文献类型：期刊文章

作　　者：廖勇[1] 花远肖[1] 姚海梅[1] 杨馨怡[1]

LIAO Yong;HUA Yuan-xiao;YAO Hai-mei;YANG Xin-yi(Center of Communication and TT&C,Chongqing University,Chongqing 400044,China)

机构地区：[1]重庆大学通信与测控中心

出　　处：《电子学报》

基　　金：国家自然科学基金(No.61501066);重庆市基础与前沿研究计划项目(No.cstc2015jcyjA40003);重庆市研究生科研创新项目(No.CYS18061);中央高校基本科研业务费重点基金(No.106112017CDJXY500001)

年　　份：2019

卷　　号：47

期　　号：8

起止页码：1701-1707

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、RSC、SCOPUS、ZGKJHX、核心刊

摘　　要：针对高速移动环境下信道快时变、非平稳特性导致下行链路信道估计性能受限的问题,本文提出一种基于深度学习的信道估计网络,即ChanEstNet.ChanEstNet使用卷积神经网络(Convolutional Neural Network,CNN)提取信道响应特征矢量和循环神经网络(Recurrent Neural Network,RNN)进行信道估计.我们利用标准的高速信道数据对学习网络进行离线训练,充分挖掘训练样本中的信道信息,使其学习到高速移动环境下信道快时变和非平稳的特点,更好的跟踪高速环境下信道的变化特征.仿真结果表明,在高速移动环境下,与传统方法相比,所提信道估计方法计算复杂度低,性能提升明显.

关 键 词：OFDM 信道估计 高速信道  深度学习  快时变信道  非平稳信道  

分 类 号：TN911.72]