Deep Learning Assisted Channel Estimation Refinement in Uplink OFDM Systems Under Time-Varying Chann

题目：Deep Learning Assisted Channel Estimation Refinement in Uplink OFDM Systems Under Time-Varying Channels（利用深度学习进行信道估计）

1.1 摘要

设计一个CPR-DNN网络来应对时变信道参数的估计，采用的是全连接深度神经网络。这个网络是将深度学习和传统的信道估计算法相结合。

2.1 介绍

OFDM的优势：

• 将复杂的交叉传输信道转换为并行的窄带子信道
• 可以延长符号周期以抵抗符号间干扰。
  缺点：
• 对载波的频率偏移会非常敏感，会破坏载波间的正交性。
• 采用相干解调时，受时变信道参数影响严重，所以要对信道进行一定的估计。
  由于物体的移动速度越来越快（会受多普勒频移的影响），所以当初的静态信道分析已经无法去满足时变信道的估计。所以会出现目前的深度学习辅助估计。
  

基于信道参数的信道估计算法：有两种：前者开销比较大，会出现高的峰均比问题。后者的优化做得好一些。本文提出了一种基于信道参数细化网络（CPR—NET），提高可信道估计精度和检测性能。

3.1 基础知识的描述

3.1.1 信道模型

上行链路的时变参数信道可以表示为：

L表示L条解析的多径的路径数
N表示载波数量
V1 表示多普勒频移。
l 表示路径的编号
hl表示复振幅

这个是用卷积来描述，加上了一个高斯白噪声。这里的Sk是复数信号，而w是高斯白噪声。

3.1.2 CPB算法

CPB算法是发送特定的序列，根据就接收到序列的幅度和相位畸变，并且加上了一定的延迟信息后来准准确的辨识信道时域和频域的特性。缺点，在低信噪比的情况下，CPB算法对多普勒频移的估计精度还有很大的提升空间。

4. 深度学习辅助结构

为了能实现CPR算法，所以需要加入训练信息（bk和pn）和BPSK调制信息来一起构成传输帧。然后通过串并转换模块，将数据流分路传送，通过IFFT实现信号和载波的融合，生成OFDM符号，加入循环前缀，用并串转换模块，将数据流串行发送。通过在带有高斯白噪声的信道后，到达接收机，通过CPR-NET网络实现对多普勒频移和幅度信息的预测。

4.1 CPR-NET结构

输入的r[k]是接收端的输入信号，经过CPB算法后预测到的多普勒频移，在训练阶段，FC-DNN的作用是学习到预测值和真实的值之间的误差函数，对预测值进行进一步的矫正，然后得到更加精细化的多普勒频移参数，再根据CPB算法预测出幅值信息。CPR-Net 是一个五层的 FC-DNN，分别由一个输入层、3 个隐藏层和一个输出层组成。输入层和输出层的神经元个数设为L，对应多路径的数量。三个隐藏层的神经元分别为128、64、32。隐藏层和输出层的激活函数设置为Leaky-ReLU函数。误差函数用的平方损失函数（由于是拟合问题，不是分类问题），优化器采用Adam优化器。损失函数如下：