快时变信道下基于深度学习的OFDM系统信道估计

• Published in: 系统工程与电子技术 Vol. 45; no. 11; pp. 3649 - 3655
• Main Authors: 季策, 宋博翰, 耿蓉, 梁敏骏
• Format: Journal Article
• Language: Chinese
• Published: 东北大学计算机科学与工程学院,辽宁沈阳 110169 25.10.2023; 东北大学医学影像智能计算教育部重点实验室,辽宁沈阳 110169%东北大学计算机科学与工程学院,辽宁沈阳 110169%东北大学信息科学与工程学院,辽宁沈阳 110819
• Subjects: deep learning; basis expansion model; 基扩展模型; channel estimation; 信道估计; northogonal frequecy division multiplexing(OFDM); fast time-varing; 深度学习; 正交频分复用系统; 快时变
• ISSN: 1001-506X
• DOI: 10.12305/j.issn.1001-506X.2023.11.33

TN911.72; 针对快时变信道的非平稳特性会造成信道估计性能变差的问题,在基扩展模型下提出了一种基于深度学习的信道估计算法,并将其应用于正交频分复用(orthogonal frequecy division multiplexing,OFDM)系统中.首先,根据快时变信道矩阵的局部相关特性,构建时频特征提取网络,利用卷积结构提取快时变信道在时域和频域的相关特征,并嵌入到下一级网络中进行特征的融合.其次,利用门控循环网络捕捉信道在不同符号处的变化相关性,在快时变信道环境下实现更准确的信道估计.仿真结果表明,与其他快时变环境下的信道估计算法相比,算法的估计性能提升明显;同时,网络的轻量化结构使算法的复杂度最低下降2 0％.