CN114584239B - 一种基于学习去噪的otfs水声通信稀疏信道估计方法 - Google Patents

Abstract

本发明涉及水声通信领域，具体涉及一种基于学习去噪的OTFS水声通信稀疏信道估计方法。所述的方法步骤如下：将时延‑多普勒域内的信号经过离散辛傅里叶反变换，得到时频域内的信号。利用水声通信发射机将时域信号经载波调制后发射。接收端：对接收换能器收到的信号进行预处理；对经过预处理后的接收信号进行OFDM解调；对时延‑多普勒域内的接收信号进行信道估计；在时延‑多普勒域内对接收信号进行初步信道估计；将多个初步估计的信道作为视频序列使用视频去噪网络进行去噪。本发明的通信方法针对水声OTFS系统，提出一种学习的基于去噪的OTFS水声通信稀疏自适应信道估计方法，通过使用去噪网络能够进一步提升信道估计的准确性。

Description

一种基于学习去噪的OTFS水声通信稀疏信道估计方法

技术领域

本发明涉及水声通信领域，涉及一种基于学习去噪的OTFS水声通信稀疏信道估计方法。

背景技术

随着对海洋资源的需求越来越强，人们对海洋的探索也越来越深入。对于探索海洋的过程中，水下通信是一项必不可少的技术。目前水声通信中常用的技术有：单载波时域均衡技术、单载波频域均衡技术、正交频分复用技术(OFDM)、Turbo均衡技术。单载波时域均衡技术虽然能够实现高速率通信但存在着接收机设计复杂度高、对参数敏感、不易实现的缺点。OFDM对长时延扩展信道具有较好的鲁棒性和较低的复杂度，在高速水声通信中得到了广泛的应用。OFDM调制的优点是符号能够在正交的子载波信道中不受干扰的传输。但是在时变信道中，子载波间的正交性会被破坏，存在子载波间干扰(ICI)，这会严重降低OFDM的性能。

近些年，研究人员提出正交时频空分复用(OTFS)。它在快时变信道下具有更好的鲁棒性。以往的研究表明，在时变信道中，OTFS比OFDM具有更好的性能。因此，OTFS调制对UWA通信具有更大的吸引力。虽然延迟-多普勒域中的信道是时不变的，但信息符号仍然受到多普勒间干扰(IDI)和符号间干扰(ISI)。在OTFS系统中也需要进行均衡以消除干扰。目前，大多数均衡器都需要知道信道状态信息。因此，信道估计对OTFS系统的性能影响很大，在OTFS系统中起着至关重要的作用。

本发明首先采用自适应算法进行初步信道估计，利用时延-多普勒域信道稀疏性的特点，提出一种学习的基于去噪的OTFS水声通信稀疏自适应信道估计。

发明内容

本发明将OTFS应用于水声通信中，并提出了一种学习的基于去噪的稀疏自适应信道估计。基于时延多普勒域信道不变性的特点，采用改进的比例归一化最小均方算法(IPNLMS)，将自适应滤波器估计的多个信道视为同一幅干净图像中的多个噪声图像。最后通过一个视频去噪网络，FastDVDNet，进一步提高估计性能。结果表明，所提出的去噪方法能显著提高信道估计性能并获得较好的估计性能。

本发明的技术方案如下：

一种学习的基于去噪的OTFS水声通信稀疏自适应信道估计，步骤如下：

第一步：发射端

1.1信息比特流经过QAM调制后，得到M*N个正交振幅调制(QAM)符号，将其转换成M×N的矩阵，该信号矩阵即为时延-多普勒域中发射信号。

1.2将时延-多普勒域中发射信号经过离散辛傅里叶反变换(ISFFT)，得到时频域内的信号。对时频域内的信号进行加窗处理。之后，对该信号进行OFDM调制，得到时域信号；

第二步：利用水声通信发射机将时域信号经载波调制后发射。

第三步：时延-多普勒域接收信号的产生

3.1.对接收换能器收到的信号进行预处理，预处理包括同步、下变频和抽样处理等；

3.2对经过预处理后的接收信号进行OFDM解调，转换到时频域。再通过离散辛傅里叶变换转换到时延-多普勒域，得到时延-多普勒域内的接收信号；

第四步：时延-多普勒域中的信道估计

4.1使用自适应算法对时延-多普勒域内的接收信号进行初步信道估计；

4.2使用视频去噪网络对得到的估计信道去噪。

本发明的有益效果：

本发明的通信方法针对水声OTFS系统，提出一种学习的基于去噪的OTFS水声通信稀疏自适应信道估计，能有效提高信道估计的准确性。

附图说明

图1是时延-多普勒域中的接收导频符号；

图2是本发明使用的视频去噪网络结构图；

图3是去噪器的网络结构图；

图4是仿真水声信道的信道脉冲响应；

图5是仿真水声信道的散射函数图。

具体实施方式

下面结合附图和具体实施实例对本发明进一步详细的描述。

本发明仅涉及通信系统中的基带调制阶段，对于载波调制与解调阶段内容忽略。

发射端的具体实施方式包括以下分步骤：

T1.时延-多普勒域发射信号；

信息比特数据经过QAM调制后，得到M*N个QAM符号，将其转换成M×N的矩阵X。信息符号X_l,k,l＝0,…,M-1,k＝0,N-1放置在时延-多普勒域中。

T2.产生时域信号；

利用离散辛傅里叶反变换(ISFFT)变换与Heisenber变换将X转换为时域信号S，可表示为：

式中，

为傅里叶变换矩阵，(·)^H表示Hermitian变换，G_tx为发射脉冲整形波形矩阵，本发明中使用矩形波。

为避免子块间干扰，为每一列符号添加循环前缀(CP)，即使用NCP的OTFS系统。

T3.时变水声信道；

时变的UWA信道可以表示为：

式中P为时延数，h_i，τ_i和v_i分别为第i条路径下的路径增益，时延和多普勒。τ_i和v_i可以表示为：

式中

和

分别表示时延域和多普勒域中的分辨率。

T4.对数据进S行载波调制，并发送到水声信道中。

接收端包括：预处理模块、串并转换模块、CP去除模块、FFT模块、加窗函数模块、SFFT模块，其中预处理模块包括同步、下变频和抽样等处理，主要是将接收到的通带信号变成基带信号，这里不进行描述。

R1.在接收端，时域的信号首先转换为一个矩阵，并丢弃CP以获得一个信号矩阵R；

R2.时延-多普勒域中接收信号。

通过应用Wigner变换和SFFT，时延-多普勒域中的接收信号Y重写为X与具有相位旋转的信道的二维周期卷积形式：

式中H_l,k为时延-多普勒域内的信道，V_l,k为信道噪声。[·]_M和[·]_N分别表示对M和N取模处理。e^φ(α,β)为时延-多普勒域中对信道的补偿相位，具体表示为：

式中，α＝(l-l')_M，β＝(k-k′)_N，N_CP为CP的长度。

为后续的信道估计，公式(4)可重写为

式中

且

若τ_max和v_max分别为最大时延和多普勒扩展，L＝τ_maxMΔf和K＝v_maxNT分别为时延-多普勒域中的最大时延和多普勒。那么对于

其非零元素的大小为L×(2K+1)。因此利用时延-多普勒域信道具有稀疏性的特点，采用自适应算法进行初步信道估计，并利用视频去噪网络提升信道估计的性能。

C1.接收信号的向量形式；

将时延-多普勒域接收信号表示为向量形式：

Y_l,k＝h^Hu+v (8)

式中h，u，v，分别表示信道，训练符号与信道噪声的向量形式，即h＝vec{H^*}，u＝vec{U}，v＝vec{V}。

C2.计算信号预测误差；

信号预测误差定义为接收信号与通过估计信道与发射符号的卷积得到的估计信号之间的误差：

式中

和U_l′,k'分别表示已估计的信道和训练符号。

C3.更新信道；

采用自适应算法估计

考虑到时延-多普勒域信道的稀疏性，本发明采用IPNLMS算法估计参数。信道更新为：

式中

表示更新的信道。μ和δ_h分别表示步长和归一化参数。G为对角比例矩阵，其第i列对角元素表示为

式中ε_h和L_h分别表示归一化参数和

的大小。

C4.初步估计信道；

当公式(10)收敛后，时延-多普勒域的估计信道表示为：

滤波器可以生成多个估计样本。图1给出了时延-多普勒域的接收导频符号。训练信号的大小为M_τ×N_v。由图1可知，用于信道估计的符号总数N_total＝(M_τ-L)(N_v-2K)。假设滤波器经过N_c步收敛，则可生成N_h＝N_total-N_c个估计样本。

本发明中自适应信道估计方法用于时不变的时延-多普勒域信道的估计。对于第i个估计样本，可以看成是信道的真值与估计误差的和：

式中N_h为样本总数。

C5.基于去噪的信道估计；

使用两阶段处理的FastDVDNet视频去噪网络。其结构框图如图2所示。第一阶段中，将5帧信道图片分为3组分别送入去噪器D₁中。即

为第i组的输入帧，i＝{1,2,3}。D₁的输出表示为：

式中ξ和θ₁分别表示方差为σ的加性高斯白噪声和D₁的网络参数。

经过D₁对输入信息进行特征提取和初步去噪后，将三个去噪器的输出作为第二阶段D₂的输入进行进一步去噪。因此，最终预测的信道图像为

式中θ₂为去噪器D₂的网络参数。

使用均方误差作为损失函数，表示为

式中Z为信道H生成的图像。

图3为去噪器D₁和D₂的网络结构，其中Ω_i为输入。该网络是一种编码器-解码器结构，编码器和解码器的组合是通过加法实现的，而不是像素之间的级联。该网络通过bonding功能实现残差学习，可以加速网络训练，取得更好的性能。

利用水声信道仿真软件得到时变水声信道来验证本发明提出的二维被动时反接收机的性能。在仿真中，设置水深在100m处，水源深度为20m。源的中心频率和带宽分别为f_c＝15kHz，B＝10kHz。航速和扩散因子分别设置为1.2m/s和1.7。

一共产生成8000个UWA信道，其中接收水听器深度为66～69m，通信距离为1000～4000m。图4和图5分别给出了其中一个仿真通道的信道脉冲响应和散射函数图。在图4中，最大信道延迟扩展约为12ms，并且有5个多径簇。最大多普勒偏移大约为1Hz。虽然最大多普勒频移较大，但多径结构相对简单。

Claims (3)

1.一种基于学习去噪的OTFS水声通信稀疏信道估计方法，其特征在于，步骤如下：

第一步：发射端产生时域信号；

1.1信息比特流经过正交振幅调制QAM调制后，得到M*N个QAM符号，将其转换成M×N的矩阵，该矩阵即为时延-多普勒域中发射信号；

1.2将时延-多普勒域中发射信号经过离散辛傅里叶反变换，得到时频域内的信号；对时频域内的信号进行加窗处理；之后，对加窗处理后的信号进行OFDM调制，得到时域信号；

第二步：利用水声通信发射机将时域信号经载波调制后发射；

第三步：接收端处理信号

3.1.对接收换能器收到的信号进行预处理，预处理目的是将接收到的通带信号变成基带信号；

3.2对经过预处理后的接收信号进行OFDM解调，转换到时频域；再通过离散辛傅里叶变换转换到时延-多普勒域；

第四步：信道估计

4.1使用自适应信道估计方法对时延-多普勒域内的接收信号进行初步估计；

4.2使用视频去噪网络对得到的估计信道去噪；

所述的步骤4.1中，所用信道估计步骤，具体如下：

4.1.1将时延-多普勒域接收信号表示为向量形式：

Y_l,k＝h^Hu+v (1)

式中h，u，v，分别表示信道，训练符号与信道噪声的向量形式，即h＝vec{H^*}，u＝vec{U}，v＝vec{V}；l表示接收信号在时延域的位置；k表示接收信号在多普勒域内的位置；

4.1.2定义信号预测误差为接收信号与通过估计信道与发射符号的卷积得到的估计信号之间的误差：

式中

和U_l′,k'分别表示已估计的信道和训练符号；l′表示估计信号在时延域的位置；k'表示估计信号在多普勒域内的位置；

4.1.3采用自适应算法估计

考虑到时延-多普勒域信道的稀疏性，采用IPNLMS算法估计参数；信道更新为：

式中

表示更新的信道；μ和δ_h分别表示步长和归一化参数；G为对角比例矩阵，其第i列对角元素表示为

式中ε_h和L_h分别表示归一化参数和

的大小；

4.1.4当公式(3)收敛后，时延-多普勒域的估计信道表示为：

4.1.5自适应信道估计方法用于时不变的时延-多普勒域信道的估计；对于第i个估计样本，看成是水声信道的真值H与估计误差e_i的和：

式中N_h为样本总数；

所述的步骤4.2中，所用的视频去噪步骤，具体如下：

4.2.1将4.1中估计的信道实部和虚部重建为：

4.2.2使用两阶段处理的FastDVDNet视频去噪网络；第一阶段中，将5帧信道图片分为3组分别送入去噪器D₁中；即

为第i组的输入帧，i＝{1,2,3}；D₁的输出表示为：

式中ξ和θ₁分别表示方差为σ的加性高斯白噪声和D₁的网络参数；

4.2.3经过D₁对输入信息进行特征提取和初步去噪后，将三个去噪器的输出作为第二阶段D₂的输入进行进一步去噪；因此，最终预测的信道图像为

式中θ₂为去噪器D₂的网络参数；

4.2.4使用均方误差作为损失函数，表示为

式中Z为信道H生成的图像。

2.如权利要求1所述的一种基于学习去噪的OTFS水声通信稀疏信道估计方法，其特征在于，所述的第三步，具体操作如下：

R1.在接收端，时域的信号首先转换为一个矩阵，并丢弃循环前缀CP以获得一个信号矩阵R；

R2.时延-多普勒域中接收信号；

通过应用Wigner变换和SFFT，时延-多普勒域中的接收信号Y重写为X与具有相位旋转的信道的二维周期卷积形式：

式中H_l,k为时延-多普勒域内的信道，V_l,k为信道噪声；[·]_M和[·]_N分别表示对M和N取模处理；e^φ(α,β)为时延-多普勒域中对信道的补偿相位，具体表示为：

式中，α＝[l-l']_M，β＝[k-k′]_N，N_CP为循环前缀CP的长度；

为后续的信道估计，公式(4)可重写为

式中

且

若τ_max和v_max分别为最大时延和多普勒扩展，L＝τ_maxMΔf和K＝v_maxNT分别为时延-多普勒域中的最大时延和多普勒范围；那么对于

其非零元素的大小为L×(2K+1)。

3.如权利要求1或2所述的一种基于学习去噪的OTFS水声通信稀疏信道估计方法，其特征在于，所述的步骤3.1中，预处理包括同步、下变频和抽样处理。

Images