本文主要研究了在正交頻分復用（OFDM）系統(tǒng)中如何利用深度學習算法對信道估計進行改進。在這篇文章中,我們主要是對基于導頻的信道估計法進行了改進。傳統(tǒng)的基于導頻的信道估計法是利用導頻位置的信道特性和內(nèi)插估計出全部的信道狀態(tài)信息（CSI）,本文則是利用深度網(wǎng)絡替代了內(nèi)插估計法,更加準確的模擬出導頻位置信道信息與全部信道信息之間的關聯(lián)。為了解決信道衰落問題,我們利用維也納大學的信道模擬器生成數(shù)據(jù)并離線訓練了一個反卷積神經(jīng)網(wǎng)絡。從實驗結(jié)果來看,我們的深度模型在解決信道失真和檢測傳輸信號等方面與最小均方誤差（MMSE）估計算法相比表現(xiàn)更優(yōu)。同時為了減少低信噪比下的信道估計誤差,本文提出了兩種解決方案。一種是對模型進行修改完善,在基模型尾部加上一個可學習的降維層,設計出一個新的深度卷積模型。該模型相對于傳統(tǒng)信道估計算法和一般的反卷積神經(jīng)網(wǎng)絡模型,對低信噪比下的信道估計有著更好的魯棒性。另一種則是從信息論的角度出發(fā),對基模型加入GAN結(jié)構(gòu)并引入新的高質(zhì)量數(shù)據(jù),這種方法訓練的模型性能更好。 

【文章來源】：華中科技大學湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：51 頁

【學位級別】：碩士

【部分圖文】：

導頻分布

圖 2-1 包含信道估計的 OFDM 系統(tǒng)的流程框圖[23]圖 2-1 是包含信道估計模塊的 OFDM 的框圖。發(fā)送信息經(jīng)過數(shù)字調(diào)制（QAM 或者 PSK）調(diào)制后進行串并變換，根據(jù)某種法則向輸出的數(shù)據(jù)插入導頻信息后形成新的數(shù)據(jù)序列{X(k)}。IDFT 模塊對{X(k)}進行了相應的處理，將發(fā)送信號由頻域信號變換到時域信號，轉(zhuǎn)換公式如下： ( ) = ( ) = ∑ ( ) (2 ) 1 0 = 0 1 2 ...... 1 (2-1)其中，N 為 IDFT 的長度。在發(fā)送信號經(jīng)過 IDFT 模塊處理后，為了防止碼間干擾(ISI)，需要在信號中插入循環(huán)前綴(CP)，CP 的長度應該大于信道的最大時延。經(jīng)過 CP 模塊處理和并串變換后發(fā)送信號( )x n便可以通過信道發(fā)送出去。信號通過帶有噪聲的頻率選擇性信道，并得到接收信號( )y n，( )y n可以表示為：

( ) = ∑ ( ) (2 ) 0 = 0 1 2 .....塊后，我們就可以提取接收信息中的導頻信息，信道估計值，從而得到完整的信道狀態(tài)信息H = ( ) ( ) = 0 1 2 ...... 1 以得到發(fā)送端的信息了。中的信道估計算法的設計，需要考慮在獲得較高頻插入結(jié)構(gòu)是需要認真研究設計的。在 MIMO分為梳狀結(jié)構(gòu)，塊狀結(jié)構(gòu)和分散結(jié)構(gòu)。

【參考文獻】：
期刊論文
[1]OFDM系統(tǒng)信道估計幾種插值算法綜述[J]. 李星沛,何方白.  廣東通信技術. 2014(04)



本文編號：3276339