基于复数生成对抗网络的5G OFDM信道估计方法

准确的信道估计能够显著地降低误码率(bit error rate,BER),提高无线通信效率和质量,是5G OFDM通信系统接收机设计的关键环节之一。基于最小二乘(least square,LS)法和基于最小均方差(minimum mean square error,MMSE)的信道估计方法利用系统稀疏性计算信道响应矩阵,但LS算法计算精度较低,而MMSE算法计算量过大。为提升估计精度,业界设计了基于深度学习的信道估计方法。然而,现有的深度学习方法将复数矩阵拆分成实部和虚部,没有充分提取信道中的复数特征,造成估计的信道响应矩阵出现失真。为此,设计了一种基于复数的生成对抗网络模型,充分提取信号的复数特征,从而更准确地估计5G新空口(new radio,NR)标准的物理下行链路共享信道(physical downlink shared channel,PDSCH)的信道响应矩阵。为了验证所提方法的有效性,将所提方法分别与LS算法、实际信道估计、超分辨率神经网络、残差神经网络信道估计算法进行了对比分析。结果表明,当估计的信道响应矩阵与真实矩阵之间的均方差达到0.01时,采用所提方法实现的无线通信系统的信噪比高于现有方法5 dB左右。

TD-SCDMA中共享信道的研究

TD—SCDMA系统是为用户提供满足不同QoS指标的业务,尤其是高速率的业务。对于突发业务,如果采用共享信道来传输,则能大大提高系统资源的利用率,降低系统的阻塞率,从而提高系统的性能。论文对TD—SCDMA系统的共享信道作了分析。