-
铁路无线通信系统的可靠性和稳定性,对于保障高速铁路的安全运行至关重要。由于高速铁路运营环境的复杂性和列车的高速移动性,极易受多径和多普勒频移的影响,无线信道呈现出快时变性和非平稳性的特点[1]。当发射信号进入快时变信道传播时,信道质量会变差,导致接收端难以准确获取信道信息,严重破坏了高速铁路的无线通信环境[2]。此时,接收端必须采取一定的信道估计补偿方法才能准确恢复出发送端信号。信道估计是高速铁路正交频分复用(orthogonal frequency division multiplexing, OFDM)系统关键技术,也是铁路无线通信系统进行信道检测和均衡等操作的基础,其准确性和快速性对提升铁路无线通信系统性能有着重要意义[3]。
传统信道估计算法分为盲估计和导频辅助估计两种。其中,盲估计算法根据接收信号统计先验特征进行估计,该类方法因未插入额外导频信号,具有较高的频谱利用率及负荷较小的优点。但盲估计算法往往需要接收大量的发射信号来提取它们的统计特性,导致其复杂度很高[4]。而基于导频辅助的估计算法需要在发射信号中提前插入辅助导频符号,然后通过线性最小均方误差[5]、离散傅里叶变换法[6]等算法恢复导频位置的信道状态信息(channel state information, CSI),再通过插值算法恢复出所需位置的CSI。该类方法估计精度较高,假设信道响应在一个OFDM周期内不发生变化[7]。然而在列车高速运行场景下,多径效应和多普勒频移引起信道频率响应不断发生变化,导致传统信道估计性能大幅度降低,难以满足高速运行场景下无线信道估计的需求。
近年来,随着深度学习理论的快速发展,其被广泛应用到诸多领域。在铁路无线通信系统中,深度学习也被应用在信号检测[8]、信号编码[9]和信道状态信息反馈[10]等领域。由于信道矩阵与图像存在一定的相似性,近几年出现了一些以图像重建和恢复技术为基础的信道估计的深度学习算法。文献[11]提出将信道矩阵看作二维自然图像,将信道估计问题转化为图像处理问题,对其使用图像重建技术进行信道估计。文献[12]提出了一种采用近似消息传递去噪网络的信道估计方法,但该模型存在特征提取尺度单一以及列车高速移动性条件下噪声呈现较大差异性的特点,使得该方法难以有效剔除噪声干扰。文献[13]提出了采用条件生成对抗网络的信道估计方法,通过学习信道矩阵与导频位置的信道矩阵之间的映射函数进行信道估计,但CGAN模型存在模式崩塌的问题,导致难以获得稳定解。文献[14]提出了ChannelNet模型对信道进行估计,将导频处的信道频率响应视为低分辨图像,通过超分辨率(super resolution, SR)重建网络来恢复出完整信道,但该方法使用浅层神经网络,存在信道特征提取不充分的问题。
综上所述,现有的信道估计方法在对OFDM系统信道估计时,存在尺度单一及特征提取不充分,导致难以准确信道估计的问题。为此提出了一种基于多尺度残差注意力网络的高速铁路OFDM信道估计方法。本文主要工作如下:1) 将低质信道矩阵采用多尺度卷积核,提取信道矩阵的浅层多维特征信息,增强不同尺度信道特征信息的提取能力,克服了现在深度学习信道模型尺度提取单一的问题。2) 提出残差注意力级联深度网络对信道特征进行重构映射,将局部残差反馈结合注意力机制 (convolutional block attention module, CBAM) 来促进信道图像深层特征的融合和利用,达到充分提取信道特征的目的,提升OFDM信道矩阵的重构映射能力。3) 特征映射学习后,使用子像素卷积重构恢复生成高分辨率信道矩阵,从而完成信道估计。通过频域和时域信道估计实验表明:所提算法对OFDM无线信道恢复的精确度和时间复杂度等客观性评价指标均优于对比算法,能够满足高速场景下正交频分复用OFDM通信系统的信道估计需求。
-
为收集对本文MSRACEN网络模型进行离线训练所需要的数据集,通过MATLAB模拟随机地生成数据序列作为传输符号并在传输符号中添加固定的导频符号,使用LS算法收集导频位置处的信道矩阵作为训练数据,对模型进行训练减少误差。随机生成的二进制比特流由Jakes信道模型产生并且采用16QAM的星座调制[17]。为训练本文算法网络,首先经过Jakes无线信道模拟生成随机数据序列作为传输符号,并在传输符号中添加导频符号形成相应的OFDM帧,二维导频的插入采用分散导频的形式,将导频处的信道估计值HLS和最优估计H收集为训练数据,当初始训练学习率为0.000 1,Batchsize为300时,训练时间为570 s。为了综合评估本文网络模型对信道的估计性能,对本文方法与LS算法[27]、线性最小均方误差(linear minimum mean squared error, LMMSE)算法[5]、ChannelNet[14]算法进行仿真对比。此外,为了综合评估本文方法的信道估计性能,将分别收集通过频域与时域两种类型的信道估计算法获得的导频处的CSI。不同方法定量客观评价时,使用归一化均方误差(normalized mean-square error, NMSE)作为信道估计性能评价指标,公式为:
-
好的信道估计算法就是使估计误差较小,同时保持较低的复杂度[3,7]。信道估计分为时域和频域估计两种,其中频域方法从幅度和能量分布角度对信道状态进行分析;而时域方法主要实现衰落信道中衰落系数的分析。为了对本文算法进行全面地分析对比,分别对时域和频域进行不同信道估计方法的比较。首先使用在频域方案下进行信道估计的LS算法获取无线信道导频位置的信道频率响应作为数据集,对本文算法和ChannelNet进行训练,将它们的测试结果与LS算法和LMMSE算法进行对比。在频域对比完成后,再收集在时域方案下进行的信道估计的BEM-LS算法[28]获取的导频位置信道冲激响应作为数据集进行训练,将测试结果与BEM-LS算法和BEM-UKF算法[29]进行对比。
-
首先进行不同车速下信道频域估计的比较,选择的对比速度均为低速50 km/h和高速300 km/h,对LS算法、LMMSE算法、ChannelNet算法和本文算法进行仿真分析,各个算法在不同速度下的归一化均方误差如图10和图11所示。
图10中,在低速50 km/h环境下,从信噪比增益的角度对比上述算法,LMMSE算法信噪比(signal-noise ratio, SNR)增益比LS算法高大约7 dB,这是因为LS算法在信道估计时,算法过于理想化,忽略了噪声对信道产生的影响,由于缺少对先验信道特性的考虑导致其精度较低,而LMMSE算法能够充分利用先验统计信息来提高估计的精度。ChannelNet网络的信噪比增益比LMMSE算法高约11 dB。而本文方法又比ChannelNet方法提高了约10 dB,其原因为较LMMSE算法,ChannelNet使用深度学习特征提取功能,可以更好地跟踪信道的频率响应,但由于ChannelNet只使用了单尺度卷积核来对信道矩阵进行特征提取,存在感受域较小的问题,对信道矩阵的特征捕捉能力有较大的局限性。而本文方法采用多尺度特征、局部残差反馈结合CBAM注意力机制促进深层特征的融合和利用,提升了OFDM信道矩阵的重构映射能力,能够有效降低对无线信道进行估计产生的误差,其估计精度在4种方法中最高,估计结果更接近于克拉美罗界(Cramér–Rao bound, CRB),距离CRB约有4 dB的差距。
高速环境下,不同方法频域性能估计比较如图11所示。可以看出,LS算法和LMMSE算法在高速300 km/h环境下,随着SNR的增加,其归一化均方误差NMSE下降不明显,说明在高速环境下上述两种方法估计性能变差,误差增加,继而说明上述两种信道估计算法并不适用于高速场景。而本文算法在高速环境下,较其他3种方法同样具有较好的性能,距离CRB约有5 dB,更加逼近于CRB。与低速环境下相同,本文NMSE均呈现出下降趋势,说明本文算法对于高速铁路在不同场景中的适应性更好。
此外,综合图10和图11在低速和高速频域信道估计可以看出:随着SNR的增大,在低速环境下,4种算法都呈现出下降的趋势,这是因为SNR为信号与噪声的功率比值,SNR值越大说明信道质量越好,即受到噪声污染的程度越低,因此4种算法NMSE均呈现出下降的趋势,而预测的精度相反会逐渐提高。但在高速环境,随着SNR的增大,LS和LMMSE等方法下降趋势较慢,即高速环境下LS和LMMSE方法无法完成对于信道的准确估计,这是因为列车在高速行车条件下,受多普勒频移影响,信道出现严重的载波间干扰问题,而LS算法未考虑噪声影响,所以其估计精度有限。LMMSE属于线性估计算法,其利用频域上各个子载波之间的信道有相关性这一特点来提高信道估计精度,然而在高速环境下,无线信道的质量急剧恶化,在这种快衰落信道情况下,各个子载波之间的信道相关性被破坏,LMMSE很难实现信道的预测[30]。而本文方法无论是在低速或者高速环境下,采用多尺度残差注意力信道估计以及子像素卷积去噪,其信道估计精度均优于其他方法,本文方法估计精度更高。
-
在完成频域信道估计性能比较后,为了进一步验证本文方法的有效性,进行时域方案不同方法的比较分析,对比结果如图12和图13所示。
在图12中,低速50 km/h环境下,BEM-LS算法和BEM-UKF算法对信道进行估计的NMSE性能相差并不大,其中BEM-UKF算法的信噪比增益比BEM-LS算法高大约5 dB,本文算法较CRB高约6 dB。这是因为在低速场景下,BEM-LS算法与BEM-UKF算法均以基扩展模型为基础进行信道估计,在低速环境下受多普勒频移影响较小,采用基扩展BEM估计方法,均能得到导频符号周期内的BEM系数,两种算法均具有较好的估计精度。而ChannelNet算法在低信噪比时性能较差,这是由于在低信噪比SNR条件下,此时信道中噪声较多,而ChannelNet采用浅层网络进行特征提取,在特征提取时采用三层卷积层进行特征提取,较浅的网络层数在噪声较多干扰环境下难以有效提取到信道特征,导致估计结果较差。所提方法与ChannelNet浅层模型相对比,本文深度残差网络模型可以更加有效地对信道特征进行挖掘和提取,采用残差级联结构能够较好的解决网络中梯度弥散和精度下降的问题。此外从图12整体趋势来看,本文算法在低速时域环境下,无论在低信噪比还是高信噪比的情况下,其信道估计的精度和性能均优异于其他3种比较方法。
从图13可以看出,在高速场景300 km/h时,BEM-UKF算法的估计精度下降不大,而BEM-LS算法的信道估计精度大大降低,其原因为同样在高速环境下,子载波间干扰问题导致BEM-LS估计方法无法在信道估计环节有效消除信道干扰。而采用无迹卡尔曼滤波器的BEM-UKF算法比BEM-LS有更高的估计精度,这是因为无迹卡尔曼滤波器BEM-UKF模型通过无迹变换的方法,能够对信道冲激响应的实时变化进行跟踪,因此在高速场景下也具有一定的精度。高速环境下,ChannelNet较低速估计性能有所降低,而本文方法在高速移动场景下进行的时域信道估计,与CRB更加逼近,较其他算法相比有更高的估计性能,因为本文采用多尺度特征提取,以及残差注意力级联结构更容易学习到导频估计值与理想信道之间的复杂映射关系,可以更好地拟合信道中不同导频之间的关系。
-
综上时域和频域分析,可以得出所提方法在频域和时域上均取得了较好的信道估计能力。为了进一步体现本文算法在不同的导频位置下的信道插值性能,分别在导频间隔为3和导频间隔为6的情况下,使用不同的插值算法进行信道插值,得到的结果如图14所示。
从图14可以看出,在相同的信噪比下,不同方法导频间隔越小,其归一化均方误差NMSE值越低。如图14中导频间隔为3的信号NMSE小于导频间隔为6的信号,其原因为当导频间隔较大时,对信道状态信息的采样密度将会减小,导频间信道状态信息的相关性变弱,使估计误差增大[31]。将本文算法与基于深度残差超分辨重建网络[32]的插值算法进行对比,可以看出本文算法的估计精度更高,这是因为本文算法采用多尺度特征提取与注意力机制对信道状态信息进行处理,可以提取更充分的信道特征,并采用注意力机制能够更有效的抑制无关信息的干扰,因此其估计精度更高。
-
高速移动场景下,对信道估计算法的时间复杂度提出了更高的要求。表1给出了不同信道估计算法的时间复杂度值,其中基扩展模型进行信道估计的复杂度表达式中,Q为用来拟合信道的基函数的个数,L为多径数,N为子载波个数。对于基于深度学习模型的算法复杂度分析,通常以深度学习网络前馈运行的乘法与加法次数作为复杂度分析度量[18]。
名称 乘法计算次数 复杂度 LS N O(N) LMMSE 3N3+N2 O(N3) BEM-LS 4(QL)2N+QLN O((QL)2N) BEM-UKF 3N2QL+25(QL)2N O(N2QL) ChannelNet 107N2+23N O(N2) 本文方法 545N2+26N O(N2) 从表1可以看出,LS估计算法因仅在各导频子载波上进行一次除法运算,其时间复杂度最低,总计算次数为子载波数量N,算法复杂度大小为O(N),但通过频域和时域性能分析,该方法的信道估计性能最低。LMMSE的复杂度最高,因为该方法在信道估计时,需要求解大量自相关矩阵求逆运算,导致其计算量较大,计算次数为3N3+N2,算法复杂度为O(N3)。基扩展BEM-LS方法采用基扩展模型中基函数与多径数和LS算法完成信道估计,计算次数为4(QL)2N+QLN,其算法复杂度为O((QL)2N)。而基扩展BEM-UKF方法采用正交基函数的线性组合和卡尔曼滤波算法来降低运算复杂度,计算次数为3N2QL+25(QL)2N,其算法复杂度为O(N2QL),但因为基扩展模型的阶数远小于信道的长度,降低了其复杂度,其复杂度低于LMMSE算法。
ChannelNet网络和本文算法复杂度均低于LMMSE算法和BEM-UKF算法,ChannelNet网络的计算次数与复杂度分别为107N2+23N和O(N2),而本文所提算法计算次数为545N2+26N,算法复杂度为O(N2)。虽然ChannelNet网络和本文MSRACEN网络的复杂度接近,但本文模型使用深度残差级联网络来对低质信道进行超分辨重构,并采用子像素卷积进行恢复,既保证了精度又保证了速度。综合性能分析和复杂度比较,本文所提方法具有更好的性能和更高的信道估计精度。
Channel Estimation of OFDM in High-Speed Railway Based on Multi-Scale Residual Attention Network
doi: 10.12178/1001-0548.2022205
- Received Date: 2022-06-24
- Rev Recd Date: 2022-10-26
- Available Online: 2023-09-06
- Publish Date: 2023-07-07
-
Key words:
- channel estimation /
- depth residual attention /
- multi-scale convolutional neural network /
- orthogonal frequency division multiplexing (OFDM) system /
- super resolution reconstruction
Abstract: In order to solve the problem that it is difficult to accurately estimate the fast time-varying channel state information in orthogonal frequency division multiplexing (OFDM) communication system of high-speed railway in high-speed mobile scene, an OFDM channel estimation method based on multi-scale residual attention network was proposed. Firstly, we design the multi-scale channel feature extraction structure. For the low-quality channel matrix, we apply the multi-scale convolution kernel to extracting the shallow multi-dimensional feature information, which can improve the extraction performance of channel feature information with different scales. Then, a multi-scale residual attention cascade depth network is constructed for channel feature reconstruction and mapping. The local residual feedback is combined with CBAM (convolutional block attention module) attention mechanism to promote the fusion and utilization of deep features and improve the reconstruction and mapping ability of OFDM channel matrix. Finally, the sub-pixel convolution reconstruction is used to generate a high-resolution channel matrix to complete the channel estimation. The analysis in both frequency domain and time domain show that the proposed channel estimation method is better than other methods in terms of accuracy and complexity of channel estimation and can satisfy the needs of OFDM channel estimation.
Citation: | CHEN Yong, JIANG Fengyuan, ZHAN Zhixian. Channel Estimation of OFDM in High-Speed Railway Based on Multi-Scale Residual Attention Network[J]. Journal of University of Electronic Science and Technology of China, 2023, 52(4): 512-522. doi: 10.12178/1001-0548.2022205 |