CN116232812B 基于深度神经网络的最小二乘法otfs系统信道估计方法 （山东大学）

基于深度神经网络的最小二乘法OTFS系统基于深度神经网络的最小二乘法OTFS系统于DNN设计了一种高效低时延的信道估计方法。域信道估计，得到粗略估计的信道矩阵HLS；其用HLS-DNN实现传输信息数据的在线恢复。本发明在LS信道估计的基础上既可以实现低复杂度的好的实效性和低时延性，使得信息传输效率变2有导频的时频域信号经海森堡变换转换为时域信号，并通过发射天线在时域信道进行传频域信号其中n，m分别表示时频域信号的时域索引pp经过海森堡变换得到时域信号s(t)，表示为其和最小抽样频率；随后在时域信号s(t)各信息符号的开头均添加循环前缀作为保护间隔，rx3到导频处信道响应此处LS信道估计算法通过对所估计的信道矩阵接收端在DNN参数训练完成后，在信道均衡模块处对OTFS系统时频域信道进行信道均衡，即利用离线训练完成的网络模型进行优化估计后得到的HLS-DNN对时频域接收信号进行最后经过QPSK解调模块恢复得到原始信号。4深度神经网络的最小二乘法信道估计方法，以将LS信道估计方法与深度神经网络相结合，利用深度神经网络进一步对LS算法粗略估计结果进行优化，以显著改善信道估计的准确移键控QPSK调制模块、逆辛傅里叶变换ISFFT模块、正交频分复用OFDM调制器和一发射天5的导频做LS信道估计，得到粗略估计的信道矩阵HLS，然后利用DNN对HLS进行优化得到到时频域信号其中n，m分别表示时频域信号的时域和y2[q]能更加完整地记录时频域信道响应；在OFDM调制器中将带有导频的时频域信号Xp隔和最小抽样频率；随后在时域信号s(t)各信息符号的开头均添加循环前缀作为保护间gtx收到的两列导频符号y1[q]和y2[q]从Yp[n,m]中提取出来并在信道估计模块中进行LS信道估计，得到导频处信道响应此处LS信道估计算法通过对所估计的信6is进一步优化估计；面部分为HLS和HPerfect元素的实部，下面部分则为二者元素的虚部；载入信道矩阵HLS和[0014]接收端在DNN参数训练完成后，在信道均衡模块处对OTFS系统时频域信道进行信道均衡，即利用离线训练完成的网络模型进行优化估计后得到的HLS-DNN对时频域接收信号最后经过QPSK解调模块恢复得到原始信号。[0016]所述的OTFS是英文Orthogonaltimefrequencyspace的缩写，中文含义为正交[0018]所述的QPSK是英文QuadraturePhaseShiftKeying的缩写，中文含义为正交相7统算法LS信道估计在误码率与归一化均方误移键控QPSK调制模块、逆辛傅里叶变换ISFFT模块、正交频分复用OFDM调制器和一发射天的导频做LS信道估计，得到粗略估计的信道矩阵HLS，然后利用DNN对HLS进行优化得到到时频域信号其中n，m分别表示时频域信号的时域和y2[q]能更加完整地记录时频域信道响应；在OFDM调制器中将带有导频的时频域信号Xp隔和最小抽样频率；随后在时域信号s(t)各信息符号的开头均添加循环前缀作为保护间8gtx收到的两列导频符号y1[q]和y2[q]从Yp[n,m]中提取出来并在信道估计模块中进行LS信道矩阵i求导，将代价函数最小化，从而得到is=x'y,其中X为is进一步优化估计；面部分为HLS和HPerfect元素的实部，下面部分则为二者元素的虚部；载入信道矩阵HLS和[0034]接收端在DNN参数训练完成后，在信道均衡模块处对OTFS系统时频域信道进行信道均衡，即利用离线训练完成的网络模型进行优化估计后得到的HLS_DNN对时频域接收信号最后经过QPSK解调模块恢复得到