【文献学习】Model-Driven Channel Estimation for OFDM Systems Based on Image SuperResolution Network

简介: 本文介绍了一种基于图像超分辨率网络的OFDM系统模型驱动信道估计算法,通过结合最小二乘法和深度学习技术来提高信道估计的准确性。

文献地址

1 引言

使用 fast super-resolution convolutional neural network (FSRCNN) 网络进行的OFDM模型驱动的信道估计。先是最小二乘法处理,然后进行网络的离线训练实现提取有效特征进行信道估计

2 介绍

目前信道估计的方法有:LS、Linear LS、Linear MMSE、Reduced Complexity MMSE 、Joint channel cs estimation
最简单的是LS算法,主要缺点是对噪声和载波间的干扰太敏感
作者利用《OFDM channel estimation by singular value decomposition》文献中的LMMSE公式去实现传统的信道估计,与自己提出的两个深度模型信道估计做对比实验

3 模型

(1)网络模型来源
Image super-resolution 图像超分辨率是一种计算机视觉中改善图像的技术,通过学习相邻像素之间的细微变化来填充新像素从而提高像素分辨率。这个过程类似于信道估计中利用导频位置中信道信息获得整个二维相应矩阵的过程。
(2)模型驱动结构
在训练阶段,通过LS估计和样条插值可大致获得所有子载波的初始信道估计。 数据集处理后,将经过LS处理得到的和发送的信道矩阵H,放到SR网络进行训练。得到准确的估计的信道矩阵

1.png

H L S H_{LS} HLS​是经过LS处理得到的初始信道估计,是复数类型,
H是发送的信道矩阵,是实数矩阵,作为label
Xp是输入的数据,Yp是导频
(3)网络模型介绍
• SRCNN:《Image super-resolution using deep convolutional networks》包含三部分.在此篇论文中用到《Deep
learning-based channel estimation》
• 第一部分:64个9_9的Filter+ReLU激活函数
• 第二部分:32个1_1Filter+ReLU激活函数,非线性映射层
• 第三部分:5个5_1的Filter
• FSRCNN: 《Accelerating the SuperResolution Convolutional Neural Network》包含五部分
• 第一部分:56个5_5的Filter+ReLu
• 第二部分:12个1_1的Filter+ReLu,降维作用
• 第三部分:12个3_3Filter+ReLu,非线性映射层
• 第四部分:56个1_1的filter+ReLU
• 第五部分:1个9_9个的反卷积层
(4)网络模型数据处理
先把复数经过LS算法处理,再提取实部和虚部进行网络训练,预测输出结果最后合并组成复数,作为预测的信道矩阵

2.png

4 模型参数

(1)网络模型参数
损失函数

3.png

H是信道矩阵,H~是估计的信道矩阵,S是训练数据集的大小,
Adam优化器
batch =100OFDM帧
Epoch =800
学习率=初始为0.001,每200Eopochd,衰减5倍
实现框架:tensorflow 1.14
(2)信号调制参数
Rayleigh多径衰落信道
子载波频率是2.6GHZ
采样率是20MHZ
调制方式QPSK和16QAM

5 实验结果

(1)提出的两种网络都优于LMMSE
(2)导频数量,8和16下,FSR网络+16个导频的效果更好
(3)在指定的信噪比训练,并用指定的测试集测试,FSR信道估计表现最佳。信噪比不匹配的情况下,MSE损失几乎为5db。提出的解决办法是,选择合理范围内的信噪比训练,或者设置阈值,根据实际的信道条件选择合适的网络

6 实验总结和启发

总结
• 论文并没有太大的创新点,只是把现有的网络和ComNet中提出的模型驱动框架进行了结合

目录
相关文章
|
9月前
|
机器学习/深度学习 算法
【文献学习】RoemNet: Robust Meta Learning based Channel Estimation in OFDM Systems
本文提出了一种基于元学习的鲁棒信道估计算法RoemNet,旨在解决OFDM系统中由于训练和部署信道模型不一致导致的问题,并展示了其在不同信道环境下优越的性能。
64 5
|
6月前
|
机器学习/深度学习 测试技术 算法
文献解读-DNAscope: High accuracy small variant calling using machine learning
在这项研究中,研究组证明了DNAscope在不同样本和不同覆盖度水平下都能达到比DNAseq更高的准确性。使用GA4GH分层区域进行的分层分析,能够确认DNAscope在大多数分层区域中都具有高准确性,并突显了DNAscope在插入缺失(indels)和包含变异检测较困难的基因组区域的分层中具有更高的准确性。DNAscope结合了GATK's HaplotypeCaller中使用的成熟数学和统计模型,以及用于变异基因型分析的机器学习方法,在保持计算效率的同时实现了卓越的准确性。
120 3
文献解读-DNAscope: High accuracy small variant calling using machine learning
|
7月前
|
算法 数据挖掘 数据处理
文献解读-Sentieon DNAscope LongRead – A highly Accurate, Fast, and Efficient Pipeline for Germline Variant Calling from PacBio HiFi reads
PacBio® HiFi 测序是第一种提供经济、高精度长读数测序的技术,其平均读数长度超过 10kb,平均碱基准确率达到 99.8% 。在该研究中,研究者介绍了一种准确、高效的 DNAscope LongRead 管道,用于从 PacBio® HiFi 读数中调用胚系变异。DNAscope LongRead 是对 Sentieon 的 DNAscope 工具的修改和扩展,该工具曾获美国食品药品管理局(FDA)精密变异调用奖。
73 2
文献解读-Sentieon DNAscope LongRead – A highly Accurate, Fast, and Efficient Pipeline for Germline Variant Calling from PacBio HiFi reads
|
7月前
|
机器学习/深度学习 Web App开发 人工智能
轻量级网络论文精度笔(一):《Micro-YOLO: Exploring Efficient Methods to Compress CNN based Object Detection Model》
《Micro-YOLO: Exploring Efficient Methods to Compress CNN based Object Detection Model》这篇论文提出了一种基于YOLOv3-Tiny的轻量级目标检测模型Micro-YOLO,通过渐进式通道剪枝和轻量级卷积层,显著减少了参数数量和计算成本,同时保持了较高的检测性能。
246 2
轻量级网络论文精度笔(一):《Micro-YOLO: Exploring Efficient Methods to Compress CNN based Object Detection Model》
|
9月前
|
存储 机器学习/深度学习 算法
【博士每天一篇文献-算法】A biologically inspired dual-network memory model for reduction of catastrophic
本文介绍了一种受生物学启发的双网络记忆模型,由海马网络和新皮层网络组成,通过模拟海马CA3区的混沌行为和齿状回区的神经元更替,以及新皮层网络中的伪模式学习,有效减少了神经网络在学习新任务时的灾难性遗忘问题。
73 4
|
9月前
|
机器学习/深度学习 算法 数据挖掘
【博士每天一篇文献-模型】Investigating Echo State Network Performance with Biologically-Inspired Hierarchical
本文研究了一种受果蝇生物启发的分层网络结构在回声状态网络(ESN)中的应用,通过引入层次随机块模型(HSBM)来生成具有更好结构性的网络拓扑,发现这种新拓扑结构的网络在Mackey-Glass系统预测和MNIST分类任务中表现出改善的整体解分布,从而提高了ESN的性能。
64 2
|
9月前
|
机器学习/深度学习 编解码 人工智能
【文献学习】Deep Learning for Joint Channel Estimation and Signal Detection in OFDM Systems
该文章提出了一种基于深度学习的方法,用于OFDM系统中的联合信道估计和信号检测,通过信道估计网络(CENet)和信号检测网络(CCRNet)改善了传统方法的性能。
134 2
|
9月前
|
机器学习/深度学习 PyTorch 算法框架/工具
【文献学习】Phase-Aware Speech Enhancement with Deep Complex U-Net
文章介绍了Deep Complex U-Net模型,用于复数值的语音增强,提出了新的极坐标掩码方法和wSDR损失函数,并通过多种评估指标验证了其性能。
121 1
|
9月前
|
机器学习/深度学习 算法 测试技术
|
9月前
|
机器学习/深度学习 算法
【文献学习】Channel Estimation Method Based on Transformer in High Dynamic Environment
一种基于CNN和Transformer的信道估计方法,用于在高度动态环境中跟踪信道变化特征,并通过实验结果展示了其相比传统方法的性能提升。
126 0
AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等