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%。