论文部分内容阅读
通信系统的性能受信道估计技术的影响,只有通过获得准确的信道参数估计,系统接收端方可准确解调出发射信号。大规模MIMO技术显著提高了系统容量增加了频谱利用率,是5G的核心技术之一。但是该系统与传统的MIMO系统的天线量级不同,导致传统的信道估计技术不适应于当前系统。深度学习技术在图像、视频、语音等处理领域取得了成功,论文将深度学习技术与通信中的信道估计技术相融合,为信道估计技术提供新的思考方向。研究过程中依次对OFDM系统、MIMO-OFDM系统、大规模MIMO系统信道估计技术与深度学习技术的融合做出了讨论。首先,在传统的OFDM系统提出了基于深度学习的OFDM系统信道估计。在OFDM系统中将系统建模为自回归过程,通过LS算法获得初步的信道估计作为模型的数据集,然后根据深度学习中的卷积神经网络技术,设计出与本系统相匹配的一维卷积神经网络,通过迭代训练输出最优的自回归系数,最后利用此输出值实时监控信道频域变化。基于深度学习的OFDM系统信道估计与传统LS、LMMSE算法比较,得益于神经网络算法在离线阶段训练完成使得信道估计算法的复杂度得以降低,并其使得系统接收端BER及归一化均方误差(normalized MSE,NMSE)更低。之后,提出了基于深度学习的MIMO-OFDM系统信道估计。MIMO-OFDM系统中的研究方法与OFDM系统中相通之处在于都是通过LS方法获得模型的数据集,不同之处在于MIMO-OFDM系统还需考虑空域的影响,且在神经网络的搭建过程中采用前馈神经网络进行迭代训练,追踪信道的相关参数。最后通过仿真分析得出基于深度学习的MIMO-OFDM系统信道估计与常用的LS方法以及LMMSE方法相比,系统接收端MSE与BER更低。最后,提出了基于深度学习的大规模MIMO信道估计。针对大规模MIMO系统中导频长度小于天线数的场景,将深度学习技术与信道估计技术相融合,提出了新的解决方案。该方案分为两步,第一步,一个两层的神经网络与深层神经网络相结合得到导频器与信道估计器;第二步,利用深度神经网络提高信道估计技术的准确性。经仿真分析得出,基于深度学习的大规模MIMO信道估计与LMMSE信道估计算法在信噪比0-25d B的范围内,前者的误比特率以及均方误差更低,并分析得出了两种算法其导频长度与MSE以及系统容量下界的关系,由此可得到系统导频长度设置的建议。