基于深度学习的OFDM系统信道估计研究

发布时间：2021-07-10 17:16

　　本文主要研究了在正交频分复用（OFDM）系统中如何利用深度学习算法对信道估计进行改进。在这篇文章中,我们主要是对基于导频的信道估计法进行了改进。传统的基于导频的信道估计法是利用导频位置的信道特性和内插估计出全部的信道状态信息（CSI）,本文则是利用深度网络替代了内插估计法,更加准确的模拟出导频位置信道信息与全部信道信息之间的关联。为了解决信道衰落问题,我们利用维也纳大学的信道模拟器生成数据并离线训练了一个反卷积神经网络。从实验结果来看,我们的深度模型在解决信道失真和检测传输信号等方面与最小均方误差（MMSE）估计算法相比表现更优。同时为了减少低信噪比下的信道估计误差,本文提出了两种解决方案。一种是对模型进行修改完善,在基模型尾部加上一个可学习的降维层,设计出一个新的深度卷积模型。该模型相对于传统信道估计算法和一般的反卷积神经网络模型,对低信噪比下的信道估计有着更好的鲁棒性。另一种则是从信息论的角度出发,对基模型加入GAN结构并引入新的高质量数据,这种方法训练的模型性能更好。 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：51 页

【学位级别】：硕士

【部分图文】：

导频分布

图 2-1 包含信道估计的 OFDM 系统的流程框图[23]图 2-1 是包含信道估计模块的 OFDM 的框图。发送信息经过数字调制（QAM 或者 PSK）调制后进行串并变换，根据某种法则向输出的数据插入导频信息后形成新的数据序列{X(k)}。IDFT 模块对{X(k)}进行了相应的处理，将发送信号由频域信号变换到时域信号，转换公式如下： ( ) = ( ) = ∑ ( ) (2 ) 1 0 = 0 1 2 ...... 1 (2-1)其中，N 为 IDFT 的长度。在发送信号经过 IDFT 模块处理后，为了防止码间干扰(ISI)，需要在信号中插入循环前缀(CP)，CP 的长度应该大于信道的最大时延。经过 CP 模块处理和并串变换后发送信号( )x n便可以通过信道发送出去。信号通过带有噪声的频率选择性信道，并得到接收信号( )y n，( )y n可以表示为：

( ) = ∑ ( ) (2 ) 0 = 0 1 2 .....块后，我们就可以提取接收信息中的导频信息，信道估计值，从而得到完整的信道状态信息H = ( ) ( ) = 0 1 2 ...... 1 以得到发送端的信息了。中的信道估计算法的设计，需要考虑在获得较高频插入结构是需要认真研究设计的。在 MIMO分为梳状结构，块状结构和分散结构。

【参考文献】：
期刊论文
[1]OFDM系统信道估计几种插值算法综述[J]. 李星沛,何方白.  广东通信技术. 2014(04)



本文编号：3276339