CN115396262A - 信道估计方法、装置、设备及可读存储介质 - Google Patents
信道估计方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN115396262A CN115396262A CN202110546723.1A CN202110546723A CN115396262A CN 115396262 A CN115396262 A CN 115396262A CN 202110546723 A CN202110546723 A CN 202110546723A CN 115396262 A CN115396262 A CN 115396262A
- Authority
- CN
- China
- Prior art keywords
- data signal
- communication device
- determining
- characteristic
- signal
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000004891 communication Methods 0.000 claims abstract description 103
- 230000009467 reduction Effects 0.000 claims description 36
- 238000013528 artificial neural network Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 15
- 238000005562 fading Methods 0.000 claims description 13
- 238000013473 artificial intelligence Methods 0.000 claims description 11
- 230000003595 spectral effect Effects 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 8
- 238000013461 design Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0048—Allocation of pilot signals, i.e. of signals known to the receiver
- H04L5/0051—Allocation of pilot signals, i.e. of signals known to the receiver of dedicated pilots, i.e. pilots destined for a single user or terminal
-
- 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
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/38—Transceivers, i.e. devices in which transmitter and receiver form a structural unit and in which at least one part is used for functions of transmitting and receiving
- H04B1/40—Circuits
- H04B1/50—Circuits using different frequencies for the two directions of communication
- H04B1/52—Hybrid arrangements, i.e. arrangements for transition from single-path two-direction transmission to single-direction transmission on each of two paths or vice versa
- H04B1/525—Hybrid arrangements, i.e. arrangements for transition from single-path two-direction transmission to single-direction transmission on each of two paths or vice versa with means for reducing leakage of transmitter signal into the receiver
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
- H04B17/328—Reference signal received power [RSRP]; Reference signal received quality [RSRQ]
-
- 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
- H04L25/0228—Channel estimation using sounding signals with direct estimation from sounding signals
- H04L25/023—Channel estimation using sounding signals with direct estimation from sounding signals with extension to other symbols
-
- 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
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/20—Control channels or signalling for resource management
- H04W72/23—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal
- H04W72/232—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal the control data signalling from the physical layer, e.g. DCI signalling
Abstract
本申请公开了一种信道估计方法、装置、设备及可读存储介质,该信道估计方法包括:通信设备接收导频信号和数据信号;所述通信设备根据导频信号确定线性特征;所述通信设备根据数据信号确定非线性特征;所述通信设备根据所述线性特征和非线性特征,进行信道估计。
Description
技术领域
本申请属于通信技术领域,具体涉及一种信道估计方法、装置、设备及可读存储介质。
背景技术
信号的接收首先需要根据解调参考信号(Demodulation Reference Signal,DM-RS)准确来估计无线信道。信道估计可以通过传统的最小均方误差算法(Minimum MeanSquare Error,MMSE)来完成。但问题是无线信道估计需要利用大量的DM-RS开销来支撑。
发明内容
本申请实施例提供一种信道估计方法、装置、设备及可读存储介质,能够解决在保证信道估计性能的情况下如何减少信道估计的参考信号的开销的问题。
第一方面,提供一种信道估计方法,包括:通信设备接收导频信号和数据信号;所述通信设备根据导频信号确定线性特征;所述通信设备根据数据信号确定非线性特征;所述通信设备根据所述线性特征和非线性特征,进行信道估计。
第二方面,提供一种信道估计装置,包括:接收模块,用于接收导频信号和数据信号;第一确定模块,用于根据所述导频信号确定线性特征;第二确定模块,用于根据所述数据信号确定非线性特征;信道估计模块,用于根据所述线性特征和非线性特征,进行信道估计。
第三方面,提供一种通信设备,包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序,所述程序被所述处理器执行时实现如第一方面所述的方法的步骤。
第四方面,提供了一种通信设备,包括处理器及通信接口,其中,所述处理器用于执行时实现如第一方面所述的方法的步骤。
第五方面,提供一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
第六方面,提供一种计算机程序/程序产品,所述计算机程序/程序产品被存储在非易失的存储介质中,所述计算机程序/程序产品被至少一个处理器执行以实现如第一方面所述的处理的方法的步骤。
第七方面,提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现如第一方面所述的处理的方法。
在本申请实施例中,通信设备根据导频信号确定线性特征,以及根据数据信号确定非线性特征,通过线性特征和非线性特征进行信道估计,可以在保证信道估计性能的情况下,有效减少信道估计的导频信号(或参考信号)的开销。
附图说明
图1是ODFM系统中接收信号的示意图;
图2是深度神经网络的DMRS算法的示意图;
图3是本申请实施例可应用的一种无线通信系统的示意图;
图4是本申请实施例提供的信道估计方法的示意图;
图5是本申请实施例提供的深度神经网络的DMRS算法的示意图之一;
图6是本申请实施例提供的深度神经网络的DMRS算法的示意图之二;
图7是本申请实施例提供的深度神经网络的DMRS算法的示意图之三;
图8是本申请实施例中确定降噪信道块的示意图之一;
图9是本申请实施例中确定降噪信道块的示意图之二;
图10是本申请实施例提供的信道估计装置的示意图;
图11是本申请实施例中终端的示意图;
图12是本申请实施例中通信设备的示意图
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述指定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”所区别的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和”表示所连接对象的至少其中之一,字符“/”一般表示前后关联对象是一种“或”的关系。
值得指出的是,本申请实施例所描述的技术不限于长期演进型(Long TermEvolution,LTE)/LTE的演进(LTE-Advanced,LTE-A)系统,还可用于其他无线通信系统,诸如码分多址(Code Division Multiple Access,CDMA)、时分多址(Time DivisionMultiple Access,TDMA)、频分多址(Frequency Division Multiple Access,FDMA)、正交频分多址(Orthogonal Frequency Division Multiple Access,OFDMA)、单载波频分多址(Single-carrier Frequency-Division Multiple Access,SC-FDMA)和其他系统。本申请实施例中的术语“系统”和“网络”常被可互换地使用,所描述的技术既可用于以上提及的系统和无线电技术,也可用于其他系统和无线电技术。以下描述出于示例目的描述了新空口(New Radio,NR)系统,并且在以下大部分描述中使用NR术语,但是这些技术也可应用于NR系统应用以外的应用,如第6代(6th Generation,6G)通信系统。
为了便于理解本申请实施例,下面先介绍以下技术点:
一、DM-RS信号
在加性高斯白噪声正交频分复用(Orthogonal Frequency DivisionMultiplexing,OFDM)系统中,如图1所示,第(k,l)个资源元素(Resource Element,RE)上的第n个接收天线上的接收信号可以表示为:
其中,sm(k,l)是在第m个发射天线,第(k,l)个RE上数据信号,或用作信道估计的导频信号,其资源元素位于在K×L时频域上,Es是数据信号或导频信号的发射能量,M是发射天线的总数,hm,n(k,l)和αm,n(k,l)分别是第m个发射天线和第n个接收天线,第(k,l)个RE上的信道振幅和信道相位,ηn(k,l)是在第n个接收天线,第(k,l)个RE上接收的加性高斯白噪声(Additive white Gaussian noise,AWGN)噪声,均值为零且噪声功率谱密度为N0,m=1,……,M。如图1所示。
为了简单起见,假设sm(k,l)是具有正交相移键控(Quadrature Phase ShiftKeying,QPSK)调制的数据符号,k和l是时域和频域索引,位于K×L时域和频域中,且|sm(k,l)|=1;sm(kRS,lRS)是QPSK调制DM-RS导频信号,kRS和lRS是时域和频域索引,也位于K×L时域和频域中。另外,天线根据1×N的单输入多输出(Single-InputMultiple-Output,SIMO)配置的,因此m=1。但是它可以简单地扩展到一般的多输入多输出(Multiple-InputMultiple-Output,MIMO)情况。
二、基于经典深度神经网络(Deep Neural Networks,DNN)的DM-RS算法
是从s(kRS,lRS)是利用最小二乘算法(Least Square,LS)的传统方法推导出导频信道元素,其相关的矩阵为KRS×LRS矩阵。在此被作为DNN神经网络的输入特征。是DNN神经网络的输出,在时间和频率空间中估计信道的K×L矩阵的信道元素。如图2所示,输入特征的维度为1×N×KRS×LRS,而神经网络输出的维度为1×N×K×L。在导频设计中,我们希望尽量减少导频维度,从而降低在OFDM系统中的导频开销。值得注意的是,由于DNN训练过程中,被输入的特征值通常是实数,因此接收的复数信号必须被转换成实数,即,输入维度被乘2。例如,输出的维度为1×N×K×L的情况下,转换后的输出的维度为2×1×N×K×L。
最新的人工智能(Artificial Intelligence,AI)研究证明,神经网络是通过函数近似器,并使用卷积神经网络(convolutional neural networks,CNN),或使用递归神经网络(recurrent neural networks,RNN)等算法,能够显着的提升算法学习能力。由于DNN的执行可以在并发架构上高度并行化,并且可以使用低精度的数据类型加以实现神经网络的学习。因此,采用这种形式的学习算法对无线物理信道接收性能的提高有着非常大期待。
经典神经网络的DM-RS算法一般先在OFDM的时域和频域上采集的DM-RS样本,然后通过最小二乘算法(Least Square,LS)的传统方法进行滤波,最后作为DNN的训练特征(Feature)来对DNN进行训练。这种方法在DM-RS的密度和相应的信噪比(SIGNAL TO NOISERATIO,SNR)都比较高的情况下,DNN达到的增益比较明显。但是在DM-RS的密度比较稀疏且相应的SNR比较低的情况下,性能的改善相对有限。因此为了提高信道估计的精度,可以通过增加DM-RS开销来增加训练特征的输入。这样对整体系统性能的提升将非常有限。
参见图3,图中示出本申请实施例可应用的一种无线通信系统的框图。无线通信系统包括终端31、网络侧设备32。其中,终端31也可以称作终端设备或者用户终端(UserEquipment,UE),终端31可以是手机、平板电脑(Tablet Personal Computer)、膝上型电脑(Laptop Computer)或称为笔记本电脑、个人数字助理(Personal Digital Assistant,PDA)、掌上电脑、上网本、超级移动个人计算机(ultra-mobile personal computer,UMPC)、移动上网装置(Mobile Internet Device,MID)、可穿戴式设备(Wearable Device)或车载设备(VUE)、行人终端(PUE)等终端侧设备,可穿戴式设备包括:智能手表、手环、耳机、眼镜等。需要说明的是,在本申请实施例并不限定终端31的具体类型。
网络侧设备32可以是基站或核心网,其中,基站可被称为节点B、演进节点B、接入点、基收发机站(Base TransceiverStation,BTS)、无线电基站、无线电收发机、基本服务集(BasicServiceSet,BSS)、扩展服务集(ExtendedServiceSet,ESS)、B节点、演进型B节点(gNB)、家用B节点、家用演进型B节点、WLAN接入点、WiFi节点、发送接收点(TransmittingReceiving Point,TRP)、无线接入网节点或所述领域中其他某个合适的术语,只要达到相同的技术效果,所述基站不限于指定技术词汇,需要说明的是,在本申请实施例中仅以NR系统中的基站为例,但是并不限定基站的具体类型。
参见图4,本申请实施例提供一种信道估计方法,具体步骤包括:步骤401和步骤402。
步骤401:通信设备接收导频信号和数据信号;
在本申请实施例中,所述导频信号包括:解调参考信号(Demodulation ReferenceSignal,DM-RS)、相位跟踪参考信号(Phase-tracking reference signals,PT-RS)、信道状态信息参考信号(CSI reference signal,CSI-RS)、或探测参考信号(Sounding referencesignal,SRS)等。
步骤402:所述通信设备根据导频信号确定线性特征;
步骤403:所述通信设备根据数据信号确定非线性特征;
示例性地,非线性特征是数据信号的振幅特征,而不包括导频信号的振幅特征。
步骤404:所述通信设备根据所述线性特征和非线性特征,进行信道估计。
可以理解的是,上述通信设备(或者称为接收机)可以是终端,也可以是网络侧设备,比如基站等。
其中线性特征是由每个发射天线到每个接收天线的信道的振幅和相位组成;非线性特征是由多发射天线到每个接收天线的相位平方和组成;值得注意的是,在SIMO的情况下,根据数据信号获取的非线性特征将体现为线性特征。
需要说明的是,从导频信号可以获取振幅特征(或功率特征)和相位特征等特征,从数据信号可以获取振幅特征(或功率特征)。值得注意的是,振幅特征和功率特征是同等的,它们关系是,功率特征等于振幅特征的二次方。
在本申请实施例中,所述通信设备根据所述线性特征和非线性特征,进行信道估计的步骤,包括:
所述通信设备利用所述线性特征和非线性特征,通过人工智能(ArtificialIntelligence,AI)进行信道估计,也就是,将线性特征和非线性特征作为AI算法的输入信息,经过AI算法运算后,输出信道估计结果。
在本申请实施例中,所述通信设备根据所述数据信号确定非线性特征的步骤,包括:
在MIMO的情况下,所述通信设备通过训练神经网络的方式,利用所述数据信号确定所述非线性特征。
在本申请实施例中,所述通信设备接收导频信号和数据信号的步骤,包括:
所述通信设备通过资源元素接收所述导频信号和所述数据信号。
在本申请实施例中,所述通信设备通过训练神经网络的方式,利用所述数据信号确定所述非线性特征的步骤,包括:所述通信设备通过导频信号和所述数据信号,训练与每个资源元素相关的非线性特征;所述通信设备通过训练的非线性特征,以及所述导频信号,训练与每个资源元素相关的信道。
以非线性特征为数据信号的振幅特征为例,振幅特征的估计依赖于DNN的训练。振幅特征相关的DNN训练可以被分为两个训练阶段;一个是先通过接收的导频和数据信号训练在每个资源元素素相关的振幅,另一个是通过训练的振幅特征和接收的导频信号训练在每个资源元素的信道。两个训练阶段通过不同的DNN依次串连。
在本申请实施例中,所述通信设备根据所述数据信号确定非线性特征的步骤,包括:
所述通信设备对所述数据信号进行去噪声处理;
所述通信设备利用经过去噪声处理的所述数据信号确定所述非线性特征。
在本申请实施例中,所述通信设备对所述数据信号进行去噪声处理的步骤,包括:所述通信设备确定降噪信道块(de-noising channel block);所述通信设备通过所述降噪信道块对所述数据信号进行去噪声处理,比如在非线性特征获取的过程中,通信设备通过设置降噪信道块对接收数据信号进行平均化,来降低噪声,从而获取准确的非线性特征,比如振幅特征。
在本申请实施例中,在所述非线性特征包括所述数据信号的振幅特征的情况下,所述通信设备利用经过去噪声处理的所述数据信号确定所述非线性特征的步骤,包括:所述通信设备获取每个发射天线的振幅的平方值的总和;所述通信设备将所述振幅的平方值的总和,确定为经过去噪声处理的所述数据信号的振幅特征,通过导频特征和振幅特征以及基于AI方法的结合,从而实现对MIMO信道估计。
在本申请实施例中,所述通信设备确定降噪信道块的步骤,包括:所述通信设备根据接收信号的方式、信道衰落频率选择性和所述通信设备的移动速度中的一项或多项,确定所述降噪信道块;其中,所述接收信号的方式包括:在不同的连续时隙中接收信号,或者在单独的时隙中接收信号,有效的降低噪声对非线性特征获取的影响。
在本申请实施例中,在所述通信设备为终端的情况下,所述方法还包括:接收下行控制信息;根据所述下行控制信息,确定所述接收信号的方式。
在本申请实施例中,在所述通信设备确定降噪信道块的大小的步骤之前,还包括:所述通信设备确定信道衰落频率选择性和/或所述通信设备的移动速度。
在本申请实施例中,所述通信设备对所述数据信号进行去噪声处理的步骤,包括:所述通信设备获取测量的参考信号接收功率(Reference Signal Receiving Power,RSRP)和/或接收的信号强度指示(Received Signal Strength Indication,RSSI);所述通信设备根据所述RSRP和/或RSSI,确定噪声功率谱密度;根据所述噪声功率谱密度对所述数据信号进行去噪声处理,通过对平均接收数据信号功率做噪声功率谱密度的减法,优化非线性特征去噪,使得非线性特征更加准确。
在本申请实施例中,通信设备根据导频信号确定线性特征,以及根据数据信号确定非线性特征,通过线性特征和非线性特征进行信道估计,可以在保证信道估计性能的情况下,有效减少信道估计的参考信号(或导频信号)的开销。
下面以采用导频和数据辅助以及基于AI的方法,对DM-RS信道估计进行了性能增强为例进行介绍。
在神经网络中增加特征输入层(Input Layer)的维数从而提高输出层(OutputLayer)中信道估计的可靠性;此外,作为新维度的特征可以是从DM-RS和数据中接收到的信号的振幅(Envelop),其中振幅时间和频率空间为K×L。振幅可以通过以下公式进行计算:
其中,k=1,2,…,K,和l=1,2,…,L。
为了简单起见,假设sm(k,l)是具有QPSK调制的数据符号,k和l是时域和频域索引,位于K×L时域和频域中,且|sm(k,l)|=1;sm(kRS,lRS)是QPSK调制DM-RS导频信号,kRS和lRS是时域和频域索引,也位于K×L时域和频域中。另外,天线根据1×N的SIMO配置的,因此m=1。但是它可以简单地扩展到一般的MIMO情况。
因此,振幅可以通过对时间和/或频域上接收信号的平均值计算来进一步去噪。在此,我们考虑降噪信道块(de-noising channel block),而在降噪信道块中的接收信号将被平均化,从而使噪音对振幅估计的影响最小化。如果降噪信道块的大小为(2K(av)+1)×(2L(av)+1),平均后的振幅可以被表示为:
其中,rn(p,q)是第n个接收天线,第(p,q)个RE上的接收信号。
应该注意的是,通常在接收机中通过获取测量的RSRP和RSSI能够获取N0具体数值。并且,rm,n(p,q)可以被分解为:
因此,当降噪信道块的大小足够大的时候,|rn(p,q)|2可以被近似,并简化为:
rn(p,q)≈hm,n(p,q)。
其中,hm,n(p,q)是在(p,q)RE上的振幅。
这意味着,振幅的精度取决于噪声测量的精度以及降噪通道块的大小。
要考虑的是如何确定降噪信道块,以便在时域和/或频域上对接收到的信号进行平均。在无线通信中,接收信号可以是在连续时隙中被接收,也可以是在独立时隙中被接收。比如基站通过时分的方法对不同用户在不同的时间和频谱资源上发送信号。如果基站连续在两个以上的时隙资源上发送信号,则接收机通过解调下行控制信息(DownlinkControl Information,DCI)获取数据信号资源的信息,然后对连续的时隙信号进行解码,但如果基站只在一个时隙资源上发送信号,则接收机将对单独的信号的时隙信号进行解码。因此,确定降噪信道块需要考虑两种情况。
情况1:是接收机在连续时隙中接收信号;
情况2:是接收器在独立时隙中接收信号。针对不同的情况,降噪信道块是不同的。前者可以利用跨时隙来设定降噪信道块,而后者仅能利用在独立时隙中设定降噪信道块。
需要说明的是,本申请实施例中针对的导频信号不仅仅是DM-RS,同样可以针对其他的参考信号(Reference Signal,RS)对信道进行有效估计。如,相位跟踪参考信号(Phase-tracking reference signals,PT-RS),信道状态信息参考信号(CSI referencesignal,CSI-RS),探测参考信号(Sounding reference signal,SRS)等。
在SIMO的情况下,振幅特征信息可以通过估计N0和设定降噪信道块的方法来获取。但是,如果是MIMO,每个从多发射天线上发送的信号振幅信息是无法单独获取的。在这种情况下,接收器只能获取对于多发射天线的振幅的平方值的总和,即在第n个接收天线上的接收振幅被近似地简化为:
其中,hm,n(p,q)是在(p,q)RE上的振幅。
值得注意的是,在传统的信道估计方法中,由于振幅平方和是无法被分离的,也就是说,非线性的振幅平方值的总和的信息将没有任何用处。但是利用DNN,振幅平方值的总和的信息将能够被考虑为有效的新的输入特征,从而提升信道估计的性能。
如图5所示,输入特征由两部分组成。一部分是利用Least Square的传统方法推导出导频信道元素,其输出特征维度为M×N×KRS×LRS,并将其作为第一部分的输入特征。第二部分是利用可以通过估计N0和设定降噪信道块的方法来获取振幅特征信息,其输出的维度为1×N×K×L,并将其作为第二部分的输入特征。在导频设计中,通过增加新的振幅特征信息来尽量减少导频维度,从而降低在OFDM系统中所需的导频开销,同时对系统整体性能得到大幅提升。
在振幅特征估计中,可以先确定降噪信道块(De-nosing Channle Block),该信道块取决于信道衰落频率选择性(Fading Frequency Selective)以及接收机的移动速度。但是,这两个参数通常是事先未知的。因此,降噪信道块最佳长宽大小很难被正确地选定。如果降噪信道块太大,则真实的振幅特征信息将被过度过滤。如果降噪信道块太小,降噪效果将会非常有限。
另外,振幅特征估计也需要接收机通过RSRP和RSSI来估算噪声功率谱密度为N0。如果在另加干扰噪声的情况下,干扰噪声的功率估计就比较困难。降噪的效果可能会有比较大的影响。
在此考虑振幅特征的估计也依赖于DNN的训练。DNN的训练可以被分为两个训练阶段;一个是先通过接收的导频和数据信号来训练在每个信道元素的振幅特征,另一个是通过训练好的振幅特征和接收的导频信号来训练在每个信道元素上的信道。两个训练阶段通过不同的DNN来实现,它们依次串连的。
如图6所示,振幅特征训练的DNN-1输入由两部分组成;一部分是利用导频信号推导出导频信道的振幅,其输入特征维度为M×N×KRS×LRS,并将其作为第一部分的输入特征。第二部分是利用数据信号并通过Least Square的过滤方法推导出和振幅相关的信道元素,其输入的维度为1×N×(K-KRS)×(L-LRS)并将其作为第二部分的输入特征。振幅特征训练的DNN-1神经网将训练和输出去噪后的多个发射天线的振幅的平方值的总和,其输出的维度为1×N×K×L。
另外,DNN-2输入也由两部分组成;第一部分是DNN-1神经网的输出部分,将其作为DNN-2的输入特征,其输入的维度为1×N×K×L。而DNN-2的第二部分是将使用和DNN-1第一部分的输入的相同导频信号作为输入特征,即利用Least Square方法推导出导频信道特征,其输入特征维度为M×N×KRS×LRS。最后,DNN-2神经网将训练和输出去噪插值后的M个发射天线和N个接收天线相关的估计信道,其输出的维度为M×N×K×L。
同样的,在导频设计中,通过增加新的振幅特征信息来尽量减少导频维度,从而降低在OFDM系统中所需的导频开销,同时对系统整体性能也得到大幅提升。
值得注意的是,与振幅特征相似,功率特征也可以通过设置降噪信道块或通过DNN的训练获取。功率特征可以作为信道估计的DNN输入来提高信道估计的整体性能。
在本申请实施例中,对于SIMO或MIMO信道的估计,通过导频和数据辅助以及基于AI方法的结合,可以增加DNN的新输入特征,通过DNN进行更有效的估计信道。相比现有的经典神经网络的DM-RS算法,本申请实施例在导频特征的基础上增加了新的振幅特征,使得DNN输入特征将更加丰富,在降低DM-RS导频的开销的同时,信道估计的增益也能得到提高。
传统的数据辅助决策反馈信道估计(data-aided decision feedback channelestimation,DFCE)方法无法使用振幅的平方值的总的信息。而本申请实施例利用DNN的非线性的固有特征,进一步使用振幅的平方值的总和作为DNN输入新特征,从而大大降低DM-RS导频的开销,同时还能准确估计无线信道。
振幅特征的估计可以根据通过设置降噪信道块来实现,也可以更有效的通过独立DNN神经网络来实现。后者可以考虑两个训练阶段通过不同的DNN依次串连后来训练实现,达到更好的信道估计效果。
下面结合实施例一和实施例三介绍本申请实施例。
实施例一:SIMO场景
假设sm(k,l)是具有QPSK调制的数据符号,k和l是时域和频域索引,位于K×L时域和频域中,且|sm(k,l)|=1;sm(kRS,lRS)是QPSK调制DM-RS导频信号,kRS和lRS是时域和频域索引,也位于K×L时域和频域中。另外,天线根据1×N的SIMO配置的,因此m=1。
如图7所示,输入特征由两部分组成。一部分是利用LS的传统方法推导出导频信道元素,其输出特征维度为1×N×KRS×LRS,并将其作为第一部分的输入特征。第二部分是利用可以通过估计N0和设定降噪信道块的方法来获取振幅特征信息,其输出的维度为1×N×K×L,并将其作为第二部分的输入特征。DNN神经网将训练和输出去噪插值后的和N个接收天线相关的估计信道,其输出的维度为1×N×K×L。
在导频设计中,通过增加新的振幅特征信息来尽量减少在OFDM系统中所需的导频开销,同时对系统整体性能也得到大幅提升。
需要说明的是,本申请实施例中的DNN是一种特例。在接收端,其他的神经网络也可以被有效使用。例如,递归神经网络,循环神经网络,甚至不是神经网络的其它AI技术,比如支持向量机等也是可行的。另外,终端可以被考虑拥有不同的神经网络。根据无线信道环境,基站和终端交换信息,让终端选择和使用最佳的神经网络。也就是说,通过利用基站对相应的无线环境有已知知识,终端灵活地适应无线信道环境,有效地对信道进行估计。
实施例二
在振幅特征估计中,可以先确定降噪信道块,该降噪信道块大小取决于信道衰落频率选择性(Fading Frequency Selective)以及接收机的移动速度。在确定降噪信道块之前,接收机对信道衰落频率选择性和移动速度需要有一个粗略的估计。同时针对接收DCI的信息,从而判断接收信号时隙的连续情况。时隙的连续情况可以分为两种;情况1是接收机在连续时隙中接收信号,而情况2是接收器在独立时隙中接收信号。
如图8所示,在情况1的条件下,接收器将设定K(av)=L(av)=2,从而确定降噪信道块大小,即降噪信道块为5×5。
针对情况2,如图9所示,接收器确定降噪信道块设定参数,K(av)=L(av)=2。但是在这种情况下,降噪信道块大小根据信道估计资源元素的位置将有所不同。在接收信号的起点,由于接收信号时隙的独立性,第一个降噪信道块大小为3×5,而第二个降噪信道块大小为5×5。
实施例三
在本示例中,简单地假设它具有2×1多入单出(Multi Input Single Output,MISO),可以拥有任何调制方式,即正交相移键控(Quadrature Phase Shift Keying,QPSK),16正交振幅调制(Quadrature Amplitude Modulation,QAM),64QAM和256QAM。接收到的信号可以表示为:
第1个接收天线中的接收信号r1(k,l)的振幅可以被计算为:
值得注意的是,同样利用选择降噪信道块降低噪声的方法,将以上接收信号取平均值。如果用来取平均值的RE数目足够多的话,则除了前3项以外,其余的项都将为零。
因此,通过在大小K×L去噪通道块上取|r1(k,l)|2的平均值,则r1(k,l)的振幅可以被近似计算为:
因此,和在SIMO的情况下提取单一的振幅不同的是,在MIMO的情况下接收机只能获取从两发送天线接收到的振幅的平方值的总和。但是,利用DNN的非线性的固有特征,振幅的平方值的总和可以作为DNN输入新的有效特征,并对DNN信道估计输出性能由大幅度的改善。
值得注意的是,振幅的估计对调制方式比较敏感,一般情况下,QPSK性能是最好的。其他调制方式,如16QAM,64QAM和256QAM的,会根据数据信号,每个OFDM符号使用的振幅大小会有所不同。为了提高振幅估计的精度,我们可以采用不同的调制方式对数据信号进行调制。即,用于通过DNN来估计振幅的数据信号可以采用QPSK,而单纯的用于数据信号调制的可以采用其他的调制方式。
参见图10,本申请实施例提供一种信道估计装置,应用于通信设备,该装置1000包括:
接收模块1001,用于接收导频信号和数据信号;
第一确定模块1002,用于根据所述导频信号确定线性特征;
第二确定模块1003,用于根据所述数据信号确定非线性特征;
信道估计模块1004,用于根据所述线性特征和非线性特征,进行信道估计。
在本申请的一种实施方式中,信道估计模块进一步用于:利用所述线性特征和非线性特征,通过人工智能进行信道估计。
在本申请的一种实施方式中,第二确定模块进一步用于:在MIMO的情况下,通过训练神经网络的方式,利用所述数据信号确定所述非线性特征。
在本申请的一种实施方式中,接收模块进一步用于通过资源元素接收所述导频信号和所述数据信号。
在本申请的一种实施方式中,第二确定模块进一步用于:通过所述导频信号和所述数据信号,训练与每个资源元素相关的非线性特征;通过训练的非线性特征,以及所述导频信号,训练与每个资源元素相关的信道。
在本申请的一种实施方式中,第二确定模块进一步用于:对所述数据信号进行去噪声处理;利用经过去噪声处理的所述数据信号确定所述非线性特征。
在本申请的一种实施方式中,第二确定单元进一步用于:确定降噪信道块;通过所述降噪信道块对所述数据信号进行去噪声处理。
在本申请的一种实施方式中,所述非线性特征包括:所述数据信号的振幅特征。
在本申请的一种实施方式中,第二确定单元进一步用于:获取每个发射天线的振幅的平方值的总和;将所述振幅的平方值的总和,确定为经过去噪声处理的所述数据信号的振幅特征。
在本申请的一种实施方式中,第二确定单元进一步用于:根据接收信号的方式、信道衰落频率选择性和所述通信设备的移动速度中的一项或多项,确定所述降噪信道块;
其中,所述接收信号的方式包括:在不同的连续时隙中接收信号,或者在单独的时隙中接收信号。
在本申请的一种实施方式中,装置还包括:
第三确定模块,用于确定信道衰落频率选择性和/或所述通信设备的移动速度。
在本申请的一种实施方式中,在所述通信设备为终端的情况下,所述装置还包括:
第二接收模块,用于接收下行控制信息;
第四确定模块,用于根据所述下行控制信息,确定所述接收信号的方式。
在本申请的一种实施方式中,第二确定单元进一步用于:获取测量的RSRP和/或RSSI;根据所述RSRP和/或RSSI,确定噪声功率谱密度;根据所述噪声功率谱密度对所述数据信号进行去噪声处理。
在本申请的一种实施方式中,所述导频信号包括:解调参考信号、相位跟踪参考信号、信道状态信息参考信号、或探测参考信号。
本申请实施例提供的装置能够实现图4所示的方法实施例实现的各个过程,并达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例还提供一种终端,包括处理器和通信接口,通信接口用于接收导频信号和数据信号;处理器用于根据所述导频信号和数据信号进行信道估计。该终端实施例是与上述终端侧方法实施例对应的,上述方法实施例的各个实施过程和实现方式均可适用于该终端实施例中,且能达到相同的技术效果。
具体地,图11为实现本申请实施例的一种终端的硬件结构示意图,该终端1100包括但不限于:射频单元1101、网络模块1102、音频输出单元1103、输入单元1104、传感器1105、显示单元1106、用户输入单元1107、接口单元1108、存储器1109、以及处理器1110等中的至少部分部件。
本领域技术人员可以理解,终端1100还可以包括给各个部件供电的电源(比如电池),电源可以通过电源管理系统与处理器1110逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图11中示出的终端结构并不构成对终端的限定,终端可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置,在此不再赘述。
应理解的是,本申请实施例中,输入单元1104可以包括图形处理器(GraphicsProcessing Unit,GPU)11041和麦克风11042,图形处理器11041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元1106可包括显示面板11061,可以采用液晶显示器、有机发光二极管等形式来配置显示面板11061。用户输入单元1107包括触控面板11071以及其他输入设备11072。触控面板11071,也称为触摸屏。触控面板11071可包括触摸检测装置和触摸控制器两个部分。其他输入设备11072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆,在此不再赘述。
本申请实施例中,射频单元1101将来自网络侧设备的下行数据接收后,给处理器1110处理;另外,将上行的数据发送给网络侧设备。通常,射频单元1101包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。
存储器1109可用于存储软件程序或指令以及各种数据。存储器1109可主要包括存储程序或指令区和存储数据区,其中,存储程序或指令区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外,存储器1109可以包括高速随机存取存储器,还可以包括非易失性存储器,其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
处理器1110可包括一个或多个处理单元;可选的,处理器1110可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序或指令等,调制解调处理器主要处理无线通信,如基带处理器。可以理解的是,上述调制解调处理器也可以不集成到处理器1110中。
本申请实施例提供的终端能够实现图4所示的方法实施例实现的各个过程,并达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例还提供一种网络侧设备,包括处理器和通信接口,通信接口用于接收导频信号和数据信号;处理器用于根据所述导频信号和数据信号进行信道估计。该网络侧设备实施例是与上述网络侧设备方法实施例对应的,上述方法实施例的各个实施过程和实现方式均可适用于该网络侧设备实施例中,且能达到相同的技术效果。
具体地,本申请实施例还提供了一种网络侧设备。如图12所示,该网络侧设备1200包括:天线1201、射频装置1202、基带装置1203。天线1201与射频装置1202连接。在上行方向上,射频装置1202通过天线1201接收信息,将接收的信息发送给基带装置1203进行处理。在下行方向上,基带装置1203对要发送的信息进行处理,并发送给射频装置1202,射频装置1202对收到的信息进行处理后经过天线1201发送出去。
上述频带处理装置可以位于基带装置1203中,以上实施例中网络侧设备执行的方法可以在基带装置1203中实现,该基带装置1203包括处理器1204和存储器1205。
基带装置1203例如可以包括至少一个基带板,该基带板上设置有多个芯片,如图12所示,其中一个芯片例如为处理器1204,与存储器1205连接,以调用存储器1205中的程序,执行以上方法实施例中所示的网络设备操作。
该基带装置1203还可以包括网络接口1206,用于与射频装置1202交互信息,该接口例如为通用公共无线接口(common public radio interface,简称CPRI)。
具体地,本申请实施例的网络侧设备还包括:存储在存储器1205上并可在处理器1204上运行的指令或程序。可以理解的是,处理器1204调用存储器1205中的指令或程序执行图12所示各模块执行的方法,并达到相同的技术效果,为避免重复,故不在此赘述。
本申请实施例还提供一种计算机程序/程序产品,所述计算机程序/程序产品被存储在非易失的存储介质中,所述计算机程序/程序产品被至少一个处理器执行以实现如图4所述的处理的方法的步骤。
本申请实施例还提供一种可读存储介质,所述可读存储介质上存储有程序或指令,该程序或指令被处理器执行时实现上述图4所示方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述处理器为上述实施例中所述的终端中的处理器。所述可读存储介质,包括计算机可读存储介质,如计算机只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等。
本申请实施例还提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现上述图3所示方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为系统级芯片,系统芯片,芯片系统或片上系统芯片等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (26)
1.一种信道估计方法,其特征在于,包括:
通信设备接收导频信号和数据信号;
所述通信设备根据所述导频信号确定线性特征;
所述通信设备根据所述数据信号确定非线性特征;
所述通信设备根据所述线性特征和所述非线性特征,进行信道估计。
2.根据权利要求1所述的方法,其特征在于,所述通信设备根据所述线性特征和所述非线性特征,进行信道估计的步骤,包括:
所述通信设备利用所述线性特征和所述非线性特征,通过人工智能进行信道估计。
3.根据权利要求2所述的方法,其特征在于,所述通信设备根据所述数据信号确定非线性特征的步骤,包括:
在采用多输入多输出传输的情况下,所述通信设备通过训练神经网络的方式,利用所述数据信号确定所述非线性特征。
4.根据权利要求3所述的方法,其特征在于,所述通信设备接收导频信号和数据信号的步骤,包括:
所述通信设备通过资源元素接收所述导频信号和所述数据信号;
所述通信设备通过训练神经网络的方式,利用所述数据信号确定所述非线性特征的步骤,包括:
所述通信设备通过所述导频信号和所述数据信号,训练与每个资源元素相关的非线性特征;
所述通信设备通过训练的非线性特征,以及所述导频信号,训练与每个资源元素相关的信道。
5.根据权利要求1所述的方法,其特征在于,所述通信设备根据所述数据信号确定非线性特征的步骤,包括:
所述通信设备对所述数据信号进行去噪声处理;
所述通信设备利用经过去噪声处理的所述数据信号确定所述非线性特征。
6.根据权利要求5所述的方法,其特征在于,所述通信设备对所述数据信号进行去噪声处理的步骤,包括:
所述通信设备确定降噪信道块;
所述通信设备通过所述降噪信道块对所述数据信号进行去噪声处理。
7.根据权利要求1所述的方法,其特征在于,所述非线性特征包括:所述数据信号的振幅特征。
8.根据权利要求7所述的方法,其特征在于,所述通信设备利用经过去噪声处理的所述数据信号确定所述非线性特征的步骤,包括:
所述通信设备获取每个发射天线的振幅的平方值的总和;
所述通信设备将所述振幅的平方值的总和,确定为经过去噪声处理的所述数据信号的振幅特征。
9.根据权利要求6所述的方法,其特征在于,所述通信设备确定降噪信道块的步骤,包括:
所述通信设备根据接收信号的方式、信道衰落频率选择性和所述通信设备的移动速度中的一项或多项,确定所述降噪信道块的大小;
其中,所述接收信号的方式包括:在不同的连续时隙中接收信号,或者在独立的时隙中接收信号。
10.根据权利要求9所述的方法,其特征在于,在所述通信设备为终端的情况下,所述方法还包括:
接收下行控制信息;
根据所述下行控制信息,确定所述接收信号的方式。
11.根据权利要求9所述的方法,其特征在于,在所述通信设备确定降噪信道块的大小的步骤之前,还包括:
所述通信设备确定信道衰落频率选择性和/或所述通信设备的移动速度。
12.根据权利要求5所述的方法,其特征在于,所述通信设备对所述数据信号进行去噪声处理的步骤,包括:
所述通信设备获取测量的参考信号接收功率RSRP和/或接收的信号强度指示RSSI;
所述通信设备根据所述RSRP和/或所述RSSI,确定噪声功率谱密度;
根据所述噪声功率谱密度对所述数据信号进行去噪声处理。
13.根据权利要求1所述的方法,其特征在于,所述导频信号包括:解调参考信号、相位跟踪参考信号、信道状态信息参考信号、或探测参考信号。
14.一种信道估计装置,其特征在于,包括:
接收模块,用于接收导频信号和数据信号;
第一确定模块,用于根据所述导频信号确定线性特征;
第二确定模块,用于根据所述数据信号确定非线性特征;
信道估计模块,用于根据所述线性特征和非线性特征,进行信道估计。
15.根据权利要求14所述的装置,其特征在于,所述信道估计模块进一步用于:利用所述线性特征和非线性特征,通过人工智能进行信道估计。
16.根据权利要求14所述的装置,其特征在于,所述第二确定模块进一步用于:在采用多输入多输出传输的情况下,通过训练神经网络的方式,利用所述数据信号确定所述非线性特征。
17.根据权利要求16所述的装置,其特征在于,所述接收模块进一步用于通过资源元素接收所述导频信号和所述数据信号;所述第二确定模块进一步用于:通过所述数据信号和导频信号,训练与每个资源元素相关的非线性特征;通过训练的非线性特征,以及所述导频信号,训练与每个资源元素相关的信道。
18.根据权利要求14所述的装置,其特征在于,所述第二确定模块进一步用于:对所述数据信号进行去噪声处理;利用经过去噪声处理的所述数据信号确定所述非线性特征。
19.根据权利要求18所述的装置,其特征在于,所述第二确定模块进一步用于:确定降噪信道块;通过所述降噪信道块对所述数据信号进行去噪声处理。
20.根据权利要求14所述的方法,其特征在于,所述非线性特征包括:所述数据信号的振幅特征。
21.根据权利要求20所述的装置,其特征在于,所述第二确定模块进一步用于:获取每个发射天线的振幅的平方值的总和;将所述振幅的平方值的总和,确定为经过去噪声处理的所述数据信号的振幅特征。
22.根据权利要求19所述的装置,其特征在于,所述第二确定模块进一步用于:根据接收信号的方式、信道衰落频率选择性和所述通信设备的移动速度中的一项或多项,确定所述降噪信道块;其中,所述接收信号的方式包括:在不同的连续时隙中接收信号,或者在单独的时隙中接收信号。
23.根据权利要求22所述的装置,其特征在于,所述装置还包括:
第三确定模块,用于确定信道衰落频率选择性和/或所述通信设备的移动速度。
24.根据权利要求18所述的装置,其特征在于,所述第一确定模块进一步用于:获取测量的RSRP和/或RSSI;根据所述RSRP和/或所述RSSI,确定噪声功率谱密度;根据所述噪声功率谱密度对所述数据信号进行去噪声处理。
25.一种通信设备,其特征在于,包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序,所述程序被所述处理器执行时实现如权利要求1至13中任一项所述的方法的步骤。
26.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1至13中任一项所述的方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110546723.1A CN115396262A (zh) | 2021-05-19 | 2021-05-19 | 信道估计方法、装置、设备及可读存储介质 |
PCT/CN2022/092497 WO2022242541A1 (zh) | 2021-05-19 | 2022-05-12 | 信道估计方法、装置、设备及可读存储介质 |
US18/513,470 US20240097853A1 (en) | 2021-05-19 | 2023-11-17 | Channel estimation method and apparatus, device, and readable storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110546723.1A CN115396262A (zh) | 2021-05-19 | 2021-05-19 | 信道估计方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115396262A true CN115396262A (zh) | 2022-11-25 |
Family
ID=84114029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110546723.1A Pending CN115396262A (zh) | 2021-05-19 | 2021-05-19 | 信道估计方法、装置、设备及可读存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240097853A1 (zh) |
CN (1) | CN115396262A (zh) |
WO (1) | WO2022242541A1 (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110430150A (zh) * | 2019-08-09 | 2019-11-08 | 电子科技大学 | 一种基于神经网络的蜂窝移动通信系统接收机设计方法 |
CN111555990A (zh) * | 2020-04-27 | 2020-08-18 | 上海大学 | 基于长短时记忆残差网络的信道插值估计方法 |
WO2020199066A1 (zh) * | 2019-03-30 | 2020-10-08 | 华为技术有限公司 | 功率控制方法及相关装置 |
CN112398505A (zh) * | 2019-08-16 | 2021-02-23 | 华为技术有限公司 | 一种信号处理方法、通信装置和系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8837616B2 (en) * | 2012-07-31 | 2014-09-16 | Exelis Inc. | Equalization of a distributed pilot OFDM signal |
CN111464465B (zh) * | 2020-03-11 | 2022-05-06 | 重庆邮电大学 | 一种基于集成神经网络模型的信道估计方法 |
-
2021
- 2021-05-19 CN CN202110546723.1A patent/CN115396262A/zh active Pending
-
2022
- 2022-05-12 WO PCT/CN2022/092497 patent/WO2022242541A1/zh unknown
-
2023
- 2023-11-17 US US18/513,470 patent/US20240097853A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020199066A1 (zh) * | 2019-03-30 | 2020-10-08 | 华为技术有限公司 | 功率控制方法及相关装置 |
CN110430150A (zh) * | 2019-08-09 | 2019-11-08 | 电子科技大学 | 一种基于神经网络的蜂窝移动通信系统接收机设计方法 |
CN112398505A (zh) * | 2019-08-16 | 2021-02-23 | 华为技术有限公司 | 一种信号处理方法、通信装置和系统 |
CN111555990A (zh) * | 2020-04-27 | 2020-08-18 | 上海大学 | 基于长短时记忆残差网络的信道插值估计方法 |
Non-Patent Citations (1)
Title |
---|
周子钰等: "无小区大规模MIMO系统中基于叠加导频的上行频谱效率理论上限分析", 《信号处理》 * |
Also Published As
Publication number | Publication date |
---|---|
US20240097853A1 (en) | 2024-03-21 |
WO2022242541A1 (zh) | 2022-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5154544B2 (ja) | マルチキャリア通信システムにおける信号検出 | |
JP4541165B2 (ja) | 無線通信システム及び送信装置 | |
JP2001320344A (ja) | チャネル推定を用いるクラスタ化されたofdm | |
EP2163057B1 (en) | Memory-saving method for generating soft bit values from an ofdm signal | |
CN103155502A (zh) | 干扰信号参数估计方法和装置 | |
US11616663B2 (en) | Method and apparatus of parameter tracking for CSI estimation | |
JP5203308B2 (ja) | 送信指向性制御装置及び送信指向性制御方法 | |
Yang et al. | Deep learning based OFDM channel estimation using frequency-time division and attention mechanism | |
US10148471B2 (en) | Communication apparatus, communication method and communication system | |
US20140086232A1 (en) | Methods and apparatuses for channel estimation in wireless networks | |
WO2012092751A1 (zh) | 一种邻区干扰检测方法及系统 | |
US7245674B2 (en) | Method and system for providing low power WLAN receiver | |
US8559398B2 (en) | Channel estimation using precoded reference symbols | |
EP3282657B1 (en) | Device and method for detecting transmission signal | |
US10009076B2 (en) | Method and apparatus for obtaining downlink data in a massive MIMO system | |
JP2008283393A (ja) | Mmse等化回路、受信装置、及び通信システム、並びにその方法及びプログラム | |
JP2009225054A (ja) | 協調伝送システム、協調伝送方法および受信局 | |
CN115396262A (zh) | 信道估计方法、装置、设备及可读存储介质 | |
Abou Saleh et al. | Receive antenna selection for time-varying channels using discrete prolate spheroidal sequences | |
JP2006303665A (ja) | 無線端末制御方法 | |
US8750399B2 (en) | Radio terminal and demodulation method | |
CN116671055A (zh) | 一种通信方法和装置 | |
US20220078048A1 (en) | Method and receiving node for determining channel window length | |
US8238856B2 (en) | Wireless communicating apparatus, receiving method selecting method, and receiving method selecting program | |
JP5632998B2 (ja) | 受信装置、フィードバック方法、及びプログラム |
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 |