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

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

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99的Filter+ReLU激活函数 • 第二部分：32个11Filter+ReLU激活函数，非线性映射层 • 第三部分：5个51的Filter • FSRCNN： 《Accelerating the SuperResolution Convolutional Neural Network》包含五部分 • 第一部分：56个55的Filter+ReLu • 第二部分：12个11的Filter+ReLu，降维作用 • 第三部分：12个33Filter+ReLu,非线性映射层 • 第四部分：56个11的filter+ReLU • 第五部分：1个99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

4 模型参数

（1）网络模型参数 损失函数

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