入LSTM网络以预测信道响应并减少传播误差，接下来的自注意力层对经过LSTM预测的信道响应进行特征分析并凸显关键特征，将重要特征信息输入至全连接层处理，所提出的信道估计方法能进一步提高预测性能。

本发明的信道估计方法具有较强的性能，在同等信噪比环境下，较单一的神经网络以及传统的时域、频域信道估计方法相比，该发明与有更好的预测性能。

附图说明

图1为基于深度学习的信道估计模型结构示意图；

图2为基于深度学习的信道估计模型的学习网络结构示意图；

图3为基于深度学习的信道估计模型的数据流向；

图4为本发明与其他信道估计方法的SNR-BER关系曲线图，表示在不同信噪比环境下，各个估计器的BER性能；

图5为本发明与其他信道估计方法的SNR-RMSE关系曲线图，表示在不同信噪比环境下，各个估计器的RMSE性能。

具体实施方式

以下结合具体实施例，对本发明进行了详细说明。

具体实施例一：

根据图1至图5所示，本发明提供一种基于深度学习的高速铁路场景信道估计方法，包括以下步骤：

步骤1：离散训练时，采用大量的数据样本对CLSTMA网络进行训练，使学习网络自主学习信道响应数据；

所述步骤1具体为：

获取训练数据集，经过CDP估计的信道响应矩阵为一个OFDM子帧大小的信道响应矩阵H∈R^T×NL，其中，一个子帧共包含T个OFDM符号，N代表OFDM子载波的数量，L为多径数，时域信道估计中L等于1；

LSTM网络需要将时序性序列作为学习网络输入，将信道响应矩阵需要变换成序列的形式进入训练网络，通过下式表示：

H＝[h₁,...,h_t,...,h_T]^T

其中，h_t∈R^NL代表第t个OFDM符号位置的信道响应；

信道响应是复数信号，在进入学习网络之前需要对信道响应数据进行预处理，提取输入数据的实部与虚部并将其整合并存储在同一序列，输入的信道响应数据变成H'∈R^{T ×2NL}，h_t'∈R^2NL，即学习网络的输入为T个2NL列的时序性序列。

步骤2：搭建基于自注意力机制的CNN-LSTM网络结构，输入信道响应序列先经过两层卷积层的CNN网络，两个卷积层后分别接入的最大池层用于降采样，两个最大池层后均加入批归一化层、激活层以及丢弃层，经过CNN得到的结果，得到信道响应特征；

所述步骤2具体为：

信道响应数据经过预处理后首先进入CNN网络，CNN网络设计为两层卷积层与池化层的叠加，采用滑动窗口对信道序列进行卷积求和，一维CNN网络对H'进行卷积运算，变换过程表示为：

H”＝f(W*H'+b)

其中，W是可学习的滤波器，b是可学习的偏置向量，f(·)表示激活函数；

一维CNN网络的输出进入最大池层，最大池层主要用于降采样，在确保不失真的情况下对信道响应特征进行降维，通过下式表示：

h_t”＝max(h_t”)

在两个最大池化层之后分别加入批归一化层、激活层以及丢弃层，通过LeakyReLU激活函数解决神经元不更新参数的情况。

步骤3：将得到信道响应特征，放入LSTM神经元的单级LSTM层，得到每个时间步长下的信道响应预测序列；

所述步骤3具体为：LSTM网络采用前段时间的信道响应来预测当前时刻的的信道响应，并利用导频符号的信息提高信道响应预测的准确度，将得到的特征放入含有32个LSTM神经元的单级LSTM层，得到每个时间步长下的信道响应预测序列，其中，LSTM输入的信道响应h_t”，输出的信道响应h_t”'，l_j代表某一时刻LSTM隐藏层状态，通过下式表示信道响应h_t”：

h”'_t＝LSTM(l_t-1,h”_t,θ_lstm)。

步骤4：采用自注意力机制对所述预测的序列分配不同的权重，与当前输入值以及目标值显著参数分配权重；

所述步骤4具体为：将LSTM层作为编码器，将输入的信道响应序列编码为一组固定长度的矢量，即上下文向量，LSTM层后紧跟Self-Attention层对进行特征分析并凸显关键特征，将重要特征信息输入至全连接层处理，引入Self-Attention层；

自注意机制的计算过程包括：在所有输入信息上计算注意力分布，根据注意力分布来计算输入信息的加权平均，采用输入信息对应的概率值作为权系数，计算输入信息的加权平均，通过下式表示：

其中，上下文向量h””_t需要综合计算隐藏层信息与权重信息，α_i代表l_i的权重，即这一状态对输出结果的影响，通过下式表示α_i：

步骤5：将处理后的信道响应特征序列送入全连接层，输出响应需转换为与输入响应相同的维度，得到全连接层的神经元个数和预测的信道响应；

所述步骤5具体为：将经过自注意力机制处理后的信道响应特征序列送入全连接层，输出响应需转换为与输入响应相同的维度，，全连接层的神经元个数为2NL，得到预测的信道响应

步骤6：将预测的信道响应变换为两个矩阵作为信道响应的实部与虚部，再整合到一个维度形成最终预测的响应矩阵；

所述步骤6具体为：将

变换为两个R^NL的矩阵作为信道响应的实部与虚部，再整合到一个维度形成最终预测的响应矩阵，即

步骤7：采用ADAM算法更新网络的参数集，通过训练自适应的更新学习率，降低网络的损失值。

所述步骤7具体为：采用得到的训练集对构建的网络进行训练，训练的目标是最小化实际输出值与目标值的差值，因此网络的损失函数选择均方误差MSE，通过下式表示网络的损失函数选择均方误差；

其中，整个学习网络的变换式和所有参数分别为f_est(·)、θ_est，学习网络估计得到的信道响应序列表示为

H_i ^*为监督数据，M为训练集的样本数量；

损失函数设置好后，就利用ADAM算法优化神经网络的参数，可以通过训练自适应的更新学习率，降低网络的损失值。

优选地，训练阶段的步骤包括：构建网络，初始化i＝0，θ_est初始化为随机权重；给定训练数据H，经过预处理形成数据集H'；对损失函数利用ADAM算法更新参数θ_est；重复更新，直到i等于迭代次数。

信道模型采用具有快时变、非平稳特性的高速信道模型WINNER-ⅡD2a。CLSTMA学习网络的输入数据为OFDM子帧大小的信道响应矩阵，导频位置的信道响应H_i(k)由LS算法估计得到，监督数据为使用CDP算法估计的信道响应样本H_CDP,i(k)。训练将训练集、测试集的比例划分为8：2，仿真系统的主要参数如表1所示。

表1仿真系统参数

本发明将与基于同类型神经网络CNN、LSTM、不加自注意力机制的CNN-LSTM的信道估计方法以及传统基于LS、STA、DFT、CDP的信道估计方法进行比较，以进一步验证本发明的优势。第一个指标是在不同信噪比下的误码率BER性能，称为SNR-BER曲线；第二个指标是在不同信噪比下的均方误差性能RMSE性能，称为SNR-RMSE曲线；

图4展示了SNR-BER曲线，显示了在HIPERLAN-E信道模型的不同方法的误码率(BitError Rate，BER)性能曲线的结果。时域类信道估计方法例如LS、STA、CDP可以直接估计出信道响应CSI，在信道估计模块不受载波间干扰的影响。在不同信噪比环境下，提出的CLSTMA性能优越。在290Km/h的速度下，由于信道处于高速移动环境下，LS及DFT算法的BER曲线随着SNR的逐渐增加而趋于收敛，且二者的BER曲线接近重叠，BER收敛至0.421。

在较低SNR环境下，CLSTMA信道估计方法比CDP方案性能更好，并且CLSTMA的BER曲线与STA方法十分相似。CDP估计性能较差的原因是在较低的SNR环境下，噪声和干扰会导致解映射到不正确的星座点。随着SNR的增加，解映射到错误象限的情况减少，CDP方法性能逐渐优于STA方法。结果表明，与CDP相比，STA和CLSTMA方法在SNR＝11dB时具有同等优异的性能；另一方面，当SNR大于18dB时，提出的CLSTMA方法的性能优于STA方法。

图5描述了信噪比SNR与均方误差RMSE的关系，在不同SNR环境下，RMSE描述实际信道和预测信道之间的差值。在SNR值等于5dB之前，相较于CLSTMA方案，STA方案的NMSE性能优越。在SNR等于5dB的环境下，LS、DFT、CDP、STA以及CLSTMA算法获得的RMSE值分别为：0.21575、0.20738、0.21575、0.19689和0.20759。如果我们进一步研究SNR为26dB时的情况，STA和CDP方法的RMSE值大致相似，为0.10885，而CLSTMA方案的值为0.0936。DFT和LS方案的RMSE值分别为0.1902和0.1928。最后，研究SNR为30dB时的情况，CLSTMA的RSME值为0.0738，而CDP和STA的相应RMSE值分别为0.0991和0.1028。LS和DFT的RMSE似乎达到了约0.1904的饱和，性能没有进一步提高。该结果证明与其他传统方法相比，所提CLSTMA方法的预测性能优异。

综上所述，本发明属于预测或优化算法领域，具体涉及一种高速铁路场景下基于深度学习的信道响应预测方法。本发明研究了一种基于深度学习的信道估计器，高速铁路环境下信道在频率和时间上是动态变化的，所提出的方案CLSTMA可以使IEEE 802.11p标准的物理层结构独立于信道的性质，因此，CLSTMA方案适合于在高铁信道模型下的信道估计。通过与传统信道估计方法进行对比，分析了CLSTMA方法在高速铁路环境下的性能表现，可以看出，本发明所提方法具有更优的预测精度。

以上所述仅是一种基于深度学习的高速铁路场景信道估计方法的优选实施方式，一种基于深度学习的高速铁路场景信道估计方法的保护范围并不仅局限于上述实施例，凡属于该思路下的技术方案均属于本发明的保护范围。应当指出，对于本领域的技术人员来说，在不脱离本发明原理前提下的若干改进和变化，这些改进和变化也应视为本发明的保护范围。

Claims (9)

1.一种基于深度学习的高速铁路场景信道估计方法，其特征是：包括以下步骤：

步骤1：离散训练时，采用大量的数据样本对CLSTMA网络进行训练，使学习网络自主学习信道响应数据；

步骤2：搭建基于自注意力机制的CNN-LSTM网络结构，输入信道响应序列先经过两层卷积层的CNN网络，两个卷积层后分别接入的最大池层用于降采样，两个最大池层后均加入批归一化层、激活层以及丢弃层，经过CNN得到的结果，得到信道响应特征；

步骤3：将得到信道响应特征，放入LSTM神经元的单级LSTM层，得到每个时间步长下的信道响应预测序列；

步骤4：采用自注意力机制对所述预测的序列分配不同的权重，与当前输入值以及目标值显著参数分配权重；

步骤5：将处理后的信道响应特征序列送入全连接层，输出响应需转换为与输入响应相同的维度，得到全连接层的神经元个数和预测的信道响应；

步骤6：将预测的信道响应变换为两个矩阵作为信道响应的实部与虚部，再整合到一个维度形成最终预测的响应矩阵；

步骤7：采用ADAM算法更新网络的参数集，通过训练自适应的更新学习率，降低网络的损失值。

2.根据权利要求1所述的一种基于深度学习的高速铁路场景信道估计方法，其特征是：所述步骤1具体为：

获取训练数据集，经过CDP估计的信道响应矩阵为一个OFDM子帧大小的信道响应矩阵H∈R^T×NL，其中，一个子帧共包含T个OFDM符号，N代表OFDM子载波的数量，L为多径数，时域信道估计中L等于1；

LSTM网络需要将时序性序列作为学习网络输入，将信道响应矩阵需要变换成序列的形式进入训练网络，通过下式表示：

H＝[h₁,...,h_t,...,h_T]^T

其中，h_t∈R^NL代表第t个OFDM符号位置的信道响应；

信道响应是复数信号，在进入学习网络之前需要对信道响应数据进行预处理，提取输入数据的实部与虚部并将其整合并存储在同一序列，输入的信道响应数据变成H'∈R^T×2NL，h_t'∈R^2NL，即学习网络的输入为T个2NL列的时序性序列。

3.根据权利要求1所述的一种基于深度学习的高速铁路场景信道估计方法，其特征是：所述步骤2具体为：

信道响应数据经过预处理后首先进入CNN网络，CNN网络设计为两层卷积层与池化层的叠加，采用滑动窗口对信道序列进行卷积求和，一维CNN网络对H'进行卷积运算，变换过程表示为：

H”＝f(W*H'+b)

其中，W是可学习的滤波器，b是可学习的偏置向量，f(·)表示激活函数；

一维CNN网络的输出进入最大池层，最大池层主要用于降采样，在确保不失真的情况下对信道响应特征进行降维，通过下式表示：

h_t”＝max(h_t”)

在两个最大池化层之后分别加入批归一化层、激活层以及丢弃层，通过Leaky ReLU激活函数解决神经元不更新参数的情况。

4.根据权利要求1所述的一种基于深度学习的高速铁路场景信道估计方法，其特征是：所述步骤3具体为：LSTM网络采用前段时间的信道响应来预测当前时刻的的信道响应，并利用导频符号的信息提高信道响应预测的准确度，将得到的特征放入含有32个LSTM神经元的单级LSTM层，得到每个时间步长下的信道响应预测序列，其中，LSTM输入的信道响应h_t”，输出的信道响应h_t”'，l_j代表某一时刻LSTM隐藏层状态，通过下式表示信道响应h_t”：

h”'_t＝LSTM(l_t-1,h”_t,θ_lstm)。

5.根据权利要求1所述的一种基于深度学习的高速铁路场景信道估计方法，其特征是：所述步骤4具体为：将LSTM层作为编码器，将输入的信道响应序列编码为一组固定长度的矢量，即上下文向量，LSTM层后紧跟Self-Attention层对进行特征分析并凸显关键特征，将重要特征信息输入至全连接层处理，引入Self-Attention层；

自注意机制的计算过程包括：在所有输入信息上计算注意力分布，根据注意力分布来计算输入信息的加权平均，采用输入信息对应的概率值作为权系数，计算输入信息的加权平均，通过下式表示：

其中，上下文向量h””_t需要综合计算隐藏层信息与权重信息，α_i代表l_i的权重，即这一状态对输出结果的影响，通过下式表示α_i：

6.根据权利要求1所述的一种基于深度学习的高速铁路场景信道估计方法，其特征是：

所述步骤5具体为：将经过自注意力机制处理后的信道响应特征序列送入全连接层，输出响应需转换为与输入响应相同的维度，，全连接层的神经元个数为2NL，得到预测的信道响应

7.根据权利要求1所述的一种基于深度学习的高速铁路场景信道估计方法，其特征是：所述步骤6具体为：将

变换为两个R^NL的矩阵作为信道响应的实部与虚部，再整合到一个维度形成最终预测的响应矩阵，即

8.根据权利要求1所述的一种基于深度学习的高速铁路场景信道估计方法，其特征是：

所述步骤7具体为：采用得到的训练集对构建的网络进行训练，训练的目标是最小化实际输出值与目标值的差值，因此网络的损失函数选择均方误差MSE，通过下式表示网络的损失函数选择均方误差；

其中，整个学习网络的变换式和所有参数分别为f_est(·)、θ_est，学习网络估计得到的信道响应序列表示为

H_i ^*为监督数据，M为训练集的样本数量；

损失函数设置好后，就利用ADAM算法优化神经网络的参数，可以通过训练自适应的更新学习率，降低网络的损失值。

9.根据权利要求8所述的一种基于深度学习的高速铁路场景信道估计方法，其特征是：

训练阶段的步骤包括：构建网络，初始化i＝0，θ_est初始化为随机权重；给定训练数据H，经过预处理形成数据集H'；对损失函数利用ADAM算法更新参数θ_est；重复更新，直到i等于迭代次数。

Images