【技术实现步骤摘要】
本专利技术涉及otfs调制通信信道估计，尤其是涉及基于全连接深度学习的mimo场景信道估计方法及模型。
技术介绍
1、随着无线通信技术的快速发展，卫星通信场景成为未来6g通信架构中不可或缺的部分。传统的ofdm(orthogonal frequency division multiplexing，正交频分复用)调制在地面端通信中，通过子载波复用可以获得较高的通信速率。但是在面对卫星场景时，尤其是低轨道卫星(一种mimo(multiple-input multiple-output，多输入多输出)场景)，由于高额的多普勒频偏，会造成ofdm调制中子载波的正交性缺失，导致计算效率和准确性方面的性能降低。
2、otfs(orthogonal time frequency space modulation，正交时频空间调制)，作为一种ofdm演进调制技术，通过isfft(辛有限傅里叶逆变换)和sfft(辛有限傅里叶逆变换)变换，可以将时间-频率域的时变信道转化为时延-多普勒域的稀疏非时变信道，以减少后续处理对的复杂度。otfs调制已被证明在高移动场景下能够提供超越ofdm调制的通信速率及误码率性能。
3、在无线通信领域，高效准确的信道估计成为提高通信质量和数据传输速率的关键。但是传统的ofdm信道估计方法不适用于otfs信道估计，因此有学者根据otfs调制特点设计了基于保护间隔的导频设计方案，并使用基于阈值的方法完成对otfs的信道估计。在高信噪比情况下，该方法可以很好的完成信道估计任务。随着信噪比的降低，该方法
4、在人工智能领域，全连接深度学习网络作为一种经典的网络模型，已经在图像领域、数据预测等方面展现出巨大的潜力；然而，将其应用于信道估计领域，利用其非线性特点对导频信息学习后进行信道估计，是一个全新的研究方法。全连接深度学习网络具有非线性特点，理论上能够提供更好的抗噪性能。目前也有一些利用其它深度学习网络进行信号估计的相关研究，如：专利申请cn117424782a，利用卷积神经网络进行保护间隔区域的降噪处理，再对降噪后的数据进行信道估计，其主要关注于使用卷积网络进行降噪处理，更多地集中于降噪过程，且得到降噪数据后，还需要额外地信道估计结果，计算复杂度较高。
技术实现思路
1、由于现有技术存在上述缺陷，本专利技术提供了一种基于全连接深度学习的mimo场景信道估计方法及模型，集中于通过全连接网络对otfs导频信息进行学习以完成信道估计任务，在保持高性能的同时，显著提高信道估计的准确性和降低导频资源的开销。
2、为实现上述目的，一方面，本专利技术提供一种基于全连接深度学习的mimo场景信道估计方法，其特征在于：包括以下步骤：
3、s1、构建数据集，将其划分为训练集和测试集：基于3gpp提供的标准协议，仿真得到的otfs调制通信数据，将完整的otfs数据帧经过预处理得到含有有效导频信息的保护间隔区域数据及其对应的信道状态信息标签，将这些数据处理后映射为深度神经网络的训练集和测试集；
4、s2、构建基于全连接深度学习的深度学习模型；
5、s3、将训练集中含有有效导频信息的保护间隔区域数据输入所述基于全连接深度学习的深度学习模型，训练深度学习模型的特征提取功能使深度学习模型可以从输入数据中预测得到信道状态信息，同时使模型训练信噪比低的训练集，使模型具有好的抗噪性能；
6、s4、得到深度学习模型的预测输出后，通过预测数据恢复出等效信道矩阵，将该矩阵与其对应的信道状态信息标签进行比较，通过最小均方误差(mse)对深度学习模型的输出进行评估；
7、s5、重复所述步骤s3～s4达到设定次数后，得到优化后的基于全连接深度学习的深度学习模型；
8、s6、将验证数据输入至训练好的模型后，得到信道状态信息。
9、进一步地，所述s1具体为：
10、设通信过程中，otfs发射机首次将时延-多普勒符号x[k,l]通过isfft变换映射至时间-频率域信号x[n,m]过程如下：
11、
12、其中n＝0,……,n-1,m＝0,……,m-1；
13、时频域信号x[n,m]通过海森堡变换，采样为时域信号s(t)，以便发射机发送：
14、
15、其中gtx(t)为传输波形，t为符号持续长度；δf为子载波间隔；
16、时域信号s(t)通过特征为时延τ和多普勒v的时变信道h(τ，v)，接收信号r(t)表示为：
17、r(t)＝∫∫h(τ，v)s(t-τ)ej2πv(t-τ)dτdv.
18、其中信道h(τ，v)可表示为：
19、
20、其中p是传播路径的数目，hi，τi和vi分别是第i条传播路径的增益，时延和多普勒频偏；
21、其中τi和vi分别可表示为：
22、
23、其中li＝0，......，m-1，分别代表时延抽头、多普勒抽头；
24、接收机接收信号后，通过匹配滤波计算交叉混合函数，表达如下：
25、
26、y[n，m]＝y(t，f)|t＝nt，f＝mδf
27、其中为(t′-t)时刻接收脉冲整形信号的共轭，r(t′)为t′时刻接收信号，f为频率；
28、最终，将接收机接收到的时间-频率域信号通过sfft转化为时延-多普勒域信号，表达如下：
29、
30、得到接收时延多普勒域信号后，收集保护间隔区域数据作为训练集和测试集的输入数据，收集仿真过程中的信道状态信息作为训练集和测试集的标签数据。
31、进一步地，所述s2中，所述基于全连接深度学习的深度学习模型包括输入层、隐藏层和输出层；训练数据通过深度学习模型的输入层输入到模型中，并通过隐藏层进行运算后被模型输出层输出，其输出结果会被放入到最小均方误差损失器中与标签数据进行比较，再将比较结果通过反向传播以达到训练网络的目的。
32、进一步地，所述s3中，并未将完整的otfs数据帧作为深度学习模型的训练集，而是通过数据特征强化，选取具有更多有效信息的保护间隔区域作为深度学习模型训练集；对于高信噪比信道估计任务，该任务建模为：y＝hx；对于低信噪比信道估计任务，任务建模为y＝hx+n，式中h为等效信道矩阵，x为发射信号矩阵，n为加性高斯白噪声。
33、进一步地，所述s4中，将深度学习模型的输出与标签数据输入到损失函数中进行比较，其损失函数定义如下：
34、
35、其中，指全连接深度学习网络的等效信道矩阵预测输出，hmimo是指标签等效信道矩阵。
36、进一步地，所述s5中，深度学习模型通过损失函数计算值进行反向传播，不断更新深度学习模型本文档来自技高网...
【技术保护点】
1.基于全连接深度学习的MIMO场景信道估计方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种MIMO场景信道估计方法，其特征在于，所述S1包括以下子步骤：
3.根据权利要求2所述的一种MIMO场景信道估计方法，其特征在于，所述S1具体为：
4.根据权利要求3所述的一种MIMO场景信道估计方法，其特征在于，所述S2中，所述基于全连接深度学习的深度学习模型包括输入层、隐藏层和输出层；训练数据通过深度学习模型的输入层输入到模型中，并通过隐藏层进行运算后被模型输出层输出，其输出结果会被放入到最小均方误差损失器中与标签数据进行比较，再将比较结果通过反向传播以达到训练网络的目的。
5.根据权利要求4所述的一种MIMO场景信道估计方法，其特征在于，所述S3中，并未将完整的OTFS数据帧作为深度学习模型的训练集，而是通过数据特征强化，选取具有更多有效信息的保护间隔区域作为深度学习模型训练集；对于高信噪比信道估计任务，该任务建模为：Y＝HX；对于低信噪比信道估计任务，任务建模为Y＝HX+N，式中H为等效信道矩阵，X为发射信号矩阵，N为加
6.根据权利要求5所述的一种MIMO场景信道估计方法，其特征在于，所述S4中，将深度学习模型的输出与标签数据输入到损失函数中进行比较，其损失函数定义如下：
7.根据权利要求6所述的一种MIMO场景信道估计方法，其特征在于，所述S5中，深度学习模型通过损失函数计算值进行反向传播，不断更新深度学习模型参数，其更新过程具体为下：
8.一种基于全连接深度学习的MIMO场景信道估计模型，其特征在于，利用如权利要求1至7任一项所述的MIMO场景信道估计方法的步骤S1～S4得到，通过输入接收信号导频信息至所述MIMO场景信道估计模型即可得到信道状态信息。
...【技术特征摘要】
1.基于全连接深度学习的mimo场景信道估计方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种mimo场景信道估计方法，其特征在于，所述s1包括以下子步骤：
3.根据权利要求2所述的一种mimo场景信道估计方法，其特征在于，所述s1具体为：
4.根据权利要求3所述的一种mimo场景信道估计方法，其特征在于，所述s2中，所述基于全连接深度学习的深度学习模型包括输入层、隐藏层和输出层；训练数据通过深度学习模型的输入层输入到模型中，并通过隐藏层进行运算后被模型输出层输出，其输出结果会被放入到最小均方误差损失器中与标签数据进行比较，再将比较结果通过反向传播以达到训练网络的目的。
5.根据权利要求4所述的一种mimo场景信道估计方法，其特征在于，所述s3中，并未将完整的otfs数据帧作为深度学习模型的训练集，而是通过数据特征强化，选取具...
【专利技术属性】
技术研发人员：徐明强，宋亮，高塬，董海，胡筱渊，杨文睿，尚雨廷，
申请(专利权)人：中交航信上海科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。