[发明专利]一种DFT信道估计改进方法

说明书

本发明属于通信技术领域，公开了一种DFT信道估计改进方法，所述DFT信道估计改进方法包括：构建神经网络模型；获取神经网络训练数据集；对数据集进行预处理；对训练数据集进行离线训练；将接收端的数据输入到经过离线训练之后的最优网络模型，获取数据中心实际多径位置参数；根据获取的多径位置参数滤除非多径位置上的噪声；将滤除噪声后的信息进行离散傅里叶变换，得到频域估计信息，完成信道估计。本发明将深度学习的神经网络与传统的DFT信道估计方案相结合，即在传统的DFT信道估计方案过程中，利用神经网络来识别真实多径位置参数信息，滤除非多径位置上的噪声，提高信道估计的性能，可用于正交频分复用技术的信道估计。

技术领域

本发明属于通信技术领域，尤其涉及一种DFT信道估计改进方法。

背景技术

目前，进入2020年5G元年之后，建立数据高可靠低时延传输系统对人们的日常需求更加重要，而传统的通信方案在使用框架结构处理海量信息方面有本质限制，导致其在吞吐量和传输可靠性方面不足以支撑未来的通信方式，面对未来的6G系统更将加剧这类限制的程度。

另一方面，随着近几年技术的发展，以及机器学习在日常生活中各个方面的应用，特别是深度学习在智慧城市建设等领域(交通、安保、信息识别等)中取得了巨大成功，无线通信领域的学者们期待将其引入系统中的各个方面，进而为未来通信系统提供一种新的方案：智能通信，实现真正意义上的万物互联，满足人们对数据传输速率随业务而不断增加的需求。Ye H等学者在“IEEE Wireless Communication Letters,2017,PP(99):114-117.”上发表论文“Power of Deep Learning for Channel Estimation and Signal Detectionin OFDM Systems.”利用深度学习的方法隐式估计CSI并直接将信号恢复出来，在系统的性能上得到了提升，说明了深度学习在通信方面应用的可行性。

无线信道环境是动态的、且具有不可预测性的特征，这对信道估计的准确性带了来挑战，GuF等学者在“IEEE Access,2019,PP(99):1-1”上发表论文“AUniversal ChannelEstimation Algorithm Based on DFT Smoothing Filtering”对传统的DFT信道估计算法进行改进，该方案通过在频域给信道状态信息加窗处理，然后通过离散傅里叶逆变换将频域信息转换为时域信息进行处理。该算法在传统的DFT算法上有一定的提升，但是随着信噪比增大，由于加窗处理会降低系统的性能。

由于深度学习有着非常强大的功能来拟合数据中的非线性关系，特别是其中的神经网络，而将神经网络应用到OFDM系统中，对信道进行预测可以带来性能上的提升，使通信系统变得更加智能，由西安电子科技大学韩竞宇发表的专利“基于神经网络的变换域自适应滤波信道估计方法：CN202010429993.X[P].2020-08-31.”，其利用神经网络来估计时域信息的最大时延位置，但其未考虑最大多径时延位置以内的噪声对信道估计的影响，性能有一定的提升，但在低信噪比下其性能与传统的DFT信道估计性能接近，需进一步改进。

通过上述分析，现有技术存在的问题及缺陷为：

(1)传统的通信方案在使用框架结构处理海量信息方面有本质限制，导致其在吞吐量和传输可靠性方面不足以支撑未来的通信方式，面对未来的6G系统更将加剧这类限制的程度。

(2)现有对传统DFT信道估计算法进行改进的方案中，随着信噪比增大，由于加窗处理会降低系统的性能。

(3)现有基于神经网络的信道估计方法，未考虑最大多径时延位置以内的噪声对信道估计的影响，性能有一定的提升，但在低信噪比下其性能与传统的DFT信道估计性能接近，需进一步改进。

解决以上问题及缺陷的难度为：