基于元学习的时变信道估计方法

为了克服现有的基于深度学习的信道估计方法存在的训练样本与时间开销过大、且离线训练的网络无法适应在实际情况下实时变化的信道环境的问题，提出了一种高速移动正交频分复用(orthogonal frequency division multiplexing, OFDM)系统中的基于元学习的时变信道估计方法。该方法利用模型无关元学习(model-agnostic meta-learning, MAML)方法对不同的信道任务进行线下训练，仅利用少量的训练样本即可使网络充分学习到信道的传输特性，以及具备快速适应新任务的能力，且具有较低的计算复杂度。在线下训练中，该方法将网络的训练目标设置为具有较高精度的信道估计，而非理想的信道信息，增强了估计模型的实用性。另外，该方法仅采用接收的导频信号进行线下训练与线上估计，减少了网络输入样本的数目，进一步降低了计算复杂度。仿真结果表明，所提方法具有较高的估计精度与较低的计算复杂度，且可以快速地适应新的信道环境，适用于在高速移动通信系统中获取时变信道。