[发明专利]一种基于神经网络的多时隙信道估计方法及装置

说明书

本发明公开了一种基于神经网络的多时隙信道估计方法及装置，通过多时隙信道特征提取、深层信道特征提取和信道重建等步骤，充分利用信道的时域相关特征，提高信道估计的准确性。并通过神经网络学习一系列参数，自适应地给不同的信道特征分配权重，使得其能应对多变的信道状况。此外，本发明基于条件生成对抗网络能够学习信道的概率分布特征，而不仅是数值拟合，更适合于信道多变的现实情况，能够提高算法对不同信道的鲁棒性。

技术领域

本发明涉及通信传输技术领域，尤其涉及一种基于神经网络的多时隙信道估计方法及装置。

背景技术

移动互联网的快速发展对现代无线网络的设计提出了新的挑战。信号传输过程中会受到阴影衰落、多径效应和多普勒频移的影响，导致信号的幅度、相位和频率失真。为了尽可能恢复原始信号，提高数据吞吐量，需要准确估计信道状态信息。

目前的信道估计方案一般为单时隙信道估计方案，没有考虑多时隙信道相关特征。

如论文1(Deep learning-based channel estimation[Soltani M,PourahmadiV,Mirzaei A,et al.Deep learning-based channel estimation[J].IEEECommunications Letters,2019,23(4):652-655.])，该文章将信道的时频响应视作二维图像，提出了一种将超分辨率网络与去噪图像恢复网络级联的网络结构来估计信道。为了获得完整的信道图像，提出了一个两阶段的训练方法：在第一阶段，超分辨率网络将导频位置的信道估计值作为矢量化的低分辨率输入，并估计信道响应的未知值。在第二阶段，图像去噪网络与超分辨率网络级联来去除噪声的影响。然而，该论文所使用的信道模型简单，不能准确模拟真实的无线通信环境；其次，其网络结构没有针对信道估计任务做进一步优化。

又如论文2(Deep residual learning meets OFDM channel estimation[Li L,Chen H,Chang H H,et al.Deep residual learning meets OFDM channel estimation[J].IEEE Wireless Communications Letters,2019,9(5):615-618.])，该文章介绍了一种专门为信道估计设计的基于残差学习的深度神经网络ReEsNet，网络输入是导频位置处的估计信道响应，输出为全部的估计信道响应。由于其紧凑的网络结构，大大降低了计算成本。该论文所提算法虽然在保证估计精度的同时极大地降低了复杂度，但是其使用了反卷积层，导致该模型只能在特定带宽下工作。

连续接收的多时隙导频信号中蕴含着信道的时域相关特征，可以被用来提高信道估计的准确性以及降低导频开销。然而，由于信道的多变，连续信道之间的相关信息难以通过传统方法进行提取。

目前还没有使用神经网络评估多时隙导频信息对提高当前时隙的信道估计准确性的作用的方案。神经网络具有强大的学习和非线性拟合能力，可以凭借学习到的不同权重提取多时隙信道特征。此外，由于条件生成对抗网络具有优异的特征提取和数据生成能力，更适合于将导频位置处的信道响应视为低分辨率图像的基于深度学习的信道估计任务。

基于以上考虑，本发明首次提出基于神经网络的多时隙信道估计架构，并利用条件生成对抗网络进行多时隙信道估计，以获得更准确的信道状态信息。

发明内容

本发明的目的是提出一种基于神经网络的多时隙信道估计方法及装置，以获得更准确的信道状态信息。

为了实现上述目的，本发明的技术方案如下：

一方面，本发明提供了一种基于神经网络的多时隙信道估计方法，包括以下步骤：