CN116248444B 基于改進卷積神經網絡的車聯網中otfs系統信道估計方法 （山東大學）

基于改進卷積神經網絡的車聯網中OTFS系基于改進卷積神經網絡的車聯網中OTFS系信噪比下，將預估計信道矩陣輸入訓練好的網2首先，將一個長度為MXN的正交振幅調制符號幀排列成一個二維數據矩陣號幀被映射到延遲多普勒域網格中，得到延遲多普勒域中的信號x(k,l)，其中k∈{0,其中n,m分別表示時頻域信號的時域索引位置和頻其中t表示時域信號的抽樣時刻，gtx(t)為時域換得到延遲多普勒域輸出信號OTFS通信系統延遲多普pp導頻后的延遲多普勒域信號可表示為pmaxpmax次數為i,計算當前迭代次數i_1的輸入導頻矩陣Si_1的所有列向量與當前殘差ri_1的乘積，3si]，并采用最小二乘法得到第i次迭代的信道估計矩陣其中符號|i作為i,并更新殘差r,=y-s,i,更新當由OTFS無線通信系統生成數據集，令其大小為4×105，其中75％數據用于網絡訓練，將混合空洞卷積和殘差路徑引入卷積神經網絡結構中，搭建改進②隨后經過三個卷積核大小為3×3的卷積層，并將之間的差異，實現噪聲特征i,的提取；③通過殘差路徑將iow與i,相減，則輸出層輸出的信道估計結果為ia:④上述步驟②③視作第一個噪聲消除模塊所含操作，將ia作為第二個噪聲消除模塊3)在不同信噪比下生成測試數據，并輸入在信道估計網絡訓練完成后，實現在線部署，首先在不同積神經網絡的信道估計網絡進行噪聲消除，最后輸出信道估計矩陣inw,并與實際信道4[0002]正交時頻空間(OTFS)使用時延一多普勒域上的新一類載波實現QAM符號的多路傳LearningbasedChannelEstimationforOTFSsystem,"2022IEEE/CICInternationalConferenceonCommunicationsinChina.)基于深度學習對OTFS通信系統進行信道估[0004]傳統基于導頻和OMP信道估計算法在噪聲干擾較大時信道估計準確率較低，且隨5[0008]首先，將一個長度為MXN的正交振幅調制(QAM)符號幀排列成一個二維數據矩陣其中E"表示MXN維的復數集，M和N分別為延遲維度和多普勒維度的單元數，其中n,m分別表示時頻域信號的時域索引位置和頻其中t表示時域信號的抽樣時刻，gtx(t)為時域換(SFFT)得到延遲多普勒域輸出信號OTFS通信系p統延遲多普勒域信道估計需要在發送信號中插入導頻符號x來對延遲多普勒域信道進行ppmaxpmaxpmaxpmaxpmaxpmaxpmaxpmax數i_1的輸入導頻矩陣Si_1的所有列向量與當前殘差ri_1的乘積，選擇乘積絕對值最大的列6到第i次迭代的信道估計矩陣i,-argminy-s,il,其中符號·表示取范數矩陣，即將使Y-s,i最小的i作為i,,并更新殘差更新當前迭代次數i＝i+1，如果滿足關系i>P，則停止迭代，并將最后一次得到的i,作為最終估計結果否則繼續執行上述[0014]③通過殘差路徑將與i,相減，則輸出層輸出的信道估計結果為ia.該估計[0015]④上述步驟②③可看作第一個噪聲消除模塊所含操作，將ia作為第二個噪聲消計矩陣inw:進卷積神經網絡的信道估計網絡進行噪聲消除，最后輸出高準確度的信道估計矩陣i7[0018]所述OTFS為英文Orthogonaltimefrequencyspace的縮寫，意思為正交時頻空稀疏的情況下，將OMP估計算法與改進卷積神經網絡相結合，對OTFS通信系統信道進行估[0030]首先，將一個長度為M×N的正交振幅調制(QAM)符號幀排列成一個二維數據矩陣其中表示M×N維的復數集，M和N分別為延遲維度和多普勒維度的單元數，其中n,m分別表示時頻域信號的時域索引位置和頻8其中t表示時域信號的抽樣時刻，gtx(t)為時域換(SFFT)得到延遲多普勒域輸出信號OTFS通信系p統延遲多普勒域信道估計需要在發送信號中插入導頻符號x來對延遲多普勒域信道進行ppmaxpmaxpmaxpmaxpmaxpmaxpmaxpmax數i_1的輸入導頻矩陣Si_1的所有列向量與當前殘差ri_1的乘積，選擇乘積絕對值最大的列使y-s,h最小的i作為i,,并更新殘差r;=y-s,i,更新當前迭代次數i＝i+1，如果滿足關系i>P，則停止迭代，并將最后一次得到的i,作為最終估計結果inr否則繼續執行上述[0031]由OTFS無線通信系統生成數據集，令其大小為4x105，其中7[0032]2)基于卷積神經網絡搭建改進的卷積神經網絡模型，將預估計信道矩陣in與實9[0036]③通