[发明专利]一种MIMO-OFDM水声信道估计方法

说明书

本发明公开了一种基于改进YOLO网络的MIMO‑OFDM水声信道估计方法，包括生成上行导频稀疏幅值图像；标注图像并根据标注框得到合适的先验框，修改原有YOLOv4网络与策略并训练；时分双工系统下，水下接收机发送导频信号到UWA浮标站；浮标站对收到的信号进行域转换并生成稀疏图像，利用改进后的YOLOv4网络提取上行链路信道参数，并根据信道模型合成信道矩阵；UWA浮标站根据海洋流速传感器的监测结果调整估计频率，并在下行链路将信道参数发送给水下接收机；接收机端利用信道参数重构出下行信道矩阵以高效实现信道均衡、译码等后续操作，并根据信道估计频率调整下一次发送上行导频的时间，能够实现高质量水声通信。

技术领域

本发明涉及一种MIMO-OFDM水声信道估计方法，属于水声通信信道估计技术领域。

背景技术

水声信道传播损耗严重、频谱资源稀缺、频率选择性严重、通信可靠性差，而MIMO与OFDM技术相结合，在应对水声信道的多径干扰、频率选择性衰落以及带宽有限等方面提供了新的途径，显著提高通信系统性能。信号从发射端到接收端，经历水声信道会产生严重的畸变与衰减，使得接收方难以获取有效信息，同时UWA(Underwater Acoustic)浮标站若缺少信道状态信息则难以高效设计后续处理模块以实现自适应通信，提高通信系统性能；且水声信道具有强时变性、高动态性，海面的涌动会带来信道散射体、多径数等信道参数的改变，所以要实现稳健可靠、智能化的MIMO-OFDM水声通信，准确、及时的信道估计对MIMO-OFDM系统的性能至关重要；其次通常水声信道估计文献仅考虑估计结果对于水下接收机的用处，在水下接收机端进行下行信道估计，然而水下接收机端往往资源受限、供电困难，同时多水声换能器组成的UWA浮标站同样需要下行信道状态信息以实现预编码等后续操作，实现自适应高效通信，故可将计算及其他处理消耗转移到能源相对供应充足的UWA浮标站，而后共享信道估计结果；另外，常见的水声信道估计算法如最小二乘法(LS)、最小均方误差法(MMSE)等所得结果为信道矩阵，在MIMO-OFDM技术下以高维矩阵存在，UWA浮标站在下行链路发送估计结果时会带来链路高负担问题。

随着GPU在大规模并行计算的广泛应用，以及模式识别、计算机视觉、神经网络的飞速发展，深度学习算法逐渐走向前沿，可提取到更高层次的、抽象的特征，对特征的表达更加准确高效，且泛化性好、可端到端训练。因此利用深度学习进行MIMO水声信道估计是可行且必要的，然而通常情况下，深度学习网络模型会带来庞大的训练参数量且已有的深度学习算法模型更适配于其对应的数据集，因此需建立特有数据集并改进原有深度学习模型以实现高精度MIMO水声信道估计。

经对现有文献检索发现，中国专利申请号为CN201911372155.7，名称为“一种基于深度学习的下行信道快速重建方法”，该方法利用频分双工模式下的空间互易性，在上行信道中估计出角度和时延这类与频率无关的参数，将其用作下行信道参数，有效降低了反馈链路负担与开销，同时基于深度学习算法的信道参数提取辅助完成下行信道快速重建，然而其并未充分利用数据集特点优化深度学习模型与策略，信道估计精度有待提高。因此，有必要研究在保证低链路负担前提下的水声通信高精度估计方法。

发明内容

本发明需要解决的技术问题是提供一种基于改进YOLO网络的MIMO-OFDM水声信道估计方法，调整时分双工系统下的信道估计策略，减小水下接收机能耗，并利用上行导频数据集特性，改进原有YOLO网络，提高信道估计精度。

为解决上述技术问题，本发明所采用的技术方案是：

一种MIMO-OFDM水声信道估计方法，包括如下步骤：

步骤一，利用MATLAB软件根据MIMO-OFDM水声信道模型与信道参数生成上行导频信号，转换域后保存对应稀疏幅值图像与上行链路信道参数，所述上行链路信道参数包括多径数P以及各路径角度时延和上行链路增益