CN116248444B 基于改进卷积神经网络的车联网中otfs系统信道估计方法 （山东大学）

基于改进卷积神经网络的车联网中OTFS系基于改进卷积神经网络的车联网中OTFS系信噪比下，将预估计信道矩阵输入训练好的网2首先，将一个长度为MXN的正交振幅调制符号帧排列成一个二维数据矩阵号帧被映射到延迟多普勒域网格中，得到延迟多普勒域中的信号x(k,l)，其中k∈{0,其中n,m分别表示时频域信号的时域索引位置和频其中t表示时域信号的抽样时刻，gtx(t)为时域换得到延迟多普勒域输出信号OTFS通信系统延迟多普pp导频后的延迟多普勒域信号可表示为pmaxpmax次数为i,计算当前迭代次数i_1的输入导频矩阵Si_1的所有列向量与当前残差ri_1的乘积，3si]，并采用最小二乘法得到第i次迭代的信道估计矩阵其中符号|i作为i,并更新残差r,=y-s,i,更新当由OTFS无线通信系统生成数据集，令其大小为4×105，其中75％数据用于网络训练，将混合空洞卷积和残差路径引入卷积神经网络结构中，搭建改进②随后经过三个卷积核大小为3×3的卷积层，并将之间的差异，实现噪声特征i,的提取；③通过残差路径将iow与i,相减，则输出层输出的信道估计结果为ia:④上述步骤②③视作第一个噪声消除模块所含操作，将ia作为第二个噪声消除模块3)在不同信噪比下生成测试数据，并输入在信道估计网络训练完成后，实现在线部署，首先在不同积神经网络的信道估计网络进行噪声消除，最后输出信道估计矩阵inw,并与实际信道4[0002]正交时频空间(OTFS)使用时延一多普勒域上的新一类载波实现QAM符号的多路传LearningbasedChannelEstimationforOTFSsystem,"2022IEEE/CICInternationalConferenceonCommunicationsinChina.)基于深度学习对OTFS通信系统进行信道估[0004]传统基于导频和OMP信道估计算法在噪声干扰较大时信道估计准确率较低，且随5[0008]首先，将一个长度为MXN的正交振幅调制(QAM)符号帧排列成一个二维数据矩阵其中E"表示MXN维的复数集，M和N分别为延迟维度和多普勒维度的单元数，其中n,m分别表示时频域信号的时域索引位置和频其中t表示时域信号的抽样时刻，gtx(t)为时域换(SFFT)得到延迟多普勒域输出信号OTFS通信系p统延迟多普勒域信道估计需要在发送信号中插入导频符号x来对延迟多普勒域信道进行ppmaxpmaxpmaxpmaxpmaxpmaxpmaxpmax数i_1的输入导频矩阵Si_1的所有列向量与当前残差ri_1的乘积，选择乘积绝对值最大的列6到第i次迭代的信道估计矩阵i,-argminy-s,il,其中符号·表示取范数矩阵，即将使Y-s,i最小的i作为i,,并更新残差更新当前迭代次数i＝i+1，如果满足关系i>P，则停止迭代，并将最后一次得到的i,作为最终估计结果否则继续执行上述[0014]③通过残差路径将与i,相减，则输出层输出的信道估计结果为ia.该估计[0015]④上述步骤②③可看作第一个噪声消除模块所含操作，将ia作为第二个噪声消计矩阵inw:进卷积神经网络的信道估计网络进行噪声消除，最后输出高准确度的信道估计矩阵i7[0018]所述OTFS为英文Orthogonaltimefrequencyspace的缩写，意思为正交时频空稀疏的情况下，将OMP估计算法与改进卷积神经网络相结合，对OTFS通信系统信道进行估[0030]首先，将一个长度为M×N的正交振幅调制(QAM)符号帧排列成一个二维数据矩阵其中表示M×N维的复数集，M和N分别为延迟维度和多普勒维度的单元数，其中n,m分别表示时频域信号的时域索引位置和频8其中t表示时域信号的抽样时刻，gtx(t)为时域换(SFFT)得到延迟多普勒域输出信号OTFS通信系p统延迟多普勒域信道估计需要在发送信号中插入导频符号x来对延迟多普勒域信道进行ppmaxpmaxpmaxpmaxpmaxpmaxpmaxpmax数i_1的输入导频矩阵Si_1的所有列向量与当前残差ri_1的乘积，选择乘积绝对值最大的列使y-s,h最小的i作为i,,并更新残差r;=y-s,i,更新当前迭代次数i＝i+1，如果满足关系i>P，则停止迭代，并将最后一次得到的i,作为最终估计结果inr否则继续执行上述[0031]由OTFS无线通信系统生成数据集，令其大小为4x105，其中7[0032]2)基于卷积神经网络搭建改进的卷积神经网络模型，将预估计信道矩阵in与实9[0036]③通