基于复数生成对抗网络的5G OFDM信道估计方法

• Published in: 电信科学 Vol. 40; no. 3; pp. 39 - 52
• Main Authors: 陆元智, 魏祥麟, 于龙, 姚昌华
• Format: Journal Article
• Language: Chinese
• Published: 中国通信学会 20.03.2024; 人民邮电出版社有限公司; 南京信息工程大学电子与信息工程学院,江苏 南京 210044%国防科技大学第六十三研究所,江苏 南京 210007
• Subjects: 复数神经网络; 生成对抗网络; 5G新NR; 信道估计; 物理下行链路共享信道; generative adversarial network; channel estimation; PDSCH; complex valued neural network; 5G new radio
• ISSN: 1000-0801
• DOI: 10.11959/j.issn.1000-0801.2024069

准确的信道估计能够显著地降低误码率（bit error rate, BER），提高无线通信效率和质量，是5G OFDM通信系统接收机设计的关键环节之一。基于最小二乘（least square, LS）法和基于最小均方差（minimum mean square error, MMSE）的信道估计方法利用系统稀疏性计算信道响应矩阵，但LS算法计算精度较低，而MMSE算法计算量过大。为提升估计精度，业界设计了基于深度学习的信道估计方法。然而，现有的深度学习方法将复数矩阵拆分成实部和虚部，没有充分提取信道中的复数特征，造成估计的信道响应矩阵出现失真。为此，设计了一种基于复数的生成对抗网络模型，充分提取信号的复数特征，从而更准确地估计5G新空口（new radio, NR）标准的物理下行链路共享信道（physical downlink shared channel, PDSCH）的信道响应矩阵。为了验证所提方法的有效性，将所提方法分别与LS算法、实际信道估计、超分辨率神经网络、残差神经网络信道估计算法进行了对比分析。结果表明，当估计的信道响应矩阵与真实矩阵之间的均方差达到0.01时，采用所提方法实现的无线通信系统的信噪比高于现有方法5dB左右。