CN114143145B - 一种基于深度学习的信道估计方法 - Google Patents
一种基于深度学习的信道估计方法 Download PDFInfo
- Publication number
- CN114143145B CN114143145B CN202011487180.2A CN202011487180A CN114143145B CN 114143145 B CN114143145 B CN 114143145B CN 202011487180 A CN202011487180 A CN 202011487180A CN 114143145 B CN114143145 B CN 114143145B
- Authority
- CN
- China
- Prior art keywords
- channel
- estimation
- response
- channel estimation
- pilot
- 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
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
- H04L25/0224—Channel estimation using sounding signals
- H04L25/0226—Channel estimation using sounding signals sounding signals per se
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- H04L25/022—Channel estimation of frequency response
-
- 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
-
- 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)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
- Noise Elimination (AREA)
Abstract
本发明公开了一种基于深度学习的信道估计方法,将一个以上数据块组成一个长帧,在每个长帧中插入一段由若干UW构成的UW序列,将两个UW作为一组构成周期性的导频块;在信道估计时,首先利用导频块的周期性,估计出信道的噪声方差,然后利用LS算法求出每个子信道的频率响应,通过IDFT/IFFT回到时域后,根据估计出的噪声方差设置阈值,对信道脉冲响应进行降噪处理,最后经过DFT/FFT变换到频域,估计出信道频率响应。本发明提供的基于深度学习的信道估计方法,针对慢衰落信道的特点,对传统的SC‑FDE帧结构进行改进,并在此基础上对基于DFT的信道估计算法进行改进,同时估计出信道的频率响应和噪声方差,提高算法的性能。
Description
技术领域
本发明涉及无线通信技术领域,尤其是涉及一种基于深度学习的信道估计方法。
背景技术
在无线通信中,由于多径效应,会产生码间干扰。OFDM(OrthogonalFrequencyDivisionMultiplexing,正交频分复用)和SC-FDE(SingleCarrierFrequencyDomainEqualization,基于深度学习模型的单载波频域均衡)技术是对抗多径效应的两种有效方式。
OFDM系统通过IFFT(InverseFastDiscreteFourierTransform,快速傅里叶逆变换)将串并变换后的信号映射到多个子载波上,每一个子载波占据很窄的带宽,各子载波频谱相互重叠但保持正交,提高了频谱利用率。然而,OFDM信号的PAPR(Peak-to-averagePowerRatio,峰平比)过大,对放大器的线性范围要求高,对载波频偏和相位噪声非常敏感。
基于深度学习模型的单载波频域均衡技术借鉴了OFDM的均衡思想,在接收端通过FFT(FastDiscreteFourierTransform,快速傅里叶逆变换)将高速单载波信号变换到频域,然后在频域补偿信道的影响,通过IFFT运算将均衡以后的信号变换回到时域以便对数据符号进行检测判决输出。SC-FDE系统采用单载波传输而保留了OFDM系统对信号的处理方法,具有与OFDM相似的性能,且峰均比较低,对频偏和相位噪声较不敏感,降低了对射频运放的要求。基于深度学习模型的单载波频域均衡的技术己经被纳入IEEE802.16无线城域网标准中,作为宽带无线接入的物理层兼容方案。
信道估计算法一直是SC-FDE的研究重点之一。在SC-FDE系统中,可以使用UW(UniqueWord,独特字)进行信道估计。UW要求在时域上呈现随机性,在频域上有平坦的幅度响应,该算法能有效提高信道估计的精度,但无法估计信道噪声方差。
发明内容
本发明的目的是提供一种基于深度学习的信道估计方法,改进基于DFT的信道估计算法,使其能同时估计出信道频率响应和噪声方差,并提高信道估计的精度。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种基于深度学习的信道估计方法,包括帧结构设计、噪声方差估计和信道频率响应估计三部分;在帧结构设计时,将一个以上数据块组成一个长帧,在每个长帧中插入一段由若干UW构成的UW序列,所述UW序列的长度与该长帧内的每个数据块的长度一致,将两个UW作为一组构成周期性的导频块(PilotBlock,PB),在信道估计时,使用Q个导频块分别进行信道估计,取其平均值作为信道估计的最终结果。
由于信道随时间变化较慢,因此不必对每个数据块都进行信道估计,设计将一个以上数据块组成一个长帧,UW序列的长度与该长帧内的每个数据块的长度一致,将两个UW作为一组构成周期性的导频块,经过多径叠加的PB仍可视为周期性序列;而加入高斯白噪声后,PB的周期性会遭到破坏。
基于上述分析,可以根据导频块的周期性进行噪声方差估计和信道频率响应估计:假设发射的PB为x(n),长度为M,经过M点的DFT后得到X(n);接收到的PB为y(n),经过M点的DFT后得到Y(n);由于x(n)为周期性序列,因此X(n)在奇数点的值为0,X(n)在偶数点的值包含有用数据信息;所以Y(n)的奇数点仅包含噪声信息,可以采用Y(n)奇数点的噪声信息进行噪声方差估计;Y(n)的偶数点包含了有用数据信息,采用Y(n)偶数点的有用数据信息进行信道频率响应估计。
本发明的信道估计方法是对基于DFT的信道估计方法的改进,在频域使用LS算法进行信道频率响应估计,然后通过IDFT回到时域进行降噪处理:首先,根据LS算法求出每个子信道的频率响应值然后,将经过IDFT回到时域,得到信道的时域冲击响应超过CP长度后的点全部为噪声信息,使用估计出的噪声方差替代实际噪声方差,为前CP长度的信道脉冲响应符号设置阈值,超过CP长度后的点全部补零至数据块长度以进一步降低噪声影响,然后通过DFT变换到频域,得到信道频率响应,完成信道估计。
本方法采用Q个PB分别进行信道估计,取其平均值作为信道估计的最终结果;在实际应用中,可以使用FFT替代DFT、以IFFT替代IDFT以降低复杂度;但是由于信道估计多次使用到FFT,每个PB完成信道估计后需要求平均,这样会消耗大量硬件资源;为节约成本,可以使PB首先在时域取平均后,再变换到频域进行信道估计。
在帧结构设计、噪声方差估计和信道频率响应估计进行之前,利用传统基于导频的信道估计方法,得到信道在导频位置的信道响应;将信道在导频位置的信道响应作为输入,输入到信道估计网络,所述信道估计网络通过模拟传统信道估计方法的插值过程输出导频位置以及数据位置信道响应值,作为信道估计值。
所述的信道估计网络为训练完成后的神经网络,所述的信道估计网络的输入与输出的关系如下:
IHR=HNN(ILR;θ)
其中,ILR为导频位置的信道响应,IHR为导频和数据位置的信道响应,HNN为信道估计网络,θ为信道估计网络的网络参数。
将信道在导频位置的每个信道响应作为原始样本,向所述原始样本添加指定扰动得到测试样本,获得使所述信道估计网络的输出损失函数最小的所述测试样本;
向所述测试样本叠加与其对应的指定扰动相反的扰动,得到与所述测试样本对应的反边界样本;
将所述反边界样本作为辅助估计网络的决策边界,使用所述原始样本和反边界样本对所述辅助估计网络进行训练;
由训练完成的所述辅助估计网络与所述信道估计网络同时接收所述信道在导频位置的信道响应,若判定结果不一致,则后续不使用该信道在导频位置的信道响应的数据;若判定结果一致,所述信道在导频位置的信道响应的数据正常使用。
利用辅助估计网络对信道在导频位置的信道响应进行筛选,剔除存在较大扰动的数据,有助于提升信道估计的准确性。
有益效果:本发明提供的基于深度学习的信道估计方法,针对慢衰落信道的特点,对传统的SC-FDE帧结构进行改进,并在此基础上对基于DFT的信道估计算法进行改进,同时估计出信道的频率响应和噪声方差,提高算法的性能。
附图说明
图1为SC-FDE的系统原理图;
图2为本发明的长帧结构图;
图3为多径信道对导频块的影响图;
图4为基于DFT的信道估计算法改进图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
本发明实施例提供了本发明实施例提供了一种基于深度学习的信道估计方法,如图1所示,包括帧结构设计、噪声方差估计和信道频率响应估计三部分;在帧结构设计时,将一个以上数据块组成一个长帧,在每个长帧中插入一段由若干UW构成的UW序列,所述UW序列的长度与该长帧内的每个数据块的长度一致,将两个UW作为一组构成周期性的导频块(PilotBlock,PB),在信道估计时,使用Q个导频块分别进行信道估计,取其平均值作为信道估计的最终结果。
由于信道随时间变化较慢,因此不必对每个数据块都进行信道估计,设计将一个以上数据块组成一个长帧,UW序列的长度与该长帧内的每个数据块的长度一致,将两个UW作为一组构成周期性的导频块,经过多径叠加的PB仍可视为周期性序列;而加入高斯白噪声后,PB的周期性会遭到破坏。
基于上述分析,可以根据导频块的周期性进行噪声方差估计和信道频率响应估计:假设发射的PB为x(n),长度为M,经过M点的DFT后得到X(n);接收到的PB为y(n),经过M点的DFT后得到Y(n);由于x(n)为周期性序列,因此X(n)在奇数点的值为0,X(n)在偶数点的值包含有用数据信息;所以Y(n)的奇数点仅包含噪声信息,可以采用Y(n)奇数点的噪声信息进行噪声方差估计;Y(n)的偶数点包含了有用数据信息,采用Y(n)偶数点的有用数据信息进行信道频率响应估计。
本发明的信道估计方法是对基于DFT的信道估计方法的改进,在频域使用LS算法进行信道频率响应估计,然后通过IDFT回到时域进行降噪处理:首先,根据LS算法求出每个子信道的频率响应值然后,将经过IDFT回到时域,得到信道的时域冲击响应超过CP长度后的点全部为噪声信息,使用估计出的噪声方差替代实际噪声方差,为前CP长度的信道脉冲响应符号设置阈值,超过CP长度后的点全部补零至数据块长度以进一步降低噪声影响,然后通过DFT变换到频域,得到信道频率响应,完成信道估计。
本方法采用Q个PB分别进行信道估计,取其平均值作为信道估计的最终结果;在实际应用中,可以使用FFT替代DFT、以IFFT替代IDFT以降低复杂度;但是由于信道估计多次使用到FFT,每个PB完成信道估计后需要求平均,这样会消耗大量硬件资源;为节约成本,可以使PB首先在时域取平均后,再变换到频域进行信道估计。
在帧结构设计、噪声方差估计和信道频率响应估计进行之前,利用传统基于导频的信道估计方法,得到信道在导频位置的信道响应;将信道在导频位置的信道响应作为输入,输入到信道估计网络,所述信道估计网络通过模拟传统信道估计方法的插值过程输出导频位置以及数据位置信道响应值,作为信道估计值。
所述的信道估计网络为训练完成后的神经网络,所述的信道估计网络的输入与输出的关系如下:
IHR=HNN(ILR;θ)
其中,ILR为导频位置的信道响应,IHR为导频和数据位置的信道响应,HNN为信道估计网络,θ为信道估计网络的网络参数。
将信道在导频位置的每个信道响应作为原始样本,向所述原始样本添加指定扰动得到测试样本,获得使所述信道估计网络的输出损失函数最小的所述测试样本;
向所述测试样本叠加与其对应的指定扰动相反的扰动,得到与所述测试样本对应的反边界样本;
将所述反边界样本作为辅助估计网络的决策边界,使用所述原始样本和反边界样本对所述辅助估计网络进行训练;
由训练完成的所述辅助估计网络与所述信道估计网络同时接收所述信道在导频位置的信道响应,若判定结果不一致,则后续不使用该信道在导频位置的信道响应的数据;若判定结果一致,所述信道在导频位置的信道响应的数据正常使用。
利用辅助估计网络对信道在导频位置的信道响应进行筛选,剔除存在较大扰动的数据,有助于提升信道估计的准确性。
有益效果:本发明提供的基于深度学习的信道估计方法,针对慢衰落信道的特点,对传统的SC-FDE帧结构进行改进,并在此基础上对基于DFT的信道估计算法进行改进,同时估计出信道的频率响应和噪声方差,提高算法的性能。
Claims (3)
1.基于深度学习的信道估计方法,其特征在于:包括帧结构设计、噪声方差估计和信道频率响应估计三部分;在帧结构设计时,将一个以上数据块组成一个长帧,在每个长帧中插入一段由若干UW构成的UW序列,所述UW序列的长度与该长帧内的每个数据块的长度一致;将两个UW作为一组构成周期性的导频块;在信道估计时,使用Q个导频块分别进行信道估计,取其平均值作为信道估计的最终结果;UW表示独特字;
根据导频块的周期性进行噪声方差估计和信道频率响应估计:假设发射的导频块为x(n),长度为M,经过M点的DFT/FFT后得到X(n);接收到的导频块为y(n),经过M点的DFT/FFT后得到Y(n);X(n)在奇数点的值为0,X(n)在偶数点的值包含有用数据信息;采用Y(n)奇数点的噪声信息进行噪声方差估计,采用Y(n)偶数点的有用数据信息进行信道频率响应估计;
在帧结构设计、噪声方差估计和信道频率响应估计进行之前,利用传统基于导频的信道估计方法,得到信道在导频位置的信道响应;将信道在导频位置的信道响应作为输入,输入到信道估计网络,所述信道估计网络通过模拟传统信道估计方法的插值过程输出导频位置以及数据位置信道响应值,作为信道估计值;
所述的信道估计网络为训练完成后的神经网络,所述的信道估计网络的输入与输出的关系如下:
IHR=HNN(ILR;θ)
其中,ILR为导频位置的信道响应,IHR为导频和数据位置的信道响应,HNN为信道估计网络,θ为信道估计网络的网络参数;
将信道在导频位置的每个信道响应作为原始样本,向所述原始样本添加指定扰动得到测试样本,获得使所述信道估计网络的输出损失函数最小的所述测试样本;
向所述测试样本叠加与其对应的指定扰动相反的扰动,得到与所述测试样本对应的反边界样本;
将所述反边界样本作为辅助估计网络的决策边界,使用所述原始样本和反边界样本对所述辅助估计网络进行训练;
由训练完成的所述辅助估计网络与所述信道估计网络同时接收所述信道在导频位置的信道响应,若判定结果不一致,则后续不使用该信道在导频位置的信道响应的数据;若判定结果一致,所述信道在导频位置的信道响应的数据正常使用。
2.根据权利要求1所述的基于深度学习的信道估计方法,其特征在于:在频域使用LS算法进行信道频率响应估计,然后通过IDFT/IFFT回到时域进行降噪处理:假设信道的时域冲激响应为超过CP长度后的点全部为噪声信息,使用估计出的噪声方差替代实际噪声方差,为前CP长度的信道脉冲响应符号设置阈值,超过CP长度后的点全部补零至数据块长度以进一步降低噪声影响,然后通过DFT/FFT变换到频域,得到信道频率响应,完成信道估计。
3.根据权利要求1所述的基于深度学习的信道估计方法,其特征在于:根据导频块的周期性进行噪声方差估计和信道频率响应估计:首先在时域对导频块进行取平均,然后变换到频域进行信道估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011487180.2A CN114143145B (zh) | 2020-12-16 | 2020-12-16 | 一种基于深度学习的信道估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011487180.2A CN114143145B (zh) | 2020-12-16 | 2020-12-16 | 一种基于深度学习的信道估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114143145A CN114143145A (zh) | 2022-03-04 |
CN114143145B true CN114143145B (zh) | 2023-08-18 |
Family
ID=80438531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011487180.2A Active CN114143145B (zh) | 2020-12-16 | 2020-12-16 | 一种基于深度学习的信道估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114143145B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101121086B1 (ko) * | 2010-11-10 | 2012-03-16 | 충남대학교산학협력단 | 유니크 워드 기반 주파수 영역 등화기 기반 단일반송파 방식을 위한 채널 추정 기법 |
CN103220242A (zh) * | 2013-04-22 | 2013-07-24 | 东南大学 | 单载波频域均衡系统中基于导频块的信道估计方法 |
CN109981498A (zh) * | 2019-03-12 | 2019-07-05 | 上海大学 | 基于超分辨率图像恢复技术的Wi-Fi标准系统信道估计方法 |
CN110943944A (zh) * | 2019-11-07 | 2020-03-31 | 浙江大学 | 一种基于深度学习的ofdm系统的信道估计方法 |
CN111858347A (zh) * | 2020-07-23 | 2020-10-30 | 深圳慕智科技有限公司 | 一种基于智能交通模型正确性的蜕变测试方法 |
-
2020
- 2020-12-16 CN CN202011487180.2A patent/CN114143145B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101121086B1 (ko) * | 2010-11-10 | 2012-03-16 | 충남대학교산학협력단 | 유니크 워드 기반 주파수 영역 등화기 기반 단일반송파 방식을 위한 채널 추정 기법 |
CN103220242A (zh) * | 2013-04-22 | 2013-07-24 | 东南大学 | 单载波频域均衡系统中基于导频块的信道估计方法 |
CN109981498A (zh) * | 2019-03-12 | 2019-07-05 | 上海大学 | 基于超分辨率图像恢复技术的Wi-Fi标准系统信道估计方法 |
CN110943944A (zh) * | 2019-11-07 | 2020-03-31 | 浙江大学 | 一种基于深度学习的ofdm系统的信道估计方法 |
CN111858347A (zh) * | 2020-07-23 | 2020-10-30 | 深圳慕智科技有限公司 | 一种基于智能交通模型正确性的蜕变测试方法 |
Non-Patent Citations (1)
Title |
---|
Deep Learning for Joint Channel Estimation and Signal Detection in OFDM Systems;Xuemei Yi et al.;《IEEE Cpommunications Letters 》;2780-2784 * |
Also Published As
Publication number | Publication date |
---|---|
CN114143145A (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2164214B1 (en) | A channel estimation method of the mobile communication system based on the time division pilot field | |
CN107707501B (zh) | 基于时间交织的多矢量wfrft混合载波并行传输方法 | |
CN111865863B (zh) | 一种基于rnn神经网络的ofdm信号检测方法 | |
CN103220242B (zh) | 单载波频域均衡系统中基于导频块的信道估计方法 | |
Wang et al. | Universal filtered multi-carrier transmission with active interference cancellation | |
CN113285902B (zh) | 一种ofdm系统检测器设计方法 | |
CN107682296A (zh) | 适于fsc的gfdm系统高效mmse接收方法及装置 | |
Ma et al. | The MMSE channel estimation based on DFT for OFDM system | |
CN112636855A (zh) | 一种ofdm信号检测方法 | |
CN109617851B (zh) | 一种基于dft平滑滤波的信道估计方法及装置 | |
Wang et al. | Nonlinear channel estimation for OFDM system by wavelet transform based weighted TSVR | |
CN114143145B (zh) | 一种基于深度学习的信道估计方法 | |
CN1984109A (zh) | 通信系统中的信道估计器及其信道估计方法 | |
Asadi et al. | A new method to channel estimation in OFDM systems based on wavelet transform | |
Zhang et al. | A DFT-based channel estimation algorithm with noise elimination for burst OFDM systems | |
Wang et al. | Variational bayesian inference based channel estimation for OTFS system with LSM prior | |
Chang et al. | Impulse symbol based channel estimation in OFDM systems | |
CN110691055A (zh) | Oqam/ofdm中的时频偏联合估计方法 | |
Li et al. | Qam signal transmission based on matrix model in filter-bank multicarrier systems | |
Soman et al. | Improved DFT-based channel estimation for spatial modulated orthogonal frequency division multiplexing systems | |
Rao et al. | Noise Power Estimation for OFDM System | |
Qin et al. | Novel pilot-assisted channel estimation techniques for 3GPP LTE downlink with performance-complexity evaluation | |
Yang et al. | An improved least squares (LS) channel estimation method based on CNN for OFDM systems | |
Hossain et al. | DFT Based Channel Estimation Analysis in OFDM Supported Wireless Communication system | |
KR101131494B1 (ko) | Ofdm 시스템을 위한 도플러 주파수 추정 방법 및 도플러 주파수를 추정하는 수신기 |
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 |