技术摘要：
本发明公开了一种基于神经网络的变换域自适应滤波信道估计方法，主要解决传统的变换域滤波方法使用固定大小的滤波窗口，滤除噪声少的问题。其实现方案为：1)构建神经网络；2)为神经网络收集训练数据集；3)使用训练数据集对神经网络进行离线训练；4)将接收端的时域估计  全部
背景技术：
随着5G时代的到来，无线通信的应用场景越来越多样化，除了传统通信业务之外， 还有智能家居、智慧城市、自动驾驶、云办公等等，多元化的应用场景带来了更高的性能指 标需求，传统的通信技术在传输速率和传输性能等方面难以满足日益增长的需求。 人工智能的飞速发展为通信技术领域带来了新的研究方向，人工智能技术的基础 是神经网络技术，神经网络能有效地逼近与拟合任意复杂的函数，还能够提取和处理隐含 的特征，这让神经网络技术在通信的物理层有很大的应用潜力。Hao  Ye等学者在“IEEE  Wireless  Communications  Letters,2018,7(1):114-117”上发表的论文“Power  of  Deep  Learning  for  Channel  Estimation  and  Signal  Detection  in  OFDM  Systems.”说明了 利用神经网络进行信道估计和信号检测是可行的，而且能够带来性能的提升。 无线通信领域的信道比较复杂，高效的信道估计技术能够带来性能的提升， M.Julia  等学者在“IEEE  VTS  53rd  Vehicular  Technology  Conference”上发表的论文 “DFT-based  channel  estimation  in  2D-pilot-symbol-aided  OFDM  wireless  systems” 使用一种变换域滤波去噪的信道估计方案，该方案设置一个滤波窗口，在时域滤除信道的 噪声，提高了信道估计的精度，但该算法的滤波窗口是固定的，不能随着信道的变化而变 化，滤除的噪声量较少。 现阶段已经有学者研究出许多利用神经网络进行信道估计的方案。Xing  Cheng等 学者在“IEEE  Wireless  Communications  Letters ,2019,8(3):881-884”上发表的论文 “Deep  Learning-Based  Channel  Estimation  and  Equalization  Scheme  for  FBMC/OQAM  Systems”将信道估计和均衡模块结合起来用一个神经网络代替，得到了比传统方法更优秀 的性能，但是该算法没有将信道估计模块单独分离出来，不利于通信系统的模块化。
技术实现要素：
本发明的目的在于针对上述现有技术的不足，提出一种基于神经网络的变换域自 适应滤波信道估计方案，以根据信道的变化改变滤波窗口大小，滤除更多噪声，提高信道估 计的准确度。 本发明的技术思路是：将神经网络与传统的变换域滤波去噪信道估计方案结合， 即在传统的变换域滤波去噪信道估计方案的过程中，利用神经网络自适应地选择滤波的窗 口大小，从而滤除更多噪声，其实现步骤包括如下： 1)搭建一个包括输入层，两个隐藏层和输出层的神经网络模型，且相邻两层之间 采用全连接方式连接； 2)设置一个随机的多径信道，并记录该信道的最大时延T； 5 CN 111614584 A 说　明　书 2/6 页 3)发送信号经过多径信道后，在接收端先进行最小二乘估计LS，得到频域估计向 量 再对 进行离散傅里叶逆变换IDFT，得到多径信道的时域估计向量 其 中n＝0,1,2,...,255； 4)对时域估计向量 和多径信道的最大时延T做数据预处理，构成一个训练样 本； 5)重复2)到4)共Ndata次，获得包含Ndata组训练样本的训练数据集； 6)将训练数据集代入搭建成的神经网络进行离线训练，得到训练好的神经网络； 7)在接收端再进行最小二乘估计和离散傅里叶逆变换，将得到的时域信道估计向 量 进行预处理后输入到6)中训练好的神经网络中，得到输出的滤波窗口大小 8)通过滤波窗口大小 滤除掉时域信道估计向量 的噪声，得到滤除噪声后的 时域信道估计向量 再对 进行离散傅里叶变换DFT得到频域信道估计向量 本发明与现有技术比较，具有以下优点： 1、本发明在传统的变换域滤波去噪信道估计方案的基础上，针对不同的多径信 道，使用神经网络自适应地识别出滤波窗口的大小，能够滤除更多的噪声，从而提升信道估 计的性能。 2、本发明将神经网络独立应用于信道估计过程，有利于通信系统的模块化设计。 附图说明 图1是本发明的实现流程图； 图2是本发明中构建的神经网络结构图； 图3是本发明与传统变换域滤波信道估计方法的误码率性能对比图。