基于深度学习的OFDM信道估计改进算法

第一章引言

本篇导读与核心速览

正交频分复用技术由于具有高频谱利用率、强抗多径衰落等特点，已经成为第四代、第五代移动通信系统的主要传输方式。在实际的通信环境中，无线信道的时变性以及多径效应都会对子载波之间的正交性造成严重的破坏，从而产生严重的子载波间干扰，因此准确的信道估计是保证系统解调性能的重要环节。传统的最小二乘法和最小均方误差算法虽然计算简单，但是复杂快时变信道下估计精度低、计算复杂度高。随着人工智能技术不断发展，深度学习由于具有很强的特征提取和非线性拟合能力，给以上问题的解决提供了一种新的思路。利用神经网络模型，该算法可以直接从接收数据中学习信道特性，在低导频密度的情况下也能得到较高的信道重建精度[1]。本文主要研究基于深度学习的OFDM信道估计改进算法，用优化网络结构来降低计算开销，对提高通信系统传输可靠性和实际应用效率有很重要的工程价值[5]。

第二章 OFDM信道估计基础与深度学习研究现状

2.1 传统OFDM信道估计的性能瓶颈与适用边界

传统的OFDM信道估计主要有最小二乘法和最小均方误差法。LS算法以最小化误差平方为准则，估计表达式为 $\hat{H}$ ，主要优点是计算复杂度低、不需要先验信息，但是在低信噪比环境下受加性高斯白噪声的影响较大，均方误差性能会变差。MMSE算法利用信道统计相关性以及噪声方差来实现最优估计，其表达式为 $\hat{H}$ {MMSE} = R{HH}(R{HH} + \sigma^2 I)^{-1} \hat{H}_{LS}，虽然抗噪性能好，但是需要准确的信道二阶统计特性，并且包含矩阵求逆，运算复杂度随着多径数量的增加呈指数级增长。当存在多径时延扩展和多普勒频移的时候，由于导频非正交污染造成的估计误差会出现在LS算法中，而MMSE算法的适用范围又受到先验信息是否及时的影响。从量化的角度来说，LS只有在信噪比大于某个阈值的时候才具有应用的价值，并且最大可以容忍的时延扩展范围也比较小，不能满足动态复杂的环境下实时性的要求，这就给深度学习的优化提供了一个方向。

2.2 深度学习在无线信道估计领域的国内外研究现状

在无线信道估计方面，早期的研究大多采用全连接网络或者卷积神经网络直接拟合信道矩阵的方法，虽然证明了深度学习可以代替传统的最小二乘法，但是在复杂的多变环境中，泛化能力较差。为了解决这个问题，国内的研究团队集中于车载高速移动环境，提出用时间序列网络来捕捉时变相关性，国外的学者则针对大规模MIMO系统，设计出基于图神经网络的结构化估计算法来减少计算量。但是现有的方案在导频资源非正交的情况下，对于导频污染的抑制能力比较差，并且不能很好地提取出信道的深层时变特征。由于目前算法对于高动态干扰的处理存在性能瓶颈，现有的技术不能很好地解决非线性噪声消除的问题，因此本文提出嵌套残差注意力网络改进算法，用深层次的特征交互来提高估计的精度。

第三章面向导频非正交场景的深度学习OFDM信道估计改进算法设计与验证

3.1 基于嵌套残差注意力网络的信道特征提取模型构建

3.1.1 针对时延扩展特征的残差模块适配性优化

对于无线信道的多径时延扩展特性，常规残差模块在处理OFDM时频域信道矩阵的时候，很难准确地捕捉到不同的路径时延所对应的稀疏分布情况，主要是因为标准卷积在混合维度操作的过程中，很容易受到噪声的影响而模糊掉重要的路径信息。因此，对残差模块进行适配性优化，首先将标准卷积替换成沿时延维度和多普勒维度分离的可分解卷积，时延维度卷积核大小为3、步长为1、空洞率为2，增大感受野覆盖多径时延，多普勒维度用1×3卷积核平滑；其次，在残差支路中新增多径特征掩码映射层，用非线性变换计算路径激活权重，加强有效路径特征。从特征热力图可以看出，优化之后的模块对于强弱时延路径的提取精度明显提高，并没有增加模型的参数量，很好地增强了信道时延特征的适应性。

3.1.2 注意力权重分配机制对导频污染的抑制逻辑

在导频非正交的情况下，导频污染在时频域信道矩阵中表现为叠加在有效信号上的非均匀分布干扰，它的统计特性和真实的信道响应有很大的不同。注意力权重分配机制用双分支结构来实现对干扰的抑制，计算流程先由通道注意力分支根据各个发射天线导频信号的特征强度，不同地分配权重来衰减邻小区非正交导频的干扰分量。接着，空间注意力分支对时频网格点的特征权重做二次校准，增大有效信道响应特征的占比，从而去除掉剩下的噪声。为了保证机制的有效性，损失函数约束项主要对最小化导频污染分量的权重输出进行设计，从理论上使网络把污染分量的权重占比压到极低的水平，从而完成对核心算法抑制导频污染逻辑的闭环验证。

3.2 改进算法的仿真对比与性能实测分析

为了检验改进算法的有效性，首先建立符合3GPP TR 38.901标准的OFDM仿真链路，创建导频复用因子为1的强非正交干扰环境以及不同的时延扩展多径环境。在此过程中，设定信道响应为 $\mathbf{H}$ ，接收信号为 $\mathbf{Y} = \mathbf{HX} + \mathbf{N}$ ，算法核心旨在最小化均方误差 $MSE = \frac{1}{N} \sum$ 。将所提算法与LS、MMSE以及主流的DNN、CNN算法进行比较，主要对MSE、BER和推理耗时进行分析。核心实现逻辑如下：

python

def evaluate_model(model, test_data, test_label):
    pred_channel = model.predict(test_data)
    mse_value = np.mean(np.abs(pred_channel - test_label) ** 2)
    ber_value = calculate_ber(pred_channel, test_label)
    return mse_value, ber_value

仿真量化出它的精度优势之后，又用SDR平台搭建起实测环境，对室内和室外车载信道进行数据采集。通过对算法在真实硬件上运行结果的分析，评价算法在实际部署中可以达到的效果以及鲁棒性，进而确定该改进算法在导频非正交场景下具体的性能增益幅度和适用范围。

第四章结论

本文主要针对OFDM系统传统信道估计方法在时变频率选择性衰落环境下性能受限的问题，对基于深度学习的改进算法进行了研究[4]。利用卷积神经网络模型，依靠它的强特征提取和非线性映射能力，很好地拟合了导频处的信道信息，并且成功地完成了数据子信道的插值估计。研究过程包括数据集的生成、模型的训练和仿真测试等几个方面，主要对网络结构的设计以及学习率的调整对收敛速度的影响进行分析。实验结果表明，与最小二乘法、传统的最小均方误差算法相比，该改进算法可以明显减小均方误差，提高系统在高信噪比环境下的解调性能。本研究证明了深度学习技术对于通信物理层优化的应用前景，给复杂的信道估计问题提供了一种有工程实践意义的新方法，大大提高了通信系统可靠性以及传输效率。

参考文献

\[1\]徐微, 张慧雪, 韩玉莹. 基于深度学习的OFDM系统稀疏信道估计算法[J]. 南开大学学报(自然科学版), 2025(2): 87-93.

\[2\]胡玉龙. 基于深度学习的OFDM系统信道估计算法研究[D]. 南京信息工程大学, 2023.

\[3\]廖勇, 花远肖, 姚海梅. 基于深度学习的OFDM信道估计[J]. 重庆邮电大学学报：自然科学版, 2019, 31(3): 6.

\[4\]陆元智, 魏祥麟, 于龙. 基于复数生成对抗网络的5G OFDM信道估计方法[J]. 电信科学, 2024, 40(3): 39-52.

\[5\]吴宏林, 陈稳, 汤辉. 结合反卷积和扩张卷积的信道估计算法[J]. 信号处理, 2021, 037(011): 2193-2199.

01 第一章 引言

02 第二章 OFDM信道估计基础与深度学习研究现状