[发明专利]一种基于深度学习的时变信道估计方法及系统

权利要求书

1.一种基于深度学习的时变信道估计方法，其特征在于，包括：

获取预先利用基扩展模型构建的信道模型，利用获取的前一时刻的接收导频信号和LS算法确定所述信道模型的前一时刻频域信道的基系数估计；

利用一阶AR模型和前一时刻频域信道的基系数估计获得当前时刻第一频域信道基系数估计，包括：

获取第m-1时刻接收到的频域导频和发送导频；

通过LS算法计算第m-1时刻信道的基系数矩阵

式中，表示m-1时刻接收到的频域导频，其中表示m-1时刻发送的导频，f_l是维数为N×L的傅里叶变换矩阵F的第l列，矩阵F具体表达为M_q是N×N维的基函数矩阵，其表达式为

b_n,q表示P-BEM的基函数矩阵，其第q列可以表示为

所述利用一阶AR模型和前一时刻导频符号的频域信道估计获得当前时刻导频信号的第一频域信道估计的计算公式为：

式中，ε_m为残差向量，φ₁为AR模型的跟踪因子，0≤φ₁≤1，m表示当前时刻；

利用获取的当前时刻的接收导频信号和LS算法确定所述信道模型的当前时刻的第二频域信道基系数估计，计算公式为：

式中，表示m时刻接收到的频域导频，其中表示m时刻发送的导频；

对第一频域信道基系数估计和第二频域信道基系数估计进行加和平均处理，得到当前时刻精确的第三频域信道基系数估计；

循环V次得到第三频域信道基系数估计的过程，得到V个第三频域信道基系数估计；获取每次循环的当前时刻接收的导频信号，得到V个当前时刻接收导频信号；根据V个第三频域信道基系数估计和V个当前时刻接收的导频信号构建训练输入样本；获取与每次循环相对应的当前时刻的真实信道构造的V个训练输出样本；根据训练输入样本和训练输出样本确定训练样本集；

对训练样本进行取实数操作，得到新的训练样本集；

根据新的训练样本集，采用量化共轭梯度下降法更新网络参数，以满足预设的训练中止条件，获取具有最佳网络参数的BP神经网络模型；

获取线上估计的输入样本，输入到最佳网络参数的BP神经网络模型，得到当前时刻的信道估计值；

对当前时刻的信道估计值进行实数转复数操作，得到最终的当前时刻的频域信道估计。

2.根据权利要求1所述的基于深度学习的时变信道估计方法，其特征在于，所述对第一频域信道基系数估计和第二频域信道基系数估计进行加和平均处理，得到当前时刻的第三频域信道基系数估计的计算公式为：

3.根据权利要求2所述的基于深度学习的时变信道估计方法，其特征在于，所述训练样本集表示为：

式中，V表示训练样本数，表示由当前时刻的真实信道构造的第v个训练输出样本，表示第v个训练输入样本，即

式中，表示频域第m个接收的导频信号。

4.根据权利要求3所述的基于深度学习的时变信道估计方法，其特征在于，所述新的训练样本集表示为：

式中，Γ(·)为复数转实数操作。

5.根据权利要求4所述的基于深度学习的时变信道估计方法，其特征在于，所述具有最佳网络参数的BP神经网络模型表示为：

g＝Φ(x)＝f⁽²⁾(f⁽¹⁾(x；Θ₁)；Θ₂)

式中，x∈Rⁱ表示神经网络的输入向量，g∈R^j表示神经网络的输出向量，R表示实数域，i和j分别表示神经网络输入输出维度，Φ(·)表示神经网络的非线性操作，Θ₁，Θ₂分别表示隐藏层与输出层的权阈值矩阵，f⁽¹⁾(·)，f⁽²⁾(·)分别表示隐藏层与输出层的激活函数，隐藏层和输出层分别采用Sigmoid函数和ReLU函数，即