[发明专利]一种基于深度学习的时变OFDM系统信道估计方法

权利要求书

1.一种基于深度学习的时变OFDM系统信道估计方法，其特征在于包括下述步骤：

步骤一：CPR-Net输入数据的生成；

监督学习需要向所要训练的模型送入大量数据，其中数据由输入特征向量和标签向量组成，经过多次训练，使模型自动学习出输入数据的内在规律和关系，最终目标是训练后生成一个适用模型；采用CPR-Net的输入数据的参数设置和生成方式如下：

Matlab仿真时，先随机产生在时域具有重复特性的特殊训练符号，信道参数多普勒频移和复幅度，其中训练符号由伪随机码插值形成；信道参数的设置如下：L径归一化多普勒频移大小v＝{v₁,v₂,…,v_i,…,v_L}，其中，根据实际应用场景，v_i满足0.1≤v_i≤0.2，i＝1,2,…,L；L径复幅度h＝{a₁+jb₁,…,a_i+jb_i,…,a_L+jb_L}，其中，a_i和b_i是独立同分布的正态分布随机数；

一帧包含一个训练符号和一个数据符号，系统随机产生发送数据信号比特流，与训练符号组成发送帧，再进行二进制相移键控调制，经过快速傅里叶逆变换后，添加循环前缀以克服符号间干扰，进行串并转换，经过快速时变OFDM信道和加噪，得到接收信号；

在接收端，使用CPB算法得到估计出的多普勒频移即CPR-Net的输入特征向量，对应的标签向量为真实的L径归一化多普勒频移大小ν＝{v₁,v₂,…,v_L}，将每次Matlab仿真时产生的输入特征向量和标签向量ν保存并生成数据集；数据集分为训练集和测试集，其中测试集所占比例为10％--20％；

步骤二：构建CPR-Net模型；

利用深度神经网络构建CPR-Net模型，对其送入数据集并训练，最终实现对CPB估计出信道参数的精炼；

CPR-Net设为一个五层的全连接深度神经网络，分别由输入层，3层隐藏层，输出层组成，输入层的神经元节点和输出层节点个数均为L，对应多径数目；隐藏层和输出层的激活函数设为Leaky_Relu函数，即f_lr＝max(x,0)+0.2*min(0,x)，其中max(x,y)和min(x,y)表示输出两个参数x和y的最大值和最小值；损失函数选用均方误差函数；采用自适应矩估计法作为损失函数的优化器；

步骤三：CPR-Net模型的训练与测试；

在训练阶段，当CPR-Net开始训练时，将按步骤一生成的训练集送入CPR-Net，并期望CPR-Net从中学习到真实多普勒频移ν与CPB算法估计出的多普勒频移之间的函数关系式，关系式是从大量数据中学习并推断出这种关系式，根据输入的CPB粗估计值产生更接近真实值的多普勒频移精估计；

训练时，CPR-Net将预测出的多普勒频移与真实多普勒频移ν的误差逐层向后传播，基于最小化损失函数的原则，网络神经元间的权重值将通过反向传播算法被自动调整并更新；网络训练完成后，保存模型；测试时利用深度学习平台Tensorflow 1.0提供的函数恢复模型，送入测试集测试模型性能，模型根据送入的估计出的多普勒频移产生更准确的多普勒频移，即网络精炼出的信道参数；进行重构信道响应后，通过检测信号，恢复接收信号比特流。