高速移动环境下基于深度学习的信道估计方法.pdfVIP

第８期电子学报Ｖｏｌ．４７Ｎｏ．８

２０１９年８月ＡＣＴＡＥＬＥＣＴＲＯＮＩＣＡＳＩＮＩＣＡＡｕｇ．２０１９

高速移动环境下基于深度学习的信道估计方法

廖勇，花远肖，姚海梅，杨馨怡

（重庆大学通信与测控中心，重庆４０００４４）

摘要：针对高速移动环境下信道快时变、非平稳特性导致下行链路信道估计性能受限的问题，本文提出一种

基于深度学习的信道估计网络，即ＣｈａｎＥｓｔＮｅｔ．ＣｈａｎＥｓｔＮｅｔ使用卷积神经网络（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ，ＣＮＮ）提取

信道响应特征矢量和循环神经网络（ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌＮｅｔｗｏｒｋ，ＲＮＮ）进行信道估计．我们利用标准的高速信道数据对

学习网络进行离线训练，充分挖掘训练样本中的信道信息，使其学习到高速移动环境下信道快时变和非平稳的特点，

更好的跟踪高速环境下信道的变化特征．仿真结果表明，在高速移动环境下，与传统方法相比，所提信道估计方法计算

复杂度低，性能提升明显．

关键词：ＯＦＤＭ；信道估计；高速信道；深度学习；快时变信道；非平稳信道

中图分类号：ＴＮ９１１７２文献标识码：Ａ文章编号：０３７２２１１２（２０１９）０８１７０１０７

电子学报ＵＲＬ：ｈｔｔｐ：／／ｗｗｗ．ｅｊｏｕｒｎａｌ．ｏｒｇ．ｃｎＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．０３７２２１１２．２０１９．０８．０１３

ＣｈａｎｎｅｌＥｓｔｉｍａｔｉｏｎＭｅｔｈｏｄＢａｓｅｄｏｎＤｅｅｐＬｅａｒｎｉｎｇｉｎ

ＨｉｇｈＳｐｅｅｄＭｏｂｉｌｅＥｎｖｉｒｏｎｍｅｎｔｓ

ＬＩＡＯＹｏｎｇ，ＨＵＡＹｕａｎｘｉａｏ，ＹＡＯＨａｉｍｅｉ，ＹＡＮＧＸｉｎｙｉ

（ＣｅｎｔｅｒｏｆＣｏｍｍｕｎｉｃａｔｉｏｎａｎｄＴＴ＆Ｃ，ＣｈｏｎｇｑｉｎｇＵｎｉｖｅｒｓｉｔｙ，Ｃｈｏｎｇｑｉｎｇ４０００４４，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｔｈａｔｔｈｅｄｏｗｎｌｉｎｋｃｈａｎｎｅｌｅｓｔｉｍａｔｉｏｎｐｅｒｆｏｒｍａｎｃｅｉｓｌｉｍｉｔｅｄｄｕｅｔｏｔｈｅｆａｓｔｔｉｍｅｖａ

ｒｙｉｎｇａｎｄｎｏｎｓｔａｔｉｏｎａｒｙｃｈａｒａｃｔｅｒｉｓｔｉｃｓｉｎｔｈｅｈｉｇｈｓｐｅｅｄｍｏｂｉｌｅｅｎｖｉｒｏｎｍｅｎｔ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｃｈａｎｎｅｌｅｓｔｉｍａｔｉｏｎｎｅｔ

ｗｏｒｋｂａｓｅｄｏｎｄｅｅｐｌｅａｒｎｉｎｇ，ｃａｌｌｅｄＣｈａｎＥｓｔＮｅｔ．ＣｈａｎＥｓｔＮｅｔｕｓｅｓｔｈｅｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ（ＣＮＮ）ｔｏｅｘｔｒａｃｔｃｈａｎ

ｎｅｌｒｅｓｐｏｎｓｅｆｅａｔｕｒｅｖｅｃｔｏｒｓａｎｄｒｅｃｕｒｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋ（ＲＮＮ）ｆｏｒｃｈａｎｎｅｌｅｓｔｉｍａｔｉｏｎ．Ｗｅｕｓｅｔｈｅｓｔａｎｄａｒｄｈｉｇｈｓｐｅｅｄ

ｃｈａｎｎｅｌｄａｔａｔｏｃｏｎｄｕｃｔｏｆｆｌｉｎｅｔｒａｉｎｉｎｇｆｏｒｔｈｅｌｅａｒｎｉｎｇｎｅｔｗｏｒｋ，ｆｕｌｌｙｅｘｃａｖａｔｅｔｈｅｃｈａｎｎｅｌｉｎｆｏｒｍａｔｉｏｎｉｎｔｈｅｔｒａｉｎｉｎｇｓａｍ

ｐｌｅ，ｍａｋｅｉｔｌｅａｒｎｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｆａｓｔｔｉｍｅｖａｒｙｉｎｇａｎｄｎｏｎｓｔａｔｉｏｎａｒｙｃｈａｎｎｅｌｓｉｎｈｉｇｈｓｐｅｅｄｍｏｂｉｌｅｅｎｖｉｒｏｎｍｅｎｔｓ，ａｎｄ

ｂｅｔｔｅｒｔｒａｃｋｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｃｈａｎｎｅｌｃｈａｎｇｉｎｇｉｎｈｉｇｈｓｐｅｅｄｅｎｖｉｒｏｎｍｅｎｔ．Ｔｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｉｎｔｈｅｈｉｇｈ

ｓｐｅｅｄｍｏｂｉｌｅｅｎｖｉｒｏｎｍｅｎｔ，ｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｔｒａｄｉｔｉｏ