[发明专利]基于深度学习的OFDM信道估计方法

说明书

本发明公开了一种基于深度学习的OFDM信道估计方法，主要解决现有技术信道估计质量差或实现复杂度太高的问题。其方案为：在接收端，获取时域信号y并进行预处理，得到接收信号导频位置的频域信号Y_P；利用全连接层神经网络搭建信道估计模型CE‑Net，并对其训练；利用现实环境的数据进行迁移训练；将CE‑Net置于接收端，用于线上的信道估计。本发明降低了信道估计的实现复杂度，显著地提高了信道估计质量，可用于梳状导频模式下的OFDM通信系统。

技术领域

本发明属于通信技术领域，具体涉及一种正交频分复用OFDM系统中的信道估计方法，可用于基于梳状导频的正交频分复用OFDM通信系统。

背景技术

OFDM是当前通信系统中广泛应用的关键技术之一，实现复杂度低，能够有效地提高频带利用率。在宽带移动通信系统中，无线信道通常具有频率选择性和时变特性，信道估计的性能将直接影响接收信号的质量，因此有必要进行动态的信道估计，且保证估计结果的准确性。

考虑目前广泛应用的基于导频的OFDM信道估计，当OFDM系统选择梳状导频模式时，信道估计可分为导频位置的信道估计和信道插值。现有关于OFDM信道估计的研究中，导频位置的信道估计原则主要集中于最小二乘LS算法和最小均方误差MMSE算法，信道插值主要集中于线性插值，高斯插值和样条插值。

应用到实际场景中时，基于上述两种原则的信道估计方法在实现复杂度与性能之间难以权衡，且上述插值算法无法跟踪信道变化，因此如何有效改进现有的信道估计方法，使其更好的适应于工程应用是需要着重考虑的问题。

针对这些问题，论文“基于深度学习的OFDM信道估计”中提出了一种梳状导频模式下OFDM系统的信道估计方法。该方法通过全连接层神经网络模块搭建深度神经网络架构DL-CE来模拟信道插值过程。通过离线信道数据对信道估计网络进行迭代训练，能够学习到信道的特征，并追踪信道的变化，使得该方案获得较好的性能改善。但是该方案利用基于LS算法获得导频位置的信道频域响应CFR，作为DL-CE的输入，忽略了基于LS得到的CFR易受噪声影响，并将导频位置的信道估计和信道插值两个过程分开进行，没有考虑到接收的导频信号和发射的导频信号之间存在的线性关系，提高了算法复杂度，因此该方案仍然存在性能不足和算法复杂度较高的问题。此外，专利申请号为CN201910057264的“一种人工智能辅助的OFDM接收机”被提出。该方法通过在传统OFDM接收机结构中引入人工智能算法，取代信道估计、信号检测及QAM解映射三个模块。其中取代信道估计模块的人工智能算法是利用深度神经网络对信道特征进行学习,改善信道估计的性能，并且可以根据实际需求选择合适的网络结构，对实际信道环境具有很强的适应性。但是该方案采用的是块状导频模式，适用于慢衰落信道，没有考虑到快衰落信道的时变特性。因此在快衰落信道的应用场景下，该方案难以适用。

发明内容

本发明的目的在于针对上述现有技术存在的缺陷，提出一种基于全连接深度神经网络FC-DNN的OFDM信道估计方法，在保证算法复杂度较低的前提下，提高信道估计精度，并且可以应用到快衰落信道场景中。

本发明的技术思路是：通过全连接层FC神经网络搭建一个全连接深度神经网络FC-DNN的信道估计模型，称之为CE-Net。通过对模型CE-Net的数据训练，使得模型的输入对应的输出与该输入对应的标签数据之间的均方误差最小化；将已训练的信道估计模型CE-Net部署在发射端或接收端以用于线上测试。

根据上述技术思路，一种基于深度学习的OFDM信道估计方法，包括如下步骤：

(1)用接收端接收时域信号y并进行预处理，得到接收信号导频位置的频域信号Y_P；

(2)利用全连接层神经网络搭建信道估计模型CE-Net：

(2a)信道估计模型CE-Net包含一个输入层、多个隐藏层以及一个输出层；