高速移动环境下基于深度学习的信道估计方法

针对高速移动环境下信道快时变、非平稳特性导致下行链路信道估计性能受限的问题,本文提出一种基于深度学习的信道估计网络,即ChanEstNet.ChanEstNet使用卷积神经网络（Convolutional Neural Network,CNN）提取信道响应特征矢量和循环神经网络（Recurrent Neural Network,RNN）进行信道估计.我们利用标准的高速信道数据对学习网络进行离线训练,充分挖掘训练样本中的信道信息,使其学习到高速移动环境下信道快时变和非平稳的特点,更好的跟踪高速环境下信道的变化特征.仿真结果表明,在高速移动环境下,与传统方法相比,所提信道估计方法计算复杂度低,性能提升明显.     

一种降低复杂度的压缩感知水声信道估计方法

针对浅海的水声信道稀疏特性,提出了一种降低复杂度的前向回溯正交匹配追踪(RC-LABOMP)信道估计方法。首先计算正交匹配追踪和子空间追踪信道估计算法的两类支撑集,接着根据两类支撑集的交集和并集,预处理先验信息,最后利用先验信息完成前向回溯正交匹配追踪信道估计。该算法经过先验信息的预处理,能够减少原LABOMP算法的迭代次数,同时缩小原子的索引范围,因此能够显著降低原LABOMP算法的计算复杂度。此外,将提出的算法与水声Turbo均衡系统相结合,更适用于水声通信系统。仿真结果表明,所提算法在随机信道和水声信道条件下,具有估计精度高、误码率低的特点,同时能够显著降低LABOMP算法的计算复杂度,是一种适用于浅海水声信道的有效估计方法。     

一种融合常数模与深度学习的水声信道均衡算法

针对复杂通信条件下,水声信道均衡困难问题,提出了一种融合常数模算法(Constant Modulus Algorithm,CMA)和深度学习的均衡算法.该算法将通信系统接收端信号处理的过程划分为均衡和去噪两个阶段.在均衡阶段,采用CMA实现对发射信号的快速均衡;在去噪阶段,采用堆栈自编码器(Stacked Auto-e...     

基于深度学习的无人机空地信道估计方法

针对无人机下行数据链路容易受到复杂地面环境影响而产生信道估计精度不足的问题,提出了一种多神经网络结合使用的信道估计算法。在对无人机三种飞行阶段分析基础上,先采用三径模型进行信道建模,用OFDM系统对空地数据链建模生成样本数据;其次通过最小二乘算法对导频信息预处理,以DNN网络进行去噪处理,BiLSTM网络进行双向估计,再以DNN网络进行降维处理,实现对信道的估计。仿真结果表明,与传统算法和现有深度学习算法相比,所提出的算法在均方误差和误码率指标性能上均具有较大的提升。     

基于模型驱动深度学习的OTFS信道估计

针对单输入单输出(SISO)的正交时频空间(OTFS)调制系统,该文利用一种模型驱动深度学习算法进行OTFS信道估计。该方案首先将去噪近似消息传递(DAMP)算法进行深度展开,利用去噪卷积神经网络代替传统的去噪器,对含噪的时延多普勒信道进行去噪估计,然后提供了状态演化方程来预测可学习去噪近似消息传递(LDAMP)算法的理论归一化均方误差性能。仿真结果表明,相比于其他估计方案,该方案不仅在低信噪比条件下具有优越的性能表现,而且还具有非常好的鲁棒性,在信道路径总数不变时,增加OTFS 2维网格点数量,可以有效提升信道估计精确度。     

基于深度学习的信道估计技术研究进展

信道估计是接收机基带信号处理的关键,直接决定了无线通信系统的通信服务质量。传统的信道估计方法已经不能满足日益复杂和个性化的现代通信需求,同时人工智能技术特别是深度学习已被应用于无线通信物理层并带来了良好的通信性能增益。为系统地总结上述研究成果,并探讨未来的技术发展趋势,从数据驱动和模型驱动两方面分别对基于深度学习的信道估计方法进行了分析和归纳,并且描述了其中代表性算法,最后探讨了基于深度学习的信道估计的研究挑战与趋势。     

基于深度学习的高维信号信道估计算法

针对大部分基于深度学习（Deep Learning,DL）的信道估计算法估计高维信号时出现的训练开销过大、泛化能力差等问题,提出了一种不需要训练的基于深度学习的高维信号信道估计算法,即UTCENet（Untrained Channel Estimation Network）。在UTCENet中,信道信息上的复杂分布转换为模型参数上的简单分布,即通过神经网络参数化来获得隐式先验知识并将其应用于信道估计。虽然该算法不需要任何训练,但保证了估计的性能,其原因在于专门设计的网络模型可以有效利用时频网格中元素的相关性。仿真结果表明,与传统方法以及现有的深度学习方法相比,所提出的算法在归一化均方误差和误码率方面性能提升明显。     

基于扩展路径识别算法的水声OFDM系统低复杂度迭代稀疏信道估计

移动OFDM水声通信系统中,基于压缩感知的稀疏信道估计方法计算量较大,不适用于实时通信.针对这一问题,该文基于一致多普勒信道模型提出一种扩展路径识别(GPI)算法.该方法首先使用信道多普勒扩展矩阵构造等效发射序列,将多普勒信道转化为等效线性时不变信道.然后使用GPI算法估计信道多普勒及各路径的时延及幅度参数,实现低复杂...     

基于扩展路径识别算法的水声OFDM系统低复杂度迭代稀疏信道估计

移动OFDM水声通信系统中,基于压缩感知的稀疏信道估计方法计算量较大,不适用于实时通信.针对这一问题,该文基于一致多普勒信道模型提出一种扩展路径识别(GPI)算法.该方法首先使用信道多普勒扩展矩阵构造等效发射序列,将多普勒信道转化为等效线性时不变信道.然后使用GPI算法估计信道多普勒及各路径的时延及幅度参数,实现低复杂度稀疏信道估计.此外,该文将GPI算法扩展到Turbo接收机中,通过利用信道译码器反馈的数据符号先验信息迭代提高信道估计精度.仿真结果表明,所提方法的性能优于传统的路径识别算法,且与OMP算法接近,而其计算量远低于后者.     

一种新的基于判决反馈的OFDM系统信道估计方法

提出了一种基于判决反馈机制的信道估计方法,采用少量导频估计出初始信道信息,再从接收端检测出的符号中选取一组包含了少量错误的符号作为准导频,反馈到信道估计器,与初始的导频一起构成数量更多的导频序列,经过几次迭代,达到提高信道估计精度的目的。为提高初始估计的精度。信道估计采用了一种频域分集的方法。计算机仿真表明,在多径瑞利衰落信道下,本文的方法可以在较低的复杂度下有效地提高信道估计的精度,在MMSE接收条件下,系统具有良好的误比特率（BER）性能。     

一种新型CMMB信道估计方法的研究

结合中国自主知识产权中的中国移动多媒体广播系统（CMMB）的物理层帧结构和OFDM符号导频特征,总结了常规经典的信道估计方法,并且提出新型CMMB信道估计方法。计算机仿真结果表明,新型信道估计方法能够明显降低系统误码率,提高系统性能。     

一种水声信道仿真设计方法

本文提出了一种通过改变脉冲响应估算时间从而进行水声信道仿真(EUAC)的方法,该方法不需要海上试验就能对任一特定信号的通信方案进行信道输出估计,因此节省了时间和资源。这种方法首先需要进行一组海上试验。在每一次试验中,发送特定的窄带自相关信号,然后记录它们的响应,这样可以得到真实信道的冲激响应、多普勒漂移和相移的估计。应用这组海试结果建立一个EUAC数据库,该数据库将有助于在不经过海上试验的条件下对各种通信方法的性能进行评估。     

一种改进的变步长SAMP压缩感知浅海水声信道估计算法

针对稀疏度自适应匹配追踪（Sparsity Adaptive Matching Pursuit,SAMP）算法估计性能过度依赖初始步长的问题,提出了改进的变步长稀疏度自适应匹配追踪（Improved Variable Step-size Sparsity Adaptive Matching Pursuit,IVSSAMP）算法,并将IVSSAMP算法应用于水声正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）系统的压缩感知信道估计框架中。IVSSAMP算法通过残差条件对步长选取进行分类,在不同条件下分别引入微调因子设置残差与测量向量、残差与噪声之间的阈值来调整步长,实现变步长和稀疏度的自适应,同时规避了过度估计情况的发生。实验结果表明,IVSSAMP算法利用步长的灵活选取实现了估计精度与运行速度之间的平衡,降低了初始步长对算法性能的影响,具有较好的稳健性和应用性。     

基于深度学习的正交频分复用系统信道估计

针对5G系统信号接收子载波间串扰和子符号间干扰问题,提出了一种高效的基于深度学习的信道估计模型。在导频处进行初步估计获得估计信道,并将其视为含噪声的低分辨率图像样本输入信道估计模型,通过学习低分辨率图像与高分辨率图像之间的映射关系,最终去除输入信道的噪声,还原高分辨率信道图像,获得整个信道状态信息。仿真结果表明,该模型不仅延续了传统注意力机制抑制冗余信息的优势,降低了计算开销,还能获得良好的精度和鲁棒性,对各种信道都有较好的估计效果。     

基于阈值方法的OFDM系统信道估计设计

结合中国移动多媒体广播系统(CMMB)帧结构、调制及其传输信道的特征,分析维纳插值算法,并且提出阈值信道估计算法及其硬件实现结构,从而降低信道估计模块的硬件功耗.     

一种面向LTE-V2X的联邦学习信道估计算法

基于深度学习的信道估计方法中,训练网络模型需要大量的数据运算,且所有用户数据都需要集中上传至服务器上,存在隐私泄漏的隐患.针对上述问题,提出了一种基于联邦学习的LTE-V2X(Long Term Evolution-Vehicle to Everything)信道估计算法,采用CNN-LSTM-DNN(Convolutional Neural Network-Long Short Term Memory-Deep Neural Network)模型对时变的信道进行估计,并将学习网络模型所需要的计算分配到车载用户中,在降低道旁基站负载的同时也保护了车载用户数据的隐私.仿真结果表明,基于联邦学习的信道估计算法在车载用户高速移动的场景下,较传统的信道估计算法平均有10 dB以上的归一化均方误差(Normalized Mean Square Error,NMSE)增益以及3 dB以上的误码率(Bit Error Rate,BER)增益,且较集中式学习算法相比,NMSE性能差距在3 dB以内;BER性能差距在1 dB以内,所提算法能够有效追踪时变的信道,且与集中式学习算法相比仅损失了极少的性能.     

深度学习辅助的5G OFDM系统的信道估计

传统的信道估计算法难以满足5G系统中的高速率低时延的需求。针对该问题,将通信信道的时频响应视为二维图像,提出了一种基于图像恢复技术的信道估计方法。首先,设定参数产生基于5G 新空口（ New Radio,NR）标准的物理下行链路共享信道（ Physical Downlink Shared Channel,PDSCH）的信道数据信息数据集,将所产生的信道矩阵看作二维图像;然后,构建基于卷积神经网络的图像恢复网络,并融入残差连接来提高网络的性能;最后,利用训练好的网络模型进行信道估计。仿真结果表明,与最小二乘算法（Least Square,LS）、实际信道估计（Practical Channel Estimation,PCE）和基于图像超分辨率ChannelNet网络相比,所提出的信道估计算法性能提升明显。     

基于学习内容自适应的通信系统信道估计方法研究

通信系统信道估计以通信信号实时处理为主,信道估计的过程中丢失了数据特征,影响信道估计精准度。因此,设计了基于学习内容自适应的通信系统信道估计方法。估计辅助通信系统信道反射链路,确保信道状态稳定,避免信道估计丢失数据特征。引入学习内容自适应算法,采用联合学习内容,对信道估计进行自适应学习,结合反射信号的对应复系数,构建通信系统信道估计模型。通过调整通信系统独立信道残差,优化通信系统信道估计模型实现通信系统信道估计。采用仿真实验分析该方法的性能,实验结果表示,该方法的NMSE值仅为0.030,验证该估计方法的均方误差较低,具备较高估计准确性。     

一种水声通信Turbo均衡中的软迭代信道估计算法

Turbo均衡技术是水声相干通信克服信道多径、消除码间干扰(ISI)的有效工具。Turbo均衡实际使用时需要对时变、多径信道进行良好的估计。为了提高信道估计的效果,该文基于时变横向滤波和相位旋转信道模型,提出一种水声通信Turbo均衡中的软迭代信道估计算法。该算法采用快速自优化最小均方算法得到各数据符号处的横向滤波器系数矢量并与二阶锁相环联合优化计算。通过仿真比较,该算法明显优于硬迭代信道估计算法,且相位估计性能优于其他文献中的软迭代信道估计算法。在海上试验中,水声通信距离5 km,方向近似垂直,接收阵起伏周期10 s,起伏幅度5 m左右,在此情况下进行数据采集。将该算法用于对海试数据的单通道Turbo均衡处理,实现无误码输出,验证了所提算法在软迭代信道相位估计方面的优势。     

一种改进的水声正交频分复用稀疏信道时延估计算法

水声正交频分复用(OFDM)系统中,采用传统正交匹配追踪(OMP)方法估计离网格(off-grid)时延时,需要很高的过采样因子和高昂的计算开销.针对传统OMP方法估计离网格时延计算复杂度高的问题,该文借鉴多元线性拟合思想引入路径补偿的概念,提出了一种基于路径补偿的改进OMP时延估计算法,用以补偿从离网格路径向其周围网...