基于深度学习的无线信道估计算法优化

基于深度学习的无线信道估计算法优化

王钰博   闫星宇   张凤芝

北方自动控制技术研究所 山西太原 030006

摘要：在无线通信系统中，由于障碍物的存在，电磁波除了直射传播之外，还可以反射、衍射和散射。当电磁波遇到比波长大的障碍物时，会发生发射和透射；电磁波入射到建筑物、墙壁和其他大型物体的边缘时，则会发生衍射的现象；而当电磁波入射到不规则物体，如粗糙表面的墙壁、车辆和树叶等，则会使电磁波在各个方向散射。

关键词：无线信道估计，压缩感知技术，正交频分复用

前言：随着全球移动通信用户数量的不断增加以及无线移动业务的开发与发展，移动用户对于高速无线数据传输业务和移动互联网业务需求量越来越大。有限的频谱资源更显不足，在第三代第四代无线移动通信系统中，如何合理有效的利用有限的频谱资源显得十分关键。

1.无线信道的传输特性

大多数蜂窝无线移动通信系统运作在城区，发射机和接收机之间无直射路径，而高层建筑则会导致电磁波的衍射。由于不同物体的多路径反射，经过不同传播路径的电磁波的相互叠加则会引起多径衰落。此外，发射机和接收机之间距离也会不断改变。上述原因导致了接收机所接收到的电磁波强度会呈现衰减的特性。通常，无线信道的路径传播特性可分为大尺度传播损耗和小尺度(Small—Scale)传播衰落两种。大尺度传播损耗是指发射机和接收机之间长距离(几百米或几千米)的信号强度的衰减。小尺度衰落是指短距离(几个波长)或短时间(秒级)内接收信号强度的快速变化。事实上，在同一个无线信道里，既存在大尺度损耗，也存在小尺度衰落。一般而言，大尺度损耗表征了接收信号在一定时间内的均值随传播距离和环境的变化而呈现的慢变化，小尺度衰落则表征了接收信号短时问内的快速波动。由于大尺度衰落与本文研究问题无关，在此就不作介绍，这里主要介绍小尺度衰落的数学模型。

2.无线信道的类型

2.1传播路径损耗模型

一般来说，可以把接收信号的功率或者传播路径的损耗看作一个随机变量，而传播路径损耗模型是用来描述接收信号的平均功率或是传播路径的平均损耗，平均功率会随着传播距离的增加而减少，而传播路径的损耗会随着传播距离的增加而增加，因此，这个随机变量是传播距离的函数，随着距离的改变，会有不同的平均值或中间值。这种模型中较常使用的模型有：自由空间传播模型(Free space Pmpagation Model)、对数距离路径损耗模型(Log—Distance Path Loss Model)、及哈他模型(Hat a Model)。

2.2大尺度传播模型

这个模型是用来描述信号经过长距离传播的变化(几百个波长或更多波长)，主要探讨各类地形与地物对传播信号所产生的遮蔽效应(shadowing E ffect)。遮蔽效应可以用一个随机变数来描述，大部分的文献都一致的假设：遮蔽效应会使接收到的信号功率呈现对数常态分布(L09—NoHnalDist曲ution)。对数一常态遮蔽效应指的就是：在相同的传收距离下，不同接收机所接收到的信号强度(单位为dB)将呈现高斯或是常态分布，这也就是就传播路径所造成的功率损耗(以dB为单位)是呈现高斯或是常态分布的，而且这个随机变数标准差叮的单位也是dB。大尺度传播中的衰落包括：信号经过一段距离时信号的平均衰落。以及大型物体(如山脉或摩天大楼)导致的信号衍射而产生的衰落，并且大尺度衰落的信号的平均功率是缓慢变化的。

2.3小尺度传播模型

小尺度模型是用来描述在很短的距离(或时间)内，接收信号功率所呈现快速的变动。小尺度传播模型是用来探讨小尺度衰落(small scale Fading)的现象，小尺度衰落也简称为衰落(Fading)，主要是用来描述无线电信号经过一段很短的时间(或是很短的距离)所产生的快速变化；这些变化包括振幅、相位、频率、多重路径所造成的延迟等等。这种衰落是基带信号处理所必须要面对的主要问题。简单的来说，大尺度传播模型是用来描述在一段较长的时间之内，信号所呈现的平均功率变化；而小尺度传播模型则是描述信号在短时间之内，受到信道影响瞬问所产生的变化，两者不可混肴。小尺度传播中的衰落是多径传播和多普勒频移两者作用的结果。多重路径效应会造成各个路径信号到达接收机时有不同的相位、振幅、与时间延迟，因此会产生信号的时散(Time Dispersion)效应与频率选择性衰落；多普勒效应则会产生信号的频散(Frequency Dispersion)效应与时间选择性衰落。

3.信道估计的重要性

在移动通信系统中，为了在接收端能够较好地检测发送信号，一般采用相干检测。为了能够实现相干检测，需要对信道进行估计，使得接收端在知道信道状态信息的条件下对信号进行检测。所以，无线信道估计是无线通信领域的一个重要研究方向，它是接收端进行相干检测、解调、均衡的基础。系统采用相干检测时，信道估计是必须的。一般来说，使用训练序列和导频作为辅助信息来对信道进行估计。训练序列通常用在非时变信道中，在时变信道中一般使用导频信号。例如，在OFDM系统中，导频信号是时频二维的。为了提高估计的精度，可以插入连续导频和分散导频，导频的数量确定需要综合考虑估计精度和实现复杂度，在两者之间寻找一个合理的折衷。导频信号之间的间隔取决于信道的相干时间和相干带宽，在时域上，导频的间隔应小于相干时间；在频域上，导频的间隔应小于相干带宽。实际应用中，导频模式的设计要根据具体情况而定。当接收端使用非相干检测时，虽然不需要进行信道估计，但是系统的接收性能会有较大的损失。在进行差分检测时，虽然不需要信道估计，但仍需要一些导频信号提供初始的相位参考，差分检测可以降低系统的复杂度和导频的数量，但却损失了系统性能。

4.参量估计原理

信道估计问题在理论上属于概率统计领域的参量估计问题，这里简要介绍一下估计理论的基本概念。估计理论就是根据受到噪声干扰后的观测数据，来估计某一随机变量或随机过程。若待估计量是随机变量，则该估计称为参量估计；若待估计量是随机过程，则称为状态或波形估计。从一般意义上理解，参量估计指静态估计，参量随时问保持不变或变化非常缓慢；状态或波形估计指动态估计，参量是随时间变化而变化的。估计理论主要由参量估计和波形估计这两部分构成。在估计理论中，贝叶斯估计需要已知代价函数，同时还要知道待估参量和观测数据之间的概率描述。最大后验概率(MAP)和最大似然(ML)估计需要知道待估参量和观测数据之间的概率描述。线性最小均方误差(LMMsE)估计则只需要已知待估参量与观测数据的一、二阶矩。最小二乘(Ls)估计则什么概率或统计知识都不要，把估计问题作为确定性的最优化问题来处理。ML估值与MAP估值在估计理论中占有非常重要的地位。ML适用于非随机参数或者未知先验分布的参量估计，而MAP适用于已知先验分布随机参量的估计。由于最佳估计的估计量往往是观测数据的高度复杂的非线性函数，在实际问题中往往不易求解与计算。最大似然的方法要求知道观测值的条件概率密度函数。而事实上，观测数据的一阶、二阶统计量是比较容易得到的，这时常采用最佳线性估计，即在假定估计量是观测数据的线性函数的前提下，以均方误差最小为准则去寻求估计值，这种方法比较容易实现。需要强调的是，在一般情况下，由于只用观测数据的部分概率信息来进行估计，估计的质量会较差。但对高斯分布的情形，由于一、二阶矩信息已经完全描述概率特征，往往线性估计就是最佳估计。

5.结束语：

综上所述，对无线通信系统而言，因为传播路径的多样性和时变性，无线信道的特性在接收机的设计中，扮演着至关重要的角色。本文通过在MATLAB环境下的仿真，得到了信号在小规模衰落信道(主要是瑞利衰落信道和莱斯衰落信道)的传输的性能估计和QPsK调制信号在衰落信道中传播的性能估计。

参考文献：

[1]杜加懂，林辉.多天线无线信道仿真与建模方法[J].电信网技术，2007（10）.

[2]杨雪莲.基于射线跟踪的海洋表面无线信道建模研究[D].厦门：厦门大学，2014.

[3]高林毅.室内宽带无线信道测量与建模技术研究[D].北京：北京交通大学，2011.

[4]黄海艺.射线跟踪模型及应用实例[J].现代电信科技，2010（2）.