联合UKF与堆栈式ELM的时变信道估计方法、设备及介质

本发明涉及无线通信，具体涉及一种联合ukf与堆栈式elm的时变信道估计方法、设备及存储介质。

背景技术：

1、近年来，随着对第六代移动通信技术研究的不断推进，超高速列车、低轨卫星、车联网等场景下的无线通信引起了学术界和工业界越来越多地关注。在这些高速移动环境中，大多普勒频移的存在使得信道呈现出较强的快时变特性，这将给此场景中信道状态信息(channel state information,csi)的精确获取带来严峻地挑战。

2、目前，深度学习已在无线通信领域得到了广泛应用，并在时变信道估计方面也取得了一些显著的效果。其中，wang t q等人(wang t q,wen c k,jin s等人，“deeplearning-based csi feedback approach for time-varing massive mimo channels”)利用长短期记忆(long short-term memory,lstm)网络学习训练样本之间的时间相关性，实现了频分双工网络中csi的实时反馈，但由于lstm网络中门控机制和记忆单元的复杂性，需要训练大量的权重参数，因此网络训练速度较慢。li j等人(li j,zhang z c,wang y k等人，“deep learning-assisted ofdm channel estimation and signal detectiontechnology”)将自归一化网络(self-normalizing network,snn)应用到信道估计中，由于采用了selu激活函数引入自归一化特性，使得学习更加鲁棒，并能有效防止梯度爆炸和梯度消失。liao y等人(liao y,hua y x,dai x w等人，“chanestnet:a deep learningbased channel estimation for high-speed scenarios”)给出了一种卷积神经网络(convolutional neural network,cnn)与循环神经网络(recurrentneural network,rnn)联合的信道估计方法，该方法利用cnn提取导频序列特征，再利用rnn根据前向和后向导频信息进行信道估计，但是两种神经网络的联合使得该方法具有较高的计算复杂度。soltanim等人(soltani m,pourahmadiv,mirzaei a等人，“deeplearning-based channelestimation”)将导频符号的csi视为低分辨率图像，并输入超分辨率网络和去噪神经网络以获得高分辨率图像(即高精度csi估计)。然而该方法同样具有较高的计算复杂度。li l j等人(li l j,chen h,chang h h等人，“deep residual learning meets ofdm channelestimation”)给出了一种基于残差神经网络的信道估计方法，其首先利用神经网络获取较高精度的导频符号的信道估计，然后利用线性插值获取数据符号的信道估计，该方法采用的网络结构紧凑灵活，计算复杂度较低。为了提高方法的泛化性能，宋刚(宋刚，“基于elm的深度学习算法及其在时间序列预测中的应用研究”)给出了一种基于极限学习机(extremelearning machine,elm)网络的信道估计方法，然而该方法采用的是浅层结构，不能从复杂的原始数据中提取更深层的信道特征，这将限制了该方法的估计精度。

3、与传统的信道估计方法相比，基于神经网络的估计方法更适用于高速移动场景，然而这些现有的基于深度学习的信道估计方法大多采用复杂的网络结构，需要大量的训练样本来训练网络而且网络训练速度较慢。因此，需要研究一种实用估计精度更高，训练速度较快的适用于高速移动场景的时变信道估计方法。

技术实现思路

1、本发明提出的一种联合ukf与堆栈式elm的时变信道估计方法、设备及存储介质，可至少解决背景技术中的技术问题之一。

2、为实现上述目的，本发明采用了以下技术方案：

3、一种联合ukf与堆栈式elm的时变信道估计方法，包括以下步骤，

4、首先通过基扩展模型来表征时变信道，然后基于历史时刻的信道基系数估计，引入ukf方法预测得到当前时刻的基系数的初始估计，再利用该初始估计对堆栈式elm网络进行训练与测试，以获取更高精度的基系数估计；最后基于基系数与频域信道的转换关系，获取最终的频域信道估计。

5、进一步地，通过基扩展模型来表征时变信道，包括，

6、步骤1：构建状态空间模型

7、

8、式中,ci-1和ci分别是第i-1个和第i个ofdm符号周期的基系数，t代表相邻两个ofdm符号周期上基系数的相关矩阵，vi是第i个ofdm符号的信道转移过程噪声向量，其协方差矩阵为iql为ql×ql维的单位矩阵；观测矩阵其中是通过判决反馈的方式获得的数据符号的预测值。

9、进一步地，然后基于历史时刻的信道基系数估计，引入ukf方法预测得到当前时刻的基系数的初始估计，包括，

10、步骤2：基于现有的信道估计方法，获得第i-1个ofdm符号周期上的信道基系数估计并生成2d+1个sigma点，即

11、

12、式中，d＝ql，是第j个sigma点，pi-1为第i-1个ofdm符号周期上基系数的后验协方差矩阵；ξ为比例系数，且ξ＝α2(d+β)-d，α和β决定了sigma点在均值附近的分布；

13、步骤3：将步骤2中的sigma点代入状态预测方程，得到第i个ofdm符号周期上基系数的预测值为

14、

15、步骤4：基于步骤3获得的基系数的预测值，进行加权平均得到第i个ofdm符号周期上基系数的先验估计和协方差矩阵pi∣i-1为

16、

17、式中，和分别是sigma点预测值的均值和方差的加权系数，具体取值为

18、

19、步骤5：基于步骤4获得的基系数的先验估计，生成2d+1个sigma点，即

20、

21、步骤6：将步骤5中的sigma点代入状态测量方程，得到第i个ofdm接收符号的观测值为

22、

23、步骤7：基于步骤6获得的第i个ofdm接收符号的观测值，进行加权平均得到观测值的均值μi，协方差矩阵ωi以及互协方差矩阵θi，即

24、

25、式中，qe＝ei；

26、步骤8：根据贝叶斯滤波原理计算信道基系数的后验估计以及协方差矩阵pi为

27、

28、式中，ψi代表ukf增益，且

29、进一步地，再利用该初始估计对堆栈式elm网络进行训练与测试，以获取更高精度的基系数估计，包括，

30、步骤9：基于步骤8中获得的第i个ofdm符号周期上的初始基系数估计构造训练样本集为

31、

32、式中，u为样本个数，表示第u个训练样本中第i个ofdm符号周期上的初始基系数估计，其为输入样本；为第u个训练样本中第i个ofdm符号周期上的理想基系数值，为堆栈式elm网络训练逼近的目标；γ(·)为复数转实数运算，γ(·)＝[re(·),im(·)]，其中re(·)和im(·)分别为取实部和虚部操作；

33、步骤10：利用训练样本集训练堆栈式elm网络；

34、步骤11：基于步骤10中训练完成的具有输出权重的堆栈式elm网络，将基于ukf得到的当前ofdm符号周期的基系数的初始估计作为输入，即可获取当前符号的高精度的基系数估计

35、进一步地，最后基于基系数与频域信道的转换关系，获取最终的频域信道估计，包括，

36、步骤12：基于步骤11获取的当前符号的高精度的基系数估计，根据基系数与频域信道的转换关系式即可获取当前ofdm符号的高精度频域信道估计为

37、

38、式中，

39、进一步地，步骤10中采用了堆栈式elm网络结构，每个elm模块包含一个输入层、一个隐藏层和一个输出层，且输入层和输出层的神经元数目都为s，隐藏层的神经元数目为z；

40、将训练样本集送入首个elm模块后，elm会随机生成输入层到隐藏层的权重和偏置，并计算隐藏层输出矩阵，接着通过最小二乘方法获取隐藏层和输出层之间的权重，即

41、

42、式中，代表elm网络输出权重矩阵，ci为第i个ofdm符号周期上信道的理想基系数，表示求矩阵的伪逆；a是隐藏层输出矩阵，即

43、

44、式中，表示第z个结点的隐藏层特征映射函数，为输入层神经元与隐藏层神经元之间的权重向量，εz为隐藏层第z个神经元的偏置，g(·)是隐藏层激活函数；

45、首个elm模块的输出为

46、

47、基于上式中的输出对原始特征矩阵c1做随机偏移，接着通过一个核函数获得新的特征矩阵c2，再将其作为第二个elm模块的输入，后面的过程以此类推，则

48、cj+1＝g(c1+λojθj)

49、式中，oj是第j个elm网络的输出，投影矩阵θj∈rs×s随机取样于正态分布n(0,1)，λ是控制随机偏移程度的权重参数。

50、又一方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。

51、再一方面，本发明还公开一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上方法的步骤。

52、由上述技术方案可知，本发明的联合ukf与堆栈式elm的时变信道估计方法，该方法首先通过基扩展模型来表征时变信道，然后基于历史时刻的信道基系数估计，引入ukf方法预测得到当前时刻的基系数的初始估计，再利用该初始估计对堆栈式elm网络进行训练与测试，以获取更高精度的基系数估计。最后基于基系数与频域信道的转换关系，获取最终的频域信道估计。

53、具体的说，针对高速移动正交频分复用系统，本发明首先采用基扩展模型来拟合快时变信道，将信道估计转化为有限参数的信道基系数的估计，大大降低了计算复杂度。为了解决非线性状态空间模型下的参数估计问题，本发明基于历史时刻的信道基系数估计，首先引入无迹卡尔曼滤波(ukf)来预测得到当前时刻基系数的初始估计，然后利用该初始估计来训练堆栈式极限学习机(elm)网络，以提取信道的深层特征并进一步提高信道估计的精度。本发明较现有方法具有更高的估计精度，适用于高速移动场景中时变信道信息的获取。

54、本发明与现有技术相比较，采用的技术方案为一种联合ukf与堆栈式elm的时变信道估计方法，首先采用了基扩展模型来拟合快时变信道，将信道估计转化为有限参数的信道基系数的估计，降低了计算复杂度，接着基于历史时刻的信道基系数估计，引入ukf来预测得到当前时刻基系数的初始估计，最后利用该初始估计来训练堆栈式elm网络，以提取信道的深层特征，并进一步提高了信道估计的精度。该方法具有较高的估计性能且训练速度很快，复杂度较低，故具有一定的实用价值。