1.基于DDST及深度学习的信道估计方法,其特征在于:所述估计方法包括:将获得的含有训练序列信息的接收信号进行信道状态信息预估计;
将所述预估计输入训练完成的第一深度神经网络中,获得增强信道状态信息值。
2.根据权利要求1所述的估计方法,其特征在于:所述训练序列通过下式叠加于发射信号中:
x=(I‑J)s+c (1);
其中, 表示长度为N的训练序列; 表示已调制发射信号序列;I表示N×N的单位矩阵;J表示DDST预失真矩阵。
3.根据权利要求2所述的估计方法,其特征在于:所述DDST预失真矩阵J设置如下式:H
其中,FN表示维度为N×N的傅里叶变换矩阵;(·) 表示共轭转置操作;U表示如下的对角矩阵:
4.根据权利要求1所述的估计方法,其特征在于:其还包括:对含有训练序列信息的接收信号先进行时频转换;
通过最小二乘法获得转换后导频位置处的信道估计值;
对所述导频位置处的信道估计值进行时频反转换,获得时域信道估计值;
根据训练序列长度,对所述时域信道估计值进行补零,获得补零后时域信道估计值;
对补零后的时域信道估计值进行傅里叶变换,获得与训练序列等长的信道状态信息预估计值。
5.根据权利要求4所述的估计方法,其特征在于:所述导频位置处的信道估计值通过下式获得:
其中,Y表示经傅里叶变换获得的频域接收信号,C表示经傅里叶变换获得的频域训练序列;P表示所述训练序列的周期长度,Q表示所述训练序列的周期数量。
6.根据权利要求1所述的估计方法,其特征在于:所述第一深度神经网络包括节点数为所述训练序列的长度的2倍的1个输入层,节点数为该长度的m倍的2个隐藏层,及节点数为该长度的2倍的1个输出层;其中,m优选为输入层节点数的1‑10倍。
7.根据权利要求1所述的估计方法,其特征在于:所述第一深度神经网络的训练包括:S31将标签确定的信道状态信息预估计与其标签对应,以两者的组合作为训练集;
S32向所述第一深度神经网络的输入层输入训练集中的预估计,根据其输出对网络参数进行调整,至误差收敛后,保存该网络及其参数;
其中,所述第一深度神经网络以ReLU函数作为其隐藏层激活函数,以均方误差损失函数作为其损失函数。
8.基于DDST及深度学习的信号检测方法,其特征在于:包括权利要求1‑7中任一项所述的信道估计方法,及:
根据所述增强信道状态信息值,对接收信号进行预均衡,获得预均衡数据;
将所述预均衡数据输入训练完成的第二深度神经网络中,获得检测信号;
优选的,所述预均衡通过如下的迫零法实现:其中,sZF表示长度为N的预均衡数据;GZF表示如下的均衡矩阵:其中元素 通过增强信道状态信息值 的矢量形式得到。
9.根据权利要求8所述的信号检测方法,其特征在于:所述第二深度神经网络包括节点数为所述训练序列的长度的2倍的1个输入层,节点数为该长度的n倍的3个隐藏层,及节点数为该长度的2倍的1个输出层;其中,n优选为输入层节点数的1‑10倍。
10.根据权利要求8所述的信号检测方法,其特征在于:所述第二深度神经网络的训练包括:
S51以其对应的已调制发射信号作为预均衡数据sZF的标签s,将预均衡数据sZF及其标签s的集合{sZF,s}作为训练集;
S52向第二深度神经网络的输入层输入预均衡数据sZF,根据其输出对网络参数进行调整,至误差收敛后,保存该网络及其参数;
其中,所述第二深度神经网络以ReLU函数作为其隐藏层激活函数,以均方误差损失函数作为其损失函数。