基于跨模态注意力的环境辅助MIMO-OFDM信道估计方法及系统

本发明涉及无线通信，具体涉及一种基于跨模态注意力的环境辅助多输入多输出正交频分复用（mimo-ofdm）信道估计方法及系统。

背景技术：

1、多输入多输出技术和正交频分复用技术是第六代无线通信网络架构的基础。通信系统的性能在很大程度上依赖于信道状态信息的准确获取。在复杂环境中，准确的信道估计面临严峻挑战。传统的信道估计方法主要包括最小二乘估计器和线性最小均方误差估计器。其中，最小二乘估计计算简单但无法跟踪复杂的非线性信道变化；线性最小均方误差估计器虽然性能优于最小二乘估计器，但需要持续更新信道统计信息，在大规模天线阵列场景计算负担极大。上述传统方法均在信号域内运行，难以利用现实多径信道中固有的环境物理约束。

2、近年来，深度学习已被广泛应用于信道估计任务。已有研究引入resnet-u-net优化信道估计，利用注意力机制动态加权信道中的关键特征，以及利用视觉transformer融合信道特征与射频特性。此外，生成式扩散模型也被探索用于高维信道估计。然而，上述基于深度学习的方法仅通过接收导频进行信道估计，忽略了能够改善系统性能的环境信息。因此，如何设计一种能够充分利用环境视觉和位置信息、建立物理几何与角度时延域信道响应之间映射关系的信道估计方法，在保证估计精度的同时实现轻量化部署和泛化，是本领域亟待解决的技术问题。

技术实现思路

1、发明目的：本发明旨在解决现有信道估计方法未能有效利用环境物理几何信息与角度时延域多径结构之间确定性关系的技术问题，提供一种基于跨模态注意力的环境辅助mimo-ofdm信道估计方法及系统。

2、技术方案：本发明的技术方案如下：

3、第一方面，提供一种基于跨模态注意力的环境辅助mimo-ofdm信道估计方法，包括以下步骤：

4、步骤1、接收多天线ofdm导频信号，设接收导频信号表示为，对应空间-频率信道矩阵为，表示为：

5、，

6、其中，为多径数，、、、和分别代表第条路径的复增益、时延、到达角、出发角和多普勒频移，和为阵列导向矢量，和分别为符号和子载波索引，为子载波间隔，为ofdm符号持续时间。随后，通过二维离散傅里叶变换将所述导频信号从空间频率域转换至角度时延域，获得角度时延域信道响应。

7、步骤2、将所述角度时延域信道响应输入分解角度时延u-net骨干网络，所述骨干网络包含沿角度维度和沿时延维度的编码器-解码器，分别独立提取空间维度特征和时延维度特征。

8、步骤3、将环境视觉深度图像和相对位置坐标输入跨模态环境感知模块，利用视觉编码器提取深度图像特征，利用位置编码器对位置坐标进行编码获得高维位置特征向量，并将深度图像特征与编码后的位置坐标特征通过位置感知线性调制进行跨模态融合，再生成统一的环境状态信息。

9、步骤4、将所述分解角度时延域信道特征和所述环境状态信息输入跨模态注意力模块，环境状态信息经映射与信道特征拼接为增强特征图：。经全局池化、共享卷积和激活后，分别生成角度维度注意力权重向量和时延维度注意力权重向量。对信道特征沿角度维度和时延维度分别进行自适应重加权，获得增强的信道特征。

10、步骤5、将所述增强的信道特征输入骨干网络解码器，最后进行逆变换以重建空间-频率域信道估计结果。

11、步骤6、使用包含不同场景的多模态信道的数据集训练上述信道估计网络，使其最终能够完成相应的信道估计过程。

12、作为本发明的进一步技术方案，所述的步骤2中，分解角度时延u-net骨干网络采用非对称残差块结构实现特征映射，其前向计算可以表示为：

13、，

14、其中，为输入特征，和分别表示沿角度维度和时延维度的卷积操作，分别独立提取空间维度特征和时延维度特征，获得分解角度时延域信道特征。

15、作为本发明的进一步技术方案，所述的步骤3中，跨模态融合的表达式为：

16、

17、其中，⊙表示逐元素乘法，和为位置特征生成的调制系数，为激活函数。

18、作为本发明的进一步技术方案，所述的步骤4中，对信道特征沿角度维度和时延维度分别进行自适应重加权的加权公式为：

19、

20、获得增强的信道特征。

21、作为本发明的进一步技术方案，所述的步骤6中，训练整个网络结构的损失函数如下：

22、

23、其中，为训练数据集中的第个信道样本，为网络通过导频设计与信道估计后最终得到的对第个信道样本的估计，为训练集的总样本数量。

24、第二方面，本发明提供一种基于所述方法的mimo-ofdm信道估计系统，包括：

25、接收与域变换模块，用于接收多天线ofdm导频信号并获取空间-频率域信道响应，将所述导频信号通过二维离散傅里叶变换从空间-频率域转换至角度时延域，获得角度时延域信道响应；分解角度时延u-net骨干网络模块，包含沿角度维的编码器-解码器和沿时延维的编码器-解码器，用于分别独立提取空间维度特征和时延维度特征，并输出角度时延域信道特征；跨模态环境感知模块，用于获取环境视觉深度图像和相对位置坐标，提取深度图像特征和位置坐标特征，并融合生成统一的环境状态信息；跨模态注意力模块，用于接收所述角度时延域信道特征和所述环境状态信息，并以所述环境状态信息为条件生成沿角度维度和时延维度的注意力权重，对所述角度时延域信道特征进行自适应重加权，获得增强的信道特征；逆变换与输出模块，用于对所述增强的信道特征进行逆变换，恢复并输出空间-频率域信道估计结果。

26、第三方面，本发明的技术效果在于：

27、1、通过域变换将信道估计从密集的空间频率域转换至稀疏的角度时延域，天然利用了多径信道在角度时延域的稀疏特性，为后续特征提取提供了结构性先验。

28、2、分解角度时延u-net骨干网络通过沿角度维度和时延维度的编码器-解码器，将二维特征提取任务分解为两个一维处理任务，在保证特征提取能力的同时显著降低了计算复杂度。

29、3、跨模态环境感知模块将视觉深度图像和位置坐标两种异构环境模态融合为统一的环境状态信息，使网络能够从物理环境中获取散射体位置和传播路径的确定性先验信息。

30、4、跨模态注意力模块以环境状态信息为条件生成注意力权重，对角度时延域信道特征进行自适应重加权，物理上有意义地增强了真实散射体对应的多径分量，同时有效抑制了非传播区域的噪声分量。

1.一种基于跨模态注意力的环境辅助 mimo-ofdm 信道估计方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述分解角度时延u-net骨干网络中，编码器路径包含逐级下采样层和残差块堆叠，解码器路径包含逐级上采样层和残差块堆叠，编码器与解码器之间通过跳连接传递多尺度特征；其中，所述残差块采用非对称残差块结构，其前向计算残差映射关系表示为：

3.根据权利要求1所述的方法，其特征在于，所述跨模态环境感知模块中，利用视觉编码器提取所述深度图像特征，利用位置编码器对所述相对位置坐标进行编码得到位置特征向量；所述深度图像特征与所述位置坐标特征通过位置感知线性调制进行跨模态融合，融合的表达式为：

4.根据权利要求1所述的方法，其特征在于，所述跨模态注意力模块中，将所述环境状态信息经线性映射后与所述角度时延域信道特征拼接，生成增强特征图；经全局池化、共享卷积和激活后，分别生成角度维度注意力权重向量和时延维度注意力权重向量，对所述角度时延域信道特征沿对应维度进行自适应重加权，加权公式表示为：

5.根据权利要求1所述的方法，其特征在于，所述角度时延域信道响应为复数值矩阵，其实部和虚部分别作为所述分解角度时延u-net骨干网络的两个独立输入通道进行处理。

6.根据权利要求1所述的方法，其特征在于，所述环境视觉深度图像为从通信设备所处环境的视觉传感器获取的深度图，所述相对位置坐标为通信设备相对于参考坐标系的二维或三维位置偏移量。

7.根据权利要求1所述的方法，其特征在于，所述步骤1中的二维离散傅里叶变换用于将信道响应从空间-频率域转换至角度时延域，所述步骤5中的逆变换采用二维逆离散傅里叶变换将增强的信道特征从角度时延域转换回空间-频率域。

8.根据权利要求1所述的方法，其特征在于，训练整个网络结构的损失函数表示为：

9.一种基于权利要求1-8任一项所述方法的mimo-ofdm信道估计系统，其特征在于，包括：