CN114244675B - 一种基于深度学习的mimo-ofdm系统信道估计方法 - Google Patents
一种基于深度学习的mimo-ofdm系统信道估计方法 Download PDFInfo
- Publication number
- CN114244675B CN114244675B CN202111634481.8A CN202111634481A CN114244675B CN 114244675 B CN114244675 B CN 114244675B CN 202111634481 A CN202111634481 A CN 202111634481A CN 114244675 B CN114244675 B CN 114244675B
- Authority
- CN
- China
- Prior art keywords
- block
- channel
- module
- residual
- 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
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
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
- H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
- H04B7/0842—Weighted combining
- H04B7/0848—Joint weighting
- H04B7/0854—Joint weighting using error minimizing algorithms, e.g. minimum mean squared error [MMSE], "cross-correlation" or matrix inversion
-
- 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
- H04L27/2691—Link with other circuits, i.e. special connections between synchronisation arrangements and other circuits for achieving synchronisation involving interference determination or cancellation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/32—Carrier systems characterised by combinations of two or more of the types covered by groups H04L27/02, H04L27/10, H04L27/18 or H04L27/26
- H04L27/34—Amplitude- and phase-modulated carrier systems, e.g. quadrature-amplitude modulated carrier systems
- H04L27/36—Modulator circuits; Transmitter circuits
- H04L27/362—Modulation using more than one carrier, e.g. with quadrature carriers, separately amplitude modulated
-
- 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)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Radio Transmission System (AREA)
Abstract
本发明属于信息与通信技术领域,涉及一种基于深度学习的MIMO‑OFDM系统信道估计方法。为了进一步提升欠定问题下信道估计的性能,本发明提出了一种基于深度学习的MIMO‑OFDM系统信道估计方法:首先,利用频域信道的连续性,将信道在频域用分块线性模型近似,大大降低了待估计量;其次,将传统的Turbo‑CS方法用深度神经网络辅助展开,利用深度神经网络强大的学习能力,学习到信道频空域表示的内在关联信息,并以此关联信息作为先验对估计出的信道进一步去噪。最后,通过仿真证明了该方案的有效性。
Description
技术领域
本发明属于信息与通信技术领域,涉及一种基于深度学习的MIMO-OFDM系统信道估计方法。
背景技术
对于多用户上行的MIMO-OFDM信道估计问题,通常可以利用基站天线的特殊排列引起的角域稀疏性,降低导频开销,使得求解问题变为欠定问题,为了解决这类问题,目前使用最多的是压缩感知类方法。然而,一些实际信道场景下,信道的稀疏性并不明显,使传统压缩感知类方法性能大打折扣。
发明内容
为了进一步提升稀疏问题下信道估计的性能,本发明提出了一种模型辅助深度学习的MIMO-OFDM系统信道估计方法:首先,利用频域信道的连续性,将信道在频域用分块线性模型近似,大大降低了待估计量;其次,将传统的Turbo-CS方法用深度神经网络辅助展开,利用深度神经网络强大的学习能力,学习到信道频空域表示的内在关联信息,并以此关联信息作为先验对估计出的信道进一步去噪。
具体来说,本发明的方法包括两个模块,模块A为基于LMMSE的线性估计模块,模块B为神经网络去噪模块,两个模块迭代直至收敛。
本发明采用的技术方案包括以下步骤:
S1、K个单天线用户随机生成二进制比特流,使用QPSK调制到M个载波上,串并转换后得到频域导频符号,再经过IDFT添加循环前缀,并串转换后得到时域信号,同时向基站发送信号;
S2、信号经过信道传输后被基站N根天线接收,以及串并转换,去除CP后,进行DFT变换,得到频域接收信号Y,
S3、在频域对待估计信道做分块线性近似,分块线性模型指的是将频域M个连续子载波分成Q块,而在每块(含M/Q子载波)内的信道频域响应采用线性函数近似,对于第q块,q=1,...,Q,分块线性模型表述为
其中,nq=(q-1)M/Q+1,...,qM/Q,nr=1,...,N, 与分别为第q块线性函数的均值和斜率;lq=(q-1/2)M/Q是第q块的中点;为模型误差;连续子载波分成Q块对应的待估计变量数为2Q即与
Gk=E1Bk+E2Ck+Δk
Y=AbB+AcC+Z
S4、信道估计器消除干扰并估计信道Gk;具体为,估计器包括线性估计模块A和基于深度学习的降噪模块B;通过线性估计模块估计信道Gk,通过去噪模块B对估计值进行降噪,并且两个模块之间迭代至收敛;
迭代的具体方法为:
初始化迭代信道估计器第一次迭代所需参数,模块A关于B的先验BA,pri=0和方差以及模块A关于C的先验CA,pri=0和方差其中,分别为B和C的均值,表示求均值操作;这里使用A和B分别表示迭代模块A和模块B;对上标“prior”的缩写“pri”表示先验信息,用上标“posterior”的缩写“post”表示后验信息,用上标“extrinsic”的缩写“ext”表示外信息;估计器各模块信号处理方式为:
同理,模块A关于C的LMMSE后验估计和方差:
S42、使用模块A关于B的先验信息以及后验信息计算外信息(即需要传递给模块B的关于B的先验信息和方差)
同理,使用模块A关于C的先验信息以及后验信息计算外信息(即需要传递给模块B的关于C的先验信息和方差)
S43、在去噪模块B中,将信道由分块线性下的表示,重构为正常信道表示
S44、然后需要判断当前迭代层的去噪网络是否已经训练保存,如果尚未训练当前迭代层去噪网络,则执行S45;如果当前迭代层去噪网络已经训练保存,则执行S46;
S45、训练第l次迭代对应的深度神经网络去噪器
在训练阶段,训练具有盲去噪功能的其中θ表示网络的参数。所提出的多分辨率去噪神经网络(Multi-Resolution Denoising Neural Network,MRDNN)结构详见附图2;对每个用户对应的信道单独去噪,并使的实虚部分别作为网络的两个输入通道,即每个Conv表示二维卷积操作,所有卷积核均为3X3;图3给出了残差块(Residual Block,ResBlock)的具体结构,其中激活函数使用参数整流线性单元(Parametric Rectified Linear Unit,PReLU);下采样率为1/2,上采样为最近邻采样,上采样因子为2;MRDNN的功能可公式化表示为:
定义每个样本的损失函数为:
S47、将信道转化为分块线性模型表示
至此,可将S43至S47记为
计算模块B关于B的后验估计方差
计算模块B关于B的估计外信息方差(即需要传给模块A的先验信息的方差)
计算模块B关于B的估计外信息(即需要传给模块A的先验信息)
同理,
S49、若方法收敛则迭代结束,执行S410,否则返回步骤S41;
S410、将信道由分块线性下的表示,重构为正常信道表示并输出
本发明的有益效果在于:通过使用深度神经网络作为降噪器对传统Turbo-CS方法改进,提出了基于学习去噪的Turbo-CS方法,经仿真验证,该方法在MIMO-OFDM系统信道估计问题上性能突出。
附图说明
图1是本发明方法的流程图;
图2是所提出去噪网络结构图;
图3是ResBlock的具体结构;
图4为MIMO-OFDM系统下使用不同信道估计方法的仿真曲线。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
下面给出本发明基于上述方法的一个具体实施方法,该具体方法的参数设置如下:
在发送端,使用QPSK调制,OFDM子载波个数为96,其中导频载波数为48,等间隔分布;用户数目为64,随机分布在小区内;基站天线为64,为2个4行8列的URA天线,交叉极化。
信道选择标准的CDL-B信道,载波中心频率为2.6GHz,时延扩展设为100ns。
模块A中的分块数Q设为3。
模块B中的MRDNN网络具体包括:1)将的实虚部分别作为网络的两个通道输入,网络输出的两个通道分别表示的实部和虚部。2)除输入输出通道数目为2外,其余所有卷积层皆为48通道。3)所有卷积核均采用3X3卷积。4)每次上采样的比例因子均为2,采样方式为最近邻采样。5)每次下采样的采样率均为1/2。
数据集大小和优化器选择:训练集、测试集分别包含9000个和1000个样本。优化器为Adam,学习率设为1e-4,训练3代。
根据以上参数设置,该仿真的具体步骤如下:
S1、K个单天线用户随机生成二进制比特流,使用QPSK调制到M个载波上,串并转换后得到频域导频符号,再经过IDFT添加循环前缀,并串转换后得到时域信号,同时向基站发送信号;
S2、信号经过信道传输后被基站N根天线接收,以及串并转换,去除CP后,进行DFT变换,得到频域接收信号Y,
S3、在频域对待估计信道做分块线性近似,分块线性模型指的是将频域M个连续子载波分成Q块,而在每块(含M/Q子载波)内的信道频域响应采用线性函数近似,对于第q块,q=1,...,Q,分块线性模型表述为
其中,nq=(q-1)M/Q+1,...,qM/Q,nt=1,...,N, 与分别为第q块线性函数的均值和斜率;lq=(q-1/2)M/Q是第q块的中点;为模型误差;连续子载波分成Q块对应的待估计变量数为2Q即与
Gk=E1Bk+E2Ck+Δk
Y=AbB+AcC+Z
S4、信道估计器消除干扰并估计信道Gk;具体为,估计器包括线性估计模块A和基于深度学习的降噪模块B;通过线性估计模块估计信道Gk,通过去噪模块B对估计值进行降噪,并且两个模块之间迭代至收敛;
迭代的具体方法为:
初始化迭代信道估计器第一次迭代所需参数,模块A关于B的先验BA,pri=0和方差以及模块A关于C的先验CA,pri=0和方差其中,分别为B和C的均值,表示求均值操作;这里使用A和B分别表示迭代模块A和模块B;对上标“prior”的缩写“pri”表示先验信息,用上标“posterior”的缩写“post”表示后验信息,用上标“extrinsic”的缩写“ext”表示外信息;估计器各模块信号处理方式为:
同理,模块A关于C的LMMSE后验估计和方差:
S42、使用模块A关于B的先验信息以及后验信息计算外信息(即需要传递给模块B的关于B的先验信息和方差)
同理,使用模块A关于C的先验信息以及后验信息计算外信息(即需要传递给模块B的关于C的先验信息和方差)
S43、在去噪模块B中,将信道由分块线性下的表示,重构为正常信道表示
S44、然后需要判断当前迭代层的去噪网络是否已经训练保存,如果尚未训练当前迭代层去噪网络,则执行S45;如果当前迭代层去噪网络已经训练保存,则执行S46;
S45、训练第l次迭代对应的深度神经网络去噪器
在训练阶段,训练具有盲去噪功能的其中θ表示网络的参数。所提出的多分辨率去噪神经网络(Multi-Resolution Denoising Neural Network,MRDNN)结构详见附图2,深度神经网络包括第一卷积层、残差网络和第二卷积层,信号输入第一卷积层后,第一卷积层输出到残差网络,所述残差网络包括第一残差块、第二残差块、第三残差块、第四残差块、第五残差块、第六残差块、第七残差块、第八残差块、第九残差块、第十残差块、第十一残差块、第十二残差块;其中,第一残差块、第二残差块、第三残差块、第四残差块依次连接,第五残差块、第六残差块、第七残差块、第八残差块依次连接,第九残差块、第十残差块、第十一残差块、第十二残差块依次连接;第五残差块的输入为第一残差块的下采样信号,第九残差块的输入为第五残差块的下采样信号,下采样率为1/2;第十二残差块的输出上采样后与第八残差块的输出累加后再经过上采样与第四残差块的输出、以及第一卷积层的输出累加后输入到第二卷积层,上采样为最近邻采样,上采样因子为2,第二卷积层的输出为去噪后的模块B关于第k个用户的信道Gk的后验估计;对每个用户对应的信道单独去噪,并使的实虚部分别作为网络的两个输入通道,即每个Conv表示二维卷积操作,所有卷积核均为3X3;图3给出了残差块(Residual Block,ResBlock)的具体结构,所述残差块包括依次连接的第三卷积层、参数整流线性单元、第四卷积层,其中激活函数使用参数整流线性单元(Parametric RectifiedLinear Unit,PReLU);下采样率为1/2,上采样为最近邻采样,上采样因子为2;MRDNN的功能可公式化表示为:
定义每个样本的损失函数为:
S47、将信道转化为分块线性模型表示
至此,可将S43至S47记为
计算模块B关于B的后验估计方差
计算模块B关于B的估计外信息方差(即需要传给模块A的先验信息的方差)
计算模块B关于B的估计外信息(即需要传给模块A的先验信息)
同理,
S49、若方法收敛则迭代结束,执行S410,否则返回步骤S41;
S410、将信道由分块线性下的表示,重构为正常信道表示并输出
图4为不同信道估计方法的仿真曲线。其中,1mmse in time+truncation表示在时域对待估计信道截断保留前2Q个估计量后进行LMMSE估计;Blockwise表示在频域使用分块线性近似后,对2Q个估计量进行LMMSE估计;Proposed(1 layer)表示使用所提出的模型辅助深度学习信道估计方法迭代一次,相应的2layer、3layer分别表示迭代两次和三次。对比几条曲线,可以清楚地看到所提出方法的性能优势,并且该方法迭代两次即可收敛。
Claims (3)
1.一种基于深度学习的MIMO-OFDM系统信道估计方法,其特征在于,包括以下步骤:
S1、K个单天线用户随机生成二进制比特流,使用QPSK调制到M个载波上,串并转换后得到频域导频符号,再经过IDFT添加循环前缀,并串转换后得到时域信号,向基站发送时域信号;
S2、信号经过信道传输后被基站N根天线接收,经过串并转换,去除CP后,进行DFT变换,得到频域接收信号Y:
S3、在频域对待估计信道做分块线性近似,分块线性模型指的是将频域M个连续子载波分成Q块,而在每块内的信道频域响应采用线性函数近似,对于第q块,q=1,...,Q,分块线性模型表述为:
Gk=E1Bk+E2Ck+Δk
Y=AbB+AcC+Z
S4、信道估计器消除干扰并估计信道Gk;具体为,估计器包括线性估计模块A和基于深度学习的降噪模块B,通过线性估计模块估计信道Gk,通过去噪模块B对估计值进行降噪,并且两个模块之间迭代至收敛;
迭代的具体方法为:
初始化迭代信道估计器第一次迭代所需参数,模块A关于B的先验BA,pri=0和方差以及模块A关于C的先验CA,pri=0和方差其中,分别为B和C的均值,表示求均值操作;这里使用A和B分别表示迭代模块A和模块B;上标“pri”表示先验信息,上标“post”表示后验信息,上标“ext”表示外信息;估计器各模块信号处理方式为:
同理,模块A关于C的LMMSE后验估计和方差:
S42、使用模块A关于B的先验信息以及后验信息计算外信息:
同理,使用模块A关于C的先验信息以及后验信息计算外信息:
S43、在去噪模块B中,将信道由分块线性下的表示,重构为正常信道表示:
S44、定义具有盲去噪功能的深度神经网络其中θ表示网络的参数,判断当前迭代层的去噪网络是否已经训练保存,如果尚未训练当前迭代层去噪网络,则执行S45;如果当前迭代层去噪网络已经训练保存,则执行S46;
S45、训练第l次迭代对应的深度神经网络去噪器:
定义每个样本的损失函数为:
S47、将信道转化为分块线性模型表示
将S43至S47记为
计算模块B关于B的后验估计方差:
计算模块B关于B的估计外信息方差:
计算模块B关于B的估计外信息:
同理,
S49、若方法收敛则迭代结束,执行S410,否则返回步骤S41;
S410、将信道由分块线性下的表示,重构为正常信道表示并输出:
2.根据权利要求1所述的一种基于深度学习的MIMO-OFDM系统信道估计方法,其特征在于,所述具有盲去噪功能的深度神经网络包括第一卷积层、残差网络和第二卷积层,信号输入第一卷积层后,第一卷积层输出到残差网络,所述残差网络包括第一残差块、第二残差块、第三残差块、第四残差块、第五残差块、第六残差块、第七残差块、第八残差块、第九残差块、第十残差块、第十一残差块、第十二残差块;其中,第一残差块、第二残差块、第三残差块、第四残差块依次连接,第五残差块、第六残差块、第七残差块、第八残差块依次连接,第九残差块、第十残差块、第十一残差块、第十二残差块依次连接;第五残差块的输入为第一残差块的下采样信号,第九残差块的输入为第五残差块的下采样信号,下采样率为1/2;第十二残差块的输出上采样后与第八残差块的输出累加后再经过上采样与第四残差块的输出、以及第一卷积层的输出累加后输入到第二卷积层,上采样为最近邻采样,上采样因子为2,第二卷积层的输出为去噪后的模块B关于第k个用户的信道Gk的后验估计。
3.根据权利要求2所述的一种基于深度学习的MIMO-OFDM系统信道估计方法,其特征在于,所述残差块包括依次连接的第三卷积层、参数整流线性单元、第四卷积层,所有卷积层的卷积核均为3X3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111634481.8A CN114244675B (zh) | 2021-12-29 | 2021-12-29 | 一种基于深度学习的mimo-ofdm系统信道估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111634481.8A CN114244675B (zh) | 2021-12-29 | 2021-12-29 | 一种基于深度学习的mimo-ofdm系统信道估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114244675A CN114244675A (zh) | 2022-03-25 |
CN114244675B true CN114244675B (zh) | 2023-03-03 |
Family
ID=80743942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111634481.8A Active CN114244675B (zh) | 2021-12-29 | 2021-12-29 | 一种基于深度学习的mimo-ofdm系统信道估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114244675B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114785643B (zh) * | 2022-04-19 | 2023-04-25 | 电子科技大学 | 一种基于深度学习的ofdm系统信道估计方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1589672B1 (fr) * | 2004-04-22 | 2014-06-04 | Orange | Procédé d'égalisation vectorielle itérative pour systèmes de communications CDMA sur canal MIMO |
WO2007137484A1 (fr) * | 2006-05-11 | 2007-12-06 | Shanghai Jiao Tong University | Procédé et dispositif d'estimation de canaux |
-
2021
- 2021-12-29 CN CN202111634481.8A patent/CN114244675B/zh active Active
Non-Patent Citations (6)
Title |
---|
Jianqiao Chen.Super-Resolution Block-Sparse Channel Estimation Over Uplink M-MIMO 5G Mobile Wireless Networks.2020,全文. * |
Wenjun Jiang.MIMO-OFDM-Based Massive Connectivity With Frequency Selectivity Compensation.2021,全文. * |
姜政 ; 李中年 ; 张欣 ; 杨大成 ; .上行MIMO-OFDMA系统的频偏和信道联合估计算法.2008,(03),全文. * |
张凯 ; 于宏毅 ; 胡鹏 ; 沈智翔 ; .基于EM-SBL迭代的稀疏SIMO信道频域盲均衡算法.2018,(02),全文. * |
张祥虎 ; 周庆安 ; 宋常建 ; 钟子发 ; .一种适用于TD-LTE系统的MAP信道估计算法.2012,(02),全文. * |
王行业 ; 王忠勇 ; 高向川 ; 段琳琳 ; .基于变分推理的Turbo频域均衡与信道估计.2013,(02),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114244675A (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111698182B (zh) | 一种基于压缩感知的时频分块稀疏的信道估计方法 | |
EP1968224B1 (en) | Communication apparatus and channel estimating method | |
CN101808054B (zh) | 信道估计的实现方法和装置 | |
CN104486267B (zh) | 一种短波信道下基于小波去噪的sc‑fde信道估计方法 | |
CN104410590A (zh) | 一种基于压缩感知的短波ofdm抑制干扰联合信道估计方法 | |
Gizzini et al. | A survey on deep learning based channel estimation in doubly dispersive environments | |
US11627443B2 (en) | Apparatus and method for compensating channel based on artificial neural network | |
CN113206809B (zh) | 一种联合深度学习与基扩展模型的信道预测方法 | |
CN101707582A (zh) | 基于多相分解的多天线信道估计方法 | |
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 | |
CN114244675B (zh) | 一种基于深度学习的mimo-ofdm系统信道估计方法 | |
CN103873406A (zh) | 水声正交频分复用通信系统帧间干扰消除方法 | |
CN113422745A (zh) | 一种基于深度学习的空海无线信道估计方法 | |
CN113472712A (zh) | 一种相位噪声抑制方法 | |
CN104539562A (zh) | 基于多输入多输出正交频分复用的宽带短波信道估计方法 | |
CN113726711B (zh) | Ofdm接收方法和装置、信道估计模型训练方法和装置 | |
US20120213315A1 (en) | Process for estimating the channel in a ofdm communication system, and receiver for doing the same | |
CN101588330B (zh) | 一种用于短波ofdm通信系统的联合信道估计方法 | |
WO2007039834A2 (en) | Noise power interpolation in a multi-carrier system | |
CN111291511B (zh) | 一种基于历史信息的软卡尔曼滤波迭代时变信道估计方法 | |
CN102075220B (zh) | 一种基于时域降噪的信道估计装置及方法 | |
CN115412416B (zh) | 一种面向高速移动场景的低复杂度otfs信号检测方法 | |
Krishna et al. | OFDM channel estimation and equalization using multi scale independent component analysis | |
CN102938746B (zh) | 基于复指数基扩展模型的信道估计方法和信道估计器 | |
Pradhan et al. | A two-stage CNN based channel estimation for OFDM system |
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 |