时变信道下基于LSTM的信道估计方法

针对时变信道环境下传统信道估计方法性能受限,其他基于深度学习的信道估计方法估计精度低或复杂度高的问题,提出一种基于长短期记忆结构的信道估计网络,由双向长短期记忆(bidirectional long short-term memory, BiLSTM)网络和多层感知器(multilayer perceptron, MLP)网络组成,即BiLSTM-MLP.首先,利用BiLSTM网络来学习信道的时变特性;然后,利用MLP网络进行去噪并重构信道估计.仿真结果表明,所提出的信道估计方法与传统方法相比,性能提升明显,与同类型的基于深度学习的估计方法相比,复杂度较低且性能更优.此外,所提方法还具有对不同导频密度的鲁棒性.     

快时变信道下基于深度学习的OFDM系统信道估计

针对快时变信道的非平稳特性会造成信道估计性能变差的问题，在基扩展模型下提出了一种基于深度学习的信道估计算法，并将其应用于正交频分复用(orthogonal frequecy division multiplexing, OFDM)系统中。首先，根据快时变信道矩阵的局部相关特性，构建时频特征提取网络，利用卷积结构提取快时变信道在时域和频域的相关特征，并嵌入到下一级网络中进行特征的融合。其次，利用门控循环网络捕捉信道在不同符号处的变化相关性，在快时变信道环境下实现更准确的信道估计。仿真结果表明，与其他快时变环境下的信道估计算法相比，算法的估计性能提升明显；同时，网络的轻量化结构使算法的复杂度最低下降20%。