[发明专利]一种基于深度学习的时变信道估计方法及系统

说明书

本发明公开了一种基于深度学习的时变信道估计方法及系统，通过对网络输入样本进行合理构造，本发明基于单隐藏层神经网络，首先充分地利用历史信道信息中的信道变化特征，以及接收导频信号中的其他特征，并利用最小二乘估计的优势来进一步提高信道估计的性能，其次，本发明利用构造的样本对反向传播神经网络进行线下训练，然后以在线方式实时获取时变信道信息。为了降低计算复杂度，本发明仅采用了接收的导频信号与导频子信道的信息，并对导频子信道采用多项式基扩展模型建模来减少待估计参数进行时变信道估计。本发明可以显著地提高信道估计精度，具有较低的计算复杂度，适合于高速移动场景中时变信道信息的高效获取。

技术领域

本发明涉及一种基于深度学习的时变信道估计方法及系统，属于无线通信技术领域。

背景技术

近年来，高速铁路、高速公路的大规模部署与快速发展，使得高速移动环境下的无线通信在全球引起了越来越多的关注。然而，在5G及5G后通信系统支撑的高速移动环境中，更高的车载速度、更频繁的切换和更宽的带宽使得高速移动无线通信系统的设计更具挑战性。因此，迫切地需要高性能的无线通信技术来支撑未来高速移动场景实现低时延高可靠(URLLC)的通信，其中抗多普勒频移技术是关键。

在众多抗多普勒频移方案中，时变信道估计是其一重要技术。这是由于在未来5G后的高速移动环境中，更大的多普勒频移更易造成信道的时间选择性衰落，而更宽的带宽也更易引起信道的频率选择性衰落，这种时间和频率双选择性衰落信道，对信号的正确传输提出了更高的要求。因此，为了满足未来5G后高速移动场景通信质量的需求，必须依托于快速高效稳定的时变信道估计方法，通过获取的信道估计消除多普勒频移对传输信号的影响，以提供通信系统性能。

近年来，基于深度学习的时变信道估计技术引起了国内外众多研究学者的兴趣，现有的基于深度学习的信道估计方法主要从两个思路进行研究：一是将信道信息作为图像问题处理，二是利用神经网络学习信道的变化特征。在第一类方法中，J.Yang等人(J.Yang,C.Wen等人，“Beamspace Channel Estimation in mmWave Systems Via Cosparse ImageReconstruction Technique”)首次提出将信道矩阵作为图片并采用图像重建进行信道估计的方法，该方法主要采用了卷积神经网络对带有噪声的低分辨率图片进行去噪处理，以获得高精度的信道图像信息。M.Soltani等人(M.Soltani,V.Pourahmadi,A.Mirzaei等人，“Deep Learning-Based Channel Estimation”)给出了一种ChannelNet信道估计网络，该方法仅将导频的信道响应建模为二维图像，并采用单层的卷积神经网络提取图像特征，然后利用多层的卷积神经网络对提取的图像特征进行去噪，以提高信道估计的精度，然而由于采用的卷积核过大使得提取到的特征不足，从而使得该方法的估计精度较差。为此，邵凯等人(邵凯，陈连成，刘胤等人，“高移动性Jakes信道的学习与估计”)给出了一种基于FSR-Net的信道估计方法，该方法通过采用卷积核更小的快速超分辨卷积神经网络来提取更多信道图像的特征，并利用多层卷积神经网络来进行降噪处理，以获得更高精确的信道估计。