[发明专利]一种基于集成神经网络模型的信道估计方法

说明书

本发明请求保护一种基于集成神经网络模型的信道估计方法，属于无线通信领域，该方法主要包含以下内容，首先对接收信号进行处理，提取其中的导频信号，然后结合自助采样方法获取多个训练子集，利用改进后的神经网络来提取带噪导频信号与原始导频信号之间的非线性信道模型，得到多个个体神经网络模型，再根据其整体差异度判断集成模型是否满足标准，在满足差异度标准的前提下结合算数平均法进行集成，得到性能稳定的集成神经网络模型，最后利用该模型来对数据信号进行补偿恢复。本发明实现了在导频开销较低的情况下，显著降低了误码率，提高了通信有效性和可靠性，并且对神经网络采用的是并行训练方式，可有效缩短计算时间，易于在实际中应用。

技术领域

本发明属于通信领域，尤其涉及一种基于集成神经网络模型的信道估计方法。

背景技术

近年来，随着通信行业的快速发展，通信速率的需求越来越大，对于通信的有效性和准确性的要求也越来越高，为了获得好的通信质量，MIMO-OFDM 技术受到越来越多的关注，而在MIMO-OFDM通信系统中信道估计的结果和复杂度对整个通信过程有着很大的影响，这需要更强有力的方法来实现信道估计，提取接收信号与发送信号之间的非线性关系，并准确恢复出原始信号，为此大量学者提出了各种各样的信道估计算法，但通常来说，性能优越的算法往往具有复杂度较高、难以实现、响应时间长、导频序列占用资源多等缺点；所以，研究性能优越且导频占用资源较少的信道估计方法具有重要的意义，只有在接收端使用更少的导频序列得到更加精确的信道估计结果，才能有效的提升通信系统的可靠性和有效性。

传统的信道估计方式包括：最小二乘(Least Squares,LS)估计准则和最小均方误差(Minimum Mean Square Error,MMSE)估计准则，这两种方式都是基于在发送信号中插入的导频信号来实现，导频插入有两种常见方式：梳状插入和块状插入，接收端根据导频信号来完成信道估计，但导频会占据频带资源，降低通信有效性。此外，对于盲估计和半盲估计的研究也有较多，盲信道估计算法的核心思想则是利用发射和接收信号的统计特性对信道进行估计，通过大量的计算得到信道的相关信息，由于不需要导频，所以其通信的有效性较高，但其可靠性也有所下降；相比而言，半盲信道估计算法并不完全依赖信号的统计特性，因此频谱利用率相比于盲估计算法则有所下降。但是半盲信道估计可以在一定程度上降低信号的误码率。

但是由于信道的不确定性，以及信号在传输过程中受噪声影响等因素，往往会导致信号严重失真，以致于使用传统方式无法获取准确的信道估计结果；近年来，随着技术的迅速发展，大量学者不断探索新的方法来获取更准确的信道估计，提高通信系统的性能，但是这些传统方法其根本原理通常是利用矩阵变换以及梳理统计的知识将信道以数学公式的方式规范的表示出来，忽略了在实际情况下信道往往更像是一个“黑匣子”，我们无法知晓其具体的内部结构。但随着深度学习的迅速发展，这种类似“黑匣子”的数学关系仍然可以提取出来形成相应的模型，其中深度学习中的神经网络在这方面就具有优良的性能。

综上所述，通信系统的信道估计主要面临以下挑战：首先信号在传输过程中受到不确定性噪声的影响，以及信号可能会有不同程度的衰落，造成接收信号与发送信号之间的非线性关系更加复杂，以至于难以恢复；其次，常用的信道估计算法是利用导频序列来实现的，而在MIMO系统中导频开销过大，很大程度占用了有效的通信资源，如何利用更少的导频序列来完成信道估计步骤也是当前面临的一大挑战。

发明内容

本发明旨在解决现有技术中的问题。提出了一种在MIMO-OFDM通信系统场景下，致力于对信道估计方法的改进，将深度学习中的神经网络与其相结合，利用神经网络高效的数据处理能力，来提高通信系统的可靠性和有效性的基于集成神经网络模型的信道估计方法。本发明的技术方案如下：

一种基于集成神经网络模型的信道估计方法，其包括以下步骤：

步骤1：获取接收信号并对接收信号进行移除循环和傅里叶变换处理，得到由实部和虚部组成的接收信号；