[发明专利]一种DFT信道估计改进方法

权利要求书

1.一种DFT信道估计改进方法，其特征在于，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；

所述获取神经网络训练数据集，包括：

(1)设定一个多径信道环境，根据最大多径时延和系统采样率设计循环前缀长度以及帧格式；

选择一个多径信道模型，根据多径信道模型设计多径在时域脉冲响应中的位置，设置根据多径模型中最大时延参数设置循环前缀长度，并设计帧格式；所述循环前缀长度为128；

随机选取信噪比，表示该多径信道中添加的高斯白噪声功率大小，选取的信噪比为15dB；

(2)发送信号经过多径信道后得到数据R，R为未添加噪声的接收信号；将R信号添加高斯白噪声，形成接收端接收信息R_Noise；对接收端接收的数据R和R_Noise进行导频分离；

进行导频分离时，在导频信号的循环前缀内随机选取一个位置作为帧同步头，进行导频分离；在导频分离后，将未添加噪声的接收信号R和添加噪声的接收信号R_Noise分别进行最小二乘估计LS，得到理想的信道频域估计值H_Idea(n)和加噪的新到频域估计信息H_Ls(n)，公式为：

其中，H_Idea(n)为最佳信道估计状态信息，X_pilot(n)为已知的发送导频，R_Noisepilot(n)为接收导频，R_pilot(n)为未添加噪声的接收导频；

(3)对频域信道估计向量H_Ls(n)和H_Idea(n)分别进行离散傅里叶逆变换IDFT，得到多径信道的时域估计信息h_Ls(n)和h_Idea(n)，公式为：

其中，N＝1024；

(4)对时域信道估计信息h_Ls(n)和h_Idea(n)进行预处理，即取模值，公式为：

h_{Ls_abs}(m)＝|h_Ls(m)|；

h_{Idea_abs}(m)＝|h_Idea(m)|；

其中，m＝1，2，3...，128；

对h_{Idea_abs}(m)处理规则如下：设置阈值为0.0001，将h_{Idea_abs}(m)中小于阈值的位置信息全均置为0，得到h'_{Idea_abs}(m)；获取非0位置信息P，得到h_{Ls_abs}(m)中位置为P的信息构成h'_{Ls_abs}(m)；

(5)以h_{Ls_abs}(m)为训练数据，h'_{Ls_abs}(m)为训练标签，构成一个训练样本；

(6)重复步骤(2)至步骤(5)共N_sum次，获得包含N_sum组训练样本的训练数据集；

所述对训练数据集进行离线训练，包括：

(1)进行离线训练时，将包含N_sum组训练样本数据的训练集分为训练集合和测试集合两部分；其中N_train组作为训练集合，剩余的N_test组作为测试集，N_sum＝N_train+N_test；

(2)选择损失函数J，所述损失函数选取为L2范数损失函数，公式为：

其中，y⁽ⁱ⁾为神经网络的输出，为训练样本的标签；

(3)采用随机梯度下降法对神经网络进行训练；

所述采用随机梯度下降法对神经网络进行训练，包括：

1)初始化神经网络：从[0,1]均匀分布中的随机数中选取权重参数集W和偏置参数集B，设置一个损失函数阈值J_MLoss以及最大迭代次数值Num；

2)一次选取训练集中128个样本，分别带入到神经网络模型中，经过训练得到128个样本的输出值；

3)将步骤2)中的128个样本输出值与训练集对应的128个标签分别代入损失函数中计算损失函数值，对损失函数求平均得到平均值

4)将步骤3)计算得到的损失函数平均值与设定的阈值相比较，如果小于阈值，则训练完成；否则，执行步骤5)；

5)进行反向传播训练，更新权重参数集W和偏置参数集B；

6)重复步骤2)到步骤5)直到训练集中所有数据都被训练完一遍，则完成一轮训练；

7)重复步骤2)到步骤6)直到损失函数满足步骤4)或达到最大训练次数，即停止训练，得到最优训练模型；

所述信道估计，包括：

(1)在接收端获取频域接收信号，进行最小二乘信道估计，得到频域估计向量H_Ls(n)公式为：

其中，X_pilot(n)为已知的发送导频，R_Noisepilot(n)为接收导频；

(2)对频域信道估计向量H_Ls(n)进行离散傅里叶逆变换，得到时域估计向量h_Ls(n)：

其中，N＝1024；

(3)对时域信道估计信息h_Ls(n)进行预处理，即取模值，公式为：

h_{Ls_abs}(m)＝|h_Ls(m)|；

其中，m＝1，2，3，...，128，将h_{Ls_abs}(m)作为输入数据输入到训练好的神经网络模型中，得到输出结果h'_{Ls_abs}(m)；

(4)对h'_{Ls_abs}(m)进行处理，设定阈值0.001，将大于0.001位置处的数据保留，即多径位置处的信息，记录其位置向量P；保留时域状态信息h_Ls(P)，将其余位置置为0，得到滤除噪声后的时域信道估计向量h'_Ls(m)；

(5)对滤除噪声后的时域信道估计向量h'_Ls(m)进行离散傅里叶变换，得到滤除噪声后的频域信道估计向量H_{NN_DFT}：

其中，N＝1024。