高速移动环境下基于深度学习的信道估计方法

doi:10.3969/j.issn.0372-2112.2019.08.013

电子学报 ›› 2019, Vol. 47 ›› Issue (8): 1701-1707.DOI: 10.3969/j.issn.0372-2112.2019.08.013

高速移动环境下基于深度学习的信道估计方法

廖勇, 花远肖, 姚海梅, 杨馨怡

重庆大学通信与测控中心, 重庆 400044

收稿日期:2018-09-17 修回日期:2019-01-21 出版日期:2019-08-25
- 通讯作者:
- 廖勇
- 作者简介:
- 花远肖 男,1994年生于四川省阆中市.现为重庆大学微电子与通信工程学院研究生,主要研究方向为人工智能算法及其在无线通信中的应用.E-mail:huayx@cqu.edu.cn;姚海梅 女,1992年生于江西省吉安市.现为重庆大学微电子与通信工程学院研究生,主要研究方向为人工智能算法及其在无线通信中的应用.E-mail:meimei@cqu.edu.cn;杨馨怡 女,1996年生于四川省绵阳市.现为重庆大学微电子与通信工程学院研究生,主要研究方向为高速移动通信中的预编码研究.E-mail:yangxinyi@cqu.edu.cn
- 基金资助:
- 国家自然科学基金 (No.61501066）; 重庆市基础与前沿研究计划项目 (No.cstc2015jcyjA40003）; 重庆市研究生科研创新项目 (No.CYS18061）; 中央高校基本科研业务费重点基金 (No.106112017CDJXY500001）

Channel Estimation Method Based on Deep Learning in High-Speed Mobile Environments

LIAO Yong, HUA Yuan-xiao, YAO Hai-mei, YANG Xin-yi

Center of Communication and TT & C, Chongqing University, Chongqing 400044, China

Received:2018-09-17 Revised:2019-01-21 Online:2019-08-25 Published:2019-08-25

摘要/Abstract

摘要： 针对高速移动环境下信道快时变、非平稳特性导致下行链路信道估计性能受限的问题，本文提出一种基于深度学习的信道估计网络，即ChanEstNet.ChanEstNet使用卷积神经网络（Convolutional Neural Network，CNN）提取信道响应特征矢量和循环神经网络（Recurrent Neural Network，RNN）进行信道估计.我们利用标准的高速信道数据对学习网络进行离线训练，充分挖掘训练样本中的信道信息，使其学习到高速移动环境下信道快时变和非平稳的特点，更好的跟踪高速环境下信道的变化特征.仿真结果表明，在高速移动环境下，与传统方法相比，所提信道估计方法计算复杂度低，性能提升明显.

关键词: OFDM, 信道估计, 高速信道, 深度学习, 快时变信道, 非平稳信道

Abstract: Aiming at the problem that the downlink channel estimation performance is limited due to the fast time-varying and non-stationary characteristics in the high-speed mobile environment,this paper proposes a channel estimation network based on deep learning,called ChanEstNet.ChanEstNet uses the convolutional neural network (CNN) to extract channel response feature vectors and recurrent neural network (RNN) for channel estimation.We use the standard high-speed channel data to conduct offline training for the learning network,fully excavate the channel information in the training sample,make it learn the characteristics of fast time-varying and non-stationary channels in high-speed mobile environments,and better track the characteristics of channel changing in high-speed environment.The simulation results show that in the high-speed mobile environment,compared with the traditional methods,the proposed channel estimation method has low computational complexity and significant performance improvement.

Key words: OFDM, channel estimation, high-speed channel, deep learning, fast time-varying channel, non-stationary channel

中图分类号:

TN911.72

廖勇, 花远肖, 姚海梅, 杨馨怡. 高速移动环境下基于深度学习的信道估计方法[J]. 电子学报, 2019, 47(8): 1701-1707.

LIAO Yong, HUA Yuan-xiao, YAO Hai-mei, YANG Xin-yi. Channel Estimation Method Based on Deep Learning in High-Speed Mobile Environments[J]. Acta Electronica Sinica, 2019, 47(8): 1701-1707.

参考文献

[1] Yang L,Ren G,Yang B,et al.Fast time-varying channel estimation technique for LTE uplink in HST environment[J].IEEE Transactions on Vehicular Technology,2012,61(9):4009-4019.
[2] 廖勇,沈轩帆,代学武,周昕,王丹.基于扩展卡尔曼滤波的联合迭代检测译码信道估计方法[J].电子学报,2018,46(3):554-561. LIAO Yong,SHEN Xuan-fan,DAI Xue-wu,ZHOU Xin,WANG Dan.Joint iterative detector and decoder channel estimation based on extended Kalman filter[J].Acta Electronica Sinica,2018,46(3):554-561.(in Chinese)
[3] Shen X F,Liao Y,Dai X,et al.Joint channel estimation and decoding design for 5G-enabled V2V channel[J].China Communications,2018,15(7):49-56.
[4] Ghazal A,Yuan Y,Wang C X,et al.A non-stationary IMT-advanced MIMO channel model for high-mobility wireless communication systems[J].IEEE Transactions on Wireless Communications,2017,16(4):2057-2068.
[5] Hlawatsch F,Matz G.Wireless Communications over Rapidly Time-Varying Channels[M].US:Academic Press,2011.
[6] Yong S C,Kim J,Yang W Y,et al.MIMO-OFDM Wireless Communications with MATLAB[M].USA:Wiley Publishing,2010.
[7] Zhang J,Wen H,Song H,et al.Using basis expansion model for physical layer authentication in time-variant system[A].Communications and Network Security[C].Philadelphia,PA:IEEE,2017.348-349.
[8] Shen X F,Liao Y,Dai X W,et al.BEM-based EKF-RTSS channel estimation for non-stationary double-selective channel[A].IEEE/CIC International Conference on Communications in China[C].Beijing,China:IEEE,2018.1-6.
[9] He H,Wen C K,Jin S,et al.Deep learning-based channel estimation for beamspace mm Wave massive MIMO systems[J].IEEE Wireless Communications Letters,2018,7(5):852-1855.
[10] Wen C K,Shih W T,Jin S.Deep learning for massive MIMO CSI feedback[J].IEEE Wireless Communications Letters,2017,7(5):748-751.
[11] Ye H,Li G Y,Juang B H.Power of deep learning for channel estimation and signal detection in OFDM systems[J].IEEE Wireless Communications Letters,2018,7(1):114-117.
[12] Liu Y,Tan Z,Hu H,et al.Channel estimation for OFDM[J].IEEE Communications Surveys and Tutorials,2014,16(4):1891-1908.
[13] Coleri S,Ergen M,Puri A,et al.Channel estimation techniques based on pilot arrangement in OFDM systems[J].IEEE Transactions on Broadcasting,2002,48(3):223-229.
[14] Gozalvez J,Sepulcre M,Bauza R.IEEE 802.11p vehicle to infrastructure communications in urban environments[J].IEEE Communications Magazine,2012,50(5):176-183.
[15] Sesia S,Toufik I,Baker M.LTE,The UMTS Long Term Evolution:From Theory to Practice[M].USA:Wiley Publishing,2009.
[16] Meinilä J,Kyösti P,Jämsä T,et al.WINNER Ⅱ Channel Models[M].New Jersey:Wiley Publiching,2008.39-92.
[17] Zarrinkoub D H.Understanding LTE with MATLAB:From Mathematical Modeling to Simulation and Prototyping[M].Hoboken:Wiley Publishing,2014.

高速移动环境下基于深度学习的信道估计方法

Channel Estimation Method Based on Deep Learning in High-Speed Mobile Environments

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	吴靖, 叶晓晶, 黄峰, 陈丽琼, 王志锋, 刘文犀. 基于深度学习的单帧图像超分辨率重建综述[J]. 电子学报, 2022, 50(9): 2265-2294.
[2]	李雪莹, 王田路, 梁鹏, 王翀. 基于系统模型的用户评论中非功能需求的自动分类[J]. 电子学报, 2022, 50(9): 2079-2089.
[3]	琚长瑞, 秦晓燕, 袁广林, 李豪, 朱虹. 尺度敏感损失与特征融合的快速小目标检测方法[J]. 电子学报, 2022, 50(9): 2119-2126.
[4]	张志昌, 于沛霖, 庞雅丽, 朱林, 曾扬扬. SMGN：用于对话状态跟踪的状态记忆图网络[J]. 电子学报, 2022, 50(8): 1851-1858.
[5]	张亚洲, 俞洋, 朱少林, 陈锐, 戎璐, 梁辉. 一种量子概率启发的对话讽刺识别网络模型[J]. 电子学报, 2022, 50(8): 1885-1893.
[6]	王飞扬, 冀鹏欣, 孙笠, 危倩, 李根, 张忠宝. 一种基于深度学习的动态社交网络用户对齐方法[J]. 电子学报, 2022, 50(8): 1925-1936.
[7]	徐兴荣, 刘聪, 李婷, 郭娜, 任崇广, 曾庆田. 基于双向准循环神经网络和注意力机制的业务流程剩余时间预测方法[J]. 电子学报, 2022, 50(8): 1975-1984.
[8]	裴炤, 邱文涛, 王淼, 马苗, 张艳宁. 基于Transformer动态场景信息生成对抗网络的行人轨迹预测方法[J]. 电子学报, 2022, 50(7): 1537-1547.
[9]	欧阳与点, 谢鲲, 谢高岗, 文吉刚. 面向大规模网络测量的数据恢复算法：基于关联学习的张量填充[J]. 电子学报, 2022, 50(7): 1653-1663.
[10]	李政伟, 李佳树, 尤著宏, 聂茹, 赵欢, 钟堂波. 基于异质图注意力网络的miRNA与疾病关联预测算法[J]. 电子学报, 2022, 50(6): 1428-1435.
[11]	彭闯, 王伦文, 胡炜林. 融合深度特征的电磁频谱异常检测算法[J]. 电子学报, 2022, 50(6): 1359-1369.
[12]	张波, 陆云杰, 秦东明, 邹国建. 一种卷积自编码深度学习的空气污染多站点联合预测模型[J]. 电子学报, 2022, 50(6): 1410-1427.
[13]	杨伟超, 杜宇, 文伟, 侯舒维, 徐常志, 张建华. 基于多重分形谱智能分析的卫星信号调制识别研究[J]. 电子学报, 2022, 50(6): 1336-1343.
[14]	冀振燕, 韩梦豪, 宋晓军, 冯其波. 面向激光光条图像修复的循环相似度映射网络[J]. 电子学报, 2022, 50(5): 1234-1242.
[15]	廖勇, 李玉杰. 一种轻量化低复杂度的FDD大规模MIMO系统CSI反馈方法[J]. 电子学报, 2022, 50(5): 1211-1217.