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 PDF

Info

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
Application number
CN202111634481.8A
Other languages
English (en)
Other versions
CN114244675A (zh
Inventor
袁晓军
黄周洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202111634481.8A priority Critical patent/CN114244675B/zh
Publication of CN114244675A publication Critical patent/CN114244675A/zh
Application granted granted Critical
Publication of CN114244675B publication Critical patent/CN114244675B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

一种基于深度学习的MIMO-OFDM系统信道估计方法
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，
Figure GDA0004053819820000011
其中，
Figure GDA0004053819820000021
是第k个用户发射的导频矩阵，为对角阵；
Figure GDA0004053819820000022
为第k个用户与基站间的频域信道矩阵；
Figure GDA0004053819820000023
是噪声方差为
Figure GDA0004053819820000024
的加性高斯白噪声；
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
Figure GDA0004053819820000025
其中，nq＝(q-1)M/Q+1，...，qM/Q，nr＝1，...，N，
Figure GDA0004053819820000026
Figure GDA0004053819820000027
与
Figure GDA0004053819820000028
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；
Figure GDA0004053819820000029
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
Figure GDA00040538198200000210
与
Figure GDA00040538198200000211
定义，
Figure GDA00040538198200000212
1M/Q是长度为M/Q的全1向量，
Figure GDA00040538198200000213
和
Figure GDA00040538198200000214
对于频域信道矩阵
Figure GDA00040538198200000215
的分块线性近似表示为
Gk＝E1Bk+E2Ck+Δk
其中，Δk为近似误差项；
Figure GDA00040538198200000216
和
Figure GDA00040538198200000217
分别为用户信道均值矩阵和补偿矩阵，至此，可以得到分块线性近似下的系统模型表示为：
Y＝AbB+AcC+Z
其中，
Figure GDA00040538198200000218
为分块线性近似下的导频矩阵，Z为AWGN与模型失配的误差项之和，为
Figure GDA00040538198200000219
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
Figure GDA0004053819820000031
以及模块A关于C的先验CA，pri＝0和方差
Figure GDA0004053819820000032
其中，
Figure GDA0004053819820000033
分别为B和C的均值，
Figure GDA0004053819820000034
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：
S41、接收信号输入线性估计模块A，计算接收信号的协方差矩阵
Figure GDA0004053819820000035
这里I为单位矩阵；然后可以得到模块A关于B的LMMSE后验估计和方差：
Figure GDA0004053819820000036
Figure GDA0004053819820000037
同理，模块A关于C的LMMSE后验估计和方差：
Figure GDA0004053819820000038
Figure GDA0004053819820000039
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)
Figure GDA00040538198200000310
Figure GDA00040538198200000311
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)
Figure GDA0004053819820000041
Figure GDA0004053819820000042
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
Figure GDA0004053819820000043
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
Figure GDA0004053819820000044
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
Figure GDA0004053819820000045
单独去噪，并使
Figure GDA0004053819820000046
的实虚部分别作为网络的两个输入通道，即每个
Figure GDA0004053819820000047
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：
Figure GDA0004053819820000048
这里，
Figure GDA0004053819820000049
为经过深度神经网络去噪后的模块B关于第k个用户的信道Gk的后验估计；
定义每个样本的损失函数为：
Figure GDA00040538198200000410
其中
Figure GDA00040538198200000411
指已知真实的信道状态信息；基于上述网络模型和Loss函数利用误差反向传播算法训练去噪网络，直至收敛，并保存训练好的网络；
S46、加载当前迭代层已经训练好的通用去噪器，将
Figure GDA0004053819820000051
输入网络，可得
Figure GDA0004053819820000052
S47、将信道转化为分块线性模型表示
Figure GDA0004053819820000053
至此，可将S43至S47记为
Figure GDA0004053819820000054
这里，
Figure GDA0004053819820000055
表示(BB，pri，CB，pri)与(BB，post，CB，post)间的函数关系；
S48、根据蒙特卡洛近似计算
Figure GDA0004053819820000056
对BB，pri的导数，并求均值，有
Figure GDA0004053819820000057
计算模块B关于B的后验估计方差
Figure GDA0004053819820000058
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)
Figure GDA0004053819820000059
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)
Figure GDA00040538198200000510
同理，
Figure GDA0004053819820000061
Figure GDA0004053819820000062
Figure GDA0004053819820000063
Figure GDA0004053819820000064
其中，εb，l＝max(abs(BB，pri))/1000，εc，l＝max(abs(CB，pri))/1000，
Figure GDA0004053819820000065
为独立同高斯分布，
Figure GDA0004053819820000066
为W的共轭，⊙表示Hadamard积；
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
Figure GDA0004053819820000067
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
Figure GDA0004053819820000071
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
Figure GDA0004053819820000072
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，
Figure GDA0004053819820000073
其中，
Figure GDA0004053819820000074
是第k个用户发射的导频矩阵，为对角阵；
Figure GDA0004053819820000075
为第k个用户与基站间的频域信道矩阵；
Figure GDA0004053819820000076
是噪声方差为
Figure GDA0004053819820000077
的加性高斯白噪声；
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
Figure GDA0004053819820000081
其中，nq＝(q-1)M/Q+1，...，qM/Q，nt＝1，...，N，
Figure GDA0004053819820000082
Figure GDA0004053819820000083
与
Figure GDA0004053819820000084
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；
Figure GDA0004053819820000085
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
Figure GDA0004053819820000086
与
Figure GDA0004053819820000087
定义，
Figure GDA0004053819820000088
1M/Q是长度为M/Q的全1向量，
Figure GDA0004053819820000089
和
Figure GDA00040538198200000810
对于频域信道矩阵
Figure GDA00040538198200000811
的分块线性近似表示为
Gk＝E1Bk+E2Ck+Δk
其中，Δk为近似误差项；
Figure GDA00040538198200000812
和
Figure GDA00040538198200000813
分别为用户信道均值矩阵和补偿矩阵，至此，可以得到分块线性近似下的系统模型表示为：
Y＝AbB+AcC+Z
其中，
Figure GDA00040538198200000814
为分块线性近似下的导频矩阵，Z为AWGN与模型失配的误差项之和，为
Figure GDA00040538198200000815
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
Figure GDA00040538198200000816
以及模块A关于C的先验CA，pri＝0和方差
Figure GDA00040538198200000817
其中，
Figure GDA00040538198200000818
分别为B和C的均值，
Figure GDA00040538198200000819
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：
S41、接收信号输入线性估计模块A，计算接收信号的协方差矩阵
Figure GDA0004053819820000091
这里I为单位矩阵；然后可以得到模块A关于B的LMMSE后验估计和方差：
Figure GDA0004053819820000092
同理，模块A关于C的LMMSE后验估计和方差：
Figure GDA0004053819820000093
Figure GDA0004053819820000094
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)
Figure GDA0004053819820000095
Figure GDA0004053819820000096
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)
Figure GDA0004053819820000097
Figure GDA0004053819820000098
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
Figure GDA0004053819820000101
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
Figure GDA0004053819820000102
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
Figure GDA0004053819820000103
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
Figure GDA0004053819820000104
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
Figure GDA0004053819820000105
单独去噪，并使
Figure GDA0004053819820000106
的实虚部分别作为网络的两个输入通道，即每个
Figure GDA0004053819820000107
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：
Figure GDA0004053819820000108
这里，
Figure GDA0004053819820000109
为经过深度神经网络去噪后的模块B关于第k个用户的信道Gk的后验估计；
定义每个样本的损失函数为：
Figure GDA00040538198200001010
其中
Figure GDA0004053819820000111
指已知真实的信道状态信息；基于上述网络模型和Loss函数利用误差反向传播算法训练去噪网络，直至收敛，并保存训练好的网络；
S46、加载当前迭代层已经训练好的通用去噪器，将
Figure GDA0004053819820000112
输入网络，可得
Figure GDA0004053819820000113
S47、将信道转化为分块线性模型表示
Figure GDA0004053819820000114
至此，可将S43至S47记为
Figure GDA0004053819820000115
这里，
Figure GDA0004053819820000116
表示(BB，pri，CB，pri)与(BB，post，CB，post)间的函数关系；
S48、根据蒙特卡洛近似计算
Figure GDA0004053819820000117
对BB，pri的导数，并求均值，有
Figure GDA0004053819820000118
计算模块B关于B的后验估计方差
Figure GDA0004053819820000119
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)
Figure GDA00040538198200001110
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)
Figure GDA00040538198200001111
同理，
Figure GDA0004053819820000121
Figure GDA0004053819820000122
Figure GDA0004053819820000123
Figure GDA0004053819820000124
其中，εb，l＝max(abs(BB，pri))/1000，εc，l＝max(abs(CB，pri))/1000，
Figure GDA0004053819820000125
为独立同高斯分布，
Figure GDA0004053819820000126
为W的共轭，⊙表示Hadamard积；
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
Figure GDA0004053819820000127
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：
Figure FDA0004053819810000011
其中，
Figure FDA0004053819810000012
是第k个用户发射的导频矩阵，为对角阵，
Figure FDA0004053819810000013
为第k个用户与基站间的频域信道矩阵，
Figure FDA0004053819810000014
是噪声方差为
Figure FDA0004053819810000015
的加性高斯白噪声；
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：
Figure FDA0004053819810000016
其中，
Figure FDA0004053819810000017
Figure FDA0004053819810000018
与
Figure FDA0004053819810000019
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，
Figure FDA00040538198100000110
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
Figure FDA00040538198100000111
与
Figure FDA00040538198100000112
定义
Figure FDA00040538198100000113
1M/Q是长度为M/Q的全1向量，
Figure FDA00040538198100000114
和
Figure FDA00040538198100000115
对于频域信道矩阵
Figure FDA00040538198100000116
的分块线性近似表示为：
Gk＝E1Bk+E2Ck+Δk
其中，Δk为近似误差项，
Figure FDA00040538198100000117
和
Figure FDA00040538198100000118
分别为用户信道均值矩阵和补偿矩阵，得到分块线性近似下的系统模型表示为：
Y＝AbB+AcC+Z
其中，
Figure FDA0004053819810000021
为分块线性近似下的导频矩阵，Z为AWGN与模型失配的误差项之和，为
Figure FDA0004053819810000022
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
Figure FDA0004053819810000023
以及模块A关于C的先验CA，pri＝0和方差
Figure FDA0004053819810000024
其中，
Figure FDA0004053819810000025
分别为B和C的均值，
Figure FDA0004053819810000026
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：
S41、接收信号输入线性估计模块A，计算接收信号的协方差矩阵
Figure FDA0004053819810000027
这里I为单位矩阵；然后可以得到模块A关于B的LMMSE后验估计和方差：
Figure FDA0004053819810000028
Figure FDA0004053819810000029
同理，模块A关于C的LMMSE后验估计和方差：
Figure FDA00040538198100000210
Figure FDA00040538198100000211
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：
Figure FDA0004053819810000031
Figure FDA0004053819810000032
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：
Figure FDA0004053819810000033
Figure FDA0004053819810000034
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：
Figure FDA0004053819810000035
S44、定义具有盲去噪功能的深度神经网络
Figure FDA0004053819810000036
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：
在训练阶段，训练具有盲去噪功能的深度神经网络
Figure FDA0004053819810000037
对每个用户对应的信道
Figure FDA0004053819810000038
单独去噪，并使
Figure FDA0004053819810000039
的实虚部分别作为网络的两个输入通道，即每个
Figure FDA00040538198100000310
深度神经网络的功能可公式化表示为：
Figure FDA00040538198100000311
这里，
Figure FDA00040538198100000312
为经过深度神经网络去噪后的模块B关于第k个用户的信道Gk的后验估计；
定义每个样本的损失函数为：
Figure FDA00040538198100000313
其中
Figure FDA00040538198100000314
指已知真实的信道状态信息；基于上述网络模型和Loss函数利用误差反向传播算法训练去噪网络，直至收敛，并保存训练好的网络；
S46、加载当前迭代层已经训练好的通用去噪器，将
Figure FDA0004053819810000041
输入网络，可得
Figure FDA0004053819810000042
S47、将信道转化为分块线性模型表示
Figure FDA0004053819810000043
将S43至S47记为
Figure FDA0004053819810000044
Figure FDA0004053819810000045
表示(BB，pri，CB，pri)与(BB，post，CB，post)间的函数关系；
S48、根据蒙特卡洛近似计算
Figure FDA0004053819810000046
对BB，pri的导数，并求均值，有
Figure FDA0004053819810000047
计算模块B关于B的后验估计方差：
Figure FDA0004053819810000048
计算模块B关于B的估计外信息方差：
Figure FDA0004053819810000049
计算模块B关于B的估计外信息：
Figure FDA00040538198100000410
同理，
Figure FDA00040538198100000411
Figure FDA0004053819810000051
Figure FDA0004053819810000052
Figure FDA0004053819810000053
其中，εb，l＝max(abs(BB，pri))/1000，εc，l＝max(abs(CB，pri))/1000，
Figure FDA0004053819810000054
为独立同高斯分布，
Figure FDA0004053819810000055
为W的共轭，⊙表示Hadamard积；
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：
Figure FDA0004053819810000056
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
Figure FDA0004053819810000057
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
Figure FDA0004053819810000058
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。
CN202111634481.8A 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 Active CN114244675B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
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