OFDM信道估计方法和装置与流程

本发明涉及无线通信技术领域，尤其涉及一种ofdm信道估计方法和装置。

背景技术：

ofdm(orthogonalfrequencydivisionmultiplexing，正交频分复用)无线通信系统中，基带信号模型可以表示为y＝hx+n，其中y表示接收到的信号，x表示发射信号，h表示信道系数，n是由接收机前端引入的热噪声。为了从接收到的信号y中“恢复”出发射信号x，目前的方法分为两步：

第一步需要知道信道系数h的信息，一般通信系统中(例如lte、wimax)都是通过在时频面中插入导频(图1中的黑点)来实现对h的估计，这个估计的过程称为信道估计。目前信道估计的实现方法都是基于线性最小化均方误差(linearminimummeansquareerror，lmmse)或是其变种(比如用fft近似已降低复杂度)。

在信道估计过程之后，第二步是对非导频子载波，y＝hx+n中已知y和h，求x的过程，这个过程一般称为均衡。均衡比较简单的方法也是lmmse，这种方法跟信道估计原理一致，在信道估计中是求h，在均衡中是求x。最优的方法是最大似然估计。

在实现本发明的过程中，发明人发现现有技术中至少存在如下技术问题：

现有的信道估计是一种线性估计器，线性估计器只是所有估计器的子集，信道估计的性能不够好；另外，现有的信道估计和均衡是两个分离的过程，性能不够好。

技术实现要素：

本发明提供的ofdm信道估计方法和装置，能够提升信道估计的性能以及信道估计及均衡的整体性能。

第一方面，本发明提供一种ofdm信道估计方法，包括：

采用仿真产生的实际信道系数，已经经过衰落信道和高斯信道后接收机能观察到的导频序列的初始信道估计，构成训练集，在不同的噪声方差下，用后向误差传播算法进行离线神经网络训练，确定不同噪声方差对应的神经网络系数；

使用与所述离线神经网络训练完全一致的神经网络，选择与当前实际噪声方差所对应的神经网络系数，对ofdm符号进行在线信道估计，根据神经网络输出得到信道估计结果。

可选地，所述用后向误差传播算法进行离线神经网络训练，确定不同噪声方差对应的神经网络系数包括：对可能的工作区间的噪声方差进行分段，对不同的噪声方差计算不同的神经网络系数并且保存，制作一个表，表的索引项是噪声方差，表的内容项是对应的神经网络系数；

所述选择与当前实际噪声方差所对应的神经网络系数包括：选择与当前实际噪声方差最接近的索引项所对应的神经网络系数。

可选地，所述使用与所述离线神经网络训练完全一致的神经网络，选择与当前实际噪声方差所对应的神经网络系数，对ofdm符号进行在线信道估计，根据神经网络输出得到信道估计结果包括：

对ofdm符号进行滑动窗处理，每个滑动窗内的导频子载波的信道估计作为神经网络的输入，神经网络的输出作为滑动窗内所有子载波的信道估计结果。

可选地，将滑动处理窗内的导频符号的信道估计和非导频子载波的接收符号都作为神经网络的输入，直接输出非导频子载波的符号估计结果。

可选地，导频子载波比非导频子载波多经过多个中间层，或者非导频子载波前面多个中间层的系数固定为1；导频子载波多出来的多个中间层系数独立于神经网络的其它系数进行调整。

第二方面，本发明提供一种ofdm信道估计装置，包括：

离线训练单元，用于采用仿真产生的实际信道系数，已经经过衰落信道和高斯信道后接收机能观察到的导频序列的初始信道估计，构成训练集，在不同的噪声方差下，用后向误差传播算法进行离线神经网络训练，确定不同噪声方差对应的神经网络系数；

在线估计单元，用于使用与所述离线神经网络训练完全一致的神经网络，选择与当前实际噪声方差所对应的神经网络系数，对ofdm符号进行在线信道估计，根据神经网络输出得到信道估计结果。

可选地，所述离线训练单元，用于对可能的工作区间的噪声方差进行分段，对不同的噪声方差计算不同的神经网络系数并且保存，制作一个表，表的索引项是噪声方差，表的内容项是对应的神经网络系数；

所述在线估计单元，用于选择与当前实际噪声方差最接近的索引项所对应的神经网络系数。

可选地，所述在线估计单元，用于对ofdm符号进行滑动窗处理，每个滑动窗内的导频子载波的信道估计作为神经网络的输入，神经网络的输出作为滑动窗内所有子载波的信道估计结果。

可选地，所述在线估计单元，还用于将滑动处理窗内的导频符号的信道估计和非导频子载波的接收符号都作为神经网络的输入，直接输出非导频子载波的符号估计结果。

可选地，导频子载波比非导频子载波多经过多个中间层，或者非导频子载波前面多个中间层的系数固定为1；导频子载波多出来的多个中间层系数独立于神经网络的其它系数进行调整。

本发明实施例提供的ofdm信道估计方法和装置，采用神经网络实现非线性的信道估计器，神经网络的系数离线训练，信道估计在线进行，理论上可以超过线性估计器的性能界；而且采用神经网络实现联合信道估计和均衡，神经网络的系数离线训练，信道估计在线进行，理论上性能更好；另外，对整个时频面的子载波进行滑窗处理，滑窗滑动到不同位置时，共享神经网络的系数，能够降低训练和实时计算的复杂度。

附图说明

图1为现有技术中在时频面中插入导频来实现信道系数估计的示意图；

图2为本发明一实施例ofdm信道估计方法的流程图；

图3为本发明另一实施例ofdm信道估计方法的流程图；

图4为本发明再一实施例ofdm信道估计方法的实现过程示意图；

图5为本发明一实施例提供的对ofdm符号进行滑动窗处理以得到信道估计结果的示意图；

图6为本发明另一实施例提供的对ofdm符号进行滑动窗处理以得到信道估计结果的示意图；

图7为本发明实施例提供的ofdm信道估计装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供一种ofdm信道估计方法，如图2所示，所述方法包括：

s21、采用仿真产生的实际信道系数，已经经过衰落信道和高斯信道后接收机能观察到的导频序列的初始信道估计，构成训练集，在不同的噪声方差下，用后向误差传播算法进行离线神经网络训练，确定不同噪声方差对应的神经网络系数。

s22、使用与所述离线神经网络训练完全一致的神经网络，选择与当前实际噪声方差所对应的神经网络系数，对ofdm符号进行在线信道估计，根据神经网络输出得到信道估计结果。

本发明实施例提供的ofdm信道估计方法，采用神经网络实现非线性的信道估计器，神经网络的系数离线训练，信道估计在线进行，理论上可以超过线性估计器的性能界；而且采用神经网络实现联合信道估计和均衡，神经网络的系数离线训练，信道估计在线进行，理论上性能更好；另外，对整个时频面的子载波进行滑窗处理，滑窗滑动到不同位置时，共享神经网络的系数，能够降低训练和实时计算的复杂度。

下面结合具体实施例对本发明ofdm信道估计方法进行详细说明。

本实施例提供的信道估计方法分为离线神经网络训练和在线信道估计两个部分。离线神经网络训练是用仿真产生的实际信道系数y，已经经过衰落信道和高斯信道后接收机能观察到的导频序列的初始信道估计x，构成训练集{x,y}，用后向误差传播算法进行神经网络训练，如图3和图4所示，离线神经网络训练的步骤描述如下：

(1)训练数据产生时，信道建模采用“时延扩展内能量均匀分布”的信道模型，保证神经网络的泛化性能。

(2)构建一个由输入层、隐层和输出层组成的神经网络，输入层和输出层只有一层，隐层数目作为算法的一个可调参数。输入层节点数目等于处理窗内的导频数目，输出层的节点数目等于处理窗内的所有子载波数目。处理窗大小是可调参数，由频域相关带宽隐含决定。

(3)每一层的神经元的输出可以由一个递推关系确定：第l层第j个节点的神经元输出：

其中σ称为激活函数，可以采用relu函数(f(x)＝max(x,0))或者sigmoid函数(f(x)＝1/(1+exp(-x))。

(4)随机初始化神经网络权重系数ω和b。

(5)进入迭代过程不断更新神经网络权重系数，每次迭代由一次神经网络的前向和一次后向组成。前向过程中可以计算出当前权重系数下神经网络的最终输出结果a^l。这个输出结果跟实际结果y之间的误差记为c(y,a^l)。可以用均方误差函数或者互熵函数在后向迭代中，用梯度下降法逐层更新神经网络权重：

其中μ为学习因子，是一个可调算法参数。

(6)每进行n次步骤(5)的迭代，进行神经网络验证，验证过程中，只进行前向过程得到误差c，不更新网络参数。在m次验证的平均误差c小于门限cth时，迭代终止，保存当前神经网络权重系数，供在线计算时使用。

(7)对可能的工作区间的噪声方差进行分段，对不同的噪声方差计算不同的神经网络系数并且保存，制作一个表，表的索引项是噪声方差，表的内容项是对应的神经网络系数。

然后进行在线信道估计，具体如下：

如图5所示，对一个ofdm符号进行滑动窗处理，每个滑动窗内的导频子载波的ls信道估计作为神经网络的输入，神经网络的输出作为滑动窗内所有子载波的信道估计结果(ls信道估计：hls＝y/x)。在线进行信道估计时，使用的神经网络结构必须与训练时的神经网络完全一致，选择与当前实际噪声方差最接近的索引项所对应的神经网络系数。

或者，如图6所示，可以将滑动处理窗内的导频符号的信道估计和非导频子载波的接收符号都作为神经网络的输入，而输出的直接就是非导频子载波的符号估计结果(均衡结果)。

在该方式下，导频子载波比非导频子载波多经过多个中间层，或者相当于非导频子载波前面多个中间层的系数固定为1；导频子载波多出来的多个中间层系数可以独立于神经网络的其它系数进行调整。

本发明实施例还提供一种ofdm信道估计装置，如图7所示，所述装置包括：

离线训练单元21，用于采用仿真产生的实际信道系数，已经经过衰落信道和高斯信道后接收机能观察到的导频序列的初始信道估计，构成训练集，在不同的噪声方差下，用后向误差传播算法进行离线神经网络训练，确定不同噪声方差对应的神经网络系数；

在线估计单元22，用于使用与所述离线神经网络训练完全一致的神经网络，选择与当前实际噪声方差所对应的神经网络系数，对ofdm符号进行在线信道估计，根据神经网络输出得到信道估计结果。

本发明实施例提供的ofdm信道估计装置，采用神经网络实现非线性的信道估计器，神经网络的系数离线训练，信道估计在线进行，理论上可以超过线性估计器的性能界；而且采用神经网络实现联合信道估计和均衡，神经网络的系数离线训练，信道估计在线进行，理论上性能更好；另外，对整个时频面的子载波进行滑窗处理，滑窗滑动到不同位置时，共享神经网络的系数，能够降低训练和实时计算的复杂度。

可选地，所述离线训练单元21，用于对可能的工作区间的噪声方差进行分段，对不同的噪声方差计算不同的神经网络系数并且保存，制作一个表，表的索引项是噪声方差，表的内容项是对应的神经网络系数；

所述在线估计单元22，用于选择与当前实际噪声方差最接近的索引项所对应的神经网络系数。

可选地，所述在线估计单元22，用于对ofdm符号进行滑动窗处理，每个滑动窗内的导频子载波的信道估计作为神经网络的输入，神经网络的输出作为滑动窗内所有子载波的信道估计结果。

进一步地，所述在线估计单元22，还用于将滑动处理窗内的导频符号的信道估计和非导频子载波的接收符号都作为神经网络的输入，直接输出非导频子载波的符号估计结果。

可选地，导频子载波比非导频子载波多经过多个中间层，或者非导频子载波前面多个中间层的系数固定为1；导频子载波多出来的多个中间层系数独立于神经网络的其它系数进行调整。

本实施例的装置，可以用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。