【技術實現步驟摘要】
本專利技術屬于正交頻分復用(orthogonal?frequency-division?multiplexing,ofdm)系統中信道估計，是一種基于深度殘差學習(deep?residual?learningnetwork，prodrnnet)的信道估計方法。
技術介紹
1、正交頻分復用(orthogonal?frequency?division?multiplexing,ofdm)通過將數據分配到多個正交的子載波上，能夠有效抵抗多徑干擾和頻率選擇性衰落。其主要優勢包括高頻譜效率、抗干擾能力強、適應性好，近年來在無線通信和寬帶網絡中得到廣泛應用，在5g通信系統中，由于無線場景復雜多變，在接收端得到的信號會被嚴重干擾，需要對信道信息進行準確估計，從而完成對信號的恢復工作。
2、ofdm系統中基于導頻的信道估計方案，主要思想是利用接受端基于接收到的信息和預插入的導頻來估計信道，常用的估計方法有兩種，分別為最小二乘法和最小均方誤差，最小二乘法實現簡單在工程被大量應用，但忽略了噪聲的影響和子載波間干擾，對信道信息的估計不夠精確，mmse算法對信道的估計性能優越，但該算法需要信道的先驗信息，在實際工程中實現困難。此外，其他傳統的線性信道估計方法基于統計模型，實現復雜度高，在復雜的無線信道環境下魯棒性差，而基于深度學習的信道估計模型在大量的數據中學習信道特征，能夠準確地恢復信號。
技術實現思路
1、有鑒于此，本專利技術的目的在于提供ofdm系統中一種基于深度殘差學習的信道估計方法。
2、為達到上述目的，本專利技術提供如下技術方法：
3、首先離線利用5g信道產生的數據集來訓練prodrnnet模型，模型的具體構成有以下步驟：
4、①在輸入端先進行上采樣處理，然后通過一個多尺度特征提取模塊對導頻信道特征進行提取，多尺度特征模塊在第1層采用32個1×1大小的卷積核，后面2層均采用32個3×3大小的卷積核，并在每個卷積層后使用relu激活函數將線性信息轉換為非線性信息，完成多尺度特征提取后再通過一個concat層融合特征并通過1×1的卷積層降維。
5、②在步驟①后經過3個下采樣編碼模塊，在下采樣編碼模塊中輸入數據首先進入步長為2尺寸為2×2的平均池化層進行降維處理并增加感受野，然后通過2個殘差結構增加網絡深度，最后通過一個卷積層調整輸出尺寸，3個下采樣編碼模塊組成一個收縮網絡。
6、③將步驟②中的每個下采樣編碼模塊輸出跳躍連接到上采樣解碼模塊的輸入端，與串行數據相加后一起輸入上采樣解碼模塊，在上采樣解碼模塊中輸入數據先通過一個殘差結構提取深層次特征，然后通過一個反卷積層逐步還原圖像尺寸，3個上采樣解碼模塊將圖像尺寸完全恢復。
7、④將步驟③輸出的結果與步驟①輸出的結果相加后通過一個卷積層得到還原后的圖像。
8、然后在在線估計階段，先利用接收到的導頻信息與最小二乘法初步估計導頻處的信道信息為
9、再將得到的導頻處的信道估計信息當作低分辨率有噪圖像輸入訓練好的prodrnnet模型中恢復為完整的去噪信道信息，完成信道估計。
10、本專利技術的有益效果在于：
11、本專利技術涉及一種基于prodrnnet的信道估計方法，該專利技術方法在ofdm信道估計系統中能夠充分提取導頻處的信道響應特征，更容易學習到導頻信道響應估計值與整個信道響應的復雜映射關系，從而能得到更好的信道估計效果。仿真結果表明，該方法與文獻[1]“soltani?m,pourahmadi?v,mirzaei?a,et?al.deep?learning-based?channelestimation[j].ieee?communications?letters,2019,23(4):652-655.”中基于channelnet模型的信道估計方法、文獻[2]“li?l,chen?h,chang?h?h,et?al.deepresidual?learning?meets?ofdm?channel?estimation[j].ieee?wirelesscommunications?letters,2020,9(5):615-618.”中基于reesnet模型的信道估計方法以及文獻[3]“袁建國，左智航，喻怡然，蘇杰.ofdm系統中一種基于ne-mcrnnet的信道估計方案[j/ol].光電子·激光.https://link.cnki.net/urlid/12.1182.o4.20240402.1138.002”中基于ne-mcrnnet的信道估計方法相比均具有更好的信道估計性能。因此在實際應用中，本專利技術方法對于信道估計系統設計有很高的利用價值和實用意義。
本文檔來自技高網...【技術保護點】
1.正交頻分復用(Orthogonal?Frequency-Division?Multiplexing,OFDM)系統中一種基于ProDrnNet的信道估計的方法；該方法先離線利用5G信道產生的數據集來訓練ProDrnNet模型，然后在進行信號接收時先在信號接收端利用導頻信息，采用最小二乘法初步估計導頻信道，再將導頻處的信道估計信息當作低分辨率有噪圖像輸入訓練好的ProDrnNet模型進行去噪和重建信道信息，最后對接收信號進行均衡和解調等操作來還原成原始信號；其具體步驟如下：
【技術特征摘要】
1.正交頻分復用(orthogonal?frequency-division?multiplexing,ofdm)系統中一種基于prodrnnet的信道估計的方法；該方法先離線利用5g信道產生的數據集來訓練prodrnnet模型，然后在進行...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。