本发明涉及无线通信中的信道估计与信号检测方法的技术领域。
背景技术：
目前，第五代无线通信的到来使得关于频谱利用率与传输速率的要求增加，而另一方面，频谱资源具有有限性，使要求的满足受到限制，造成了信号传输资源紧张，特别是对需要占用大量的频谱带宽资源进行导频辅助信道估计的方法而言，其频谱利用率及传输速率均较低。为节省带宽资源，叠加序列方法被广泛应用于通信系统的信道估计、信道状态信息(csi,channelstateinformation)反馈以及语音压缩等领域。其中，针对信道估计，将训练序列与传输数据进行叠加的方式一直是通信系统中的一大研究热点。然而，传统的叠加训练序列与传输数据进行信道估计时，传输数据对训练序列造成干扰，使得信道估计的性能变差。
数据依赖叠加训练(data-dependentsuperimposedtrainingddst)作为一种极具发展前景的无线通信技术，由于其高带宽利用率而引起了广泛的研究兴趣。ddst方案从本质上完全消除了未知传输数据符号对信道估计器性能的影响，从而提出了各种提高符号检测性能的方法，如误码率(ber,biterrorrate)性能。然而，无线通信系统中存在大量的非线性器件或模块，如大功率放大器(hpa,high-poweramplifier)、数模转换器(dac,digital-to-analogconverter)等，不可避免地会引起非线性失真。通常，这些非线性失真会降低接收机的信道估计和符号检测性能。由于缺乏对非线性失真的考虑，ddst方案面临着巨大的挑战。因此，在实际应用中，为了有效地提高符号检测性能，在ddst方案中应考虑非线性失真的影响。
技术实现要素：
本发明的目的在于提供一种基于深度学习及ddst的信道估计与信号检测方法。与传统的信道估计和信号检测方法相比，本发明通过深度神经网络，在不使用csi和噪声的二阶统计量的情况下，减小了系统的计算复杂度，改善了系统信道估计的最小均方误差和系统符号检测的ber性能。
本发明的技术方案如下：
基于ddst及深度学习的信道估计方法，其包括：
将获得的含有训练序列信息的接收信号进行信道状态信息预估计；
将所述预估计输入训练完成的第一深度神经网络中，获得增强csi值。
根据本发明的一些优选实施方式，所述训练序列通过下式叠加于发射信号中：
x＝(i-j)s c(1)；
其中，
根据本发明的一些优选实施方式，所述ddst预失真矩阵j设置如下式：
其中，fn表示维度为n×n的傅里叶变换矩阵；(·)h表示共轭转置操作；
u表示如下的对角矩阵：
根据本发明的一些优选实施方式，所述的估计方法还包括：
对含有训练序列信息的接收信号先进行时频转换；
通过最小二乘法获得转换后导频位置处的信道估计值；
对所述导频位置处的信道估计值进行时频反转换，获得时域信道估计值；
根据训练序列长度，对所述时域信道估计值进行补零，获得补零后时域信道估计值；
对补零后的时域信道估计值进行傅里叶变换，获得与训练序列等长的信道状态信息预估计值。
其中时频转换和/或时频反转换优选通过傅里叶变换实现。
根据本发明的一些优选实施方式，所述导频位置处的信道估计值通过下式获得：
其中，y表示经傅里叶变换获得的频域接收信号，c表示经傅里叶变换获得的频域训练序列；p表示所述训练序列的周期长度，q表示所述训练序列的周期数量。
根据本发明的一些优选实施方式，所述第一深度神经网络包括节点数为所述训练序列的长度的2倍的1个输入层，节点数为该长度的m倍的2个隐藏层，及节点数为该长度的2倍的1个输出层，其中，m可优选为输入层节点数的1-10倍。
根据本发明的一些优选实施方式，所述第一深度神经网络的训练包括：
s31将标签确定的信道状态信息预估计与其标签对应，以两者的组合作为训练集；
s32向所述第一深度神经网络的输入层输入训练集中的预估计，根据其输出对网络参数进行调整，至误差收敛后，保存该网络及其参数；
其中，所述第一深度神经网络以relu函数作为其隐藏层激活函数，以均方误差损失函数作为其损失函数。
本发明进一步提供了如下的技术方案：
基于ddst及深度学习的信号检测方法，其包括上述任一种信道估计方法，及：
根据所述增强csi值，对接收信号进行预均衡，获得预均衡数据；
将所述预均衡数据输入训练完成的第二深度神经网络中，获得检测信号。
根据本发明的一些优选实施方式，所述预均衡通过如下的迫零法实现：
其中，szf表示长度为n的预均衡数据；gzf表示如下的均衡矩阵：
其中元素
根据本发明的一些优选实施方式，所述第二深度神经网络包括节点数为所述训练序列的长度的2倍的1个输入层，节点数为该长度的n倍的3个隐藏层，及节点数为该长度的2倍的1个输出层，其中，n可优选为输入层节点数的1-10倍。
根据本发明的一些优选实施方式，所述第二深度神经网络的训练包括：
s51以其对应的已调制发射信号作为预均衡数据szf的标签s，将预均衡数据szf及其标签s的集合{szf,s}作为训练集；
s52向第二深度神经网络的输入层输入预均衡数据szf，根据其输出对网络参数进行调整，至误差收敛后，保存该网络及其参数；
其中，所述第二深度神经网络以relu函数作为其隐藏层激活函数，以均方误差损失函数作为其损失函数。
本发明具备以下有益效果：
本发明通过在处理非线性失真方面有较好效果的深度学习(dl,deeplearning)，对非线性失真场景下的ddst方案进行处理，显著提高了误码率性能、符号检测性能及应用范围。
相比于传统方法，本发明在不使用二阶统计量的条件下，减小了系统复杂度的同时也提高了检测的误码率性能。
附图说明
图1为本发明的流程示意图；
图2为ddst发射信号构造流程示意图；
图3为csi预估计流程示意图；
图4为cecsi-net结构示意图；
图5为zf预均衡流程示意图；
图6为sdsymbol-net结构示意图。
具体实施方式
以下结合实施例和附图对本发明进行详细描述，但需要理解的是，所述实施例和附图仅用于对本发明进行示例性的描述，而并不能对本发明的保护范围构成任何限制。所有包含在本发明的发明宗旨范围内的合理的变换和组合均落入本发明的保护范围。
以下各实施例通过如附图1所示的流程进行信道估计和信号检测：
s1通过ddst生成发射信号，由接收机接收返回信号并形成一定长度的时域接收信号。
具体的，如附图2所示，其中通过ddst生成的发射信号x可设置如下：
x＝(i-j)s c(1)；
其中，
其中，fn表示维度为n×n的傅里叶变换矩阵；上标(·)h代表共轭转置操作；u表示如下的对角矩阵：
接收上述发射信号x的返回信号后，可得到长度为n的时域接收信号y。
s2对接收信号进行信道状态信息(csi,channelstateinformation)预估计。
具体的，所述预估计可通过如最小二乘法(ls,least-squares)实现，如附图3所示，其包括：
s21将接收信号y与训练序列c经傅里叶变换分别变换到频域，得到频域接收信号y和频域训练序列c，即：
s22根据ls估计获得导频位置处的信道估计值
其中，(·)t表示转置。
s23根据导频位置处的信道估计值
其中，fp表示维度为p×p的傅里叶变换矩阵。
s24对时域信道估计值
s25对补零后的时域信道估计值
s3将获得的预估计csi值输入训练完成的信道估计模型中，获得增强csi值。
其中，所述信道估计模型，可通过如附图4所示的cecsi-net深度神经网络构建，其包括：
1个输入层，2个隐藏层和1个输出层。其中，输入层节点数为2n，2个隐藏层的节点数均为mn，输出层节点数为2n；2个隐藏层均采用relu函数作为激活函数；以均方误差损失函数作为网络损失函数。
其中，m的数值可根据工程经验选择。
其训练过程可通过如下的步骤完成：
s31将预估计csi值
其中训练标签hdis可根据实际场景测量、信道模型建模等获得。
s32将长度为n的复数预估计的csi值
根据训练完成的模型获得增强csi值
s4根据增强csi值，对接收信号进行预均衡，得到预均衡数据。
其中，如附图5所示，预均衡可通过如下的迫零(zf,zero-forcing)预均衡实现：
其中，szf表示长度为n的预均衡数据；gzf表示均衡矩阵，可进一步构建如下：
其中元素
所述增强csi值
其可具体包括以下步骤：
s41将时域接收信号进行叠加训练序列(i-j)y去除；
s42根据输出的增强csi值
s43根据均衡矩阵和叠加训练序列进行频域均衡，并在频域均衡后，通过傅里叶变换变换至时域，根据式(9)得到预均衡数据szf。
s5将预均衡数据输入训练完成的符号检测模型中，获得检测信号。
其中，所述符号检测模型，可通过如附图6所示的sdsymbol-net深度神经网络构建，其包括：
1个输入层，3个隐藏层和1个输出层。其中，输入层节点数为2n，3个隐藏层的节点数均为nn，输出层的节点数为2n；3个隐藏层均采用了relu函数作为激活函数；模型损失函数为均方误差损失函数。
其中，n的数值可根据工程经验选择。
其训练过程可通过如下的步骤完成：
s51以其对应的发送端发送的已调制信号作为预均衡数据szf的标签s，以预均衡数据szf及其标签s的集合{szf,s}作为训练集。
s52将长度为n的复数预均衡数据szf经数据处理变为长度为2n实数后送入模型，对模型进行训练，至误差收敛后，保存模型及其参数。
根据训练完成的模型即可获得长度为n的检测信号
实施例1
对无线通信信号进行信道估计与信号检测，其中：
s1设定n＝12，p＝4，q＝3，将接收到由发射机经ddst生成的发射信号形成长度为12的接收信号序列y。
则，在发射信号中，训练序列c如下：
在矩阵j中，傅里叶变换矩阵fn为：
所以当n＝12时得到：
矩阵u为：
s2根据s1的设定，并假设接收信号序列y如下：
y＝[y(0),y(1),y(2),y(3),y(4),y(5),y(6),y(7),y(8),y(9),y(10),y(11)]t
将接收信号序列y与训练序列c变换到频域可以得到：
根据ls估计获得导频位置处的信道估计值
根据式(6)可以得到时域信道估计值
随后根据式(7)补零后的时域信道估计值
根据式(8)将时域信道估计值
s3第一训练阶段：将长度为n的预估计csi值
实际应用阶段：将长度为n的预估计csi值
s4根据s1,s2以及s3设定，假设经过第一个网络后得到的增强csi值
所以得到的均衡矩阵为：
最终根据式(9)得到预均衡数据szf。
s5第二训练阶段：将长度为n的预均衡数据szf与标签s的实部与虚部分开后变为长度为2n的实数送入网络，待模型损失降到最低且不再下降后保存模型以及模型参数
实际应用阶段：将长度为n预均衡数据szf的实部与虚部分开后变为长度为2n的实数送入经训练好的网络获得长度为n的检测信号
以上实施例仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例。凡属于本发明思路下的技术方案均属于本发明的保护范围。应该指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下的改进和润饰，这些改进和润饰也应视为本发明的保护范围。
1.基于ddst及深度学习的信道估计方法，其特征在于：所述估计方法包括：
将获得的含有训练序列信息的接收信号进行信道状态信息预估计；
将所述预估计输入训练完成的第一深度神经网络中，获得增强信道状态信息值。
2.根据权利要求1所述的估计方法，其特征在于：所述训练序列通过下式叠加于发射信号中：
x＝(i-j)s c(1)；
其中，
3.根据权利要求2所述的估计方法，其特征在于：所述ddst预失真矩阵j设置如下式：
其中，fn表示维度为n×n的傅里叶变换矩阵；(·)h表示共轭转置操作；u表示如下的对角矩阵：
4.根据权利要求1所述的估计方法，其特征在于：其还包括：
对含有训练序列信息的接收信号先进行时频转换；
通过最小二乘法获得转换后导频位置处的信道估计值；
对所述导频位置处的信道估计值进行时频反转换，获得时域信道估计值；
根据训练序列长度，对所述时域信道估计值进行补零，获得补零后时域信道估计值；
对补零后的时域信道估计值进行傅里叶变换，获得与训练序列等长的信道状态信息预估计值。
5.根据权利要求4所述的估计方法，其特征在于：所述导频位置处的信道估计值通过下式获得：
其中，y表示经傅里叶变换获得的频域接收信号，c表示经傅里叶变换获得的频域训练序列；p表示所述训练序列的周期长度，q表示所述训练序列的周期数量。
6.根据权利要求1所述的估计方法，其特征在于：所述第一深度神经网络包括节点数为所述训练序列的长度的2倍的1个输入层，节点数为该长度的m倍的2个隐藏层，及节点数为该长度的2倍的1个输出层；其中，m优选为输入层节点数的1-10倍。
7.根据权利要求1所述的估计方法，其特征在于：所述第一深度神经网络的训练包括：
s31将标签确定的信道状态信息预估计与其标签对应，以两者的组合作为训练集；
s32向所述第一深度神经网络的输入层输入训练集中的预估计，根据其输出对网络参数进行调整，至误差收敛后，保存该网络及其参数；
其中，所述第一深度神经网络以relu函数作为其隐藏层激活函数，以均方误差损失函数作为其损失函数。
8.基于ddst及深度学习的信号检测方法，其特征在于：包括权利要求1-7中任一项所述的信道估计方法，及：
根据所述增强信道状态信息值，对接收信号进行预均衡，获得预均衡数据；
将所述预均衡数据输入训练完成的第二深度神经网络中，获得检测信号；
优选的，所述预均衡通过如下的迫零法实现：
其中，szf表示长度为n的预均衡数据；gzf表示如下的均衡矩阵：
其中元素
9.根据权利要求8所述的信号检测方法，其特征在于：所述第二深度神经网络包括节点数为所述训练序列的长度的2倍的1个输入层，节点数为该长度的n倍的3个隐藏层，及节点数为该长度的2倍的1个输出层；其中，n优选为输入层节点数的1-10倍。
10.根据权利要求8所述的信号检测方法，其特征在于：所述第二深度神经网络的训练包括：
s51以其对应的已调制发射信号作为预均衡数据szf的标签s，将预均衡数据szf及其标签s的集合{szf,s}作为训练集；
s52向第二深度神经网络的输入层输入预均衡数据szf，根据其输出对网络参数进行调整，至误差收敛后，保存该网络及其参数；
其中，所述第二深度神经网络以relu函数作为其隐藏层激活函数，以均方误差损失函数作为其损失函数。
技术总结