[发明专利]一种基于模型驱动深度学习的OTFS信道估计方法

说明书

本发明涉及无线通信技术领域，特别涉及一种基于模型驱动深度学习的OTFS信道估计方法，包括在时延多普勒域对无线信道进行建模，得到一个等效信道，即时延多普勒域信道；利用改进的去噪近似消息传递算法，对接收端含噪时延多普勒域信道进行去噪处理，得到时延多普勒域信道的估计值；本发明与OTFS现有文献中的信道估计方案如OMP、ResNet算法进行性能对比，本发明在任意信噪比下远优于OTFS已有的信道估计方案OMP及ResNet，并且信道路径总数不变时，扩大二维网格点数量可以增加OTFS系统中时延多普勒信道的稀疏度，有效提升信道估计精度。

技术领域

本发明涉及无线通信技术领域，特别涉及一种基于模型驱动深度学习的OTFS信道估计方法。

背景技术

5G目前采用正交频分复用(Orthogonal Frequency Division Multiplexing，OFDM)调制技术，若不考虑多普勒频偏影响，无线信道是时不变的，OFDM可以克服多径效应引起的频率选择性衰落，利用子载波间的正交性实现高频谱利用率。但在高移动场景下，多普勒频移会破坏OFDM子载波之间的正交性导致载波间干扰(Inter CarrierInterference，ICI)，降低OFDM系统的性能，无法满足用户的使用需求。

正交时频空间(Orthogonal Time Frequency Space，OTFS)调制是一种面向6G高移动场景的新型波形调制技术。OTFS在二维时延多普勒域对无线信道进行建模，直接反映信道时延、多普勒频移几何特征。由于运行距离和速度在毫秒数量级时间内变化不大，所以时延和多普勒频移参数在毫秒级观测时间里可近似认为非时变，从而将高移动下的快时变信道转换成时延多普域中的近似时不变信道。此外，由于真实通信场景中周围的散射体通常有限，只有少数几组反射物具有不同的时延和多普勒频移值，所以估计参数相对较少，信道处于稀疏状态更易于进行估计。

当前传统OTFS信道估计研究采用基于导频符号阈值辅助的信道估计方案，该方案实现复杂度低，但是在实际应用中阈值辅助的信道估计算法面临着导频开销较大、低信噪比环境下估计性能较差的问题。为克服该瓶颈，后续研究采用基于压缩感知的信道估计算法方案，能够大幅提升估计精度，并且利用时延多普勒域信道稀疏性可以有效降低导频开销，但是该方案实现复杂度随着OTFS系统二维网格数目的增加而大幅提升。

发明内容

为提升低信噪比下OTFS系统的信道估计精度，并降低压缩感知方案的实现复杂度，本发明提出一种基于模型驱动深度学习的OTFS信道估计方法，具体包括以下步骤：

在时延多普勒域对无线信道进行建模，得到一个等效信道，即时延多普勒域信道；

利用改进的去噪近似消息传递算法，对接收端含噪时延多普勒域信道进行去噪处理，得到时延多普勒域信道的估计值。

进一步的，构建时延多普勒域信道的过程包括以下步骤：

在发送端，将信息符号摆放到时延域维度为M、多普勒域维度为N的二维时延多普勒域网格，即时延多普勒域发送信号矩阵；

将时延多普勒域的发送信号矩阵进行矢量化，得到时延多普勒域发送信号；

时延多普勒域发送信号进行辛傅里叶变换映射为时频域信号，再将时频域信号进行海森堡变换映射为时域发送信号；

将时域发射信号经过无线信道进行传输；

在接收端，利用维格纳变换将时域接收信号映射为时频域信号，将时频域信号进行辛傅里叶变换映射为时延多普勒域接收信号；

根据时延多普勒域发送信号和时延多普勒域接收信号的关系进行建模，得到一个等效信道，即时延多普勒域信道。

进一步的，时延多普勒域信道表示为：