本發(fā)明屬于信道估計(jì)，具體涉及一種基于swintrans-cnn模型的otfs信道估計(jì)方法。

背景技術(shù)：

1、在未來的無線通信場(chǎng)景中，高速移動(dòng)場(chǎng)景將會(huì)成為一個(gè)重要組成部分，例如高鐵通信、無人機(jī)通信、汽車自動(dòng)駕駛以及低軌衛(wèi)星通信，這些高速移動(dòng)場(chǎng)景會(huì)產(chǎn)生多普勒效應(yīng)，對(duì)于目前廣泛應(yīng)用的正交頻分復(fù)用（ofdm）調(diào)制系統(tǒng)來說會(huì)影響子載波之間的正交性，導(dǎo)致載波間干擾（ici)，使通信的穩(wěn)定性和可靠性都受到了極大的影響。

2、2017年，hadani提出了一種新的調(diào)制方案，并命名為otfs，與傳統(tǒng)信道建模在時(shí)頻域不同，otfs調(diào)制方案將信道建模在時(shí)延—多普勒域，時(shí)延—多普勒域信道變化緩慢，可視為時(shí)不變二維卷積信道，可以更好的處理高速移動(dòng)場(chǎng)景。除此之外，otfs系統(tǒng)與ofdm系統(tǒng)具有很好的兼容性，在ofdm系統(tǒng)中加入預(yù)處理和后處理模塊就可以構(gòu)成otfs系統(tǒng)，節(jié)省了資源，所以目前對(duì)otfs的研究成為了熱門。

3、2022年末，chatgpt橫空出世，吸引了全世界的目光，也吸引了越來越多人對(duì)人工智能領(lǐng)域?qū)W習(xí)的興趣。機(jī)器學(xué)習(xí)是人工智能的核心，是使計(jì)算機(jī)擁有智慧的根本途徑。其中深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域中的一個(gè)新的方向，可視作對(duì)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的升級(jí)，深度學(xué)習(xí)在生成模型并訓(xùn)練后可自己完成特征提取，然后進(jìn)行數(shù)據(jù)的處理，其在處理復(fù)雜的數(shù)據(jù)和任務(wù)中展示了優(yōu)異的能力。目前深度學(xué)習(xí)已經(jīng)在計(jì)算機(jī)視覺、語音識(shí)別、自然語言處理以及自動(dòng)駕駛等不同領(lǐng)域取得了巨大的成果。

4、在通信領(lǐng)域中，深度學(xué)習(xí)被廣泛的應(yīng)用于信道估計(jì)、信號(hào)檢測(cè)以及量子通信等技術(shù)中，大量的實(shí)驗(yàn)結(jié)果證明了利用深度學(xué)習(xí)算法可有效提升無線通信系統(tǒng)性能。

5、在無線通信的系統(tǒng)模型中，發(fā)送端發(fā)射的信號(hào)會(huì)在無線信道中受到各種障礙物的影響，導(dǎo)致信號(hào)的幅度、相位、頻率等參數(shù)發(fā)生改變，為了在接收端獲得準(zhǔn)確的信號(hào)，需要對(duì)信道進(jìn)行信道估計(jì)，獲得當(dāng)前情況下的信道狀態(tài)信息（csi）。目前關(guān)于otfs信道估計(jì)方案基本分為基于導(dǎo)頻符號(hào)的傳統(tǒng)方案，壓縮感知方案和深度學(xué)習(xí)方案，傳統(tǒng)導(dǎo)頻方案是通過對(duì)信道場(chǎng)景進(jìn)行分析，發(fā)送端劃分網(wǎng)格資源，并根據(jù)該信道中最大時(shí)延和最大多普勒頻移等參數(shù)在發(fā)送信號(hào)中設(shè)置導(dǎo)頻符號(hào)和保護(hù)符號(hào)，并在接收端根據(jù)對(duì)應(yīng)區(qū)域的位置進(jìn)行閾值判斷，從而得到不同路徑的各項(xiàng)參數(shù)；該方案最大的問題是易受到噪聲的干擾，在低信噪比情況下，難以進(jìn)行閾值判斷，閾值高會(huì)過濾路徑的脈沖響應(yīng)，閾值低會(huì)錯(cuò)把噪聲當(dāng)作路徑的脈沖響應(yīng)進(jìn)行分析，且真實(shí)的通信場(chǎng)景中噪聲往往是不斷變化的，采用閾值判斷法很難動(dòng)態(tài)設(shè)置閾值去除噪聲。

6、綜上所述，如何解決在低信噪比場(chǎng)景下誤碼率過高問題，從而otfs信道估計(jì)的準(zhǔn)確度是本發(fā)明想要解決的技術(shù)問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于swintrans-cnn模型的otfs信道估計(jì)方法，以解決上述背景技術(shù)中提出的問題。

2、本發(fā)明目的是這樣實(shí)現(xiàn)的：一種基于swintrans-cnn模型的otfs信道估計(jì)方法，其特征在于：該方法包括以下步驟：

3、步驟s1：根據(jù)具體信道場(chǎng)景確定信道基本參數(shù)，設(shè)計(jì)tdl信道模型；

4、步驟s2：利用嵌入式導(dǎo)頻方法設(shè)計(jì)發(fā)送端的時(shí)延—多普勒域信號(hào)；

5、步驟s3：對(duì)發(fā)送得到的時(shí)延—多普勒域信號(hào)進(jìn)行二維循環(huán)卷積和高斯白噪聲處理，得到接收信息；

6、步驟s4：構(gòu)建swintrans-cnn去噪模型，并進(jìn)行訓(xùn)練；

7、步驟s5：利用訓(xùn)練好的swintrans-cnn去噪模型，進(jìn)行信道狀態(tài)估計(jì)。

8、優(yōu)選的，所述步驟s1中根據(jù)具體信道場(chǎng)景確定信道基本參數(shù)，設(shè)計(jì)tdl信道模型，具體操作為：

9、步驟s1-1：獲得場(chǎng)景下移動(dòng)載體的最大移動(dòng)速度，根據(jù)該區(qū)域內(nèi)的5g標(biāo)準(zhǔn)獲得場(chǎng)景下的通信系統(tǒng)的載波頻率和子載波間隔；

10、子載波間隔?f通過符號(hào)周期獲得，符號(hào)周期；

11、步驟s1-2：獲得場(chǎng)景下的最大多普勒頻移和最大時(shí)延擴(kuò)展；

12、最大多普勒頻移；

13、其中，為光速，為最大移動(dòng)速度，為載波頻率；

14、最大時(shí)延擴(kuò)展；

15、其中，為通信鏈路的長度；

16、步驟s1-3：根據(jù)實(shí)際場(chǎng)景中5g應(yīng)用ofdm技術(shù)時(shí)頻域網(wǎng)格資源的大小，獲得對(duì)應(yīng)時(shí)延—多普勒域網(wǎng)格的資源大??；

17、通過ofdm時(shí)頻域網(wǎng)格資源和時(shí)延—多普勒域網(wǎng)格資源的對(duì)應(yīng)關(guān)系，得到時(shí)延分辨率和多普勒分辨率；

18、其中，為時(shí)延域網(wǎng)格數(shù)量，為多普勒域網(wǎng)格數(shù)量；，；

19、ofdm時(shí)頻域網(wǎng)格資源和時(shí)延—多普勒域網(wǎng)格資源的對(duì)應(yīng)關(guān)系為：時(shí)域網(wǎng)格數(shù)量n對(duì)應(yīng)多普勒域網(wǎng)格數(shù)量，頻域網(wǎng)格數(shù)量對(duì)應(yīng)時(shí)延域網(wǎng)格數(shù)量，多普勒域網(wǎng)格長度為多普勒分辨率，時(shí)延域網(wǎng)格長度為時(shí)延分辨率。

20、優(yōu)選的，所述步驟s2中利用嵌入式導(dǎo)頻方法設(shè)計(jì)發(fā)送端的時(shí)延—多普勒域信號(hào)，具體操作為：

21、步驟s2-1：在發(fā)送端劃分好的時(shí)延—多普勒域網(wǎng)格資源中放入發(fā)送信號(hào)，

22、步驟s2-2：根據(jù)確定好的參數(shù)進(jìn)行嵌入式導(dǎo)頻符號(hào)設(shè)置；

23、設(shè)置方案如下：

24、時(shí)延值為非負(fù)數(shù)，多普勒頻移值為負(fù)數(shù)或者非負(fù)數(shù)，為避免導(dǎo)頻和發(fā)送數(shù)據(jù)在接收端相互影響，時(shí)延域保護(hù)間隔為單倍最大時(shí)延值，多普勒域的保護(hù)間隔為雙倍最大多普勒頻移值；

25、時(shí)延—多普勒域信號(hào)的幀結(jié)構(gòu)為：

26、；

27、其中，為導(dǎo)頻，為發(fā)送數(shù)據(jù)，為多普勒頻移值在網(wǎng)格上的索引，為導(dǎo)頻時(shí)延值坐標(biāo)的索引，為最大時(shí)延的索引；為時(shí)延值在網(wǎng)格上的索引，為導(dǎo)頻多普勒值坐標(biāo)的索引；為最大多普勒頻移在網(wǎng)格上的索引。

28、優(yōu)選的所述步驟s3中對(duì)發(fā)送得到的時(shí)延—多普勒域信號(hào)進(jìn)行二維循環(huán)卷積和高斯白噪聲處理，得到接收信息，具體操作為：

29、步驟s3-1：對(duì)發(fā)送信號(hào)與信道脈沖響應(yīng)矩陣進(jìn)行二維循環(huán)卷積得到；

30、步驟s3-2：對(duì)加上加性高斯白噪聲得到接收信號(hào)；

31、步驟s3-3：在時(shí)延—多普勒域中，二維發(fā)送信號(hào)和接收信號(hào)的關(guān)系表示為：

32、；

33、其中，為時(shí)延—多普勒域脈沖響應(yīng)矩陣，為二維循環(huán)卷積，為時(shí)延—多普勒域加性高斯白噪聲矩陣。

34、優(yōu)選的，所述swintrans-cnn去噪模型包括fcn模塊和u-net模塊，swintrans-cnn去噪模型雙通道輸入雙通道輸出；

35、所述fcn模塊包括四個(gè)卷積層，，每個(gè)卷積層有32個(gè)卷積核，卷積核大小為3×3，填充為1，不帶偏置，采用relu激活函數(shù)，并定義向前傳播過程；

36、所述u-net模塊包括下采樣模塊、swin?transformer?block模塊以及上采樣模塊，swin?transformer?block模塊由兩個(gè)連續(xù)塊連接組成，包括第一連接塊和第二連接塊；兩個(gè)連接塊均包含layer?normalization和multi-layer?perceptron，layer?normalization用于歸一化操作，用于歸一化操作用于非線性映射和特征提?。?/p>

37、所述第一連接塊包含窗口自注意力計(jì)算w-msa，在每個(gè)窗口內(nèi)進(jìn)行自注意力計(jì)算，使模型關(guān)注區(qū)域內(nèi)特征；

38、第二連接塊包含平移窗口自注意力計(jì)算sw-msa，移動(dòng)窗口使不同窗口間的特征能夠交互，增強(qiáng)全局信息捕捉，兩個(gè)連續(xù)塊的連接提取復(fù)雜的全局和局部信息。

39、優(yōu)選的，所述下采樣部分采用平均池化和卷積操作縮小特征圖尺寸，上采樣模塊采用轉(zhuǎn)置卷積操作將圖像還原成原來的尺寸，用于恢復(fù)圖像細(xì)節(jié)信息；

40、所述上采樣模塊和下采樣模塊之間采用skip?connection進(jìn)行殘差連接，防止訓(xùn)練過程中梯度消失和梯度爆炸的問題。

41、優(yōu)選的，所述步驟s4中構(gòu)建swintrans-cnn去噪模型，并進(jìn)行訓(xùn)練，具體操作為：

42、步驟s4-1：將截取導(dǎo)頻接收范圍的二維復(fù)數(shù)矩陣分成的實(shí)部和虛部兩個(gè)通道；

43、步驟s4-2：輸入的數(shù)據(jù)先經(jīng)過fcn模塊，輸入數(shù)據(jù)經(jīng)過多次卷積操作后，提取并預(yù)測(cè)輸入圖像的噪聲級(jí)別，輸出噪聲特征圖；

44、步驟s4-3：將噪聲特征圖與原圖像相加，相加后的多通道圖像成為u-net模塊的輸入；

45、步驟s4-4：將帶有噪聲特征圖的原圖像先經(jīng)過兩個(gè)連續(xù)的下采樣模塊，將特征圖分辨率減小，方便多尺度融合并增大感受野；

46、步驟s4-5：下采樣模塊輸出的低分辨率圖像輸入到swin?transformer?block模塊，通過局部注意力和全局上下文的結(jié)合，對(duì)輸入的特征進(jìn)行去噪同時(shí)保留局部和全局的重要特征信息；

47、步驟s4-6：經(jīng)過swin?transformer?block模塊輸出圖像，經(jīng)過兩個(gè)連續(xù)的上采樣模塊，將去噪后的低分辨率圖像恢復(fù)至原圖像大小，并保留原圖像細(xì)節(jié)信息。

48、優(yōu)選的，所述swintrans-cnn去噪模型進(jìn)行訓(xùn)練時(shí)，在接收端的區(qū)域截取導(dǎo)頻的時(shí)延和多普勒頻移范圍；

49、所述導(dǎo)頻接收的范圍，，導(dǎo)頻接收的范圍區(qū)域整體表示為；為時(shí)延—多普勒域加性高斯白噪聲矩陣；

50、接收端每個(gè)獨(dú)立導(dǎo)頻接收的范圍為：

51、；

52、其中，為路徑標(biāo)識(shí)，當(dāng)多普勒抽頭時(shí)延抽頭處存在一條路徑時(shí)，，否則；為多普勒抽頭時(shí)延抽頭處的脈沖響應(yīng)；為在坐標(biāo)格點(diǎn)處的噪聲；為虛數(shù)；為時(shí)延域網(wǎng)格數(shù)量，為多普勒域網(wǎng)格數(shù)量；

53、截取導(dǎo)頻接收的范圍區(qū)域的二維復(fù)數(shù)矩陣作為swintrans-cnn模型的輸入。

54、與現(xiàn)有技術(shù)相比，本發(fā)明具有如下改進(jìn)及優(yōu)點(diǎn)：

55、1、通過采用嵌入式導(dǎo)頻方案和swintrans-cnn模型結(jié)合的方法，將發(fā)送端預(yù)設(shè)導(dǎo)頻和保衛(wèi)符號(hào)，接收端把otfs信道估計(jì)的問題轉(zhuǎn)化為時(shí)延—多普勒域二維圖像的去噪問題，解決低信噪比場(chǎng)景下誤碼率過高問題，提高信道估計(jì)的精準(zhǔn)度。

56、2、通過swintrans-cnn模型結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)（cnn)和transformer，保留了cnn局部感知的特點(diǎn)，又有著transformer捕捉數(shù)據(jù)間特征的聯(lián)系的優(yōu)勢(shì)，使得基于該模型的otfs信道估計(jì)方法具有更高的估計(jì)精度和更強(qiáng)的魯棒性。