【文献阅读：信道估计】Deep Residual Learning Meets OFDM Channel Estimation

文献地址：https://ieeexplore.ieee.org/document/8944280
文献Github相关代码：https://github.com/graceBaoXP/Residual_CNN

---

一、解决的问题

介绍了一种专门用于OFDM信道估计的基于残差学习的深度神经网络ReEsNet，实验表示，该模型相比于ChannelNet具有更精确的信道估计值。

二、解决的思路与方法

1. 背景
ChannelNet存在以下缺点：
（1）在程序的第一步进行插值(预上采样)，之后的所有计算都在大尺寸输入上进行，因此显著增加了计算成本；
（2）插值方法的选择影响最终性能，这增加了一个在设计网络时考虑的超参数；
（3）SRCNN和DnCNN不是端到端训练，而是分开训练；
（4）网络规模很大，SRCNN和DnCNN共有23个卷积层，总共670k个参数。

2. 思路
引入残差网络，有以下好处：
（1）通过忽略输入和目标之间的共同信息，该模型可以专注于学习高频差异，降低了学习难度，提高了学习效率；
（2）它减轻了由深层网络引起的梯度消失问题。

基于深度学习的信道估计模块ReEsNet：

3. 模型参数
（1）第一层是具有16个大小为$3\times 3\times 2$的滤波器的卷积层，它将大小为$Npf\times Npn\times 2$(复数被分成实部和虚部，因此最后一个维度为2的输入Hp映射到大小为$Npf\times Npn\times 16$的输出。
（2）下面是4个ResBlock，每个RES block由两个卷积层和中间的一个ReLU层组成，每个卷积层有16个大小为$3\times 3\times 16$的滤波器。
（3）ResBolcks旁边是一个卷积层，具有16个大小为$3\times 3\times 16$的滤波器，该层的输出大小为$Npf\times Npn\times 16$。
（4）上采样层实现为转置卷积（反卷积层），可以通过不同的因素缩放图像的高度和宽度，将数据大小从$Npf\times Npn\times 16$扩大到$Nf\times Nn\times 16$。
（5）最后的卷积层具有2个大小为$3\times 3\times 16$的滤波器，估计的大小为Nf×Nn×2的整个信道H是该层的输出。

4. 与ChannelNet相比，ReEsNet的优点
（1）上采样层位于模型的尾部(后上采样)，之前的所有计算都在小尺寸的输入上进行，计算复杂度较低，这在最近的超分辨率研究中更受青睐。
（2）上采样层以转置卷积的形式实现，是一种可学习的上采样方法，可以训练得到最优权值。
（3）ReEsNet可以端到端训练。
（4）在不降低性能的情况下，最小化了网络的大小，形成了一个只有53k参数的紧凑网络。

三、解决的效果与结论

1. 仿真实验过程
（1）接收端提取出导频信号

导频格式：
（2）将导频信号输入至ReEsNet中进行信道估计。
（3）四种信道估计算法的均方误差MSE比较。

2. 仿真参数

性能比较：ReEsNet、ChannelNet、LS和LMMSE的信道估计均方误差MSE比较。
LOSS函数：采用L1损失函数。

3. 仿真结果
四种信道估计算法的均方误差MSE比较：

（1）LS仅在非导频位置应用线性插值来估计信道，因此性能是所有4种方法中最差的。LMMSE需要二阶信道统计量和噪声方差作为先验信息，这在实际通信系统中是不切实际的，尤其是当用户速度变化时，因此其性能被视为下限。对于其余两种不需要信道统计和噪声方差的基于深度学习的方法，ReEsNet优于ChannelNet，在低SNR区具有2到3dB的增益，在高SNR区具有4到5dB的增益。
（2）对于48个导频的情况，可以看到，随着导频数量的增加，性能越来越接近，原因是导频数量的增加降低了超分辨问题的难度。尽管如此，ReEsNet仍然胜过ChannelNet。
（3）24个导频时，ReEsNet在具有4条路径的扩展行人A模型(EPA)下被训练，然后在具有7条路径、4条路径、1条路径和WINNERII模型A1场景(室内)的EPA下被测试，仿真结果表示，信道失配对估计性能没有显著影响。