CN113422745A - 一种基于深度学习的空海无线信道估计方法 - Google Patents

Abstract

本发明提出一种基于深度学习的空海无线信道估计方法，通过搭建海上无线信道仿真平台，生成信道传输函数CTF数据；采集正交频分复用导频接收信号，计算导频位置处CTF的最小二乘估计；对CTF数据和导频位置处CTF的最小二乘估计预处理，构造训练数据集；构建高效信道估计卷积神经网络并根据训练数据集对其进行离线训练，更新高效信道估计卷积神经网络的权重参数；固化高效信道估计卷积神经网络的权重参数，并在线进行测试。本发明提出的空海无线信道估计方法，使用可训练的稀疏变换来提取信道延迟域上的稀疏特征，可降低模型参数冗余；同时，该方法还使用亚像素卷积层和裁剪层实现任意上采样因子的插值计算，可降低模型计算复杂度，打破均方误差性能瓶颈。

Description

一种基于深度学习的空海无线信道估计方法

技术领域

本发明面向海上无线通信领域，提出了一种基于深度学习的空海无线信道估 计方法。

背景技术

得益于理论研究和技术创新的持续发展，陆地无线通信经过了从第一代移动 通信技术到第五代移动通信技术的发展，给人类社会带来翻天覆地的变化。然而， 由于海洋环境复杂多变，海上无线通信的发展远滞后于陆地无线通信。如何实现 海上终端的高速数据传输、高可靠无线接入和高质量用户体验是目前通信技术面 临的挑战。

作为3GPP LTE的核心技术，正交频分复用OFDM采用了多载波并行传输机 制，具有传输速率高、带宽利用率高、抗多径干扰等优势，在陆地无线通信中得 到了广泛的应用。为了更好地实现陆地和海洋场景下通信服务的无缝对接， OFDM是海上无线通信系统发展的必然趋势。作为OFDM接收机的关键技术， 信道估计CE的好坏影响通信系统相干检测的性能。

近年来，凭借强大的特征学习能力，深度学习DL在计算机视觉、自然语言 处理等领域得到广泛的应用。与此同时，不少学者开始关注DL和无线通信的结 合，尤其是基于DL的CE方案。文献[1]M.Soltani,V.Pourahmadi,A.Mirzaei and H.Sheikhzadeh,“DeepLearning-Based Channel Estimation,”in IEEE Communications Letters,vol.23,no.4,pp.652-655,April 2019首次引入计算机视 觉领域的超分辨率网络和降噪网络来解决OFDM系统的CE问题，提出了 ChannelNet，并取得了与理想MMSE算法相当的估计性能。为了进一步降低神 经网络的计算开销，文献[2]L.Li,H.Chen,H.Chang and L.Liu,"DeepResidual Learning Meets OFDM Channel Estimation,"in IEEE WirelessCommunications Letters,vol.9,no.5,pp.615-618,May 2020提出了基于残差结构的ReEsNet，不仅 采用后上采样结构，还使用反卷积层实现可学习的上采样运算，因此取得了比 ChannelNet更优的均方误差MSE性能。此外，文献[3]X.Yi and C.Zhong,"DeepLearning for Joint Channel Estimation and Signal Detection in OFDM Systems,"in IEEE Communications Letters,vol.24,no.12,pp.2780-2784,Dec.2020提出了基 于二阶注意力网络的CENet，以提升信号检测性能。然而上述方案针对的是陆地 无线信道场景，没有结合海上无线信道特点进行定制化设计，因此存在较大的改 进空间。

发明内容

本发明为克服上述现有技术存在的技术缺陷，提供一种可降低模型参数冗 余、降低模型计算复杂度、打破MSE性能瓶颈的基于深度学习的空海无线信道 估计方法。

为解决上述技术问题，本发明的技术方案如下：

一种基于深度学习的空海无线信道估计方法，包括以下步骤：

S1：搭建海上无线信道仿真平台，生成海上无线信道传输函数CTF数据；

S2：在OFDM下行通信系统中，采集OFDM导频接收信号，计算导频位置 处CTF的最小二乘估计；

S3：对CTF数据和最小二乘估计预处理，构造海上无线信道的训练数据集；

S4：构建高效信道估计卷积神经网络并根据训练数据集对其进行离线训练， 更新高效信道估计卷积神经网络的权重参数；

S5：固化高效信道估计卷积神经网络的权重参数，对其在线进行测试，实现 对空海无线信道的估计。

上述方案中，该方法在高效信道估计卷积神经网络使用可训练的稀疏变换来 提取信道延迟域上的稀疏特征，可降低模型参数冗余；同时，在该方法在高效信 道估计卷积神经网络还使用亚像素卷积层和裁剪层实现任意上采样因子的插值 计算，可降低模型计算复杂度，打破MSE性能瓶颈。

其中，所述步骤S1具体包括以下过程：

在空海场景中，对空海信道的直射径、海面反射径以及局部散射径建模，形 成考虑地球曲率因素的三径模型，其中第三径引入随机过程来描述生灭情况；于 是，海上无线信道冲激响应CIR表示为：

h(t,τ)＝a₁(t)δ(τ-τ₁(t))+a₂(t)δ(τ-τ₂(t))+z(t)a₃(t)δ(τ-τ₃(t)) (1)

其中，a₁(t),a₂(t),a₃(t)分别表示直射径、海面反射径和局部散射径的归一化 衰落系数；τ₁(t),τ₂(t),τ₃(t)分别表示直射径、海面反射径和局部散射径的时延；z(t)是一个状态空间为{0,1}的随机过程，当局部散射径不存在时有z(t)＝0，当 局部散射径不存在时有z(t)＝1；一旦局部散射径出现，将持续出现一段时间D；

对h(t,τ)进行傅里叶变换得到CTF数据，记为

在生成H样本时 不使用固定的收发水平距离，而是在限定范围内均匀随机选择一个值作为收发水 平距离。

其中，在所述步骤S1中，还包括以下过程：

在式子(1)中，归一化衰落系数a_i(t),i＝1,2,3表示为

其中，α_i(t)表示第i条径的幅度，满足功率归一化条件；φ_i(t)是第i条径的 相位，包含多普勒频率引起的相位项。

其中，所述步骤S2具体包括以下过程：

在OFDM下行通信系统中，导频信号传输模型为：

Y_p＝H_pοX_p+V_p (3)

其中，

表示导频接收信号；

表示导频发射信号；

表示导频CTF；

表示噪声信号；通过最小化代价函数：

其中，y_p,x_p,

分别是Y_p,X_p,

按列展开的列向量；D_p＝diag(x_p)；令 (4)关于

的偏导数为0，得到

最后，把

按列优先的顺序还原成维度为N′_f×N_t′的形式，记为最小二乘估 计

其中，所述步骤S3具体包括以下过程：

把H的实部和虚部沿深度方向堆叠起来，形成

同理，把

的 实部和虚部沿深度方向堆叠起来，形成

为了提高模型在不同信 噪比SNR下的鲁棒性，按照K个dB值采集SNR的训练样本，每组训练样本由

组成，每个SNR下的训练样本数量为P，因此训练集总大小为KP。

其中，在所述步骤S3中，所述K个dB值具体为0dB、10dB和20dB；所 述训练样本数量P为5000；所述训练集总大小为15000。

其中，在所述步骤S4中，所述构建高效信道估计卷积神经网络ECECNN的 过程具体为：

所述ECECNN由特征提取模块和上采样模块两部分构成；由于

在时延 域上具有稀疏性，因此特征提取模块使用n_STU个稀疏变换单元STU；于是，STU 的等效矩阵形式为

STU(x)＝AReLU(Bx) (6)

其中，矩阵A和B分别表示两个卷积算子；

对于上采样模块，ECECNN采用后上采样的结构，只在模型末端进行上 采样，上采样方法选择亚像素卷积，频域和时域的上采样因子分别设为：

接着采用裁剪层保证输出维度为N_f×N_t×2；不失一般性，裁剪层使用中 心裁剪方法；在ECECNN中，所有卷积核的尺寸均设置为3×3，除亚像素卷 积外其余卷积核数目均设置为64，而亚像素卷积的卷积核数目设为2r_fr_t。

其中，在所述步骤S4中，所述STU由两层不带偏置项的卷积层组成，其 中第一层卷积层使用ReLU作为激活函数，而第二层不使用激活函数。

其中，在所述步骤S4中，所述离线训练ECECNN过程具体为：

通过误差反向传播算法更新ECECNN的权重参数，ECECNN通过最小化 损失函数实现离线训练，损失函数定义如下

其中，

表示ECECNN的输出；B表示批量训练数据集，批量大小为|B|。 将

作为ECECNN的输入信息，H作为监督ECECNN输出

的标签信息， 通过误差反向传播算法更新ECECNN的权重参数以最小化损失函数λ。

其中，所述步骤S5具体包括以下步骤：

当ECECNN训练完毕，权重参数不再更新，即固化权重参数；在线测试时 计算导频CTF的LS估计作为ECECNN模型的输入，输出

即为CTF估计值。

与现有技术相比，本发明技术方案的有益效果是：

本发明提出一种基于深度学习的空海无线信道估计方法，该方法在高效信道 估计卷积神经网络使用可训练的稀疏变换来提取信道延迟域上的稀疏特征，可降 低模型参数冗余；同时，在该方法在高效信道估计卷积神经网络还使用亚像素卷 积层和裁剪层实现任意上采样因子的插值计算，可降低模型计算复杂度，打破 MSE性能瓶颈。

附图说明

图1为本发明所述方法的流程示意图；

图2为本发明一实施例中ECECNN网络结构示意图；

图3为本发明一实施例中不同CE算法的MSE和BER性能对比图；

图4为本发明一实施例中导频图案。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实 际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理 解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

如图1所示，一种基于深度学习的空海无线信道估计方法，包括以下步骤：

S1：搭建海上无线信道仿真平台，生成海上无线信道传输函数CTF数据；

S2：在OFDM下行通信系统中，采集OFDM导频接收信号，计算导频位置 处CTF的最小二乘估计；

S3：对CTF数据和最小二乘估计预处理，构造海上无线信道的训练数据集；

S4：构建高效信道估计卷积神经网络并根据训练数据集对其进行离线训练， 更新高效信道估计卷积神经网络的权重参数；

S5：固化高效信道估计卷积神经网络的权重参数，对其在线进行测试，实现 对空海无线信道的估计。

在具体实施过程中，该方法在高效信道估计卷积神经网络使用可训练的稀疏 变换来提取信道延迟域上的稀疏特征，可降低模型参数冗余；同时，在该方法在 高效信道估计卷积神经网络还使用亚像素卷积层和裁剪层实现任意上采样因子 的插值计算，可降低模型计算复杂度，打破MSE性能瓶颈。

更具体的，所述步骤S1具体包括以下过程：

在空海场景中，对空海信道的直射径、海面反射径以及局部散射径建模，形 成考虑地球曲率因素的三径模型，其中第三径引入随机过程来描述生灭情况；于 是，海上无线信道冲激响应CIR表示为：

h(t,τ)＝a₁(t)δ(τ-τ₁(t))+a₂(t)δ(τ-τ₂(t))+z(t)a₃(t)δ(τ-τ₃(t)) (1)

其中，a₁(t),a₂(t),a₃(t)分别表示直射径、海面反射径和局部散射径的归一化 衰落系数；τ₁(t),τ₂(t),τ₃(t)分别表示直射径、海面反射径和局部散射径的时延； z(t)是一个状态空间为{0,1}的随机过程，当局部散射径不存在时有z(t)＝0，当 局部散射径不存在时有z(t)＝1；一旦局部散射径出现，将持续出现一段时间D；

对h(t,τ)进行傅里叶变换得到CTF数据，记为

在生成H样本时 不使用固定的收发水平距离，而是在限定范围内均匀随机选择一个值作为收发水 平距离。

更具体的，在所述步骤S1中，还包括以下过程：

在式子(1)中，归一化衰落系数a_i(t),i＝1,2,3表示为

其中，α_i(t)表示第i条径的幅度，满足功率归一化条件；φ_i(t)是第i条径的 相位，包含多普勒频率引起的相位项。

其中，所述步骤S2具体包括以下过程：

在OFDM下行通信系统中，导频信号传输模型为：

Y_p＝H_pοX_p+V_p (3)

其中，

表示导频接收信号；

表示导频发射信号；

表示导频CTF；

表示噪声信号；通过最小化代价函数：

其中，y_p,x_p,

分别是Y_p,X_p,

按列展开的列向量；D_p＝diag(x_p)；令 (4)关于

的偏导数为0，得到

最后，把

按列优先的顺序还原成维度为N′_f×N′_t的形式，记为最小二乘估 计

更具体的，所述步骤S3具体包括以下过程：

把H的实部和虚部沿深度方向堆叠起来，形成

同理，把

的 实部和虚部沿深度方向堆叠起来，形成

为了提高模型在不同信 噪比SNR下的鲁棒性，按照K个dB值采集SNR的训练样本，每组训练样本由

组成，每个SNR下的训练样本数量为P，因此训练集总大小为KP。

更具体的，在所述步骤S3中，所述K个dB值具体为0dB、10dB和20dB； 所述训练样本数量P为5000；所述训练集总大小为15000。

更具体的，如图2所示，在所述步骤S4中，所述构建高效信道估计卷积神 经网络ECECNN的过程具体为：

所述ECECNN由特征提取模块和上采样模块两部分构成；由于

在时延 域上具有稀疏性，因此特征提取模块使用n_STU个稀疏变换单元STU；于是，STU 的等效矩阵形式为

STU(x)＝AReLU(Bx) (6)

其中，矩阵A和B分别表示两个卷积算子；

对于上采样模块，ECECNN采用后上采样的结构，只在模型末端进行上 采样，上采样方法选择亚像素卷积，频域和时域的上采样因子分别设为：

接着采用裁剪层保证输出维度为N_f×N_t×2；不失一般性，裁剪层使用中 心裁剪方法；在ECECNN中，所有卷积核的尺寸均设置为3×3，除亚像素卷 积外其余卷积核数目均设置为64，而亚像素卷积的卷积核数目设为2r_fr_t。

在具体实施过程中，特征提取模块使用可训练的稀疏变换来提取信道延迟 域上的稀疏特征，可降低模型参数冗余；上采样模块使用亚像素卷积层和裁剪 层实现任意上采样因子的插值计算，可降低模型计算复杂度，打破MSE性能 瓶颈。

更具体的，在所述步骤S4中，所述STU由两层不带偏置项的卷积层组成， 其中第一层卷积层使用整流线性单元ReLU作为激活函数，而第二层不使用激 活函数。

更具体的，在所述步骤S4中，所述离线训练ECECNN过程具体为：

通过误差反向传播算法更新ECECNN的权重参数，ECECNN通过最小化 损失函数实现离线训练，损失函数定义如下

其中，

表示ECECNN的输出；B表示批量训练数据集，批量大小为|B|。 将

作为ECECNN的输入信息，H作为监督ECECNN输出

的标签信息， 通过误差反向传播算法更新ECECNN的权重参数以最小化损失函数λ。

更具体的，所述步骤S5具体包括以下步骤：

当ECECNN训练完毕，权重参数不再更新，即固化权重参数；在线测试时 计算导频CTF的LS估计作为ECECNN模型的输入，输出

即为CTF估计值。

实施例2

更具体的，在实施例1的基础上，为更充分地阐述本发明所具有的有益效果， 以下结合一个具体实施例的仿真分析及结果，进一步对本发明的有效性和先进性 予以说明。

本方案考虑一个基于OFDM的下行空海通信系统，采用LTE下行导频图案， 即格状导频。在信道仿真平台中，发射天线高度为800m，接收天线高度为10m， 飞行器与船的相对速度为50km/h，收发机最小水平距离为1km，最大水平距离 为30km。在模型测试阶段，收发机水平距离固定在10km。系统采用2GHz载波 频率，带宽为1.4MHz，常规CP子帧格式，子帧内子载波个数为72，OFDM符 号个数为14，调制方式为16-QAM。训练采用的批大小为128，时期数为100， 学习率为0.001，优化器为Adam[4]I.Goodfellow,Y.Bengio,and A.Courville,Deep learning.Cambridge,MA,USA:MIT press,2016。ECECNN的STU个数n_STU默认 设为4。

图3对比了不同CE算法的MSE和误比特率BER性能，其中导频图案如图 4所示，此时导频数量为48，上采样因子为{6，3.5}。由图3(a)可知，本发明 提出的ECECNN在SNR小于8dB时MSE最小，在低SNR区域仍能较好地估 计信道。随着SNR的逐渐增加，虽然ECECNN不如已知理想信道先验信息的最 小均方误差LMMSE算法，但是仍能取得比其他CE算法更好的MSE性能。由 图3(b)可知，当BER为10^-4时，ECECNN与信道估计网络ChannelNet相比 有约1dB的SNR增益，这说明ECECNN能给空海CE带来BER性能增益。

此外，表1对比了具有不同n_STU的ECECNN和ChannelNet的浮点运算数 (FLOPs)和参数数量。当n_STU分别为1、2、4、8时，ECECNN的FLOPs约为 ChannelNet的0.23％、0.49％、1.01％和2.06％，参数量约为9.68％、20.55％、42.27％ 和85.73％。由此可见，ECECNN极大降低了模型的计算复杂度，同时一定程度 降低了模型的空间复杂度。

表1：ECECNN和ChannelNet的复杂度

方案	FLOPs	参数量
			ECECNN-1	6.31×10<sup>6</sup>	6.57×10<sup>4</sup>
ECECNN-2	1.34×10<sup>7</sup>	1.39×10<sup>5</sup>
			ECECNN-4	2.75×10<sup>7</sup>	2.87×10<sup>5</sup>
ECECNN-8	5.59×10<sup>7</sup>	5.82×10<sup>5</sup>
			ChannelNet	2.72×10<sup>9</sup>	6.79×10<sup>5</sup>

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。对于所属领域的普通技术人员来说，在上述说明 的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施 方式予以穷举。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)

1.一种基于深度学习的空海无线信道估计方法，其特征在于，包括以下步骤：

S1：搭建海上无线信道仿真平台，生成海上无线信道传输函数CTF数据；

S2：在OFDM下行通信系统中，采集OFDM导频接收信号，计算导频位置处CTF的最小二乘估计；

S3：对CTF数据和最小二乘估计预处理，构造海上无线信道的训练数据集；

S4：构建高效信道估计卷积神经网络并根据训练数据集对其进行离线训练，更新高效信道估计卷积神经网络的权重参数；

S5：固化高效信道估计卷积神经网络的权重参数，对其在线进行测试，实现对空海无线信道的估计。

2.根据权利要求1所述的一种基于深度学习的空海无线信道估计方法，其特征在于，所述步骤S1具体包括以下过程：

在空海场景中，对空海信道的直射径、海面反射径以及局部散射径建模，形成考虑地球曲率因素的三径模型，其中第三径引入随机过程来描述生灭情况；于是，海上无线信道冲激响应CIR表示为：

h(t,τ)＝a₁(t)δ(τ-τ₁(t))+a₂(t)δ(τ-τ₂(t))+z(t)a₃(t)δ(τ-τ₃(t)) (1)

其中，a₁(t),a₂(t),a₃(t)分别表示直射径、海面反射径和局部散射径的归一化衰落系数；τ₁(t),τ₂(t),τ₃(t)分别表示直射径、海面反射径和局部散射径的时延；z(t)是一个状态空间为{0,1}的随机过程，当局部散射径不存在时有z(t)＝0，当局部散射径不存在时有z(t)＝1；一旦局部散射径出现，将持续出现一段时间D；

对h(t,τ)进行傅里叶变换得到CTF数据，记为

在生成H样本时不使用固定的收发水平距离，而是在限定范围内均匀随机选择一个值作为收发水平距离。

3.根据权利要求2所述的一种基于深度学习的空海无线信道估计方法，其特征在于，在所述步骤S1中，还包括以下过程：

在式子(1)中，归一化衰落系数a_i(t),i＝1,2,3表示为

其中，α_i(t)表示第i条径的幅度，满足功率归一化条件；φ_i(t)是第i条径的相位，包含多普勒频率引起的相位项。

4.根据权利要求3所述的一种基于深度学习的空海无线信道估计方法，其特征在于，所述步骤S2具体包括以下过程：

在OFDM下行通信系统中，导频信号传输模型为：

Y_p＝H_pοX_p+V_p (3)

其中，

表示导频接收信号；

表示导频发射信号；

表示导频CTF；

表示噪声信号；通过最小化代价函数：

其中，y_p,x_p,

分别是Y_p,X_p,

按列展开的列向量；D_p＝diag(x_p)；令(4)关于

的偏导数为0，得到

最后，把

按列优先的顺序还原成维度为N′_f×N′_t的形式，记为最小二乘估计

5.根据权利要求4所述的一种基于深度学习的空海无线信道估计方法，其特征在于，所述步骤S3具体包括以下过程：

把H的实部和虚部沿深度方向堆叠起来，形成

同理，把

的实部和虚部沿深度方向堆叠起来，形成

为了提高模型在不同信噪比SNR下的鲁棒性，按照K个dB值采集SNR的训练样本，每组训练样本由

组成，每个SNR下的训练样本数量为P，因此训练集总大小为KP。

6.根据权利要求5所述的一种基于深度学习的空海无线信道估计方法，其特征在于，在所述步骤S3中，所述K个dB值具体为0dB、10dB和20dB；所述训练样本数量P为5000；所述训练集总大小为15000。

7.根据权利要求5所述的一种基于深度学习的空海无线信道估计方法，其特征在于，在所述步骤S4中，所述构建高效信道估计卷积神经网络ECECNN的过程具体为：

所述ECECNN由特征提取模块和上采样模块两部分构成；由于

在时延域上具有稀疏性，因此特征提取模块使用n_STU个稀疏变换单元STU；于是，STU的等效矩阵形式为

STU(x)＝AReLU(Bx) (6)

其中，矩阵A和B分别表示两个卷积算子；

对于上采样模块，ECECNN采用后上采样的结构，只在模型末端进行上采样，上采样方法选择亚像素卷积，频域和时域的上采样因子分别设为：

接着采用裁剪层保证输出维度为N_f×N_t×2；不失一般性，裁剪层使用中心裁剪方法；在ECECNN中，所有卷积核的尺寸均设置为3×3，除亚像素卷积外其余卷积核数目均设置为64，而亚像素卷积的卷积核数目设为2r_fr_t。

8.根据权利要求7所述的一种基于深度学习的空海无线信道估计方法，其特征在于，在所述步骤S4中，所述STU由两层不带偏置项的卷积层组成，其中第一层卷积层使用ReLU作为激活函数，而第二层不使用激活函数。

9.根据权利要求7所述的一种基于深度学习的空海无线信道估计方法，其特征在于，在所述步骤S4中，所述离线训练ECECNN过程具体为：

通过误差反向传播算法更新ECECNN的权重参数，ECECNN通过最小化损失函数实现离线训练，损失函数定义如下

其中，

表示ECECNN的输出；B表示批量训练数据集，批量大小为|B|。将

作为ECECNN的输入信息，H作为监督ECECNN输出

的标签信息，通过误差反向传播算法更新ECECNN的权重参数以最小化损失函数λ。

10.根据权利要求9所述的一种基于深度学习的空海无线信道估计方法，其特征在于，所述步骤S5具体包括以下步骤：

当ECECNN训练完毕，权重参数不再更新，即固化权重参数；在线测试时计算导频CTF的LS估计作为ECECNN模型的输入，输出

即为CTF估计值。

Images