CN114363129B - 一种基于深度密集残差网络的无线衰落信道估计方法 - Google Patents

Abstract

本发明公开了一种基于深度密集残差网络的无线衰落信道估计方法。该方法引入Add和Concatenate操作，运用密集网络DenseNets和残差网络ResNets改进深度神经网络DNN，分别构建深度密集网络DeDNN和深度残差网络ReDNN，通过串连组成DeReNet，抑制网络训练中出现的梯度爆炸和消失问题，通过神经网络自动提取IQ信号特征，实现无线通信信道准确估计。本发明能够提高OFDM无线通信信道估计的准确性和鲁棒性，并具有较强的泛化迁移能力。

Description

一种基于深度密集残差网络的无线衰落信道估计方法

技术领域

本发明涉及无线通信信道估计和深度学习网络技术领域，具体是一种基于深度密集残差网络的无线衰落信道估计方法。

背景技术

随着我国对海洋资源的开发步入“深蓝阶段”，海洋区域复杂多变的衰落信道环境对通信系统的传输准确性和鲁棒性提出了更高的要求。信道估计已成为保障海上通信的关键技术之一。

在正交频分复用(Orthogonal Frequency Division Multiplexing，OFDM)系统中信道估计分为：盲估计、非盲估计和半盲估计。其中，半盲估计实现了数据传输效率与信息可靠性之间的平衡成为最常使用的信道估计方法，如最小二乘法(least square，LS)和线性最小均方误差法(Linear Minimum Mean Square Error，LMMSE)。LS以其简单著称，但其估计精度通常不令人满意。LMMSE估计误差很小，但需要二阶信道统计量和噪声方差作为先验信息，计算复杂度高。

近年来深度学习的兴起，为信道估计提供了一种有效改进方法。基于深度学习的信道估计分为均衡一体化估计和信道估计。均衡一体化估计是将信道估计和信道均衡集成在一个深度学习网络中，直接获得均衡后信号，简化了整体通信系统结构。但是，均衡一体化估计无法获得完整的信道信息。信道估计使用深度学习网络提取出一段时间内完整的信道信息，提取出的信道信息可以用于信道均衡、信号解调并优化最终信道解码的结果，并且为实际衰落信道建模提供样本数据。信道估计是目前常用的深度学习优化信道估计方法。

发明内容

本发明提供一种基于深度密集残差网络的无线衰落信道估计方法，该方法引入Add和Concatenate操作，运用密集网络DenseNets和残差网络ResNets改进深度神经网络DNN，分别构建深度密集网络DeDNN和深度残差网络ReDNN，通过串连组成DeReNet，抑制网络训练中出现的梯度爆炸和消失问题，通过神经网络自动提取IQ信号特征，实现无线通信信道准确估计，能够提高OFDM无线通信信道估计的准确性和鲁棒性，并具有较强的泛化迁移能力。

实现本发明目的的技术方案是：

一种基于深度密集残差网络的无线衰落信道估计方法，该方法首先构建DeReNet模型；再利用传统信道估计方法，获取导频位置的信道状态信息(channel stateinformation，CSI)；最后将导频位置的CSI输入DeReNet估计数据位置的CSI。该方法具体包括如下步骤：

1)构建DeReNet模型，通过在全连接(full connection，FC)网络层之间运用Add和Concatenate操作的方式改进DNN网络，抑制网络训练中出现的梯度爆炸和消失问题；再串联FC层、Dropout层、Tanh层和Regression层完成模型构建；

2)获取导频位置的CSI，接收端确定接收信号中导频位置，对导频进行传统信道估计并获取导频位置的CSI；

3)以步骤2)中导频位置的CSI作为DeReNet模型的输入数据，采用变化学习率的梯度下降算法，更新网络权重参数集，加快模型收敛速度，将导频位置的CSI输入训练好的DeReNet模型中，估计数据位置的CSI。

步骤1)中，构建DeReNet模型，包括步骤如下：

1-1)串行连接两个全连接层，并通过Add操作对两个FC层的输出进行相加，构建深度残差网络ReDNN，其中ReDNN的输出v为：

其中x和u表示第一个FC的输入和输出，W_i和b_i表示FC层的权重和偏置，f(·)表示ReLU激活函数；

1-2)串行连接两个全连接层，并通过Concatenate操作，将两个FC层的输出拼接为一个一维矢量，构建深度密集网络DeDNN，其中DeDNN的输出p为：

其中m和q表示第一个FC的输入和输出，W_i和b_i表示FC层的权重和偏置，f(·)表示ReLU激活函数；

1-3)依次串行连接三个ReDNN、一个DeDNN和一个ReDNN构建估计模块W；

1-4)串行连接估计模块W、一个FC层和Regression层构建DeReNet，FC层的神经元个数设置为M，M为数据位置的CSI的数量，FC层与Regression层之间一次添加Dropout层、Tanh层，完成DeReNet模型的构建。

本发明提供的一种基于深度密集残差网络的无线衰落信道估计方法，具有以下有益效果：

该方法引入Add和Concatenate操作，运用密集网络DenseNets和残差网络ResNets改进深度神经网络DNN，分别构建深度密集网络DeDNN和深度残差网络ReDNN，通过串连组成DeReNet，抑制网络训练中出现的梯度爆炸和消失问题，通过神经网络自动提取IQ信号特征，实现无线通信信道准确估计。本发明能够提高OFDM无线通信信道估计的准确性和鲁棒性，并具有较强的泛化迁移能力。仿真结果表明，本发明实现了复杂信道环境下无线通信信号的准确估计。

附图说明

图1为发射信号的帧结构示意图；

图2为DeReNet结构示意图；

图3为莱斯衰落信道MPMSE对比图；

图4为瑞利衰落信道MPMSE对比图；

图5为莱斯衰落信道增益对比图；

图6为瑞利衰落信道增益对比图；

图7为DeReNet莱斯衰落信道与瑞利衰落信道估计增益对比图。

具体实施方式

下面结合附图和实施例对本发明内容做进一步阐述，但不是对本发明的限定；

实施例：

假设一个海上无线信号接收场景，以海上通信基站为接收端，发送信号天线为发射端，发射端信号经过信道编码、信号调制、导频插入和循环前缀插入模块后通过天线发射到空气中，发射信号为S_t＝[S_t(1),S_t(2),…,S_t(i)]，帧结构如图1所示，接收信号为y_t＝[y_t(1),y_t(2),…,y_t(i)]，接收信号与发射信号之间的关系为

其中h_t是CSI，z为高斯白噪声，/>

表示卷积运算。

本实施例中的神经网络均采用Matlab2020b深度学习框架构建。发射机参数如表1所示，训练参数如表2所示，信道衰落模型采用莱斯和瑞利衰落。

在该环境和实验设置下，针对不同环境下的信道衰落和噪声干扰，提出了一种基于深度密集残差网络的无线衰落信道估计方法，该方法运用密集网络DenseNets和残差网络ResNets改进深度神经网络DNN，分别构建深度密集网络DeDNN和深度残差网络ReDNN，通过串连构建DeReNet，抑制网络训练中出现的梯度爆炸和消失问题，通过神经网络自动提取IQ信号特征，实现无线通信信道准确估计。具体实施包含如下步骤：

1)构建DeReNet模型，通过在全连接FC网络层之间运用Add和Concatenate操作的方式改进DNN网络，抑制网络训练中出现的梯度爆炸和消失问题；再串联FC层、Dropout层、Tanh层和Regression层完成模型构建；

2)获取导频位置的CSI，接收端确定接收信号中导频位置，对导频进行传统信道估计并获取导频位置的CSI；

3)以步骤2)中导频位置的CSI作为DeReNet模型的输入数据，采用变化学习率的梯度下降算法，更新网络权重参数集，加快模型收敛速度。将导频位置的CSI输入训练好的DeReNet估计数据位置的CSI；

4)进行仿真实验，以训练表现、接收性能为评价指标对模型的精度进行评价，通过在不同信道环境的接收精度对模型的鲁棒性进行评价。

步骤1)中，构建DeReNet模型，包括步骤如下：

1-1)串行连接两个全连接层，并通过Add操作对两个FC层的输出进行相加，构建深度残差网络ReDNN，其中ReDNN的输出v为：

其中x和u表示第一个FC的输入和输出，W_i和b_i表示FC层的权重和偏置，f(·)表示ReLU激活函数；

1-2)串行连接两个全连接层，并通过Concatenate操作，将两个FC层的输出拼接为一个一维矢量，构建深度密集网络DeDNN，其中DeDNN的输出p为：

其中m和q表示第一个FC的输入和输出，W_i和b_i表示FC层的权重和偏置，f(·)表示ReLU激活函数；

1-3)依次串行连接三个ReDNN、一个DeDNN和一个ReDNN构建估计模块W；

1-4)串行连接估计模块W、一个FC层和Regression层构建DeReNet，FC层的神经元个数设置为M，M为数据位置的CSI的数量，FC层与Regression层之间一次添加Dropout层、Tanh层，完成DeReNet构建，DeReNet结构如图2所示。

步骤4)中，在莱斯和瑞利衰落信道下，引入FC-DNN和SimNet与DeReNet进行对比试验，分析模型的信道估计准确性与鲁棒性。

4-1)莱斯衰落信道准确性对比

图3比较了4种信道估计模型在莱斯衰落信道下的估计性能。相同SNR下DeReNet模型相比LS、SimNet和FC-DNN估计模型的MPMSE估计误差分别降低4.8481、0.0519和0.127。仿真结果表明DeReNet的准确度明显优于LS模型且对SimNet和FC-DNN也有相应提升。DeReNet会根据标签和输入，为每帧信号估计出相应的信道信息。LS估计算法只能将导频处的CSI视为相邻数据位置的CSI，这种方法在快速时变信道中会干扰估计结果。由于LS算法本身忽略噪声，导频位置的CSI的误差会被继承在信息符号中导致估计效果变差。仿真结果表明，DeReNet信道估计相比于LS、FC-DNN和SimNet模型信道估计具有更准确的估计结果。测试准确度部分数值如表3所示

4-2)莱斯衰落信道鲁棒性对比

鲁棒性测试时结果如图3所示。测试鲁棒性部分数值如表4，在满足MPMSE为10^-2条件下DeReNet接收信号信噪比为-11.31dB,比LS、FC-DNN和SimNet分别低26.31dB、2.81dB和6.92dB。同理DeReNet在10^-1MPMSE数量级比LS模型低16.94dB。综上所述，莱斯衰落信道下DeReNet的信道函数准确性优于LS模型，在10^-2数量级下鲁棒性优于FC-DNN和SimNet。实验测试范围内DeReNet、FC-DNN和SimNet模型的估计误差均未到达100。

4-3)瑞利信道准确性对比

如图4所示，DeReNet与LS在同一SNR下MPMSE估计误差最多相差9.3971。DeReNet模型准确度明显比LS模型和FC-DNN模型分别低18.75dB和3dB，比SimNet模型高0.75dB。但在高信噪比下DeReNet的准确度略微低于FC-DNN和SimNet。测试准确度部分数值如表5所示

4-4)瑞利信道鲁棒性对比

鲁棒性测试时结果如图4所示。测试鲁棒性部分数值如表6，在满足MPMSE为10^-2条件下DeReNet接收信号SNR为-3.75dB,比LS和FC-DNN低18.75dB和3dB，高于SimNet 0.75dB。同理DeReNet在10-1MPMSE数量级比LS模型低20.19dB。综上所述，瑞利衰落信道下DeReNet的信道信息鲁棒性优于LS模型，低SNR下鲁棒性优于FC-DNN模型。实验测试范围内DeReNet、FC-DNN和SimNet模型的MPMSE估计误差未到达100。

4-5)莱斯衰落信道增益对比

从图5可以看出，莱斯衰落信道环境下，DeReNet、FC-DNN和SimNet模型均对LS算法产生正增益。测试范围内，DeReNet对LS算法的估计增益(EG)分别高于FC-DNN和SimNet模2.4115dB和5.9940dB。综上所述，DeReNet、FC-DNN和SimNet模型均对LS算法有提升效果，其中DeReNet的提升效果最大。三种估计模型的EG都随着SNR增大而减小，与莱斯衰落信道准确性和鲁棒性仿真结果吻合。测试EG部分数值如表7所示。

4-6)瑞利衰落信道增益对比

从图6可以看出，瑞利信道环境下，DeReNet、FC-DNN和SimNet模型均对LS算法产生正增益。低信噪比下，DeReNet对LS算法的估计增益(EG)高于FC-DNN模型2.2785dB。综上所述，DeReNet、FC-DNN和SimNet模型均对LS算法有提升效果，其中低信噪比下DeReNet的提升效果高于FC-DNN。三种估计模型的EG都随着SNR增大而减小，与瑞利衰落信道准确性和鲁棒性仿真结果吻合。测试EG部分数值如表8所示。

4-7)DeReNet衰落信道增益对比

从图7可以看出，在不同信道环境下，DeReNet信道估计模型对LS信道估计模型均产生正增益。SNR小于-6.05dB时两信道的EG有较大差距，最高相差4.01dB，最低相差1.27dB。在测试范围内任一SNR下，DeReNet信道估计模型在莱斯衰落信道下信道估计修正较大。两信道衰落中，随着SNR增大，信道估计增益均在减小。综上所述，DeReNe更适用于莱斯衰落信道。测试EG部分数值如表9所示。

表1发射机主要参数

表2训练参数

表3莱斯衰落信道估计准确性对比

表4莱斯衰落信道估计鲁棒性对比

表5瑞利衰落信道估计准确性对比

表6瑞利衰落信道估计鲁棒性对比

表7莱斯衰落信道估计增益对比

表8瑞利衰落信道估计增益对比

表9 DeReNet莱斯衰落信道和瑞利衰落信道估计增益对比

Claims (1)

1.一种基于深度密集残差网络的无线衰落信道估计方法，其特征在于，该方法首先构建DeReNet模型；再利用传统信道估计方法，获取导频位置的信道状态信息CSI；最后将导频位置的CSI输入DeReNet估计数据位置的CSI，该方法具体包括如下步骤：

1)构建DeReNet模型，通过在全连接FC网络层之间运用Add和Concatenate操作的方式改进DNN网络，抑制网络训练中出现的梯度爆炸和消失问题；再串联FC层、Dropout层、Tanh层和Regression层完成模型构建；具体实施如下：1-1)串行连接两个全连接层，并通过Add操作对两个FC层的输出进行相加，构建深度残差网络ReDNN，其中ReDNN的输出v为：

其中x和u表示第一个FC的输入和输出，W_i和b_i表示FC层的权重和偏置，f(·)表示ReLU激活函数；

1-2)串行连接两个全连接层，并通过Concatenate操作，将两个FC层的输出拼接为一个一维矢量，构建深度密集网络DeDNN，其中DeDNN的输出p为：

其中m和q表示第一个FC的输入和输出，W_i和b_i表示FC层的权重和偏置，f(·)表示ReLU激活函数；

1-3)依次串行连接三个ReDNN、一个DeDNN和一个ReDNN构建估计模块W；

1-4)串行连接估计模块W、一个FC层和Regression层构建DeReNet，FC层的神经元个数设置为M，M为数据位置的CSI的数量，FC层与Regression层之间依次添加Dropout层、Tanh层，完成DeReNet模型的构建；

2)获取导频位置的CSI，接收端确定接收信号中导频位置，对导频进行传统信道估计并获取导频位置的CSI；

3)以步骤2)中导频位置的CSI作为DeReNet模型的输入数据，采用变化学习率的梯度下降算法，更新网络权重参数集，加快模型收敛速度，将导频位置的CSI输入训练好的DeReNet模型中，估计数据位置的CSI。

Images