基于改进卷积神经网络的车联网中OTFS系统信道估计方法

本发明涉及一种基于改进卷积神经网络的车联网中otfs系统信道估计方法，属于无线信道估计。

背景技术：

1、正交时频空间(otfs)使用时延-多普勒域上的新一类载波实现qam符号的多路传输，otfs可以在实现性能与复杂度的最优化取舍的情况下，使传输速率接近信道容量，并有效抵御多普勒效应与多径效应产生的负面影响。考虑车联网高速移动环境中准确信道估计的重要性，otfs系统通过将时频域发生剧烈变化的信道转换为时延-多普勒域的稳定信道，可以有效地平衡多普勒频移。针对该系统的信道估计问题，一般采用传统基于导频的信道估计算法，如最小二乘(ls)和正交匹配追踪(omp)算法，但传统信道估计受噪声信号的影响较大，且随着载波数目的增加复杂度急剧增加。深度学习作为人工智能领域的新兴技术，特别是卷积神经网络，近年来被广泛用于无线通信领域的各个方面，如信道估计、信号检测等。改进卷积神经网络是在卷积神经网络的基础上引入残差路径，并采用归一化均方误差(nmse)作为损失函数，将信道估计问题建模为噪声消除问题，能够显著降低噪声影响，并且针对车联网中不同速度引起的多普勒频移有很好的鲁棒性，与传统神经网络方法相比，在保持了较低的模型复杂度的基础上很好地解决了梯度消失等问题，在无线通信领域表现出良好的应用前景。混合空洞卷积可以得到更大的感受野，让每个卷积输出都包含较大范围的信息，同时可以在降低计算量的前提下获得更加密集的数据特征，进而可更加准确地提取噪声特征。

2、qingyu li等(参见q.li,y.gong,f.meng,z.li,l.miao and z.xu,"residuallearning based channel estimation for otfs system,"2022ieee/cic internationalconference on communications in china.)基于深度学习对otfs通信系统进行信道估计，提出了一种基于模型驱动的深度学习(dl)的时延-多普勒域otfs信道估计技术，利用深度残差学习网络(resnet)对信道估计结果进一步处理，仿真结果表明该方法对比传统的信道估计方法能够实现较高的准确率。但是在低信噪比条件下的信道估计准确度的提升还有所欠缺，没有探究在噪声干扰较大情况下的模型性能，且模型的收敛速度较慢。

技术实现思路

1、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，且随着载波的增加复杂度急剧增加。为了克服这一问题，本发明提出了一种基于改进卷积神经网络的otfs通信系统信道估计方法，能在低信噪比情况下进行噪声消除，从而显著提升信道估计的准确性。

2、本发明的技术方案如下：

3、一种基于改进卷积神经网络的车联网中otfs系统信道估计方法，由otfs无线通信系统实现，该系统包括发送端、时域信道和接收端，发送端为一含otfs调制模块的单天线用户，otfs调制过程包括辛傅里叶逆变换、海森堡变换；时域信道稀疏路径数为p；接收端为四天线接收机，其包含otfs解调模块及信道估计模块，otfs解调过程包括辛傅里叶正变换和魏格纳变换；otfs无线通信系统可将时频域剧烈变化的信道转换为延迟多普勒(dd)域中的稳定信道，从而有效抑制多普勒频移，信道估计模块的实现过程为：首先，由otfs无线通信系统生成数据集，并利用omp算法进行信道预估计，得到含噪的预估计矩阵；其次，引入混合空洞卷积和残差路径，搭建改进卷积神经网络，将含噪信道估计矩阵与实际信道矩阵输入该网络，并采用数据驱动方法进行离线训练；最后，在不同信噪比下，将测试数据输入训练好的改进卷积神经网络中，输出最终信道估计矩阵，并评测信道估计性能，其具体步骤如下：

4、1)otfs无线通信系统仿真生成数据集，并对数据进行预处理：

5、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，一个otfs符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∈{0,1,...,n-1}，l∈{0,1,...,m-1}；随后，通过逆辛傅里叶变换(isfft)得到时频域信号其中n,m分别表示时频域信号的时域索引位置和频域索引位置；x[n,m]再通过海森堡变换得到时域信号s(t)，表示为其中t表示时域信号的抽样时刻，gtx(t)为时域发射脉冲，t和δf分别为时频域中最小抽样间隔和最小抽样频率；然后，s(t)通过时域信道传输，在接收端得到时域信号r(t)，且r(t)＝∫∫h(τ,ν)gtx(t-τ)ej2πνtdτdν+v(t)，其中v(t)表示时域加性高斯白噪声，h(τ,ν)表示稀疏路径数为p的信道冲激响应，τ和v分别表示延迟多普勒域路径时延和多普勒频移，r(t)在接收端经过魏格纳变换解调得到时频域输出信号y[n,m]＝∫grx(t-τ)r(t)e-j2π(t-τ)dt，其中grx(t)表示时域接收脉冲；最后，通过辛傅里叶变换(sfft)得到延迟多普勒域输出信号otfs通信系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xp来对延迟多普勒域信道进行预估计，插入导频后的延迟多普勒域信号可表示为其中xd表示数据符号，(kp,lp)表示导频符号在时延域和多普勒域的位置，kmax和lmax分别表示延迟多普勒域的最大时延和最大多普勒扩展，此外可在k∈[kp-2kmax,kp+2kmax]及l∈[lp-lmax,lp+lmax]处通过置零作为导频符号的保护间隔；利用omp算法进行信道预估计，将输入导频矩阵表示为s，将延迟多普勒域接收信号表示为y，设置omp算法的开始残差r为1，设置迭代次数为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，选择乘积绝对值最大的列向量si，将其添加到下一次迭代i的导频矩阵中，表示为si＝[si-1,si]，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·表示取范数矩阵，即将使最小的作为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作为最终估计结果否则继续执行上述omp算法操作；

6、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，25％数据用于测试；

7、2)基于卷积神经网络搭建改进的卷积神经网络模型，将预估计信道矩阵与实际信道矩阵h输入该网络，采用归一化均方误差(nmse)作为损失函数，并采用数据驱动方法进行离线训练；

8、将混合空洞卷积和残差路径引入卷积神经网络结构中，搭建改进的卷积神经网络进行噪声消除，该网络包括两个噪声消除模块，每个噪声消除模块中均包含三个卷积层和一个残差路径，针对卷积神经网络存在分辨率下降、局部信息丢失的问题，可在卷积层中引入混合空洞卷积，通过减小图像尺寸、扩大感受野来解决上述问题，混合空洞卷积的关键在于膨胀系数的设置，对于该网络3×3大小的卷积核，当膨胀系数为1时，卷积核大小保持不变，当膨胀系数为2时，卷积核空洞增加1，其大小变为5×5，因此当两个叠加卷积层的膨胀系数依次设置为1和2时，可以使感受野增大，但多次增大膨胀系数，会出现核函数(kernel)不连续，使信息连续性损失的情况，针对这种情况，神经网络中叠加多个卷积层时设置的膨胀系数不应为大于1的公约数，从而形成锯齿状循环结构，该改进卷积神经网络的具体训练步骤如下：

9、①将omp算法得到的信道预估计矩阵作为输入，将实际信道矩阵h作为标签；

10、②随后经过三个卷积核大小为3×3的卷积层，并将这三个卷积层的膨胀系数依次设置为1，2，5，形成锯齿状的循环结构，改进卷积神经网络通过三个叠加的卷积层区分和h之间的差异，实现噪声特征的提取；

11、③通过残差路径将与相减，则输出层输出的信道估计结果为该估计结果消除了噪声干扰，并更加接近实际信道矩阵h；

12、④上述步骤②③可看作第一个噪声消除模块所含操作，将作为第二个噪声消除模块的输入，将实际信道矩阵h作为标签，重复步骤②③得到改进卷积神经网络的信道估计矩阵

13、3)在不同信噪比下生成测试数据，并输入训练好的改进卷积神经网络，输出估计信道矩阵，进一步与实际信道矩阵相比较，评测信道估计性能：

14、在信道估计网络训练完成后，实现在线部署，首先在不同信噪比下由otfs通信系统生成4×104个仿真数据，并通过omp信道估计算法进行预估计得到接着通过基于改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并与实际信道矩阵h相比较来评测信道估计性能。

15、所述otfs为英文orthogonal time frequency space的缩写，意思为正交时频空间。

16、所述的dd为英文delay-doppler的缩写，意思为延迟多普勒。

17、所述的cnn为英文convolutional neural network的缩写，意思为卷积神经网络。

18、所述的omp为英文orthogonal matching pursuit的缩写，意思为正交匹配追踪。

19、本发明提出了基于改进卷积神经的otfs通信系统上行信道估计方法，在信道状态稀疏的情况下，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计，能够显著提升信道估计的准确性。