一种OFDM系统下的信道估计方法技术方案

本发明专利技术公开的一种OFDM系统下的信道估计方法。属于无线通信技术领域。具体步骤：1、初始化OFDM系统传输网络；2、通过OFDM系统传输网络生成网络模型函数；3、通过生成的网络模型函数随机生成网络输入层状态参数；4、通过已知状态参数的状态参数生成整体网络的损失函数；5、利用岭回归求解损失函数中的状态参数β；然后返回步骤2的网络模型；6、利用训练好的网络输出与输入，最终得到所需信道的估计矩阵。本发明专利技术利用奇异值分解的方法求其状态参数的最小均方误差，通过输入输出数据构建了一个多层神经网络的预测

【技术实现步骤摘要】
一种OFDM系统下的信道估计方法


[0001]本专利技术属于无线通信
，涉及信道估计技术，特别是涉及一种基于岭回归前馈神经网络的OFDM系统信道估计方法。

技术介绍

[0002]正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)技术是实现复杂度较低的一种多载波传输方案，在实际系统中被广泛采用。由于OFDM可扩展至大带宽应用，而且具有较高的频谱效率和较低的算法复杂度。无线通信系统的性能很大程度上受到无线信道的影响，如阴影衰落和频率选择性衰落等，使得发射机和接收机之间的传播路径非常复杂。无线信道并不像有线信道固定并可预见，而是具有很大的随机性，这就对接收机的设计提出了很大的挑战。信道状态信息(CSI)对于OFDM系统中的相干检测和解码都是至关重要的。信道参数估计是实现无线通信系统的一项关键技术。能否获得详细的信道特性，从而在接收端正确地解调出发射信号，是衡量一个无线通信系统性能的重要指标。
[0003]传统的信道估计算法方案：这类工作通常基于最大似然(Maximum Likelihood,ML)估计、最小二乘(Least Square,LS)估计、最小均方误差(Minimum Mean Squared Error,MMSE)估计或贝叶斯(Bayesian)估计等经典的估计理论，结合具体的信道估计场景在算法复杂度、估计精度等方面进行改进。
[0004]中国专利CN113472706A公开了一种DFT信道估计改进方法，在传统的DFT信道估计方案过程中，利用佘宁网络来识别真实多径位置的参数信息，滤除非多径未知的噪声，但是利用传统神经网络造成了通信传输系统的时时间缓慢，对于通信技术来说时十分不利的。中国专利CN113472703A介绍了一种OFDM信道估计方法，对连续多个OFDM待估计的信道进行处理,得到对应的信道矩阵,信道矩阵为低秩矩阵；利用矩阵恢复算法对插入数据后的信道矩阵进行恢复处理,以实现信道估计。中国专利CN111510402B一种基于深度学习的OFDM信道估计方法，在接收端,获取时域信号y并进行预处理,得到接收信号导频位置的频域信号Y
‑
P；利用全连接层神经网络搭建信道估计模型CE
‑
Net,并对其训练；利用现实环境的数据进行迁移训练；将CE
‑
Net置于接收端,用于线上的信道估计。在《应用技术》第48卷第3期《一种基于深度学习的OFDM信号检测方法》中提出一种基于深度学习的OFDM信号检测方法,该算法设计一种信号检测网络,其信号检测网络可以代替传统算法中的信道估计和均衡。在《电讯技术》第61卷第7期《基于BP神经网络的OFDM系统信道估计》给出一种基于反向传播(Back Propagation,BP)神经网络的信道估计方法，建立了基于BP神经网络的OFDM系统信道估计模型,并以均方误差和误码率为主要评价指标,分析了不同网络参数和导频数量对信道估计性能的影响。

技术实现思路

[0005]专利技术目的：为了克服现有技术中存在的不足，本专利技术目的是提供了一种基于岭回归前馈神经网络的OFDM系统信道估计方法，保证通信的可靠性与有效性。
[0006]技术方案：本专利技术所述的一种OFDM系统下的信道估计方法，所述OFDM系统包含1个发送端T，1个接收端R，一个包含有一个隐含层的前馈神经网络工具箱，采用OFDM的方式进行数据传输，包含N个导频数据信号，同时接收端R对于导频信号的发送状态是已知的，信道状态矩阵服从瑞利分布；其具体操作步骤如下：
[0007](1)、初始化OFDM系统传输网络；
[0008](2)、通过OFDM系统传输网络生成网络模型函数；
[0009](3)、通过生成的网络模型函数随机生成网络输入层状态参数；
[0010](4)、通过已知状态参数的状态参数生成整体网络的损失函数；
[0011](5)、利用岭回归求解损失函数中的状态参数β；然后返回步骤(2)的网络模型；
[0012](6)、利用训练好的网络输出与输入，最终得到所需信道的估计矩阵。
[0013]进一步的，在步骤(1)中，所述初始化OFDM系统传输网络是采用16QAM调制方式。
[0014]进一步的，在步骤(2)中，所述生成网络模型函数具体是：
[0015]令x
i
表示映射出的导频发送信号，y
i
表示通过信道后的接收端导频信号输出，将x
i
和y
i
作为神经网络的训练数据集；通过激活函数g(x)，网络模型可写作：
[0016]其中i＝1，2，3，...，N
ꢀꢀ
(1)
[0017]进一步的，在步骤(3)中，所述随机生成网络输入层状态参数具体是：
[0018]在进入神经网络工具箱之后，由系统随机产生输出层和隐含层之间的连接权值矩阵W＝(ω1,ω2,...,ω
n
)和隐藏层节点的偏置矩阵B＝(b1,b2,...,b
n
)，神经网络函数可通过β
i
，ω
i
，b
i
，x
i
表示为：
[0019][0020]其中，为连接第i个隐含节点与输出节点的权值向量。
[0021]进一步的，在步骤(4)中，所述生成整体网络的损失函数具体是：
[0022]通过已知导频信号x
i
，计算出理想状态下的接收端接收信号矩阵T＝(o1,o2,...,o
n
)，同时求解得到小化损失函数时的权值矩阵β，增加L2范数α||β||2，其中α∈(0,1)，令X＝g(w
·
x+b)，损失函数为：
[0023][0024]其中，α表示惩罚因子。
[0025]进一步的，在步骤(5)中，所述利用岭回归求解损失函数中的状态参数β的过程是：
[0026]在得到损失函数的解析式之后，求解函数：
[0027]lim{[||Xβ
‑
T||2‑
α||β||2]}＝0
ꢀꢀ
(4)
[0028]可得到：
[0029]β
*
＝(X
T
X+αI)
‑1X
T
T
ꢀꢀ
(5)
[0030]其中，β
*
表示岭回归求解所得的网络状态参数集。
[0031]进一步的，在步骤(6)中，所述利用训练好的网络输出与输入，最终得到所需信道的估计矩阵具体是：
[0032]将训练好的网络状态参数集β
*
带回到步骤(2)的网络模型中，通过实际输入数据
s
i
，得到f(s
i
)，得到信道状态完成信道估计。
[0033]有益效果：本专利技术与现有技术相比，本专利技术的特点:针对现有技术只讨论在瑞利衰落模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种OFDM系统下的信道估计方法，其特征在于，所述OFDM系统包含1个发送端T，1个接收端R，一个包含有一个隐含层的前馈神经网络工具箱，采用OFDM的方式进行数据传输，包含N个导频数据信号，同时接收端R对于导频信号的发送状态是已知的，信道状态矩阵服从瑞利分布；其具体操作步骤如下：(1)、初始化OFDM系统传输网络；(2)、通过OFDM系统传输网络生成网络模型函数；(3)、通过生成的网络模型函数随机生成网络输入层状态参数；(4)、通过已知状态参数的状态参数生成整体网络的损失函数；(5)、利用岭回归求解损失函数中的状态参数β；然后返回步骤(2)的网络模型；(6)、利用训练好的网络输出与输入，最终得到所需信道的估计矩阵。2.根据权利要求1所述的一种OFDM系统下的信道估计方法，其特征在于，在步骤(1)中，所述初始化OFDM系统传输网络是采用16QAM调制方式。3.根据权利要求1所述的一种OFDM系统下的信道估计方法，其特征在于，在步骤(2)中，所述生成网络模型函数具体是：令x
i
表示映射出的导频发送信号，y
i
表示通过信道后的接收端导频信号输出，将x
i
和y
i
作为神经网络的训练数据集；通过激活函数g(x)，网络模型可写作：其中i＝1,2,3,...,N
ꢀꢀ
(1)。4.根据权利要求1所述的一种OFDM系统下的信道估计方法，其特征在于，在步骤(3)中，所述随机生成网络输入层状态参数具体是：在进入神经网络工具箱之后，由系统随机产生输出层和隐含层之间的连接权值矩阵W＝(ω1,ω2,...,ω
n
)和隐藏层节点的偏置矩阵B＝(b1,b2,...,b
n
)，神经网络函数可通过β...

【专利技术属性】
技术研发人员：解志斌，袁伟康，王亚军，练柱先，李垣江，苏胤杰，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：