CN113572708B - 一种dft信道估计改进方法 - Google Patents
一种dft信道估计改进方法 Download PDFInfo
- Publication number
- CN113572708B CN113572708B CN202110733476.6A CN202110733476A CN113572708B CN 113572708 B CN113572708 B CN 113572708B CN 202110733476 A CN202110733476 A CN 202110733476A CN 113572708 B CN113572708 B CN 113572708B
- Authority
- CN
- China
- Prior art keywords
- training
- channel estimation
- noise
- multipath
- neural 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000006872 improvement Effects 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 146
- 238000013528 artificial neural network Methods 0.000 claims abstract description 50
- 238000001914 filtration Methods 0.000 claims abstract description 35
- 238000003062 neural network model Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 67
- 210000002569 neuron Anatomy 0.000 claims description 53
- 238000004364 calculation method Methods 0.000 claims description 27
- 125000004122 cyclic group Chemical group 0.000 claims description 22
- 238000012886 linear function Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000000926 separation method Methods 0.000 claims description 13
- 238000012417 linear regression Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000009827 uniform distribution Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 14
- 238000013135 deep learning Methods 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 16
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- 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
- H04L27/2647—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Noise Elimination (AREA)
Abstract
本发明属于通信技术领域,公开了一种DFT信道估计改进方法,所述DFT信道估计改进方法包括:构建神经网络模型;获取神经网络训练数据集;对数据集进行预处理;对训练数据集进行离线训练;将接收端的数据输入到经过离线训练之后的最优网络模型,获取数据中心实际多径位置参数;根据获取的多径位置参数滤除非多径位置上的噪声;将滤除噪声后的信息进行离散傅里叶变换,得到频域估计信息,完成信道估计。本发明将深度学习的神经网络与传统的DFT信道估计方案相结合,即在传统的DFT信道估计方案过程中,利用神经网络来识别真实多径位置参数信息,滤除非多径位置上的噪声,提高信道估计的性能,可用于正交频分复用技术的信道估计。
Description
技术领域
本发明属于通信技术领域,尤其涉及一种DFT信道估计改进方法。
背景技术
目前,进入2020年5G元年之后,建立数据高可靠低时延传输系统对人们的日常需求更加重要,而传统的通信方案在使用框架结构处理海量信息方面有本质限制,导致其在吞吐量和传输可靠性方面不足以支撑未来的通信方式,面对未来的6G系统更将加剧这类限制的程度。
另一方面,随着近几年技术的发展,以及机器学习在日常生活中各个方面的应用,特别是深度学习在智慧城市建设等领域(交通、安保、信息识别等)中取得了巨大成功,无线通信领域的学者们期待将其引入系统中的各个方面,进而为未来通信系统提供一种新的方案:智能通信,实现真正意义上的万物互联,满足人们对数据传输速率随业务而不断增加的需求。Ye H等学者在“IEEE Wireless Communication Letters,2017,PP(99):114-117.”上发表论文“Power of Deep Learning for Channel Estimation and Signal Detectionin OFDM Systems.”利用深度学习的方法隐式估计CSI并直接将信号恢复出来,在系统的性能上得到了提升,说明了深度学习在通信方面应用的可行性。
无线信道环境是动态的、且具有不可预测性的特征,这对信道估计的准确性带了来挑战,GuF等学者在“IEEE Access,2019,PP(99):1-1”上发表论文“AUniversal ChannelEstimation Algorithm Based on DFT Smoothing Filtering”对传统的DFT信道估计算法进行改进,该方案通过在频域给信道状态信息加窗处理,然后通过离散傅里叶逆变换将频域信息转换为时域信息进行处理。该算法在传统的DFT算法上有一定的提升,但是随着信噪比增大,由于加窗处理会降低系统的性能。
由于深度学习有着非常强大的功能来拟合数据中的非线性关系,特别是其中的神经网络,而将神经网络应用到OFDM系统中,对信道进行预测可以带来性能上的提升,使通信系统变得更加智能,由西安电子科技大学韩竞宇发表的专利“基于神经网络的变换域自适应滤波信道估计方法:CN202010429993.X[P].2020-08-31.”,其利用神经网络来估计时域信息的最大时延位置,但其未考虑最大多径时延位置以内的噪声对信道估计的影响,性能有一定的提升,但在低信噪比下其性能与传统的DFT信道估计性能接近,需进一步改进。
通过上述分析,现有技术存在的问题及缺陷为:
(1)传统的通信方案在使用框架结构处理海量信息方面有本质限制,导致其在吞吐量和传输可靠性方面不足以支撑未来的通信方式,面对未来的6G系统更将加剧这类限制的程度。
(2)现有对传统DFT信道估计算法进行改进的方案中,随着信噪比增大,由于加窗处理会降低系统的性能。
(3)现有基于神经网络的信道估计方法,未考虑最大多径时延位置以内的噪声对信道估计的影响,性能有一定的提升,但在低信噪比下其性能与传统的DFT信道估计性能接近,需进一步改进。
解决以上问题及缺陷的难度为:
传统算法主要思想是尽可能减少信道时域响应非多径位置处的噪声,以降低其对频域状态响应的影响,但其由于利用现有的算法不能准确识别多径位置信息,进而降低信道估计的性能。
解决以上问题及缺陷的意义为:
可以准确计算信道时域状态信息的多径位置,以提高信道估计的性能,进而提高通信系统的可靠性和稳定性。
发明内容
针对现有技术存在的问题,本发明提供了一种DFT信道估计改进方法,尤其涉及一种基于深度学习的DFT信道估计改进方法,旨在解决传统的DFT信道估计算法将循环前缀长度当做截取大小长度,不能滤除循环前缀内非多径位置上噪声的问题。
本发明是这样实现的,一种DFT信道估计改进方法,所述DFT信道估计改进方法包括以下步骤:
步骤一,构建神经网络模型,以优化节省模型的训练时间;
步骤二,获取神经网络训练数据集;
步骤三,对数据集进行预处理,提高数据的可信度,以提升线下训练的性能,进而增加模型的可靠性;
步骤四,对训练数据集进行离线训练;
步骤五,将接收端的数据输入到经过离线训练之后的最优网络模型,获取数据中实际多径位置参数;
步骤六,根据获取的多径位置参数滤除非多径位置上的噪声;
步骤七,将滤除噪声后的信息进行离散傅里叶变换,得到频域估计信息,完成信道估计。
进一步,步骤一中,所述神经网络模型,包括输入层、第一层隐藏层、第二层隐藏层、第三层隐藏层以及输出层,相邻两层之间的连接方式采用全连接的形式,即上一层每个神经元节点与本层每个神经元节点两两连接。
所述神经网络模型的各层参数,包括:
其中,i=1,2,3,...,n1,n1=128;σ1(·)为线性函数,该层使用Linear函数进行线性运算。
其中,j=1,2,3,...,n2,n2=256;σ2(·)为线性函数,该层使用ReLU函数,采用多元线性回归函数Linear;所述ReLU函数的公式为:
其中,l=1,2,3,…,n3,n2=512;σ3(·)为线性函数,该层使用Tanh激活函数,采用多元线性回归函数Linear;所述Tanh函数的公式为:
其中,k=1,2,3,...,n4,n2=256;σ4(·)为线性函数,该层使用ReLU激活函数,采用多元线性回归函数Linear;所述ReLU函数的公式为:
使用Dropout函数防止过拟合。
所述神经网络模型中的两个参数集,包括:
进一步,步骤二中,所述获取神经网络训练数据集,包括:
(1)设定一个任意的典型多径信道环境,根据最大多径时延和系统采样率设计循环前缀长度以及帧格式;
选择一个典型的多径信道模型,根据多径信道模型设计多径在时域脉冲响应中的位置,设置根据多径模型中最大时延参数设置循环前缀长度,并设计帧格式;所述循环前缀长度为128。
随机选取信噪比,表示该多径信道中添加的高斯白噪声功率大小,选取的信噪比为15dB。
(2)发送信号经过多径信道后得到数据R,R为未添加噪声的接收信号;将R信号添加高斯白噪声,形成接收端接收信息RNoise;对接收端接收的数据R和RNoise进行导频分离;
进行导频分离时,在导频信号的循环前缀内随机选取一点当做帧头,进行导频分离;在导频分离后,将未添加噪声的接收信号R和添加噪声的接收信号RNoise分别进行最小二乘估计LS,得到理想的信道频域估计值HIdea(n)和加噪的新到频域估计信息HLs(n),公式为:
其中,HIdea(n)为最佳信道估计状态信息,Xpilot(n)为已知的发送导频,RNoisepilot(n)为接收导频,Rpilot(n)为未添加噪声的接收导频。
(3)对频域信道估计向量HLs(n)和HIdea(n)分别进行离散傅里叶逆变换IDFT,得到多径信道的时域估计信息hLs(n)和hIdea(n),公式为:
其中,N=1024。
(4)对时域信道估计信息hLs(n)和hIdea(n)进行预处理,即取模值,公式为:
hLs_abs(m)=|hLs(m)|;
hIdea_abs(m)=|hIdea(m)|;
其中,n=1,2,3,...,128;
对hIdea_abs(n)处理规则如下:设置阈值为0.0001,将hIdea_abs(n)中小于阈值的位置信息全均置为0,得到h'Idea_abs(n);获取中非0位置信息P,得到hLs_abs(n)中位置为P的信息构成h'Ls_abs(n)。
(5)以hLs_abs(n)为训练数据,h'Ls_abs(n)为训练标签,构成一个训练样本。
(6)重复步骤(2)至步骤(6)共Nsum次,获得包含Nsum组训练样本的训练数据集。
进一步,步骤四中,所述对训练数据集进行离线训练,包括:
(1)进行离线训练时,将包含Nsum组训练样本数据的训练集分为训练集合和测试集合两部分;其中Ntrain组作为训练集合,剩余的Ntest组作为测试集,Nsum=Ntrain+Ntest。
(2)选择损失函数J,所述损失函数选取为L2范数损失函数,公式为:
(3)采用随机梯度下降法对神经网络进行训练。
进一步,步骤(3)中,所述采用随机梯度下降法对神经网络进行训练,包括:
1)初始化神经网络:从[0,1]均匀分布中的随机数中选取权重参数集W和偏置参数集B,设置一个损失函数阈值JMLoss以及最大迭代次数值Num;
2)一次选取训练集中128个样本,分别带入到神经网络模型中,经过训练得到128个样本的输出值;
5)进行反向传播训练,更新权重数据集合W和偏置数据集合B;
6)重复步骤2)到步骤5)直到训练集中所有数据都被训练完一遍,则完成一轮训练;
7)重复步骤2)到步骤7)直到损失函数满足步骤4)或达到最大训练次数,即停止训练,得到最优训练模型。
进一步,步骤七中,所述信道估计,包括:
(1)在接收端获取频域接收信号,进行最小二乘信道估计,得到频域估计向量HLs(n)公式为:
其中,Xpilot(n)为已知的发送导频,RNoisepilot(n)为接收导频。
(2)对频域信道估计向量HLs(n)进行离散傅里叶逆变换,得到时域估计向量hLs(n):
其中,N=1024。
(3)对时域信道估计信息hLs(n)进行预处理,即取模值,公式为:
hLs_abs(m)=|hLs(m)|;
其中,n=1,2,3...128,将作为输入数据输入到训练好的神经网络模型中,得到输出结果h'Ls_abs(m)。
(4)对h'Ls_abs(m)进行处理,设定阈值0.001,将大于0.001位置处的数据保留,即多径位置出的信信,记录其位置向量P;保留时域状态信息hLs(P),将其余位置置为0,得到滤除噪声后的时域信道估计向量h'Ls(m)。
(5)对滤除噪声后的时域信道估计向量h'Ls(m)进行离散傅里叶变换,得到滤除噪声后的频域信道估计向量HNN_DFT:
其中,N=1024。
本发明的另一目的在于提供一种应用所述的DFT信道估计改进方法的DFT信道估计改进系统,所述DFT信道估计改进系统包括:
网络模型构建模块,用于构建神经网络模型;
数据集获取模块,用于获取神经网络训练数据集;
数据集预处理模块,用于对数据集进行预处理;
离线训练模块,用于对训练数据集进行离线训练;
参数获取模块,用于将接收端的数据输入到经过离线训练之后的最优网络模型,获取数据中心实际多径位置参数;
噪声滤除模块,用于根据获取的多径位置参数滤除非多径位置上的噪声;
信道估计模块,用于将滤除噪声后的信息进行离散傅里叶变换,得到频域估计信息,完成信道估计。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
构建神经网络模型;获取神经网络训练数据集;对神经网络训练数据集进行预处理;对神经网络训练数据集进行离线训练;将接收端的数据输入到经过离线训练之后的最优网络模型,获取数据中心实际多径位置参数;根据获取的多径位置参数滤除非多径位置上的噪声;将滤除噪声后的信息进行离散傅里叶变换,得到频域估计信息,完成信道估计。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
构建神经网络模型;获取神经网络训练数据集;对神经网络训练数据集进行预处理;对神经网络训练数据集进行离线训练;将接收端的数据输入到经过离线训练之后的最优网络模型,获取数据中心实际多径位置参数;根据获取的多径位置参数滤除非多径位置上的噪声;将滤除噪声后的信息进行离散傅里叶变换,得到频域估计信息,完成信道估计。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端用于实现所述的DFT信道估计改进系统。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明提供的DFT信道估计改进方法,在传统的信道估计方法上,加入深度学习的概念,根据信道中时域信息的特征去识别真实多径位置参数,滤除更多的噪声,能获得真实信道环境中时域多径位置的信息,相比于传统的算法滤除了更多的噪声,提高信道估计的准确性,可用于正交频分复用(OFDM)技术的信道估计。
本发明将深度学习的神经网络与传统的DFT信道估计方案相结合,即在传统的DFT信道估计方案过程中,利用神经网络来识别真实多径位置参数信息,从而滤除非多径位置上的噪声,提高信道估计的性能。
本发明提供的基于深度学习的DFT信道估计改进算法与现有技术比较,针对特定真实环境中,在接收端由于噪声的影响造成同步位置不同的情况,去寻找最佳的时域多径位置信息,能够滤除更多的噪声信息,从而提升系统的性能。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述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是本发明实施例提供的DFT信道估计改进方法流程图。
图2是本发明实施例提供的DFT信道估计改进方法原理图。
图3是本发明实施例提供的DFT信道估计改进系统结构框图;
图中:1、网络模型构建模块;2、数据集获取模块;3、数据集预处理模块;4、离线训练模块;5、参数获取模块;6、噪声滤除模块;7、信道估计模块。
图4是本发明实施例提供的构建的神经网络结构图。
图5是本发明实施例提供的与传统的改进DFT信道估计方案的误码率性能对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种DFT信道估计改进方法,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的DFT信道估计改进方法包括以下步骤:
S101,构建神经网络模型;
S102,构建神经网络训练的数据集;
S103,对数据集进行预处理;
S104,对训练数据集进行离线训练;
S105,将接收端的数据输入到经过离线训练之后的最优网络模型,获取数据中心实际多径位置参数;
S106,根据获取的多径位置参数滤除非多径位置上的噪声;
S107,将滤除噪声后的信息进行离散傅里叶变换,得到频域估计信息,完成信道估计。
本发明实施例提供的DFT信道估计改进方法原理图如图2所示。
如图3所示,本发明实施例提供的DFT信道估计改进系统包括:
网络模型构建模块1,用于构建神经网络模型;
数据集获取模块2,用于获取神经网络训练数据集;
数据集预处理模块3,用于对数据集进行预处理;
离线训练模块4,用于对训练数据集进行离线训练;
参数获取模块5,用于将接收端的数据输入到经过离线训练之后的最优网络模型,获取数据中心实际多径位置参数;
噪声滤除模块6,用于根据获取的多径位置参数滤除非多径位置上的噪声;
信道估计模块7,用于将滤除噪声后的信息进行离散傅里叶变换,得到频域估计信息,完成信道估计。
下面结合具体实施例对本发明的技术方案作进一步描述。
实施例1
参照图2,本实例实现步骤如下:
步骤1,构建神经网络模型:
1.1)神经网络模型:
参照图4,本步骤提供的神经网络模型主要包含5层,分别为:输入层、第一层隐藏层、第二层隐藏层、第三层隐藏层以及输出层,相邻两层之间的连接方式采用全连接的形式,即上一层每个神经元节点与本层每个神经元节点两两连接。
1.2)各层参数介绍:
其中,i=1,2,3,…,n1,n1=128。σ1(·)为线性函数,该层使用Linear函数,进行线性运算。
其中,j=1,2,3,…,n2,n2=256;σ2(·)为线性函数,该层使用ReLU函数,其公式为:
其中,l=1,2,3,…,n3,n2=512;σ3(·)为线性函数,该层使用Tanh函数,其公式为:
其中,k=1,2,3,…,n4,n2=256;σ4(·)为线性函数,该层使用ReLU函数,其公式为:
1.3)神经网络中的两个参数集:
步骤2,获取训练数据集:
2.1)选择一个典型的多径信道模型:
根据多径信道模型设计多径在时域脉冲响应中的位置,设置根据多径模型中最大时延参数设置循环前缀长度,本发明设为128,然后设计帧格式。
随机选取信噪比,表示该多径信道中添加的高斯白噪声功率大小,本步骤选取的信噪比为15dB;
2.2)发送信号经过多径信道之后得到数据R,R为未添加噪声的接收信号,然后将R信号加入噪声,得到数据RNoise,进行导频分离时,为了防止过拟合,在循环前缀内随机选取一点当做帧头,进行导频分离。在导频分离之后,将未添加噪声的接收信号R和添加噪声的接收信号RNoise进行最小二乘估计LS,得到频域信道估计信息HLs(n)和HIdea(n),其中HIdea(n)为最佳信道估计状态信息。两者的公式为:
其中,Xpilot(n)为已知的发送导频,RNoisepilot(n)为接收导频,Rpilot(n)为未添加噪声的接收导频;
2.3)对频域信道估计向量HLs(n)和HIdea(n)进行离散傅里叶逆变换得到时域估计信息hLs(n)和hIdea(n),公式为:
其中,N=1024;
2.4)对时域信道估计信息hLs(n)和hIdea(n)进行预处理,即取模值,公式为:
hLs_abs(m)=|hLs(m)|;
hIdea_abs(m)=|hIdea(m)|;
其中,n=1,2,3,...,128;
对hIdea_abs(n)处理规则如下:对hIdea_abs(n)处理规则如下:设置阈值为0.0001,将hIdea_abs(n)中小于阈值的位置信息全均置为0,得到h'Idea_abs(n),获取中非0位置信息P,得到hLs_abs(n)中位置为P的信息构成h'Ls_abs(n)。
2.5)以hLs_abs(n)为训练数据,h'Ls_abs(n)为训练标签,构成一个训练样本;
2.6)重复2.2)到2.6)共Nsum次,获得包含Nsum组训练样本的训练数据集。
步骤3,将数据集代入已经搭好的神经网络进行离线训练:
3.1)将包含Nsum组训练样本数据的训练集进行离线训练时,将其分为训练集合和测试集合两部分,其中Ntrain组作为训练集合,剩余的Ntest组作为测试集,本实例中Ntrain=80000,Ntest=20000;
3.2)选择损失函数J,本实例中损失函数选取为L2范数损失函数,公式为:
3.3)采用随机梯度下降法对神经网络进行训练:
3.3.1)初始化神经网络:从[0,1]均匀分布中的随机数中选取权重参数集W和偏置参数集B,设置一个损失函数阈值JMLoss以及最大迭代次数值Num。
3.3.2)一次选取训练集中128个样本,分别带入到神经网络模型中,经过训练得到128个样本的输出值;
3.3.4)3.3.3)计算得到的损失函数平均值与3.3.1中设定的阈值相比较,如果,则训练完成,否则,执行3.3.5);
3.3.5)进行反向传播训练,更新权重数据集合W和偏置数据集合B。
3.3.6)重复3.3.2)到3.3.5)直到训练集中所有数据都被训练完一遍,则完成一轮训练;
3.3.7)重复3.3.2)到3.3.7)直到损失函数满足3.3.4)或达到最大训练次数,即停止训练,得到最优训练模型。
步骤4,利用步骤3中最优的训练神经网络模型进行信道估计
4.1)在接收端获取频域接收信号,进行最小二乘信道估计,得到频域估计向量HLs(n)公式为:
式中,Xpilot(n)为已知的发送导频,RNoisepilot(n)为接收导频;
4.2)对频域信道估计向量HLs(n)进行离散傅里叶逆变换,得到时域估计向量hLs(n):
其中,N=1024;
4.3)对时域信道估计信息hLs(n)进行预处理,即取模值,公式为:
hLs_abs(m)=|hLs(m)|;
其中,n=1,2,3...128,将作为输入数据输入到训练好的神经网络模型中,得到输出结果h'Ls_abs(m);
4.4)对h'Ls_abs(m)进行处理,设定阈值0.001,将大于0.001位置处的数据保留,即多径位置出的信信,记录其位置向量P。保留时域状态信息hLs(P),将其余位置置为0,得到滤除噪声后的时域信道估计向量h'Ls(m);
4.5)对滤除噪声后的时域信道估计向量h'Ls(m)进行离散傅里叶变换,得到滤除噪声后的频域信道估计向量HNN_DFT:
其中,N=1024。
至此,完成信道估计。
实施例2
一种基于深度学习的DFT信道估计改进算法,包括:
1)搭建一个包括输入层、三层隐藏层和输出层的神经网络模型,且相邻两层之间采用全连接的方式连接;
2)设定一个任意的典型多径信道环境,根据最大多径时延和系统采样率设计循环前缀长度以及帧格式;
3)发送信号先经过未加噪的多径信道后得到信号R,然后给信号R添加高斯白噪声形成接收端接收信息RNoise。
4)对接收端接收的数据R和RNoise进行导频分离,规则是:在导频信号的循环前缀内,随意选取一个位置作为帧同步头进行导频分离,然后对其分别作最小二乘估计LS,得到理想的信道频域估计值HIdea(n)和加噪的新到频域估计信息HLs(n)。再对其分别进行离散傅里叶逆变换IDFT,得到多径信道的时域估计信息hIdea(n)和hLs(n)。
5)对时域信道估计信息hLs(n)和hIdea(n)进行预处理,即取模值,公式为:
hLs_abs(n)=|hLs(n)|;
hIdea_abs(n)=|hIdea(n)|;
其中n=1,2,3...128,对hIdea_abs(n)处理规则如下:设置阈值为0.0001,将hIdea_abs(n)中小于阈值的位置信息全均置为0,得到h'Idea_abs(n)。以hLs_abs(n)为训练数据,h'Idea_abs(n)为训练标签,构成一个训练样本;
6)重复进行3)到5)共次,获得包含组训练样本的训练数据集;
7)将6)中产生的训练数据集代入搭建成的神经网络中进行离线训练,得到最佳的神经网络结构;
8)线上测试:在接收端接收到的数据进行最小二乘估计和离散傅里叶变换,将得到的时域信道估计信息进行预处理之后输入到7)中训练好的神经网络中,得到最佳的优化数据;
9)根据8)中的最优结果,判别真实多径的位置信息,根据位置信息将h中非多径位置信息进行滤除,再对进行离散傅里叶变换DFT得到频域估计信道信息。
其中1)中构建的神经网络模型,其各层参数如下:
输入层:包含128个神经元;
第一个隐藏层,包含256个神经元,使用的激活函数位ReLU,采用多元线性回归函数Linear;
第二个隐藏层,包含512个神经元,使用的激活函数位Tanh,采用多元线性回归函数Linear;
第三个隐藏层,包含256个神经元,使用的激活函数位ReLU,采用多元线性回归函数Linear;
输出层,包含128个神经元,使用多元线性回归函数Linear;
使用Dropout函数防止过拟合。
其中所述2)的实现,根据选择一典型信道环境,根据其多径最大时延和仿真系统采样率设计循环前缀长度,然后根据最大时延、系统采样率以及,各个多径位置上的功率大小进行归一化处理。
其中3)中先将发送信号添加到多径信道后,形成未添加高斯白噪声的信号,然后给该信号添加高斯白噪声形成;
其中4)中获取理想的频域估计信息和加噪之后的频域估计信息,表示如下:
其中,Xpilot(n)为已知的发送导频,RNoisepilot(n)为接收导频,Rpilot(n)为未添加噪声的接收导频;
其中4)中得到的时域估计信息hLs(n)和hIdea(n),表示如下:
其中N=1024。
其中5)中对时域估计向量和理想的时域估计信息预处理,实现如下:
5a)对时域信道估计向量hLs(n)和hIdea(n)预处理,公式如下所示:
hLs_abs(m)=|hLs(m)|;
hIdea_abs(m)=|hIdea(m)|;
其中m=1,2,3...128;然后截取前128位信息,截取长度为循环前缀长度;
5b)以hLs_abs(n)为训练数据,hIdea_abs(n)为训练标签,构成一个训练样本;
其中7)对神经网络进行离线训练,实现如下:
7a)将包含Nsum组训练样本的训练数据集分离成两部分,其中Ntrain组作为训练集,剩余Ntest组作为测试集,Nsum=Ntrain+Ntest;
7b)选择L2范数损失函数为损失函数J;
7c)采用随机梯度下降法对神经网络进行训练:
7c1)初始化神经网络:从[0,1]均匀分布中的随机数中选取权重参数集W和偏置参数集B,设置一个损失函数阈值JMLoss以及最大迭代次数值Num。
7c2)一次选取训练集中128个样本,分别带入到神经网络模型中,经过训练得到128个样本的输出值;
7c5)进行反向传播训练,更新权重数据集合W和偏置数据集合B。
7c6)重复7c2)到7c5)直到训练集中数据被取完,完成一轮训练;
7c7)重复7c2)到76)直到损失函数值满足6c4)中要求,或达到最大迭代次数,训练完成,得到最优训练模型;
其中9)中处理如下:
9a)根据最优模型输入接收数据得到最优训练结果h'Ls_abs(n),对h'Ls_abs(n)进行处理得到真实多径位置信息P。保留时域状态信息,将其余位置噪声置零,即得到滤除噪声后的时域信道估计向量h'Ls(n);
9b)对滤除噪声后的时域信道估计向量h'Ls(n)进行离散傅里叶变换,得到滤除噪声后的频域信道估计向量HNN_DFT:
其中N=1024;
至此,完成信道估计。
下面结合仿真实验对本发明的技术效果作详细的描述。
1、仿真条件
仿真使用的传输系统为正交频分复用OFDM系统;系统采样率为25MHz,子载波数为1024,循环前缀长度为128;信道为扩展步行者信道模型EVA,该信道包括7条径,功率衰减分别为0.0、-1.5、-1.4、-3.6、-0.6、-9.1、-7.0、-12.0、-16.9dB,多径时延分别为0、30、150、310、370、710、1090、1730、2510纳秒;衡量仿真结果的标准为误码率,即系统传输错误的比特数与传输总比特数的比值。
2、仿真内容
分别用本发明和两种传统信道估计方法进行误码率和估计均方误差仿真,结果见图5。
图5的横坐标为信噪比,纵坐标为系统的误码率。其中:
LS曲线指使用现有最小二乘算法的误码率曲线,表示没有滤除噪声时的误码率性能;
DFT曲线是指现有的传统DFT信道估计算法的误码率,该算法的滤波窗口大小为循环前缀长度,此处设为128;
IDEAL曲线是指理想信道估计的性能,它表示信道估计完全没有误差时的系统极限性能;
Gu F曲线表示学者Gu F在传统DFT上改进的算法误码率曲线性能。
PRO曲线是指本发明的误码率曲线;
对比本发明和传统变换滤波算法的误码率性能,可以发现,本发明比传统DFT信道估计方法表现出更好的系统性能,接近理想条件下的极限性能。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,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,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种DFT信道估计改进方法,其特征在于,所述DFT信道估计改进方法包括:
构建神经网络模型;
获取神经网络训练数据集;
对数据集进行预处理;
对训练数据集进行离线训练;
将接收端的数据输入到经过离线训练之后的最优网络模型,获取数据中心实际多径位置参数;
根据获取的多径位置参数滤除非多径位置上的噪声;
将滤除噪声后的信息进行离散傅里叶变换,得到频域估计信息,完成信道估计;
所述获取神经网络训练数据集,包括:
(1)设定一个多径信道环境,根据最大多径时延和系统采样率设计循环前缀长度以及帧格式;
选择一个多径信道模型,根据多径信道模型设计多径在时域脉冲响应中的位置,设置根据多径模型中最大时延参数设置循环前缀长度,并设计帧格式;所述循环前缀长度为128;
随机选取信噪比,表示该多径信道中添加的高斯白噪声功率大小,选取的信噪比为15dB;
(2)发送信号经过多径信道后得到数据R,R为未添加噪声的接收信号;将R信号添加高斯白噪声,形成接收端接收信息RNoise;对接收端接收的数据R和RNoise进行导频分离;
进行导频分离时,在导频信号的循环前缀内随机选取一个位置作为帧同步头,进行导频分离;在导频分离后,将未添加噪声的接收信号R和添加噪声的接收信号RNoise分别进行最小二乘估计LS,得到理想的信道频域估计值HIdea(n)和加噪的新到频域估计信息HLs(n),公式为:
其中,HIdea(n)为最佳信道估计状态信息,Xpilot(n)为已知的发送导频,RNoisepilot(n)为接收导频,Rpilot(n)为未添加噪声的接收导频;
(3)对频域信道估计向量HLs(n)和HIdea(n)分别进行离散傅里叶逆变换IDFT,得到多径信道的时域估计信息hLs(n)和hIdea(n),公式为:
其中,N=1024;
(4)对时域信道估计信息hLs(n)和hIdea(n)进行预处理,即取模值,公式为:
hLs_abs(m)=|hLs(m)|;
hIdea_abs(m)=|hIdea(m)|;
其中,m=1,2,3...,128;
对hIdea_abs(m)处理规则如下:设置阈值为0.0001,将hIdea_abs(m)中小于阈值的位置信息全均置为0,得到h'Idea_abs(m);获取非0位置信息P,得到hLs_abs(m)中位置为P的信息构成h'Ls_abs(m);
(5)以hLs_abs(m)为训练数据,h'Ls_abs(m)为训练标签,构成一个训练样本;
(6)重复步骤(2)至步骤(5)共Nsum次,获得包含Nsum组训练样本的训练数据集;
所述对训练数据集进行离线训练,包括:
(1)进行离线训练时,将包含Nsum组训练样本数据的训练集分为训练集合和测试集合两部分;其中Ntrain组作为训练集合,剩余的Ntest组作为测试集,Nsum=Ntrain+Ntest;
(2)选择损失函数J,所述损失函数选取为L2范数损失函数,公式为:
(3)采用随机梯度下降法对神经网络进行训练;
所述采用随机梯度下降法对神经网络进行训练,包括:
1)初始化神经网络:从[0,1]均匀分布中的随机数中选取权重参数集W和偏置参数集B,设置一个损失函数阈值JMLoss以及最大迭代次数值Num;
2)一次选取训练集中128个样本,分别带入到神经网络模型中,经过训练得到128个样本的输出值;
4)将步骤3)计算得到的损失函数平均值与设定的阈值相比较,如果小于阈值,则训练完成;否则,执行步骤5);
5)进行反向传播训练,更新权重参数集W和偏置参数集B;
6)重复步骤2)到步骤5)直到训练集中所有数据都被训练完一遍,则完成一轮训练;
7)重复步骤2)到步骤6)直到损失函数满足步骤4)或达到最大训练次数,即停止训练,得到最优训练模型;
所述信道估计,包括:
(1)在接收端获取频域接收信号,进行最小二乘信道估计,得到频域估计向量HLs(n)公式为:
其中,Xpilot(n)为已知的发送导频,RNoisepilot(n)为接收导频;
(2)对频域信道估计向量HLs(n)进行离散傅里叶逆变换,得到时域估计向量hLs(n):
其中,N=1024;
(3)对时域信道估计信息hLs(n)进行预处理,即取模值,公式为:
hLs_abs(m)=|hLs(m)|;
其中,m=1,2,3,...,128,将hLs_abs(m)作为输入数据输入到训练好的神经网络模型中,得到输出结果h'Ls_abs(m);
(4)对h'Ls_abs(m)进行处理,设定阈值0.001,将大于0.001位置处的数据保留,即多径位置处的信息,记录其位置向量P;保留时域状态信息hLs(P),将其余位置置为0,得到滤除噪声后的时域信道估计向量h'Ls(m);
(5)对滤除噪声后的时域信道估计向量h'Ls(m)进行离散傅里叶变换,得到滤除噪声后的频域信道估计向量HNN_DFT:
其中,N=1024。
2.如权利要求1所述的DFT信道估计改进方法,其特征在于,所述神经网络模型,包括输入层、第一层隐藏层、第二层隐藏层、第三层隐藏层以及输出层,相邻两层之间的连接方式采用全连接的形式,即上一层每个神经元节点与本层每个神经元节点两两连接;
所述神经网络模型的各层参数,包括:
其中,i=1,2,3,...,n1,n1=128;σ1(·)为线性函数,该层使用Linear函数进行线性运算;
其中,j=1,2,3,...,n2,n2=256;σ2(·)为线性函数,该层使用ReLU函数,采用多元线性回归函数Linear;所述ReLU函数的公式为:
其中,l=1,2,3,…,n3,n3=512;σ3(·)为线性函数,该层使用tanh激活函数,采用多元线性回归函数Linear;所述tanh函数的公式为:
其中,k=1,2,3,…,n4,n4=256;σ4(·)为线性函数,该层使用ReLU激活函数,采用多元线性回归函数Linear;所述ReLU函数的公式为:
使用Dropout函数防止过拟合;
所述神经网络模型中的两个参数集,包括:
3.一种实施权利要求1~2任意一项所述DFT信道估计改进方法的DFT信道估计改进系统,其特征在于,所述DFT信道估计改进系统包括:
网络模型构建模块,用于构建神经网络模型;
数据集获取模块,用于获取神经网络训练数据集;
数据集预处理模块,用于对数据集进行预处理;
离线训练模块,用于对训练数据集进行离线训练;
参数获取模块,用于将接收端的数据输入到经过离线训练之后的最优网络模型,获取数据中心实际多径位置参数;
噪声滤除模块,用于根据获取的多径位置参数滤除非多径位置上的噪声;
信道估计模块,用于将滤除噪声后的信息进行离散傅里叶变换,得到频域估计信息,完成信道估计。
4.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1-2任意一项所述方法的步骤。
5.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1-2任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110733476.6A CN113572708B (zh) | 2021-06-30 | 2021-06-30 | 一种dft信道估计改进方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110733476.6A CN113572708B (zh) | 2021-06-30 | 2021-06-30 | 一种dft信道估计改进方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113572708A CN113572708A (zh) | 2021-10-29 |
CN113572708B true CN113572708B (zh) | 2023-03-14 |
Family
ID=78163145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110733476.6A Active CN113572708B (zh) | 2021-06-30 | 2021-06-30 | 一种dft信道估计改进方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113572708B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114224387B (zh) * | 2021-11-02 | 2023-09-29 | 华南理工大学 | 基于超声多径信道特征参数感知的体脂率测量方法 |
CN114096000B (zh) * | 2021-11-18 | 2023-06-23 | 西华大学 | 基于机器学习的联合帧同步与信道估计方法 |
CN114024803B (zh) * | 2021-11-25 | 2023-10-27 | 江苏科技大学 | 一种ofdm系统下的信道估计方法 |
FR3144460A1 (fr) | 2022-12-22 | 2024-06-28 | Thales | Procédé d'amélioration de la détermination de l'estimée d'un canal de télécommunication, dispositif récepteur associé |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2597833A1 (en) * | 2011-11-23 | 2013-05-29 | Mitsubishi Electric R&D Centre Europe B.V. | Method and a device for estimating a link between a source and a receiver using SC-FDMA |
CN111510402A (zh) * | 2020-03-12 | 2020-08-07 | 西安电子科技大学 | 基于深度学习的ofdm信道估计方法 |
CN111614584A (zh) * | 2020-05-20 | 2020-09-01 | 西安电子科技大学 | 基于神经网络的变换域自适应滤波信道估计方法 |
CN111884976A (zh) * | 2020-07-21 | 2020-11-03 | 西安电子科技大学 | 基于神经网络的信道插值方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111464465B (zh) * | 2020-03-11 | 2022-05-06 | 重庆邮电大学 | 一种基于集成神经网络模型的信道估计方法 |
CN111404849B (zh) * | 2020-03-20 | 2021-01-12 | 北京航空航天大学 | 一种基于深度学习的ofdm信道估计与信号检测方法 |
-
2021
- 2021-06-30 CN CN202110733476.6A patent/CN113572708B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2597833A1 (en) * | 2011-11-23 | 2013-05-29 | Mitsubishi Electric R&D Centre Europe B.V. | Method and a device for estimating a link between a source and a receiver using SC-FDMA |
CN111510402A (zh) * | 2020-03-12 | 2020-08-07 | 西安电子科技大学 | 基于深度学习的ofdm信道估计方法 |
CN111614584A (zh) * | 2020-05-20 | 2020-09-01 | 西安电子科技大学 | 基于神经网络的变换域自适应滤波信道估计方法 |
CN111884976A (zh) * | 2020-07-21 | 2020-11-03 | 西安电子科技大学 | 基于神经网络的信道插值方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113572708A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113572708B (zh) | 一种dft信道估计改进方法 | |
CN108696331B (zh) | 一种基于生成对抗网络的信号重构方法 | |
CN109890043B (zh) | 一种基于生成式对抗网络的无线信号降噪方法 | |
CN111614584B (zh) | 基于神经网络的变换域自适应滤波信道估计方法 | |
CN109412725B (zh) | 无线电通信pcma信号盲解调方法及装置 | |
CN112910811B (zh) | 基于联合学习的噪声水平未知条件下的盲调制识别方法和装置 | |
CN112115821B (zh) | 一种基于小波近似系数熵的多信号智能调制模式识别方法 | |
CN114268388B (zh) | 一种在大规模mimo中基于改进gan网络的信道估计方法 | |
CN113595666B (zh) | 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 | |
CN114826832B (zh) | 信道估计方法、神经网络的训练方法及装置、设备 | |
CN112749633B (zh) | 分离与重构的个体辐射源识别方法 | |
CN112953862A (zh) | 一种基于深度学习的高速铁路场景信道估计方法 | |
CN114726692A (zh) | 一种基于SEResNet-LSTM的辐射源调制方式识别方法 | |
CN104079520B (zh) | 一种ofdm系统的脉冲干扰抑制方法 | |
CN114745233A (zh) | 一种基于导频设计的联合信道估计方法 | |
CN113343796B (zh) | 一种基于知识蒸馏的雷达信号调制方式识别方法 | |
CN110944002B (zh) | 一种基于指数平均数据增强的物理层认证方法 | |
CN116760491A (zh) | 一种基于深度学习的信噪比估计方法 | |
CN110474663A (zh) | 一种基于神经网络的可迭代式智能化信号检测方法 | |
Ma et al. | Enhanced deep residual shrinkage network based channel estimation in RIS communication system | |
CN113707172A (zh) | 稀疏正交网络的单通道语音分离方法、系统、计算机设备 | |
CN114362881B (zh) | 基于空时相关矩阵的空时分组码盲识别方法及系统 | |
CN115798497B (zh) | 一种时延估计系统及装置 | |
CN114157544B (zh) | 基于卷积神经网络的帧同步方法、设备及介质 | |
CN114024803B (zh) | 一种ofdm系统下的信道估计方法 |
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 |