基于超分辨率图像恢复技术的Wi-Fi标准系统信道估计方法与流程

本发明涉及的是一种无线通信领域的技术，具体是一种基于超分辨率图像恢复技术的wi-fi标准系统信道估计方法。
背景技术：
：信道估计通常被认为是现代无线系统的关键组成部分。通过在要发送的数据间插入预先知道的导频序列，接收机应能够相应地估计实时无线信道环境。现有的文献在提高信道估计精度方面付出了巨大努力，尤其是对于多输入多输出(mimo)正交频分复用(ofdm)配置，而这是当前被常用在蜂窝或无线局域网(wlan)系统中的技术。然而，方案大多依赖于具有某些特征的抽象信道模型，例如信道稀疏性，并且在硬件不完善时，在实际系统中的应用仍然具有挑战性。而随着机器学习的快速发展，其中深度学习作为一种强大的工具已经被广泛运用在通信系统中。许多研究已经证明了将深度学习与无线通信系统相结合的可行性，尤其是用于信道状态信息(csi)估计。但目前不管是传统理论方法还是基于深度学习的信道估计大多只关注了导频位置处的csi恢复，而数据位置处的信道插值估计则少有研究。现有的多点协作传输的信道线性插值估计方法，根据获取到的多点协作传输链路等效信道的平均传输时延，利用该时延对导频位置信道相位补偿，并进行线性插值估计、维纳插值系数与信道相关系数进行维纳插值获得数据位置处的csi并反向相位补偿技术实现要素：本发明针对现有技术依赖于预先假定的信道统计信息，非线性插值关系难以表征的难题，提出一种基于超分辨率图像恢复技术的wi-fi标准系统信道估计方法，能够在wi-fi标准系统中，利用超分辨率(sr)图像恢复技术，即sr网络来学习信道估计问题中的非线性插值关系，采用了离线利用统计信道模型产生的信道数据以训练sr网络，从而能够将该网络在线应用于实际的wi-fi标准系统，从而避免了实际csi数据集难以获得的问题。本发明是通过以下技术方案实现的：本发明涉及一种基于超分辨率图像恢复技术的wi-fi标准系统信道估计方法，利用已知的导频信号对其相应位置处的csi进行估计得到信道估计值，采用sr图像恢复网络训练学习信道在导频位置处与数据位置处状态信息的关系，将作为低分辨率图像的信道估计值输入训练后的sr图像恢复网络并得到优化精度下的完整csi。所述的wi-fi标准系统是指：mimo-ofdm系统。所述的相应位置处的csi进行估计是指：对于某个资源块中导频索引位置处的信号，利用最小二乘法(ls)和最小均方误差(mmse)得到相应位置的信道估计值。所述的sr图像恢复网络是指：超分辨率卷积神经网络sr-cnn或增强型深度超分辨率网络edsr。所述的sr图像恢复网络的训练数据集，通过统计信道模型获得作为低分辨率图像的以及作为线下训练集，线上可适用于实际视线传输los与非视线传输nlos信道环境。所述的sr图像恢复网络的损失函数为：其中：理论完美信道信息hj作为网络训练的真值。技术效果与现有技术相比，本发明利用深度神经网络优越的特征学习能力，避免了传统方法中插值关系复杂非线性、难以建模与归纳不全面的困难与缺陷，并且本发明提出的基于sr图像恢复网络的估计算法不需要任何先验的信道统计信息。为了使所提出的基于sr的信道估计方法可行，本发明根据统计信道模型离线生成模拟的csi以训练sr神经网络，然后将它们在线应用于实际的wi-fi标准系统。本发明在nmse方面提供了显着的性能增益，可以在精度远超于传统方法的前提下同时适用于los与nlos实际场景，具有强鲁棒性以及应用于实际系统的高可行性。附图说明图1a为本发明理论模型，图1b为实施例示意图；图2为实施例sr-cnn网络模型示意图；图3为实施例edsr网络模型示意图；图4为基于sr-cnn和传统信道估计算法在los环境下的nmse性能比较示意图；图5为基于sr-cnn信道估计算法在nlos与los环境下的nmse性能比较示意图；图6为基于edsr与传统信道估计算法在nlos与los环境下nmse性能比较示意图。具体实施方式如图1a所示，为本实施例涉及的一种mimo-ofdm系统模型，包括nt根发送天线与nr根接收天线，则经过快速傅里叶变换后的第i个子载波处的接收符号为：yi(t)＝hi(t)x(t)+ni(t)，其中：由nr×nt个元素组成的复数矩阵hi(t)为mimo衰落相关系数csi，xi(t)为发送的符号，而ni(t)为零均值单位方差的加性高斯白噪声。如图1b所示，本实施例设置了两台以ieee802.11nwi-fi协议进行通信的商业机，安装开源的工具atheroscsitool采集实际的实时csi，且分别设置了视距(los)与非视距(nlos)场景。由于在wi-fi系统中有部分子载波作为保护子载波，其值均为零，因此可以对输入输出矩阵中的元素数进行少许修改，即nsc＝ns＝56，导频数量也相应随之改变。具体参数如表1所示：表1场景cost2100wi-fi标准实际系统工作频率5.3ghz5.32ghz带宽20mhz20mhz天线配置3x33x3数据包数12800060000本实施例通过导频位置处信道估计，将获得的信道估计值作为低分辨率图像，采用sr图像恢复网络训练学习信道在导频位置处与数据位置处状态信息的关系，将低分辨率图像通过训练好的网络，最终得到优化精度下的完整csi。在实际系统中，为了最小化信道估计的开销，整个处理过程都以一个资源块(rb)为单元，其中包含ns个时隙和nsc个子载波，可记作第j个rb的csi。为了控制信道估计的资源利用率，一个rb中只有有限个位置可分配给导频信号，而导频位置处的csi集合为：其中：ωp为导频位置集合，ip和tp是一个rb中的时隙和子载波索引。所述的信道估计是指：利用已知的导频信号对其相应位置处的csi进行估计，具体为：对于第j个rb中导频索引位置(ip,tp)∈ωp处的信号，利用最小二乘法(ls)和最小均方误差(mmse)可得相应位置的信道估计值为：其中：为信道相关矩阵，e[·]表示数学期望。所述的非线性插值，即在获得导频位置处的csi后，插值算法的目标就是找到一个方程g(·)能够最小化的平均均方估计误差，则插值算法为其中：第j个rb完整的csi估计结果且hj为实际的csi，表示该rb中导频位置csi估计值；由于每个rb中，导频数量总是少于总的资源数nsc×ns，因此可以将估计结果和看作低分辨率(lr)和高分辨率(hr)图像。根据上述的目标函数，则可以获得sr网络的损失函数为：其中：理论完美信道信息hj作为网络训练的真值。基于已有的研究结果分析可知，超分辨率卷积神经网络sr-cnn与增强型深度超分辨率网络edsr两种sr神经网络均具有优越的性能，其模型分别如图2、图3所示。如图2所示，对于sr-cnn而言，该网络模拟了传统插值算法的估计结果与实际数据间的非线性关系，因此可以将sr-cnn的目标函数g*(·)近似看作其中：gli/gi(·)为现有技术中的线性(li)或高斯插值(gi)的目标函数。如图3所示，edsr则是利用大量的残差网络块逐步生成最终估计结果，因此可以将edsr的目标函数g*(·)定义为最小化由低分辨率图像直接经过edsr得到的估计值与真实值之间的差异，即其中：从上述的为式可以看出，sr-cnn的技术关键在于学习li或gi算法的估计结果与实际情况之间的非线性关系，这意味着sr-cnn的优化空间是有限的。而对于edsr而言，尽管其目标函数是基于l-1范数，当足够小时，与的最大值是十分接近的。因此，在相同情况下最终edsr较于sr-cnn会具有更优越的性能，这一结论在现有的研究以及本方法的具体实施例中都得到了证明。所述的sr图像恢复网络的训练数据集，通过统计信道模型，例如cost2100，获得信道状态hj，并经过上述导频位置信道估计后，获得作为低分辨率图像的以及通过该方法可以生成足够数量的训练和部分测试数据集，并为适应实际的wi-fi标准系统，本实施例中优选设置参数：发送天线和接收天线为nr＝nt＝3，复数矩阵的尺寸为nsc＝ns＝64。本实施例在验证算法性能时将以实际场景下采集获得的信道数据作为一部分测试集。通过比较基于sr-cnn的信道插值估计与传统方法，以显示本方法提出的基于sr网络的架构的优越性。在导频位置的信道估计部分采用上述的ls与mmse算法并且采用了两种不同的导频配置，即14x14与28x28，如图4所示，在经过ls与mmse导频位置估计后的sr-cnn算法明显优于线性与高斯插值，该实例中以归一化均方误差(nmse)为性能指标，本方法提出的方案较传统方法降低了3至4db。除此之外，通过对比在实际los场景采集得到与理论模型生成的数据作为测试集的sr-cnn估计结果，可以清晰地得知由cost2100理论生成数据训练的sr-cnn网络能够适用于实际系统的信道估计，并且比较real-sr-cnn与mmse-srcnn结果，14x14与28x28导频情况下的nmse损失仅0.02db与0.2db。如图5所示，本方法将上述实验拓展到nlos测试场景以展示本方法的鲁棒性。由于潜在的散射效应，在实际场景下测试的sr-cnn网络较于los情况，nlos场景下可达到的nmse将降低0.9db。根据已有研究显示，nlos环境下的信道估计通常都会比los的更加困难，即同一算法在两个场景下可达到的精度差异较大，而本方法提出的基于sr网络的信道估计算法即使拓展到nlos场景依旧具有可靠的nmse表现，具有强鲁棒性。本方法将上述实例中的sr-cnn网络替换成edsr，无论是在los或者nlos场景下的测试结果，如图6所示，都能在14x14导频情况时获得小于-10db的nmse，而对于28x28导频配置，该性能指标能够下降至小于-20db，这一结果与上述的理论介绍相符，并且其部分原因为当信道场景更接近稀疏图像时，尤其是nlos环境，更能体现出edsr网络对于微小变化的优越的学习能力。上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。当前第1页12