[发明专利]基于超分辨率图像恢复技术的Wi-Fi标准系统信道估计方法

说明书

一种基于超分辨率图像恢复技术的Wi‑Fi标准系统信道估计方法，利用已知的导频信号对其相应位置处的CSI进行估计得到信道估计值，采用SR图像恢复网络训练学习信道在导频位置处与数据位置处状态信息的关系，将作为低分辨率图像的信道估计值输入训练后的SR图像恢复网络并得到优化精度下的完整CSI。本发明能够在Wi‑Fi标准系统中，利用SR图像恢复技术学习信道估计问题中的非线性插值关系，采用了离线利用统计信道模型产生的信道数据以训练SR网络，从而能够将该网络在线应用于实际的Wi‑Fi标准系统，从而避免了实际CSI数据集难以获得的问题。

技术领域

本发明涉及的是一种无线通信领域的技术，具体是一种基于超分辨率图像恢复技术的Wi-Fi标准系统信道估计方法。

背景技术

信道估计通常被认为是现代无线系统的关键组成部分。通过在要发送的数据间插入预先知道的导频序列，接收机应能够相应地估计实时无线信道环境。现有的文献在提高信道估计精度方面付出了巨大努力，尤其是对于多输入多输出(MIMO)正交频分复用(OFDM)配置，而这是当前被常用在蜂窝或无线局域网(WLAN)系统中的技术。

然而，方案大多依赖于具有某些特征的抽象信道模型，例如信道稀疏性，并且在硬件不完善时，在实际系统中的应用仍然具有挑战性。而随着机器学习的快速发展，其中深度学习作为一种强大的工具已经被广泛运用在通信系统中。许多研究已经证明了将深度学习与无线通信系统相结合的可行性，尤其是用于信道状态信息(CSI)估计。但目前不管是传统理论方法还是基于深度学习的信道估计大多只关注了导频位置处的CSI恢复，而数据位置处的信道插值估计则少有研究。

现有的多点协作传输的信道线性插值估计方法，根据获取到的多点协作传输链路等效信道的平均传输时延，利用该时延对导频位置信道相位补偿，并进行线性插值估计、维纳插值系数与信道相关系数进行维纳插值获得数据位置处的CSI并反向相位补偿

发明内容

本发明针对现有技术依赖于预先假定的信道统计信息，非线性插值关系难以表征的难题，提出一种基于超分辨率图像恢复技术的Wi-Fi标准系统信道估计方法，能够在Wi-Fi标准系统中，利用超分辨率(SR)图像恢复技术，即SR网络来学习信道估计问题中的非线性插值关系，采用了离线利用统计信道模型产生的信道数据以训练SR网络，从而能够将该网络在线应用于实际的Wi-Fi标准系统，从而避免了实际CSI数据集难以获得的问题。

本发明是通过以下技术方案实现的：

本发明涉及一种基于超分辨率图像恢复技术的Wi-Fi标准系统信道估计方法，利用已知的导频信号对其相应位置处的CSI进行估计得到信道估计值，采用SR图像恢复网络训练学习信道在导频位置处与数据位置处状态信息的关系，将作为低分辨率图像的信道估计值输入训练后的SR图像恢复网络并得到优化精度下的完整CSI。

所述的Wi-Fi标准系统是指：MIMO-OFDM系统。

所述的相应位置处的CSI进行估计是指：对于某个资源块中导频索引位置处的信号，利用最小二乘法(LS)和最小均方误差(MMSE)得到相应位置的信道估计值。

所述的SR图像恢复网络是指：超分辨率卷积神经网络SR-CNN或增强型深度超分辨率网络EDSR。

所述的SR图像恢复网络的训练数据集，通过统计信道模型获得作为低分辨率图像的以及作为线下训练集，线上可适用于实际视线传输LOS与非视线传输NLOS信道环境。

所述的SR图像恢复网络的损失函数为：其中：理论完美信道信息H^j作为网络训练的真值。

技术效果

与现有技术相比，本发明利用深度神经网络优越的特征学习能力，避免了传统方法中插值关系复杂非线性、难以建模与归纳不全面的困难与缺陷，并且本发明提出的基于SR图像恢复网络的估计算法不需要任何先验的信道统计信息。