目录
摘要
随着通信设备的爆炸式增长,信道环境变得愈加复杂,传统信道估计方法需要进一步增加导频开销以维持现有信道估计精度。然而,这会导致系统吞吐量的下降。首先,提出了一种基于GAN的信道估计方法以在OFDM通信系统中解决这一问题。然后,采用GAN模型去学习从低维的潜向量到真实信道样本的映射关系。最后,在此基础上进行联合的导频配置优化。
关键词: 信道估计; 人工智能; 生成对抗网络
0 引言
信道估计是无线通信系统中的一个基本问题,其准确性对于信号恢复、干扰管理以及无线资源分配等应用都有着重大影响。根据是否发送导频信号,信道估计方法可以分为三类,即盲信道估计、基于导频的信道估计和半盲信道估计。其中,盲信道估计基于接收信号的统计特性进行,而基于导频的信道估计通过解发送端已知的导频信号来获取信道信息。为了确保高精度的信道估计,后者被广泛应用。
由于大量高移动性和超密集连接的场景出现,未来5G和6G无线通信系统面临的一个挑战是如何获取高精度的信道估计结果[1]。有研究者提出信道估计的精度受益于导频数量的增加[2]。为了确保信道估计的精度能够满足业务的需求,一些传统的信道估计方法,例如最小二乘估计和最小均方误差估计等,均需要增加一定的导频数量。此外,这两种方法还各有缺点[3]。具体而言,最小二乘估计无法直接用于估计数据信道,而最小均方误差估计需要先获取导频信道和数据信道间的相关性且还需要消耗额外的计算资源以进行矩阵的逆运算操作。
为了克服上述瓶颈,业界研究了一些基于深度学习的信道估计方法。根据是否结合了传统信道估计方法,这些基于深度学习的方法可以分为两类:一类是设计神经网络结构用作去噪模块并添加到传统方法流程中;另一类是应用神经网络模型学习导频信道和数据信道间的相关性。然而,虽然上述方法能够取得相较于传统方法更精确的信道估计结果,但其网络结构的设计往往深度依赖于具体的导频配置方案。这意味着当改变导频配置方案时,模型可能需要重新进行训练,不能支持灵活自适应的模型部署。
生成对抗网络(Generative Adversarial Network,GAN)模型作为新兴的神经网络模型,已经在多个领域展现出强大的数据分布学习能力[4],包括图像生成、图像修复、数据扩展和通信网络等[5]。在无线通信领域,基于GAN的信道建模方案引起了广泛的研究热潮。
本文提出了一种基于GAN的信道估计方法用于支撑任何导频配置方案下的灵活信道估计,并在正交频分复用技术(Orthogonal Frequency Division Multiplexing,OFDM)系统下进行中高移速场景的性能验证。基于此,进行联合的导频配置优化,并给出性能仿真验证结果。
1 基于GAN的信道估计优化方法研究
现有信道估计方法难以兼顾性能和导频配置灵活性。具体而言,传统信道估计方法不依赖具体的导频配置方案,兼容性强但性能差;而传统人工智能(Artificial Intelligence,AI)模型依赖具体导频配置方案,性能强但兼容性差。此外,传统AI模型主要对低速场景下信道时域变化缓慢的情况进行验证,尚未对高速移动场景进行性能验证。为此,需要提出一种新的信道估计方法,实现在不同导频配置方案下的估计误差均能达到较低值。
基于此,本文设计了一种基于GAN的信道估计方法,该方法的整体流程如图1所示,整体流程包含两个阶段,分别是模型训练阶段和模型应用阶段。在模型训练阶段,GAN模型被用于训练以生成能够贴近真实信道样本分布的合成信道样本。模型训练在线上或线下均可实施。对于线下训练,可以用提前收集的信道数据进行模型训练,然后部署到线上进行应用。对于线上训练,模型基于实时收集的当前信道数据进行训练,能够学习到更贴合当前环境的信道特征。因此,两个训练模式存在着部署时延和生成样本相似度的折中关系,可以根据不同业务的要求选择合适的训练模式。此外,两个模式的联合应用也是可行的,具体可通过先线下训练一个模型再线上微调模型的方式实现。在模型应用阶段,将当前导频信道的估计值︿h︿p输入到已训练模型中,可以获得数据信道估计值︿h︿d。