技术摘要：
一种基于长短时记忆残差网络的信道插值估计方法，利用多个残差块串联而成的残差网络逼近参考信号和邻近资源元素之间的非线性插值关系以提高信道估计的精度，然后通过长短时记忆循环神经网络学习连续OFDM符号之间的慢变时域相关性，得到信道在导频位置处与数据位置处CSI  全部
背景技术：
增强移动宽带(eMBB)传输已被确定为第五代(5G)通信系统中最重要的场景之一。 在时变的无线环境中，为了保证在eMBB场景下的超高吞吐量，通常采用正交频分复用 (OFDM)传输和相干检测作为主要的传输方式。高阶调制如64正交振幅调制，被广泛用于提 高吞吐量。为了准确地检测高阶调制信号，一种高效而快速的信道估计通常被认为是最重 要的步骤。由于在现代无线通信中，只有一小部分资源用于导频传输，因此，仅通过少量的 观测(导频)进行信道估计被认为是一个具有挑战性的不适定重构问题。 为了在信道相干时间内解决这类复杂问题，标准信道估计过程通常包括一个信道 状态恢复阶段和一个低复杂度插值阶段。在加性高斯白噪声(AWGN)假设下，传统的信道状 态信息(CSI)恢复方案通常采用最小二乘法(LS)或最小均方误差(MMSE)算法，但这类方法 的复杂度较高。也有现有技术通过基于深度学习的神经网络进行信道的估计，但这些技术 所采用的神经网络由于较为复杂，并不能在信道相关时间内完成信道估计，还很容易导致 过拟合问题。
技术实现要素：
本发明针对现有技术存在的上述不足，提出一种基于长短时记忆残差网络的信道 插值估计方法，将无线通信系统中的信道估计问题重定义为深度学习算法中的超分辨率算 法，并通过探索信道的特性利用相关域知识提出了针对信道估计的算法，在提高估计精度 的同时，满足了商用的时延要求，这为以后其他应用于无线通信系统的深度学习算法提供 一些设计见解。 本发明是通过以下技术方案实现的： 本发明涉及一种基于长短时记忆残差网络的信道插值估计方法，利用多个残差块 串联而成的残差网络逼近参考信号(RSs)和邻近资源元素(REs)之间的非线性插值关系以 提高信道估计的精度，然后通过长短时记忆循环神经网络学习连续OFDM符号之间的慢变时 域相关性，得到信道在导频位置处与数据位置处CSI的非线性插值关系，从而通过插值得到 完整的CSI估计。 所述的参考信号(RSs)和邻近资源元素(REs)之间的非线性插值关系具体是指：随 时间传输的信号具有一定的时间连续性，对单位时间间隔和频率间隔，根据邻域之间的时 间相关性系数 绘制相关系数与间隔数之间的关系，其 中：hk(fRE,tRE)为邻近资源元素的信道响应，为接收端信道相关矩阵，Δt＝0.01s。 所述的信道在导频位置处与数据位置处CSI的复杂的非线性插值关系具体是指： 3 CN 111555990 A 说　明　书 2/6 页 目前OFDM主要使用导频辅助信道估计模式，即发送数据流中插入导频信号，在接收端提取 导频计算得到在导频位置处的CSI，再用插值算法估计其他数据位置处CSI。 所述的残差网络是指：16个残差块串联而成的网络。 优选地，对上述残差网络进一步简化，通过调整残差块的原始结构同时减少残差 块和卷积滤波器的数目，得到简化版的长短时记忆残差网络。 所述的长短时记忆循环神经网络是指：卷积长短时记忆循环神经网络 (ConvLSTM)。 所述的长短时记忆循环残差神经网络使用标准COST  2100信道模型对网络进行离 线训练，并使用OFDM传输将其在线部署到商用Wi-Fi系统中。 本发明涉及一种实现上述方法的系统，包括：信道估计精度提升模块、长短时记忆 循环神经网络(LSTM)模块和插值模块，其中：信道估计精度提升模块根据内置的残差网络 逼近参考信号和邻近资源元素之间的非线性插值关系并得到优化信道估计，LSTM模块学习 连续OFDM符号之间的慢变时域相关性，结合优化信道估计得到信道在导频位置处与数据位 置处CSI的非线性插值关系，插值模块通过导频点出的信道传递函数估计出整个信道的传 递特性。 技术效果 本发明基于超分辨率(SR)提出更合适的学习框架，整体解决无线信道估计问题； 由于无线信道在时域中具有一些慢变特性，如何在基于超分辨率(SR)学习框架的基础上对 这类域知识进行提取以提高估计精度的问题；信道相关时间内有效解决连续无线信道的估 计问题；基于SR传统学习框架方法中对于无线信道矩阵插值关系拟合不精确以及域知识进 行提取不全面的缺陷。 与现有技术相比，本发明能够提高10dB到11dB的NMSE性能增益的同时将处理延迟 控制在1毫秒之内。进一步通过离线训练，在保证精度的前提下同时适用于视线传输(LOS) 和非视线传输(NLOS)实际场景，具有较高的泛化能力以及应用于实际系统的高可行性。 附图说明 图1为包含Nt个时隙和Nf个子载波的一个资源块示意图； 图2为超分辨率卷积神经网络(SRCNN)示意图； 图3为单目超分辨率图像的增强深度残差神经网络(EDSR)模型示意图； 图4为实施例LSRN网络架构示意图； 图5为网络简化前后相关结构时延的变化示意图； 图6为三种不同残差块的结构对比示意图； 图中：(a)ResB_Leidge，(b)ResB_Lim，(c)ResB_proposed； 图7为三种残差块结构的性能对比示意图； 图8为不同网络结构的性能对比示意图； 图9为基于SRCNN和传统信道估计算法在LOS环境下的NMSE性能比较示意图； 图中：(a)导频配置：14×14，(b)导频配置：28×28； 图10为基于LSRN-L信道估计算法在NLOS与LOS环境下的NMSE性能比较示意图； 图11为基于LSRN-L信道估计算法在不同训练样本与不同导频配置情况下的NMSE 4 CN 111555990 A 说　明　书 3/6 页 性能比较示意图； 图12为实施例中LSRN结构示意图； 图13为实施例中LSRN-L结构示意图。