[发明专利]一种基于元学习的OFDM系统中时变信道估计方法、装置、及存储介质

说明书

本发明公开了一种基于元学习的OFDM系统中时变信道估计方法、装置、及存储介质，其包括：采集天线上接收到的信号的实时数据；将所采集的信号的实时数据载入预先构建且利用元学习训练好的神经网络模型中，获取时变信道估计结果；神经网络模型训练的过程包括以下步骤：在预先选定数量的具有不同多普勒频移的信道环境中，分别获取频偏补偿后的频域信号，并确定每个频域信号对应的目标信道估计结果；在支撑集上训练神经网络模型并更新基础学习器的网络参数，在查询集上测试神经网络模型并更新元学习器网络参数；对网络参数进行迭代计算，最终更新得到神经网络模型的初始化参数矩阵。本发明能够快速地适应新的信道环境，计算的复杂度较低、估计精度高。

技术领域

本发明涉及无线通信技术领域，特别涉及一种基于元学习的OFDM系统中 时变信道估计方法、装置、及存储介质。

背景技术

近年来，高速公路、高速列车建设飞速发展的同时，列车运行时速的不断 提升给高速移动通信提出了更高的要求，加之第五代移动通信技术(5G)的普 及和未来第六代移动通信技术(6G)对于无线通信的愿景，应用于高速车地通 信的无线通信系统的研究成为当下热点；正交频分复用(Orthogonal Frequency- Division Multiplexing，OFDM)是一种特殊的多载波调制技术，采用正交子载波 进行并行传输，同时通过扩展传输符号周期来抵抗多径衰落，所以在无线通信 系统中广泛应用；然而，在高速移动环境下，列车的快速移动引起大的多普勒 频移使得OFDM系统发生频率偏移，从而引起载波间干扰，且使得信道发生更快 速的随机变化；由于多普勒频移的影响，进行时变信道估计是必不可少的有效 途径之一。

目前，在时变信道估计方面，基于深度学习的时变信道估计引起了国内外 广大研究学者的兴趣，深度学习作为一个强有力的数学工具，使信道估计技术 在传统估计方法的基础上得到了进一步发展。其中，Ye H等人(Ye H,Li G Y等 人,“Power of Deep Learningfor Channel Estimation and Signal Detection in OFDM Systems”)给出了一种基于深度学习的联合信道估计与信号检测的方法， 该方法采用了全连接深度神经网络DNN来进行信道估计与数据检测，通过对DNN网络输入接收信号以获取检测信号，消除了信道的影响，然而该方法只是 初步验证了深度学习的方法具有对无线信道复杂特性的学习和分析能力；X Ma 等人(X Ma,Hao Y,Ye L等人，“Learning Assisted Estimation for Time-Varying Channels”)给出了一种基于DNN辅助的信道估计方法，该方法首先使用DNN 获取导频处信道估计，然后采用线性内插得到数据符号的信道估计，然而，该 方法中所采用的导频信道信息为历史信道信息，其精度较差；Yang Y等人(Yang Y,Gao F,Ma X等人，“DeepLearning-Based Channel Estimation for Doubly Selective Fading Channels”)给出了一种基于DNN的双选择性信道的估计方法， 该方法同样采用DNN及线性内插方法进行信道估计，该方法由于增加了预训练 处理以获取理想的网络初始参数，有效地避免了随机初始化参数带来的性能损 失，然而，由于预训练需要大量的训练数据，所以该方法具有较高的计算复杂 度；Liao Y等人(Liao Y,Hua Y,Dai X等人“ChanEstNet:A Deep LearningBased Channel Estimation for High-Speed Scenarios”)给出了一种卷积神经网络与循环 神经网络联合的信道估计方法，该方法使用卷积神经网络提取导频信道响应特 征向量，使用循环神经网络提取信道时间特征向量，然而，该方法采用的神经 网络结构复杂，带来了较高的计算复杂度。