[发明专利]基于自编码器的数据增广改善深度学习信道估计性能方法

说明书

本发明公开了一种在无线通信场景下基于自编码器的最优数据增广改善深度学习信道估计性能的方法，包括以下步骤，建立两个用于信道估计的基本卷积神经网络模型；获取无线通信信道估计的训练集，并基于自编码器进行数据增广，得到增广数据；增广数据通过信道估计基本卷积神经网络模型，得到基于自编码器的数据增广方法在测试集上的均方误差值与数据集大小的关系；基于步骤3中少量的实验数据，提出一种简单的直线交点检测方法，获取自编码器提升无线通信信道估计模型性能时的数据集大小的阈值。通过本发明可以获取自编码器最大限度提升无线通信系统性能时的数据集阈值，对于使用自编码器对模型进行数据增广具有实际价值。

技术领域

本发明涉及无线通信的技术领域，尤其涉及基于自编码器的数据增广改善深度学习信道估计性能方法。

背景技术

在通信系统中，接收到的信号通常会因信道特性而失真，为了恢复所发送的符号，必须在接收机处估计并进行补偿。通常，接收器使用一些称为导频的符号来估计信道，这些符号的时频位置对于发射器和接收器都是已知的。常规的基于导频的信道估计方法有最小二乘法和最小均方误差法，都是利用导频值来估计信道响应的未知值。如何降低这些方法的复杂度并保证估计性能，一直是无线通信领域的研究热点。深度学习在音频信号处理、图像和视频处理以及无线通信方面都实现了前所未有的发展。在基于深度学习的通信系统中，可以将信道矩阵视为图像，然后将计算机视觉领域用于降噪的网络用于信道估计，以此获得基于深度学习的无线通信系统中的信道估计模型。

但是，训练深度学习模型需要大量的训练样本，训练数据的不足会导致严重的过拟合问题并降低模型精度。实际上，收集大量样本以训练深度学习模型需要时间和相关领域的知识，这既昂贵又困难。数据增广是解决上述问题的常用技术之一，它可以增加数据集中的相关数据，让模型学习更多与数据相关的特性。进而有效地避免过拟合，使训练后的模型更加具有鲁棒性，并显著提高泛化性能。数据增广被广泛用于提高图像和文本分类任务的性能，如AutoAug和RandAug之类的先进方法已针对这些任务进行了数据增广方案的设计和优化，并获得了最先进的成果。然而，数据增广对基于深度学习的信道估计模型的影响尚未得到充分的研究。

由于当前典型的数据增广方法都是针对具有语义信息的图像分类任务而设计的，然而信道估计问题通常是一个回归任务，因此典型的数据增广方法并不适用于信道估计问题。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供了基于自编码器的数据增广改善深度学习信道估计性能方法，该发明能够确定数据集阈值，使基于自编码器的数据增广方法最大限度提升深度学习网络模型的性能。

技术方案：为了实现上述发明目的，本发明提供了基于自编码器的数据增广改善深度学习信道估计性能方法，包括以下步骤，

步骤1，建立两个用于信道估计的基本卷积神经网络模型；

步骤2，获取无线通信信道估计的训练集，并基于自编码器进行数据增广，得到增广数据；

步骤3，增广数据通过信道估计基本卷积神经网络模型，得到基于自编码器的数据增广方法在测试集上的均方误差值与数据集大小的关系；

步骤4，建立直线交点检测法模型，获取自编码器提升无线通信信道估计模型性能时的数据集大小的阈值。

进一步的，在本发明中：所述步骤1还包括以下步骤，

步骤1-1，将导频相应的时频数据建模为2维图像，采用图像超分辨率卷积神经网络，为信道估计问题建立第一个神经网络模型；

步骤1-2，将步骤1-1中模型的输出数据建模为2维图像，采用一种图像去噪卷积神经网络，为信道估计问题建立第二个神经网络模型。

进一步的，在本发明中：所述步骤2还包括以下步骤，