【文献阅读：信道估计】Deep learning-based channel estimation

文献地址：https://ieeexplore.ieee.org/document/8640815
文献Github相关代码：
pytorch版本：https://github.com/rohsequ/Deep-Learning-Model-for-Channel-Estimation-PyTorch
tensorflow版本：https://github.com/MehranSoltani94/ChannelNet

---

一、解决的问题

提出了一个基于DL的OFDM系统信道估计框架ChannelNet。，信道响应的时频网格被建模为仅在导频位置已知的二维图像。具有多个导频的信道网格被视为低分辨率 （LR） 图像，估计信道被视为高分辨率 （HR） 影像。提出了一种两阶段方法来估计信道网格。首先，使用图像超分辨率（SR）算法来增强LR输入的分辨率。然后，利用图像恢复（IR）方法去除噪声效应。对于 SR 和 IR 网络，分别使用 SRCNN 和 DnCNN。
SRCNN：https://ieeexplore.ieee.org/document/7866198
DnCNN：https://ieeexplore.ieee.org/document/7839189

二、解决的思路和方法

1. 思路

对于SR和IR网络，使用了基于CNN的算法，超分辨率神经网络（Super-resolution convolutional neural network，SRCNN）和前馈去噪神经网络（DnCNN）。

• SRCNN：端到端映射LR/HR图像。
• DnCNN：前馈去噪，利用残差学习和批处理归一化来加速训练过程。

ChannelNet结构：

SRCNN首先使用插值方案找到高分辨率图像的近似值，再使用三层卷积网络来提高估计精度。

DnCNN是一个基于残差学习的网络，由20个卷积层组成。

训练公式：这里$f_S$和$f_R$分别是SR和IR函数。

2. 方法

• 模拟器：维也纳LTE- a模拟器。
• OFDM符号：LTE标准的ND=14时隙，NS=72子载波采样，实/虚二维图像。
• 仿真平台：Keras和Tensorflow使用GPU后端。
• 信道模型：使用载波频率为2.1 GHz、带宽为1.6 MHz、UE(用户设备)速度为50 km/h的VehA和SUI5(一种时延扩展较长的信道模型)无线信道模型。
• 性能比较：将本文方法的信道估计精度与理想MMSE、估计MMSE和理想ALMMSE三种最先进的算法进行了比较。
• 导频结构：晶状导频。
• 训练参数：训练速率设置为 0.001，批处理大小为 128，最多迭代 500 次。训练集、测试集和验证集分别由 32000、4000 和 4000 个通道组成。

三、解决的效果和结论

（1）基于信噪比的VehA信道模型的信道估计MSE：Low-SNR（12dB），High-SNR（22dB）。

结果表明，对于低 SNR 值，在 12dB 的 SNR 值（用深度低 SNR 表示）下训练的 ChannelNet 具有与理想 MMSE 相当的性能，并且比理想的 ALMMSE 和估计的 MMSE 具有更好的性能。此外，可以观察到，在大约中等SNR值之后，在22dB的SNR值（用深度高SNR表示）下训练的网络的性能将优于深度低SNR。
采用阈值法，信噪比较低时，采用Low-SNR网络估计信道，超过阈值后使用High-SNR网络估计信道。可以看出，对于高于23 dB的SNR值，深度高信噪比的性能将再次失效，需要训练另一个网络;但只要信噪比低于20 dB，两个生成的网络就足够了。

（2）基于信噪比的SUI5信道模型的信道估计MSE：

一般来说，由于SUI5信道的复杂性较高，与VehA模型相比，所有方案的性能都较低。在SNR值为5dB后，可以观察到ALMMSE和估计MMSE等方案显着退化，而所提出的深度模型仍然可以发现潜在的统计数据并得到可接受的MSE。正如预期的那样，Ideal-MMSE具有最佳性能，但在实际场景中无法实现，因为它需要充分了解正确的通道统计信息。

（3）基于导频数的Veh5信道模型在20dB下进行信道估计的均方误差：

在该信噪比特定值下训练的ChannelNet优于Estimated MMSE和Ideal ALMMSE方法，与Ideal MMSE方法相当。

（4）存在的不足：必须针对每个信噪比值重新训练网络。