CN115037578B - 一种基于元学习的ofdm系统中时变信道估计方法、装置、及存储介质 - Google Patents

一种基于元学习的ofdm系统中时变信道估计方法、装置、及存储介质 Download PDF

Info

Publication number
CN115037578B
CN115037578B CN202210485320.5A CN202210485320A CN115037578B CN 115037578 B CN115037578 B CN 115037578B CN 202210485320 A CN202210485320 A CN 202210485320A CN 115037578 B CN115037578 B CN 115037578B
Authority
CN
China
Prior art keywords
neural network
channel estimation
learner
network model
time
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
CN202210485320.5A
Other languages
English (en)
Other versions
CN115037578A (zh
Inventor
杨丽花
呼博
任露露
邵永琪
聂倩
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202210485320.5A priority Critical patent/CN115037578B/zh
Publication of CN115037578A publication Critical patent/CN115037578A/zh
Application granted granted Critical
Publication of CN115037578B publication Critical patent/CN115037578B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04L25/0204—Channel estimation of multiple channels
    • 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
    • H04L25/0224—Channel estimation using sounding signals
    • 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
    • H04L25/0256—Channel estimation using minimum mean square error criteria
    • 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
    • H04L27/2657—Carrier synchronisation
    • 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)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)

Abstract

本发明公开了一种基于元学习的OFDM系统中时变信道估计方法、装置、及存储介质，其包括：采集天线上接收到的信号的实时数据；将所采集的信号的实时数据载入预先构建且利用元学习训练好的神经网络模型中，获取时变信道估计结果；神经网络模型训练的过程包括以下步骤：在预先选定数量的具有不同多普勒频移的信道环境中，分别获取频偏补偿后的频域信号，并确定每个频域信号对应的目标信道估计结果；在支撑集上训练神经网络模型并更新基础学习器的网络参数，在查询集上测试神经网络模型并更新元学习器网络参数；对网络参数进行迭代计算，最终更新得到神经网络模型的初始化参数矩阵。本发明能够快速地适应新的信道环境，计算的复杂度较低、估计精度高。

Description

一种基于元学习的OFDM系统中时变信道估计方法、装置、及存 储介质
技术领域
本发明涉及无线通信技术领域，特别涉及一种基于元学习的OFDM系统中 时变信道估计方法、装置、及存储介质。
背景技术
近年来，高速公路、高速列车建设飞速发展的同时，列车运行时速的不断 提升给高速移动通信提出了更高的要求，加之第五代移动通信技术(5G)的普 及和未来第六代移动通信技术(6G)对于无线通信的愿景，应用于高速车地通 信的无线通信系统的研究成为当下热点；正交频分复用(Orthogonal Frequency- Division Multiplexing，OFDM)是一种特殊的多载波调制技术，采用正交子载波 进行并行传输，同时通过扩展传输符号周期来抵抗多径衰落，所以在无线通信 系统中广泛应用；然而，在高速移动环境下，列车的快速移动引起大的多普勒 频移使得OFDM系统发生频率偏移，从而引起载波间干扰，且使得信道发生更快 速的随机变化；由于多普勒频移的影响，进行时变信道估计是必不可少的有效 途径之一。
目前，在时变信道估计方面，基于深度学习的时变信道估计引起了国内外 广大研究学者的兴趣，深度学习作为一个强有力的数学工具，使信道估计技术 在传统估计方法的基础上得到了进一步发展。其中，Ye H等人(Ye H,Li G Y等 人,“Power of Deep Learningfor Channel Estimation and Signal Detection in OFDM Systems”)给出了一种基于深度学习的联合信道估计与信号检测的方法， 该方法采用了全连接深度神经网络DNN来进行信道估计与数据检测，通过对DNN网络输入接收信号以获取检测信号，消除了信道的影响，然而该方法只是 初步验证了深度学习的方法具有对无线信道复杂特性的学习和分析能力；X Ma 等人(X Ma,Hao Y,Ye L等人，“Learning Assisted Estimation for Time-Varying Channels”)给出了一种基于DNN辅助的信道估计方法，该方法首先使用DNN 获取导频处信道估计，然后采用线性内插得到数据符号的信道估计，然而，该 方法中所采用的导频信道信息为历史信道信息，其精度较差；Yang Y等人(Yang Y,Gao F,Ma X等人，“DeepLearning-Based Channel Estimation for Doubly Selective Fading Channels”)给出了一种基于DNN的双选择性信道的估计方法， 该方法同样采用DNN及线性内插方法进行信道估计，该方法由于增加了预训练 处理以获取理想的网络初始参数，有效地避免了随机初始化参数带来的性能损 失，然而，由于预训练需要大量的训练数据，所以该方法具有较高的计算复杂 度；Liao Y等人(Liao Y,Hua Y,Dai X等人“ChanEstNet:A Deep LearningBased Channel Estimation for High-Speed Scenarios”)给出了一种卷积神经网络与循环 神经网络联合的信道估计方法，该方法使用卷积神经网络提取导频信道响应特 征向量，使用循环神经网络提取信道时间特征向量，然而，该方法采用的神经 网络结构复杂，带来了较高的计算复杂度。
尽管上述方法利用深度学习可以获取较高精度的信道估计，但是当实际时 变多径衰落信道环境与训练阶段的信道模型不一致且样本数目不足以支撑深度 神经网络训练时，基于深度学习的信道估计方法训练的网络将不再适用。另外， 现有的信道估计方法均是假设频偏理想同步的情况下进行研究的，仅适用于理 想载波同步OFDM系统的情况，无法适应于实际中实时变化的信道环境的问题， 尤其在莱斯信道环境下，OFDM系统的残余频偏会使得载波间仍存在干扰、且 散射径时变性更强；因此，需要研究一种同时适用于非理想载波同步OFDM系 统情况下的时变信道估计方法。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种基于元学习的OFDM 系统中时变信道估计方法、装置、及存储介质，能够提高时变信道的估计精度 和降低计算的复杂度，且可以快速地适应新的信道环境，在传输特性变化后的 信道环境下仍能实现信道信息的有效获取。
为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了一种基于元学习的OFDM系统中时变信道估计方 法，所述方法包括：
采集天线上接收到的信号的实时数据；
将所采集的信号的实时数据载入预先构建且利用元学习训练好的神经网络 模型中，实时获取时变信道估计结果；
其中，利用元学习对所述神经网络模型进行训练的过程包括以下步骤：
在预先选定数量的具有不同多普勒频移的信道环境中，分别获取频偏补偿 后的频域信号，并确定每个所述频域信号对应的目标信道估计结果；
基于所述频域信号及其对应的目标信道估计结果构建训练所述神经网络模 型的任务集；
将所述任务集划分为支撑集和查询集；
在支撑集上训练神经网络模型并更新基础学习器的网络参数，基于更新后 的基础学习器在查询集上测试神经网络模型并更新元学习器网络参数；
对所述基础学习器的网络参数和元学习器网络参数进行迭代计算，最终更 新得到所述神经网络模型的初始化参数矩阵。
结合第一方面，优选的，所述最终更新得到所述神经网络模型的初始化参 数矩阵后还包括：
在预先选定数量的具有不同多普勒频移的信道环境外建立新的数据集，基 于新的数据集对所述神经网络模型的初始化参数矩阵进行微调，将微调后得到 的神经网络模型作为训练好的神经网络模型。
结合第一方面，优选的，所述获取频偏补偿后的频域信号包括：
采集OFDM系统中不同时刻接收到的时域信号；
对所述时域信号做载波频偏补偿；
将频偏补偿后的时域信号通过快速傅里叶变换转换为频域信号；
其中，所述频域信号具有残余载波频偏。
结合第一方面，优选的，基于所述频域信号及其对应的目标信道估计结果 构建训练所述神经网络模型的任务集Q(u)为：
式中，G表示第u个任务的样本集的总个数，u＝1,2…U，U为所述预先 选定数量的具有不同多普勒频移的信道环境中的任务总个数；频偏补偿后 的频域信号矩阵通过公式(2)获取：
式中，表示第u个任务下第g个样本集中第k个子载波上的频偏补偿后 的频域信号，g＝1,2,…G；k＝1,2,…N，N表示子载波总个数；Γ(·)为复数转实数 运算，T表示矩阵转置运算；目标信道估计结果/>通过公式(3)获取：
式中：表示利用线性最小均方误差估计方法获得的第u个任务下第g 个样本集中第k个子载波上的频域信道估计值。
结合第一方面，优选的，将所述任务集划分为支撑集和查询集包括：将任务 集Q(u)中的数据集分成数量相同的两个样本集合，即支撑集和查询集，所述支撑 集通过公式(4)表示：
所述查询集通过公式(5)表示：
结合第一方面，优选的，所述在支撑集上训练神经网络模型并更新基础学 习器的网络参数，基于更新后的基础学习器在查询集上测试神经网络模型并更 新元学习器网络参数，具体包括如下步骤：
通过公式(6)计算更新基础学习器的网络参数：
式中，是基础学习器中第u-1个任务训练完成的网络参数，/>是网络参 数为的基础学习器，α是基础学习器的学习率；/>表示任务集Q(u)上 输入为支撑集/>时的损失函数；/>表示输入为支撑集/>的损失 函数的梯度；
由公式(6)根据梯度下降法更新基础学习器的网络参数，最终获得网络参 数为的基础学习器/>
基于所述基础学习器在查询集/>上测试神经网络模型，并通过公式 (7)计算更新元学习器网络参数为：
式中，是元学习器中u-1任务训练完成的网络参数，β是元学习器的学 习率；表示任务集Q(u)上输入为查询集/>的损失函数； />输入为查询集/>的损失函数的梯度；
迭代计算更新元学习器网络参数最终得到神经网络模型的初始化参数 矩阵
结合第一方面，优选的，所述在预先选定数量的具有不同多普勒频移的信 道环境外建立新的数据集如公式(8)所示：
结合通过公式(9)对所述神经网络模型的初始化参数矩阵进行微调，得 到参数ψ作为训练好的神经网络模型的初始化参数：
式中，γ是微调网络的学习率参数，表示在任务集Q(u+1)上 的损失函数，/>是网络参数为/>的基础学习器，/>表示输入为 Qu+1的损失函数的梯度，θ表示最初的随机初始化的基础学习器的网络参数。
第二方面，本发明提供了一种基于元学习的OFDM系统中时变信道估计装 置，所述装置包括：
采集模块，用于采集天线上接收到的信号的实时数据；
获取模块，用于将所采集的信号的实时数据载入预先构建且利用元学习训 练好的神经网络模型中，获取时变信道估计结果；
所述获取模块包括：
获取单元，用于在预先选定数量的具有不同多普勒频移的信道环境中，分 别获取频偏补偿后的频域信号，并确定每个所述频域信号对应的目标信道估计 结果；
构建单元，用于基于所述频域信号及其对应的目标信道估计结果构建训练 所述神经网络模型的任务集；
划分单元，用于将所述任务集划分为支撑集和查询集；
更新单元，用于在支撑集上训练神经网络模型并更新基础学习器的网络参 数，基于更新后的基础学习器在查询集上测试神经网络模型并更新元学习器网 络参数；
迭代单元，用于对所述基础学习器的网络参数和元学习器网络参数进行迭 代计算，最终更新得到所述神经网络模型的初始化参数矩阵。
第三方面，本发明提供了一种基于元学习的OFDM系统中时变信道估计装 置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行如第一方面任一所述的基于 元学习的OFDM系统中时变信道估计方法的步骤。
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程 序，该计算机程序被处理器执行时，实现如第一方面任一所述的基于元学习的 OFDM系统中时变信道估计的步骤。
与现有技术相比，本发明所达到的有益效果：
本发明提供的基于元学习的OFDM系统中时变信道估计方法，将频偏补偿 后的频域信号定义为任务集合，元学习通过支撑集和查询集的不同子任务训练 神经网络模型，使得元学习网络学习到不同多普勒频移的信道环境中的传输特 性，从而具备快速适应新任务的能力，克服了现有的基于深度学习的信道估计 方法存在的训练数据与时间开销过大，且离线训练的网络无法适应于实际中实 时变化的信道环境的问题；在训练神经网络模型中本发明将网络模型的训练目 标设置为具有较高精度的信道估计，而非理想的信道信息，其时变信道估计方 法不仅适用于理想载波同步OFDM系统的情况，同时也适用于非理想载波同步 OFDM系统情况，增强了神经网络模型的实用性；本发明具有更高的估计精度， 且可以通过更少的样本快速地适应新的信道环境，适用于高速移动通信系统中 时变信道的同步获取，有很好的实用价值。
附图说明
图1为本发明实施例提供的一种基于元学习的OFDM系统中时变信道估计 方法流程示意图；
图2为本发明实施例提供的一种基于元学习的OFDM系统中时变信道估计 装置的结构原理框图；
图3为本发明技术与基于DNN网络的深度学习方法在不同训练样本数下的 的MSE性能比较图；
图4为本发明技术采用不同网络训练目标时的MSE性能比较图；
图5为本发明技术与现有信道估计方法在任务集合范围内的MSE性能比较 图；
图6为本发明技术与现有信道估计方法在任务集合范围外的MSE性能比较 图。
具体实施方式
下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解 本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而 不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例 中的技术特征可以相互组合。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存 在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单 独存在B这三种情况。另外，本文中字符"/"，一般表示前后关联对象是一种“或” 的关系。
实施例一：
如图1所示，本发明实施例介绍一种基于元学习的OFDM系统中时变信道 估计方法，具体包括如下步骤：
步骤1：采集天线上接收到的信号的实时数据；
步骤2：将所采集的信号的实时数据载入预先构建且利用元学习训练好的神 经网络模型中，获取时变信道估计结果。。
作为本发明的一种实施例，利用元学习对所述神经网络模型进行训练的过 程包括以下步骤：
步骤2.1：在预先选定数量的具有不同多普勒频移的信道环境中，分别获取 频偏补偿后的频域信号，并确定每个所述频域信号对应的目标信道估计结果；
步骤2.2：基于所述频域信号及其对应的目标信道估计结果构建训练所述神 经网络模型的任务集；
步骤2.3：将所述任务集划分为支撑集和查询集；
步骤2.4：在支撑集上训练神经网络模型并更新基础学习器的网络参数，基 于更新后的基础学习器在查询集上测试神经网络模型并更新元学习器网络参数；
步骤2.5：对所述基础学习器的网络参数和元学习器网络参数进行迭代计算， 最终更新得到所述神经网络模型的初始化参数矩阵。
具体的，本发明实施例提供的基于元学习的OFDM系统中时变信道估计方法 的步骤2.1中获取频偏补偿后的频域信号的方法如下：
步骤a:采集OFDM系统中不同时刻接收到的时域信号；
作为本发明的一种实施例，考虑一个具有N个子载波的单发单收OFDM系统， 在信号发射端，假设第m个OFDM符号中的第k个子载波上传输的符号为Xm(k)， 经过离散傅里叶逆变换(IFFT)后得到第n时刻的时域信号xm(n)为：
式中，m＝1,2…；k＝1,2,…N，N表示子载波总个数。
然后，对第n时刻的时域信号xm(n)插入循环前缀(CP，cyclic prefix)，以减 轻符号间干扰(ISI)，信号经过时变信道后，忽略相位噪声，第n时刻接收的第 m个OFDM符号的时域信号ym(n)通过式子(2)表示：
式中，wm(n)表示第n时刻第m个OFDM符号的加性高斯白噪声信号，C为常 数，hl,m(n)为第l径第m个符号第n时刻的时域信道响应，L为信道的径数，τl为第 l径的时延；
步骤b:对所述时域信号ym(n)做载波频偏补偿如式子(3)得到频偏补偿后的 时域信号
式中，Δεn表示残余多普勒频偏，表示由现有频偏估计方法获得的多普勒 频偏值，wm(n)表示第n时刻第m个OFDM符号上的加性高斯白噪声信号；
步骤c:将频偏补偿后的时域信号通过快速傅里叶变换(FFT)转换为 频域信号，得到第m个符号第k个子载波上的频域信号/>为：
式中，j＝0,1,...,N-1；Wm(k)为第k个子载波上的加性高斯白噪声，Hm为频域信道响应矩阵，Hm的元素[Hm]i,i'通过式子(5)被表示为：
式中，i＝0,...,N-1；i'＝0,...,N-1；
经频偏补偿后的第m个频域信号的向量表达形式为：
需要说明的是，由于对于每个OFDM符号而言，信道估计的处理方式是一样 的，因此，在下面的论述中将省略符号的标识m，因此每个频偏补偿后的时域信 号都通过式子(7)表示为：
作为本发明的一种实施例，从上述过程中重复产生G个接收信号作为训练样 本集，其可以表示为其中，/>表示第g个样本集 的接收信号：
式中，Hg表示第g个样本集中的接收信号的频域信道响应矩阵，通过式 子(9)表示为：
Hg＝[Γ(Hg(0)),...,Γ(Hg(k)),...,Γ(Hg(N-1))]T (9)
式中，Hg(k)是第g个样本集中第k个子载波上的频域理想信道信息,Γ(·)为 复数转实数运算。
此外，本发明实施例对于所获取的频域信号具有残余载波频偏，针对的系 统是具有残余载波频移影响的OFDM系统，而非理想载波同步的OFDM系统，因 为残余频移会导致OFDM系统出现载波间干扰和散射分量径时变性更强，从而导 致信道估计更具有挑战性。
本发明实施例提供的基于元学习的OFDM系统中时变信道估计方法的步骤 2.2中，基于所述频域信号及其对应的目标信道估计结果构建训练所述神经网络 模型的任务集Q(u)为：
式中，G表示第u个任务的样本集的总个数，u＝1,2…U，U为所述预先 选定数量的具有不同多普勒频移的信道环境中的任务总个数；频偏补偿后 的频域信号矩阵通过公式(11)获取：
式中，表示第u个任务下第g个样本集中第k个子载波上的频偏补偿后 的频域信号，g＝1,2,…G；k＝1,2,…N，N表示子载波总个数；Γ(·)为复数转实数 运算，T表示矩阵转置运算；目标信道估计结果/>通过公式(12)获取：
式中：表示利用线性最小均方误差估计方法获得的第u个任务下第g 个样本集中第k个子载波上的频域信道估计值。
作为本发明的一种实施例，所述利用线性最小均方误差估计方法获得的第u 个任务下第g个样本集中第k个子载波上的频域信道估计值具体包括：根据频 域理想信道信息矩阵通过公式(13)计算获得信道估计值/>作为每个所 述频域信号对应的目标信道估计结果，计算公式如下：
式中，SNR为接收信号的信噪比，I为单位矩阵，λ为与调制方式有关的常数，RHH为真实信道的自相关矩阵，/>H表示矩阵的共轭转 置运算，E{·}表示取均值运算，/>表示由LS信道估计方法得到的信道矩阵， 具体表示为 表示第K个子载波上 的LS信道估计，X(k)表示第K个子载波上的频 域发送信号；
进一步说明的是，网络模型训练逼近的目标是信道估计值而非理想信 道信息/>由于实际通信中理想信道信息是未知的，采用信道估计值来训练网 络，可以增强本发明的实用性。
作为本发明的一种实施例，在步骤2.3中将所述任务集划分为支撑集和查询 集具体包括：将任务集Q(u)中的数据集分成数量相同的两个样本集合，即支撑集 和查询集，所述支撑集通过公式(14)表示：
所述查询集通过公式(15)表示：
本发明实施例提供的基于元学习的OFDM系统中时变信道估计方法的步骤2.3中，所述在支撑集上训练神经网络模型并更新基础学习器的网络参数，基于 更新后的基础学习器在查询集上测试神经网络模型并更新元学习器网络参数， 具体包括如下步骤：
通过公式(16)计算更新基础学习器的网络参数：
式中，是基础学习器中第u-1个任务训练完成的网络参数，/>是网络参 数为的基础学习器，α是基础学习器的学习率；/>表示任务集Q(u)上 输入为支撑集/>时的损失函数；/>表示输入为支撑集/>的损失 函数的梯度；
由公式(16)根据梯度下降法更新基础学习器的网络参数，最终获得网络 参数为的基础学习器/>
基于所述基础学习器在查询集/>上测试神经网络模型，并通过公式 (17)计算更新元学习器网络参数为：
式中，是元学习器中u-1任务训练完成的网络参数，β是元学习器的学 习率；表示任务集Q(u)上输入为查询集/>的损失函数； />输入为查询集/>的损失函数的梯度；
迭代计算更新元学习器网络参数最终得到神经网络模型的初始化参数 矩阵
需要进一步说明的是，本发明实施例提供的基于元学习的OFDM系统中时变 信道估计方法的步骤2中模型训练完成后，在预先选定数量的具有不同多普勒频 移的信道环境外建立新的数据集，对所述神经网络模型的初始化参数矩阵进行 微调，将此时得到的神经网络模型作为训练好的神经网络模型；
具体的，所述在预先选定数量的具有不同多普勒频移的信道环境外建立新 的数据集如公式(18)所示：
结合通过公式(18)对所述神经网络模型的初始化参数矩阵进行微调，得 到参数ψ作为训练好的神经网络模型的初始化参数：
式中，γ是微调网络的学习率参数，表示在任务集Q(u+1)上 的损失函数，/>是网络参数为/>的基础学习器，/>表示输入为 Qu+1的损失函数的梯度，θ表示最初的随机初始化的基础学习器的网络参数；
其中，网络参数ψ相比参数具有给定任务集范围外的新信道环境任务的一 般特征，以网络参数ψ作为初始化参数的神经网络模型可以快速适应时变信道变 化，确保用于新的信道环境下的信道时的估计精度。
下面结合仿真试验分析本发明本实施例提供的基于元学习的OFDM系统中 时变信道估计方法的性能。首先，在预先选定数量的具有不同多普勒频移的信 道环境任务集的范围内与范围外分别对网络进行测试，以验证本发明具有适应 新的信道条件的能力；然后，对比不同方法在使用频偏补偿后的频域作信道估 计的性能差异，以对比本发明技术的性能。为了比较本发明的性能，对传统最 小二乘估计LS方法、线性最小均方误差LMMSE方法以及基于DNN神经网络 的深度学习方法进行了仿真试验；仿真参数如下：考虑一个OFDM系统，采用 正交相移键控QPSK调制，其中FFT/IFFT长度为128，采用梳状导频结构，导 频数目为32，且均匀分布；列车移动速度为600km/h(归一化后的多普勒频移为 0.087)，信道采用一个5径的莱斯信道，莱斯因子为5；载波频率为2.35GHz，子 载波间隔为15kHz；与模型无关的元学习MAML网络训练任务集的多普勒频移 范围为0.002～0.2，信道任务数U＝100，基础学习器的学习率α＝0.001，元学习器 学习率β＝0.003，微调网络学习率γ＝0.001。
如图3所示，给出了本发明技术与基于DNN网络的深度学习方法在归一化 多普勒频偏为0.087时采用不同训练样本数下的MSE性能，从仿真结果可以看 出，随着训练样本数的增加，本发明技术与基于DNN网络的深度学习方法的估 计性能均随之提升，且即使当本发明技术采用样本数很少(500样本)时其性能 仍远优于基于DNN网络的深度学习方法(3000样本)。此外，当训练样本大于 1000以后，本发明技术的估计性能逐渐趋于稳定，故后续仿真中采用的训练样 本数为1000；而当样本数大于2000后，基于DNN网络的深度学习方法性能才 趋于稳定，可以看出本发明技术相比传统基于深度学习网络的方法在跨任务学习中可以借助更少量样本获取高精度的信道估计，适用性更强。
参照图4，给出了本发明技术采用不同网络训练目标时的MSE性能，从图4 中可看出，采用理想信道信息作为目标训练网络可以获得最优的性能，采用 LMMSE方法估计的信道作为目标训练网络测试的性能次之，LS估计作为网络 训练目标时最差；这表明，网络训练目标越精确，训练的网络的性能越好。然 而，在实际中，理想信道信息是未知，采用理想信道信息作为网络训练目标的 方法不具有实用性；因此，本发明采用非理想信道作为网络训练目标，大大提 高了方法的实用性。
如图5所示，给出了不同信道估计方法在理想载波同步与非理想载波同步 OFDM系统中的MSE性能，其中本发明技术与基于DNN网络的深度学习方法 采用的样本数分别为1000和2000，归一化多普勒频移分别为0.1。从图5可以 看出，无论是在理想载波同步系统中还是在非理想载波同步系统中，本发明技 术均具有最优的估计性能，这是由于本发明技术采用元学习网络来获得更高精 度的信道估计，且相较基于DNN的深度学习方法可以有效地削减训练样本。与 理想载波同步系统相比，由于非理想载波同步的影响，不同信道估计方法的性 能在非理想载波系统下估计精度均下降。
如图6所示，给出了不同信道估计方法在未训练信道任务上(归一化多普 勒频移为0.22)的MSE性能，其中本发明技术与基于DNN网络的深度学习方 法采用的样本数分别为1000和2000。从图6可以看出，当在新信道任务上测试 方法性能时，各种信道估计方法的性能均变差，其中，基于DNN网络的深度学 习方法性能恶化尤为严重，相比之下本发明技术仍能保持较好的性能，可见本 发明技术采用元学习方法进行信道估计，对于信道特性变化后的传输条件下仍 具有很好的泛化能力，可以解决深度学习方法存在的训练样本大且泛化性不好 的问题，并且本发明实施例提供的方法可以很好的适应新的信道环境，相比于 传统手段而言具有无可替代的优势。
综上所述，本发明提供的基于元学习的OFDM系统中时变信道估计方法， 利用元学习训练神经网络模型能够学习到不同多普勒频移的信道环境中的传输 特性，可以快速地适应新任务的能力，不仅适用于理想载波同步OFDM系统的 情况，对于非理想载波同步OFDM系统情况，在传输特性变化后的信道环境下 仍能实现信道信息的有效获取，且可以通过更少的样本快速地适应新的信道环 境，其适用性更强，应用范围更广；此外，本发明能够提高时变信道的估计精 度的同时降低计算的复杂度，有很好的实用价值和应用前景。
实施例二：
如图2所示，本发明实施例提供了一种基于元学习的OFDM系统中时变信 道估计装置，可以用于实施实施例一所述的方法，所述装置包括：
采集模块，用于采集天线上接收到的信号的实时数据；
获取模块，用于将所采集的信号的实时数据载入预先构建且利用元学习训 练好的神经网络模型中，获取时变信道估计结果；
所述获取模块包括：
获取单元，用于在预先选定数量的具有不同多普勒频移的信道环境中，分 别获取频偏补偿后的频域信号，并确定每个所述频域信号对应的目标信道估计 结果；
构建单元，用于基于所述频域信号及其对应的目标信道估计结果构建训练 所述神经网络模型的任务集；
划分单元，用于将所述任务集划分为支撑集和查询集；
更新单元，用于在支撑集上训练神经网络模型并更新基础学习器的网络参 数，基于更新后的基础学习器在查询集上测试神经网络模型并更新元学习器网 络参数；
迭代单元，用于对所述基础学习器的网络参数和元学习器网络参数进行迭 代计算，最终更新得到所述神经网络模型的初始化参数矩阵。
本发明实施例提供的基于元学习的OFDM系统中时变信道估计装置与实施 例一提供的基于元学习的OFDM系统中时变信道估计方法基于相同的技术构思， 能够产生如实施例一所述的有益效果，在本实施例中未详尽描述的内容可以参 见实施例一。
实施例三：
本发明实施例提供了一种基于元学习的OFDM系统中时变信道估计装置， 包括处理器及存储介质；
所述存储介质用于存储指令；
处理器用于根据指令进行操作以执行根据实施例一中任一项方法的步骤。
实施例四：
本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序， 其特征在于，该计算机程序被处理器执行时，实现如实现实施例一中任一项方 法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计 算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结 合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包 含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品 的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/ 或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或 方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式 处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机 或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流 程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备 以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的 指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流 程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使 得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理， 从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程 或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通 技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变 形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种基于元学习的OFDM系统中时变信道估计方法，其特征在于，所述方法包括：
采集天线上接收到的信号的实时数据；
将所采集的信号的实时数据载入预先构建且利用元学习训练好的神经网络模型中，获取时变信道估计结果；
其中，利用元学习对所述神经网络模型进行训练的过程包括以下步骤：
在预先选定数量的具有不同多普勒频移的信道环境中，分别获取频偏补偿后的频域信号，并确定每个所述频域信号对应的目标信道估计结果；
基于所述频域信号及其对应的目标信道估计结果构建训练所述神经网络模型的任务集；
将所述任务集划分为支撑集和查询集；
在支撑集上训练神经网络模型并更新基础学习器的网络参数，基于更新后的基础学习器在查询集上测试神经网络模型并更新元学习器网络参数；
对所述基础学习器的网络参数和元学习器网络参数进行迭代计算，最终更新得到所述神经网络模型的初始化参数矩阵。
2.根据权利要求1所述基于元学习的OFDM系统中时变信道估计方法，其特征在于，所述最终更新得到所述神经网络模型的初始化参数矩阵后还包括：
在预先选定数量的具有不同多普勒频移的信道环境外建立新的数据集，基于新的数据集对所述神经网络模型的初始化参数矩阵进行微调，将微调后得到的神经网络模型作为训练好的神经网络模型。
3.根据权利要求2所述基于元学习的OFDM系统中时变信道估计方法，其特征在于，所述获取频偏补偿后的频域信号包括：
采集OFDM系统中不同时刻接收到的时域信号；
对所述时域信号做载波频偏补偿；
将频偏补偿后的时域信号通过快速傅里叶变换转换为频域信号；
其中，所述频域信号具有残余载波频偏。
4.根据权利要求1至3任一所述的基于元学习的OFDM系统中时变信道估计方法，其特征在于，基于所述频域信号及其对应的目标信道估计结果构建训练所述神经网络模型的任务集Q(u)为：
式中，G表示第u个任务的样本集的总个数，u＝1,2…U，U为所述预先选定数量的具有不同多普勒频移的信道环境中的任务总个数；频偏补偿后的频域信号矩阵通过公式(2)获取：
式中，表示第u个任务下第g个样本集中第k个子载波上的频偏补偿后的频域信号，g＝1,2,…G；k＝1,2,…N，N表示子载波总个数；Γ(·)为复数转实数运算，T表示矩阵转置运算；目标信道估计结果/>通过公式(3)获取：
式中：表示利用线性最小均方误差估计方法获得的第u个任务下第g个样本集中第k个子载波上的频域信道估计值。
5.根据权利要求4所述的基于元学习的OFDM系统中时变信道估计方法，其特征在于，将所述任务集划分为支撑集和查询集包括：将任务集Q(u)中的数据集分成数量相同的两个样本集合，即支撑集和查询集，所述支撑集通过公式(4)表示：
所述查询集通过公式(5)表示：
6.根据权利要求5所述的基于元学习的OFDM系统中时变信道估计方法，其特征在于，所述在支撑集上训练神经网络模型并更新基础学习器的网络参数，基于更新后的基础学习器在查询集上测试神经网络模型并更新元学习器网络参数，具体包括如下步骤：
通过公式(6)计算更新基础学习器的网络参数：
式中，是基础学习器中第u-1个任务训练完成的网络参数，/>是网络参数为/>的基础学习器，α是基础学习器的学习率；/>表示任务集Q(u)上输入为支撑集/>时的损失函数；/>表示输入为支撑集/>的损失函数的梯度；
由公式(6)根据梯度下降法更新基础学习器的网络参数，最终获得网络参数为的基础学习器/>
基于所述基础学习器在查询集/>上测试神经网络模型，并通过公式(7)计算更新元学习器网络参数为：
式中，是元学习器中u-1任务训练完成的网络参数，β是元学习器的学习率；表示任务集Q(u)上输入为查询集/>的损失函数；/>输入为查询集/>的损失函数的梯度；
迭代计算更新元学习器网络参数最终得到神经网络模型的初始化参数矩阵/>
7.根据权利要求6所述的基于元学习的OFDM系统中时变信道估计方法，其特征在于，所述在预先选定数量的具有不同多普勒频移的信道环境外建立新的数据集如公式(8)所示：
结合通过公式(9)对所述神经网络模型的初始化参数矩阵进行微调，得到参数ψ作为训练好的神经网络模型的初始化参数：
式中，γ是微调网络的学习率参数，表示在任务集Q(u+1)上的损失函数，是网络参数为/>的基础学习器，/>表示输入为Qu+1的损失函数的梯度，θ表示最初的随机初始化的基础学习器的网络参数。
8.一种基于元学习的OFDM系统中时变信道估计装置，其特征在于，所述装置包括：
采集模块，用于采集天线上接收到的信号的实时数据；
获取模块，用于将所采集的信号的实时数据载入预先构建且利用元学习训练好的神经网络模型中，获取时变信道估计结果；
所述获取模块包括：
获取单元，用于在预先选定数量的具有不同多普勒频移的信道环境中，分别获取频偏补偿后的频域信号，并确定每个所述频域信号对应的目标信道估计结果；
构建单元，用于基于所述频域信号及其对应的目标信道估计结果构建训练所述神经网络模型的任务集；
划分单元，用于将所述任务集划分为支撑集和查询集；
更新单元，用于在支撑集上训练神经网络模型并更新基础学习器的网络参数，基于更新后的基础学习器在查询集上测试神经网络模型并更新元学习器网络参数；
迭代单元，用于对所述基础学习器的网络参数和元学习器网络参数进行迭代计算，最终更新得到所述神经网络模型的初始化参数矩阵。
9.一种基于元学习的OFDM系统中时变信道估计装置，其特征在于，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1至7任一项所述的基于元学习的OFDM系统中时变信道估计方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现如权利要求1至7任一项所述的基于元学习的OFDM系统中时变信道估计方法的步骤。
CN202210485320.5A 2022-05-06 2022-05-06 一种基于元学习的ofdm系统中时变信道估计方法、装置、及存储介质 Active CN115037578B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210485320.5A CN115037578B (zh) 2022-05-06 2022-05-06 一种基于元学习的ofdm系统中时变信道估计方法、装置、及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210485320.5A CN115037578B (zh) 2022-05-06 2022-05-06 一种基于元学习的ofdm系统中时变信道估计方法、装置、及存储介质

Publications (2)

Publication Number Publication Date
CN115037578A CN115037578A (zh) 2022-09-09
CN115037578B true CN115037578B (zh) 2023-07-28

Family

ID=83119958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210485320.5A Active CN115037578B (zh) 2022-05-06 2022-05-06 一种基于元学习的ofdm系统中时变信道估计方法、装置、及存储介质

Country Status (1)

Country Link
CN (1) CN115037578B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115549732B (zh) * 2022-09-13 2024-05-28 哈尔滨工业大学 一种基于人工智能的大规模mimo混合预编码方法、设备及存储介质
CN116996139B (zh) * 2023-09-26 2023-12-08 广东阿尔创通信技术股份有限公司 应用于定向天线系统的智能调整控制方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111683024A (zh) * 2020-06-01 2020-09-18 西北工业大学 一种基于深度学习的时变ofdm系统信道估计方法
WO2020219690A1 (en) * 2019-04-23 2020-10-29 DeepSig Inc. Processing communications signals using a machine-learning network
CN112737987A (zh) * 2020-12-28 2021-04-30 南京邮电大学 一种新型的基于深度学习的时变信道预测方法
CN113285899A (zh) * 2021-05-20 2021-08-20 南京邮电大学 一种基于深度学习的时变信道估计方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020219690A1 (en) * 2019-04-23 2020-10-29 DeepSig Inc. Processing communications signals using a machine-learning network
CN111683024A (zh) * 2020-06-01 2020-09-18 西北工业大学 一种基于深度学习的时变ofdm系统信道估计方法
CN112737987A (zh) * 2020-12-28 2021-04-30 南京邮电大学 一种新型的基于深度学习的时变信道预测方法
CN113285899A (zh) * 2021-05-20 2021-08-20 南京邮电大学 一种基于深度学习的时变信道估计方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于深度学习算法的OFDM信号检测;常代娜;周杰;;东南大学学报(自然科学版)(第05期);全文 *
高速移动OFDM系统中基于位置信息的GCE-BEM时变信道估计方法;程露等;南京邮电大学学报(自然科学版);全文 *

Also Published As

Publication number Publication date
CN115037578A (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN115037578B (zh) 一种基于元学习的ofdm系统中时变信道估计方法、装置、及存储介质
CN109150772B (zh) 一种基于正交匹配追踪的水声信道时延估计方法
US8199845B2 (en) Up-link SDMA receiver for WiMAX
Wu et al. Tensor-based low-complexity channel estimation for mmWave massive MIMO-OTFS systems
CN112714086B (zh) 一种频偏估计方法及基站
CN112910810B (zh) 多输入多输出正交频分复用系统的同步方法、装置及介质
CN114615122B (zh) 通信信号的频偏确定方法及装置
Ijaz et al. Low-complexity time-domain SNR estimation for OFDM systems
CN111416782A (zh) 一种基于空载波的ofdm系统频偏估计分析方法
CN100486238C (zh) 基于可调时频训练序列的低复杂度频偏估计方法
US7978776B2 (en) Channel estimation device and related method of an orthogonal frequency division multiplexing system
CN113904904A (zh) 基于ofdm的整数频偏估计方法、系统、介质及设备
CN110059401B (zh) 一种ofdm系统水声信道冲激响应重构方法
Yan et al. Inter-carrier interference-aware sparse time-varying underwater acoustic channel estimation based on fast reconstruction algorithm
US8457222B2 (en) Method for estimating channel statistics in an OFDM receiver
CN111131119A (zh) 一种正交频分复用系统高精度定时偏移估计的方法及装置
CN114301745B (zh) 载波频偏和采样频偏的确定方法及装置
CN113259281B (zh) Dmrs和ptrs联合信道估计方法、装置及接收机
KR101063072B1 (ko) 와이브로 시스템에서 정수배 주파수 오차 추정 장치 및 그 방법
CN101986637B (zh) 快时变信道下导频干扰抵消方法
Hatab et al. OFDM Symbol-timing and Carrier-frequency Offset Estimation Based on Singular Value Decomposition
He et al. A low-complexity SNR estimation algorithm and channel estimation method for OFDM systems
CN112583753A (zh) 一种相位补偿方法及电子设备
CN114143145B (zh) 一种基于深度学习的信道估计方法
Nguyen TH et al. 5G Channel Estimation Based on Whale Optimization Algorithm

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