针对正交时频空间系统在整数多普勒模型中多普勒分辨率较低,不适用于实际通信场景的问题,在多输入多输出的正交时频空间(multiple⁃input multiple⁃output orthogonal time frequency space,MIMO⁃OTFS)调制系统中考虑分数多普勒信道模型...
详细信息
针对正交时频空间系统在整数多普勒模型中多普勒分辨率较低,不适用于实际通信场景的问题,在多输入多输出的正交时频空间(multiple⁃input multiple⁃output orthogonal time frequency space,MIMO⁃OTFS)调制系统中考虑分数多普勒信道模型,可有效提升多普勒频移分辨率,但同时会产生虚拟路径,导致多普勒间干扰。因此研究了一种模型驱动的学习去噪近似消息传递(learned denoising⁃based approximate message passing,LDAMP)算法,对含有多普勒间干扰的分数多普勒信道进行估计。该算法以去噪近似消息传递(denoising⁃based approximate message passing,DAMP)算法为基础,构建了一个可解释的神经网络框架,并选用去噪卷积神经网络(denoising convolutional neural network,DnCNN)替代DAMP中的传统去噪器,通过学习噪声特征将之有效去除,进而显著提升后续信号处理性能。仿真结果表明,模型驱动的LDAMP算法结合了迭代算法的模型优势和深度学习强大的泛化能力,相较于传统算法,能够有效补偿多普勒间干扰带来的性能损失,实现更高的信道估计精度。
暂无评论