一种OFDM系统下的信道估计方法与流程

一种ofdm系统下的信道估计方法
技术领域
1.本发明属于无线通信技术领域，涉及信道估计技术，特别是涉及一种基于岭回归前馈神经网络的ofdm系统信道估计方法。


背景技术：

2.正交频分复用(orthogonal frequency division multiplexing,ofdm)技术是实现复杂度较低的一种多载波传输方案，在实际系统中被广泛采用。由于ofdm可扩展至大带宽应用，而且具有较高的频谱效率和较低的算法复杂度。无线通信系统的性能很大程度上受到无线信道的影响，如阴影衰落和频率选择性衰落等，使得发射机和接收机之间的传播路径非常复杂。无线信道并不像有线信道固定并可预见，而是具有很大的随机性，这就对接收机的设计提出了很大的挑战。信道状态信息(csi)对于ofdm系统中的相干检测和解码都是至关重要的。信道参数估计是实现无线通信系统的一项关键技术。能否获得详细的信道特性，从而在接收端正确地解调出发射信号，是衡量一个无线通信系统性能的重要指标。
3.传统的信道估计算法方案：这类工作通常基于最大似然(maximum likelihood,ml)估计、最小二乘(least square,ls)估计、最小均方误差(minimum mean squared error,mmse)估计或贝叶斯(bayesian)估计等经典的估计理论，结合具体的信道估计场景在算法复杂度、估计精度等方面进行改进。
4.中国专利cn113472706a公开了一种dft信道估计改进方法，在传统的dft信道估计方案过程中，利用佘宁网络来识别真实多径位置的参数信息，滤除非多径未知的噪声，但是利用传统神经网络造成了通信传输系统的时时间缓慢，对于通信技术来说时十分不利的。中国专利cn113472703a介绍了一种ofdm信道估计方法，对连续多个ofdm待估计的信道进行处理,得到对应的信道矩阵,信道矩阵为低秩矩阵；利用矩阵恢复算法对插入数据后的信道矩阵进行恢复处理,以实现信道估计。中国专利cn111510402b一种基于深度学习的ofdm信道估计方法，在接收端,获取时域信号y并进行预处理,得到接收信号导频位置的频域信号y-p；利用全连接层神经网络搭建信道估计模型ce-net,并对其训练；利用现实环境的数据进行迁移训练；将ce-net置于接收端,用于线上的信道估计。在《应用技术》第48卷第3期《一种基于深度学习的ofdm信号检测方法》中提出一种基于深度学习的ofdm信号检测方法,该算法设计一种信号检测网络,其信号检测网络可以代替传统算法中的信道估计和均衡。在《电讯技术》第61卷第7期《基于bp神经网络的ofdm系统信道估计》给出一种基于反向传播(back propagation,bp)神经网络的信道估计方法，建立了基于bp神经网络的ofdm系统信道估计模型,并以均方误差和误码率为主要评价指标,分析了不同网络参数和导频数量对信道估计性能的影响。


技术实现要素：

5.发明目的：为了克服现有技术中存在的不足，本发明目的是提供了一种基于岭回归前馈神经网络的ofdm系统信道估计方法，保证通信的可靠性与有效性。
6.技术方案：本发明所述的一种ofdm系统下的信道估计方法，所述ofdm系统包含1个发送端t，1个接收端r，一个包含有一个隐含层的前馈神经网络工具箱，采用ofdm的方式进行数据传输，包含n个导频数据信号，同时接收端r对于导频信号的发送状态是已知的，信道状态矩阵服从瑞利分布；其具体操作步骤如下：
7.(1)、初始化ofdm系统传输网络；
8.(2)、通过ofdm系统传输网络生成网络模型函数；
9.(3)、通过生成的网络模型函数随机生成网络输入层状态参数；
10.(4)、通过已知状态参数的状态参数生成整体网络的损失函数；
11.(5)、利用岭回归求解损失函数中的状态参数β；然后返回步骤(2)的网络模型；
12.(6)、利用训练好的网络输出与输入，最终得到所需信道的估计矩阵。
13.进一步的，在步骤(1)中，所述初始化ofdm系统传输网络是采用16qam调制方式。
14.进一步的，在步骤(2)中，所述生成网络模型函数具体是：
15.令xi表示映射出的导频发送信号，yi表示通过信道后的接收端导频信号输出，将xi和yi作为神经网络的训练数据集；通过激活函数g(x)，网络模型可写作：
16.其中i＝1，2，3，...，n
ꢀꢀ
(1)
17.进一步的，在步骤(3)中，所述随机生成网络输入层状态参数具体是：
18.在进入神经网络工具箱之后，由系统随机产生输出层和隐含层之间的连接权值矩阵w＝(ω1,ω2,...,ωn)和隐藏层节点的偏置矩阵b＝(b1,b2,...,bn)，神经网络函数可通过βi，ωi，bi，xi表示为：
[0019][0020]
其中，为连接第i个隐含节点与输出节点的权值向量。
[0021]
进一步的，在步骤(4)中，所述生成整体网络的损失函数具体是：
[0022]
通过已知导频信号xi，计算出理想状态下的接收端接收信号矩阵t＝(o1,o2,...,on)，同时求解得到小化损失函数时的权值矩阵β，增加l2范数α||β||2，其中α∈(0,1)，令x＝g(w
·
x b)，损失函数为：
[0023][0024]
其中，α表示惩罚因子。
[0025]
进一步的，在步骤(5)中，所述利用岭回归求解损失函数中的状态参数β的过程是：
[0026]
在得到损失函数的解析式之后，求解函数：
[0027]
lim{[||xβ-t||
2-α||β||2]}＝0
ꢀꢀ
(4)
[0028]
可得到：
[0029]
β
*
＝(x
t
x αi)-1
x
t
t
ꢀꢀ
(5)
[0030]
其中，β
*
表示岭回归求解所得的网络状态参数集。
[0031]
进一步的，在步骤(6)中，所述利用训练好的网络输出与输入，最终得到所需信道的估计矩阵具体是：
[0032]
将训练好的网络状态参数集β
*
带回到步骤(2)的网络模型中，通过实际输入数据
si，得到f(si)，得到信道状态完成信道估计。
[0033]
有益效果：本发明与现有技术相比，本发明的特点:针对现有技术只讨论在瑞利衰落模型中的信道估计，传输系统为单输入单输出系统。本发明提出了一种基于岭回归前馈神经网络的ofdm信道估计方法，设计一个单隐层前馈神经网络模型，并且利用奇异值分解的方法求其状态参数的最小均方误差，通过输入输出数据构建一个多层神经网络的预测-回归模型，通过大量的已知信道数据对网络进行训练，与反向传播网络不同的是，前馈神经网络通过矩阵广义逆的方法求解信道的状态参数，可以省去迭代过程的大量时间，并且能求解得到网络最小均方误差下的最优解。通过神经网络的模型，网络可以学习到回归系数的最优估计，同时得到频域信道估计的相关估计系数，其次网络在回归任务的过程中可以拟合信道分布，达到去噪声的作用。并且由于增加了二范数的作用，相比如传统信道估计算法，可以避免矩阵非满秩而导致的无法求逆的情况产生。
附图说明
[0034]
图1是本发明的通信传输系统示意图；
[0035]
图2是本发明的基于岭回归前馈神经网络信道估计模块示意图；
[0036]
图3是本发明的操作流程图。
具体实施方式
[0037]
以下结合附图和具体实施例，对本发明做出进一步说明。
[0038]
本发明所述的一种基于岭回归前馈神经网络的ofdm系统信道估计方法，所述ofdm系统包含1个发送端t，1个接收端r，一个包含有一个隐含层的前馈神经网络工具箱，采用ofdm的方式进行数据传输，包含n个(n≥50)导频数据信号，同时接收端r对于导频信号的发送状态是已知的，信道状态矩阵服从瑞利分布；基于前馈神经网络的ofdm系统信道估计方法包括以下步骤：
[0039]
步骤一：
[0040]
初始化ofdm系统传输网络，载波频率为3ghz，系统带宽为5mhz，子载波数为64，循环前缀长度8，ofdm符号个数50，导频间隔8，采用16qam调制方式；
[0041]
步骤二：
[0042]
通过ofdm系统传输网络生成网络模型函数，具体是：
[0043]
令xi表示映射出的导频发送信号，yi表示通过信道后的接收端导频信号输出，将xi和yi作为神经网络的训练数据集。通过激活函数g(x)，网络模型就可以写作：
[0044]
其中i＝1,2,3,...,n
ꢀꢀ
(1)
[0045]
本发明选用了sigmiod函数作为激活函数，其表达式为:
[0046][0047]
步骤三：
[0048]
通过生成的网络模型函数随机生成网络输入层状态参数，具体是：
[0049]
在进入神经网络工具箱之后，由系统随机产生输出层和隐含层之间的连接权值矩阵w＝(ω1,ω2,...,ωn)和隐藏层节点的偏置矩阵b＝(b1,b2,...,bn)，神经网络函数可以通过βi，ωi，bi，xi表示为：
[0050][0051]
其中，为连接第i个隐含节点与输出节点的权值向量。
[0052]
步骤四：
[0053]
通过已知状态参数的状态参数生成整体网络的损失函数，具体是：
[0054]
通过已知导频信号xi,计算出理想状态下的接收端接收信号矩阵t＝(o1,o2,...,on)，将信道估计的问题转化为求解得到小化损失函数时的权值矩阵β，增加l2范数α||β||2，其中α∈(0,1)，损失函数为：
[0055][0056]
步骤五：
[0057]
利用岭回归求解损失函数中的状态参数β；然后返回步骤(2)的网络模型，具体是：
[0058]
在得到损失函数的解析式之后，令损失函数的极值为0，求解：
[0059]
lim{[||xβ-t||
2-α||β||2]}＝0
ꢀꢀ
(5)
[0060]
通过岭回归算法，对公式(5)的左式进行求导：
[0061][0062][0063][0064]
令公式(8)等于0，可以得到：
[0065]
β
*
＝(x
t
x αi)-1
x
t
t
ꢀꢀ
(9)
[0066]
步骤六：
[0067]
利用训练好的网络输出与输入，最终得到所需信道的估计矩阵，具体是：
[0068]
将训练好的网络状态参数集β
*
带回到步骤(2)的网络模型中，通过实际输入数据si，得到f(si)，进一步得到信道状态完成信道估计。
[0069]
本发明采用matlab2021仿真平台进行仿真实施，验证过程中包含5层网络层，其中1为输入层，3为隐含层，1为输出层，每层神经元个数为16，128，128,，128,16.系统训练样本数为25000，采用ofdm通信系统，ofdm系统的载波频率为3ghz，系统带宽为5mhz，子载波数为64，循环前缀长度8，ofdm符号个数50，导频间隔8，采用16qam调制方式。
[0070]
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的
普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。