基于深度学习的信道估计（DL-CE）基础知识_dl信道估计-程序员宅基地

技术标签： 信道估计  深度学习  

参考文献：《基于机器学习的信道估计算法优化研究》（电子科技大学，李红，硕士学位论文）
文献下载地址：
链接：https://pan.baidu.com/s/1mys6ADy50uDRHNMzcxT__Q
提取码：bhd2

基于深度学习的信道估计：Deep Learning - Channel Estimation（DL-CE）

DL-CE一般都包括两个部分：离线训练和在线估计

DL-CE基本结构

在这里插入图片描述

目前把深度学习应用到无线通信系统中所存在的问题

（1）没有大量可靠的真实数据集，目前常用的训练数据大多都是使用仿真得到的，即实际的信道传输函数比较难获得
（2）当前深度学习的网络层数都较大（模型较大），还不能有效地运用到移动设备上

方案一、深度学习网络用在LS算法得到导频处信道特性（或者说信道频域响应CFR）之后

基本思路是：根据初步的导频数据或者粗略的信道传输矩阵，通过深度学习网络，拟合重建出高精度的信道传输矩阵。利用多种信道条件下的信道传输矩阵数据建立训练数据集，进行网络训练。在网络的不断训练和迭代的过程中，输入的初始的数据会逐步拟合和逼近真实的标签值，最终实现较高精度的CSI插值、回馈或重建

神经网络的输入： 导频处的CSI或者经过传统算法粗略估计出的信道CSI（或者叫信道传输矩阵）
神经网络的输出： 高精度的信道CSI

这种方案的深度学习网络结构如下图：
在这里插入图片描述
上图就是把深度学习网络用在了经过LS算法得到导频处的**信道特性CSI（或者说信道频域响应CFR）**之后，那么网络的输入就是一个OFDM符号内各个导频处的CFR，然后经过多个隐藏层之后，输出层输出的就是一个OFDM符号内所有载波处的CFR。
模型训练：首先使用仿真得到训练数据（训练数据包括导频处的CSI和一个OFDM符号的CSI），然后进行离线训练，离线训练时使用导频处的CSI作为输入，使用一个OFDM符号的CSI作为标签数据。
但是需要注意的是，信道估计处理的数据大多都为复数，但是现有的深度学习的库函数并不支持复数域的操作，所以说现在的一般做法就是在输入到网络之前需要对数据进行预处理，把复数的实部和虚部提取出来，然后当成两种实数输入到神经网络中，这种做法的缺点就是没有挖掘复数的相位信息，带来了一定的信息丢失。

该方案的一个栗子：

参考文献：《基于机器学习的信道估计算法优化研究》（电子科技大学，李红，硕士学位论文）
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
该种方案神经网络的输出是信道的频域响应，注意与方案二的不同点。

方案二、实现端到端的恢复原始信号，即训练一个神经网络来拟合传输过程，从而在接收机端到端的恢复出原始的发送信号。

端到端的意思就是输出的就是最终结果。
基于端到端（文献中把这种称为全连接的神经网络）的信道估计器通过对接收信号和原信号之间的关系的学习，不估计出信道的频域响应，而是直接输出发送的调制信号。
系统结构图如下图：
在这里插入图片描述
由上图可知该方案神经网络的输出就是原始的发送信号，而方案一中神经网络的输出只是信道的频域响应。
这种方法完全把信道当成了一个黑匣子，我们不会直接输出信道的传输函数（或者CSI），而是直接输出预测的原始的发送信号，即神经网络学习了发送信号与接收信号之间的映射关系。

基本思路是，首先在MATLAB中生成一些仿真数据，包括原始发送信号和最终信道接收到的信号，把这两部分信号输入到深度学习网络中，让网络学习到一种OFDM的发送和接收符号之间的映射关系，也就是频域响应H。训练完成的神经网络最终便学习到了两者的映射关系，即信道传输系数。
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

这种方案存在的两个问题：
（1）首先信道是随时间变化的，即信道具有时变性，这意味着如果我们简单地训练一个神经网络，然后将其用于连续数据传输，是无法适用的。例如，实际场景中的多普勒频移或非线性噪声都将导致神经网络在训练过程中学到的映射关系与实际的信道环境不一致。一个折中的解决方案就是假设估计得到的信道在接收到下一个导频序列为止都是保持不变的（这不就是块状导频么），若采用此方法，由于数据块与块之间的传输间隔通常是很短的，那么神经网络模型的收敛速度和泛化能力便是很关键的指标。
（2）导频数目多的话会降低频谱效率，导频数目少的话会造成样本不足。
综上所述，问题的挑战主要在于我们如何依靠较少的监督样本、快速迭代来完成信道估计。
为了解决上述问题，有论文提出了基于元学习的深度学习算法RoemNet（Robust channel Estimation with Meta neural Network）。元学习解决的是学习如何学习的问题，他可以解决极少样本情况下的模型训练问题。
元学习是一种模型无关的学习算法（MAML），MAML需要在各种任务上进行训练。该算法需要学习训练一种可以很快适应新任务的方法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36554582/article/details/109123561

智能推荐

什么是内部类？成员内部类、静态内部类、局部内部类和匿名内部类的区别及作用？_成员内部类和局部内部类的区别-程序员宅基地

文章浏览阅读3.4k次，点赞8次，收藏42次。一、什么是内部类？or 内部类的概念内部类是定义在另一个类中的类；下面类TestB是类TestA的内部类。即内部类对象引用了实例化该内部对象的外围类对象。public class TestA{ class TestB {}}二、 为什么需要内部类？or 内部类有什么作用？1、 内部类方法可以访问该类定义所在的作用域中的数据，包括私有数据。2、内部类可以对同一个包中的其他类隐藏起来。3、 当想要定义一个回调函数且不想编写大量代码时，使用匿名内部类比较便捷。三、 内部类的分类成员内部_成员内部类和局部内部类的区别

分布式系统_分布式系统运维工具-程序员宅基地

文章浏览阅读118次。分布式系统要求拆分分布式思想的实质搭配要求分布式系统要求按照某些特定的规则将项目进行拆分。如果将一个项目的所有模板功能都写到一起，当某个模块出现问题时将直接导致整个服务器出现问题。拆分按照业务拆分为不同的服务器，有效的降低系统架构的耦合性在业务拆分的基础上可按照代码层级进行拆分(view、controller、service、pojo)分布式思想的实质分布式思想的实质是为了系统的..._分布式系统运维工具

用Exce分析l数据极简入门_exce l趋势分析数据量-程序员宅基地

文章浏览阅读174次。1.数据源准备2.数据处理step1：数据表处理应用函数：①VLOOKUP函数; ② CONCATENATE函数终表：step2：数据透视表统计分析（1） 透视表汇总不同渠道用户数, 金额（2）透视表汇总不同日期购买用户数，金额（3）透视表汇总不同用户购买订单数，金额step3：讲第二步结果可视化, 比如, 柱形图（1）不同渠道用户数, 金额（2）不同日期..._exce l趋势分析数据量

宁盾堡垒机双因素认证方案_horizon宁盾双因素配置-程序员宅基地

文章浏览阅读3.3k次。堡垒机可以为企业实现服务器、网络设备、数据库、安全设备等的集中管控和安全可靠运行，帮助IT运维人员提高工作效率。通俗来说，就是用来控制哪些人可以登录哪些资产（事先防范和事中控制），以及录像记录登录资产后做了什么事情（事后溯源）。由于堡垒机内部保存着企业所有的设备资产和权限关系，是企业内部信息安全的重要一环。但目前出现的以下问题产生了很大安全隐患：密码设置过于简单，容易被暴力破解；为方便记忆，设置统一的密码，一旦单点被破，极易引发全面危机。在单一的静态密码验证机制下，登录密码是堡垒机安全的唯一_horizon宁盾双因素配置

谷歌浏览器安装（Win、Linux、离线安装）_chrome linux debian离线安装依赖-程序员宅基地

文章浏览阅读7.7k次，点赞4次，收藏16次。Chrome作为一款挺不错的浏览器，其有着诸多的优良特性，并且支持跨平台。其支持（Windows、Linux、Mac OS X、BSD、Android），在绝大多数情况下，其的安装都很简单，但有时会由于网络原因，无法安装，所以在这里总结下Chrome的安装。Windows下的安装：在线安装：离线安装：Linux下的安装：在线安装：离线安装：..._chrome linux debian离线安装依赖

烤仔TVの尚书房 | 逃离北上广？不如押宝越南“北上广”-程序员宅基地

文章浏览阅读153次。中国发达城市榜单每天都在刷新，但无非是北上广轮流坐庄。北京拥有最顶尖的文化资源，上海是“摩登”的国际化大都市，广州是活力四射的千年商都。GDP和发展潜力是衡量城市的数字指...

随便推点

java spark的使用和配置_使用java调用spark注册进去的程序-程序员宅基地

文章浏览阅读3.3k次。前言spark在java使用比较少，多是scala的用法，我这里介绍一下我在项目中使用的代码配置详细算法的使用请点击我主页列表查看版本jar版本说明spark3.0.1scala2.12这个版本注意和spark版本对应，只是为了引jar包springboot版本2.3.2.RELEASEmaven<!-- spark --> <dependency> <gro_使用java调用spark注册进去的程序

汽车零部件开发工具巨头V公司全套bootloader中UDS协议栈源代码，自己完成底层外设驱动开发后，集成即可使用_uds协议栈 源代码-程序员宅基地

文章浏览阅读4.8k次。汽车零部件开发工具巨头V公司全套bootloader中UDS协议栈源代码，自己完成底层外设驱动开发后，集成即可使用，代码精简高效，大厂出品有量产保证。:139800617636213023darcy169_uds协议栈 源代码

AUTOSAR基础篇之OS(下)_autosar 定义了 5 种多核支持类型-程序员宅基地

文章浏览阅读4.6k次，点赞20次，收藏148次。AUTOSAR基础篇之OS(下)前言首先，请问大家几个小小的问题，你清楚：你知道多核OS在什么场景下使用吗？多核系统OS又是如何协同启动或者关闭的呢？AUTOSAR OS存在哪些功能安全等方面的要求呢？多核OS之间的启动关闭与单核相比又存在哪些异同呢？。。。。。。今天，我们来一起探索并回答这些问题。为了便于大家理解，以下是本文的主题大纲：[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JCXrdI0k-1636287756923)(https://gite_autosar 定义了 5 种多核支持类型

VS报错无法打开自己写的头文件_vs2013打不开自己定义的头文件-程序员宅基地

文章浏览阅读2.2k次，点赞6次，收藏14次。原因：自己写的头文件没有被加入到方案的包含目录中去，无法被检索到，也就无法打开。将自己写的头文件都放入header files。然后在VS界面上，右键方案名，点击属性。将自己头文件夹的目录添加进去。_vs2013打不开自己定义的头文件

【Redis】Redis基础命令集详解_redis命令-程序员宅基地

文章浏览阅读3.3w次，点赞80次，收藏342次。此时，可以将系统中所有用户的 Session 数据全部保存到 Redis 中，用户在提交新的请求后，系统先从Redis 中查找相应的Session 数据，如果存在，则再进行相关操作，否则跳转到登录页面。此时，可以将系统中所有用户的 Session 数据全部保存到 Redis 中，用户在提交新的请求后，系统先从Redis 中查找相应的Session 数据，如果存在，则再进行相关操作，否则跳转到登录页面。当数据量很大时，count 的数量的指定可能会不起作用，Redis 会自动调整每次的遍历数目。_redis命令

URP渲染管线简介-程序员宅基地

文章浏览阅读449次，点赞3次，收藏3次。URP的设计目标是在保持高性能的同时，提供更多的渲染功能和自定义选项。与普通项目相比，会多出Presets文件夹，里面包含着一些设置，包括本色，声音，法线，贴图等设置。全局只有主光源和附加光源，主光源只支持平行光，附加光源数量有限制，主光源和附加光源在一次Pass中可以一起着色。URP：全局只有主光源和附加光源，主光源只支持平行光，附加光源数量有限制，一次Pass可以计算多个光源。可编程渲染管线：渲染策略是可以供程序员定制的，可以定制的有：光照计算和光源，深度测试，摄像机光照烘焙，后期处理策略等等。_urp渲染管线

推荐文章

热门文章

相关标签