基于GAN的导频配置和信道估计联合优化算法*

doi:10.12267/j.issn.2096-5931.2023.09.009

信息通信技术与政策 ›› 2023, Vol. 49 ›› Issue (9): 58-66.doi: 10.12267/j.issn.2096-5931.2023.09.009

基于GAN的导频配置和信道估计联合优化算法^*

GAN-based joint pilot configuration and channel estimation optimization method

徐明枫, 李阳, 韩凯峰, 徐晓燕, 江甲沫

中国信息通信研究院移动通信创新中心,北京 100191

收稿日期:2023-07-21 出版日期:2023-09-25 发布日期:2023-09-27
作者简介:
徐明枫中国信息通信研究院移动通信创新中心助理工程师,主要研究方向为面向6G的无线人工智能等
李阳，中国信息通信研究院移动通信创新中心工程师,主要研究方向为新一代移动通信与人工智能结合技术等
韩凯峰，中国信息通信研究院移动通信创新中心高级工程师,主要研究方向为面向6G的无线人工智能、通信感知一体化技术等
徐晓燕，中国信息通信研究院移动通信创新中心高级工程师,主要研究方向为6G无线空口技术、ITU国际标准等
江甲沫，中国信息通信研究院移动通信创新中心高级工程师,主要研究方向为面向6G的无线人工智能、通信感知一体化技术等
基金资助:
^*青年人才托举工程(2022QNRC001)

XU Mingfeng, LI Yang, HAN Kaifeng, XU Xiaoyan, JIANG Jiamo

Mobile Communications Innovation Center, China Academy of Information and Communications Technology, Beijing 100191, China

Received:2023-07-21 Online:2023-09-25 Published:2023-09-27

摘要/Abstract

摘要：

随着通信设备的爆炸式增长,信道环境变得愈加复杂,传统信道估计方法需要进一步增加导频开销以维持现有信道估计精度。然而,这会导致系统吞吐量的下降。首先,提出了一种基于GAN的信道估计方法以在OFDM通信系统中解决这一问题。然后,采用GAN模型去学习从低维的潜向量到真实信道样本的映射关系。最后,在此基础上进行联合的导频配置优化。

关键词: 信道估计, 人工智能, 生成对抗网络

Abstract:

With the explosive growth of communication devices, channel environments become increasingly complicated, which increases the pilot overhead of conventional channel estimation methods to maintain the estimation accuracy. However, the added extra overhead will lead to a decrease of system throughput. To solve this problem in the OFDM system, a channel estimation method based on the generative adversarial network (GAN) is first proposed. Then, the GAN model is used to learn the mapping relationship between the low-dimensional latent vector and the real channel samples. Finally, a joint pilot configuration and channel estimation optimization problem is considered to be solved.

Key words: channel estimation, artificial intelligence, generative adversarial network

中图分类号:

TN929.11

徐明枫, 李阳, 韩凯峰, 徐晓燕, 江甲沫. 基于GAN的导频配置和信道估计联合优化算法^*[J]. 信息通信技术与政策, 2023, 49(9): 58-66.

XU Mingfeng, LI Yang, HAN Kaifeng, XU Xiaoyan, JIANG Jiamo. GAN-based joint pilot configuration and channel estimation optimization method[J]. Information and Communications Technology and Policy, 2023, 49(9): 58-66.

导出引用管理器 EndNote|Ris|BibTeX

链接本文:

http://ictp.caict.ac.cn/CN/10.12267/j.issn.2096-5931.2023.09.009

http://ictp.caict.ac.cn/CN/Y2023/V49/I9/58

图/表 12

图1 基于GAN的信道估计方法流程

图2 GAN模型的训练流程示意图

图3 应用生成器模型恢复数据信道的过程

图4 导频配置方案

图5 两层线性网络模型结构图

图6 神经元选择层结构图

图7 基于GAN的导频配置与信道估计联合设计模型训练框图

图8 级联导频选择模块的生成器模型结构

图9 150 km/h移速场景下的导频选择优化结果

图10 300 km/h移速场景下的导频选择优化结果

表1 信噪比为20 dB时联合优化方案的仿真性能评估

速度(km/h)	基于GAN的导频配置和信道估计联合优化方案			GAN方法 (96个导频)	传统方法 (96个导频)
速度(km/h)	24个导频	48个导频	96个导频	GAN方法 (96个导频)	传统方法 (96个导频)
150	0.006 1	0.004 4	0.004 0	0.005 9	0.007 3
300	0.007 8	0.005 6	0.004 7	0.007 7	0.009 8

图11 300 km/h移速场景下联合优化方案的性能评估

参考文献 9

[1]	WANG Z, DU Y, WEI K, et al. Vision, application scenarios, and key technology trends for 6G mobile communications[J]. Science China Information Sciences, 2022, 65(5): 151301. doi: 10.1007/s11432-021-3351-5
[2]	SENGIJPTA S K. Fundamentals of statistical signal processing: estimation theory[J]. Technometrics, 1995, 37(4):465-466.
[3]	GUO Y, QIN Z, DOBRE O A. Federated generative adversarial networks based channel estimation[C]// 2022 IEEE International Conference on Communications Workshops (ICC Workshops). IEEE, 2022: 61-66.
[4]	GOODFELLOW I, POUGET-ABADIE J, MIRZA M, et al. Generative adversarial networks[J]. Communications of the ACM, 2020, 63(11): 139-144. doi: 10.1145/3422622 URL
[5]	AYANOGLU E, DAVASLIOGLU K, SAGDUYU Y E. Machine learning in NextG networks via generative adversarial networks[J]. IEEE Transactions on Cognitive Communications and Networking, 2022, 8(2): 480-501. doi: 10.1109/TCCN.2022.3153004 URL
[6]	PATHAK D, KRAHENBUHL P, DONAHUE J, et al. Context encoders: feature learning by inpainting[C]// 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2016: 2536-2544.
[7]	ETSI. 5G; NR; physical channels and modulation (3GPP TS 38.211 version 16.7.0 Release 16)[R], 2021.
[8]	ABID A, BALIN M F, ZOU J. Concrete autoencoders for differentiable feature selection and reconstruction[J]. arXiv preprint arXiv:1901.09346, 2019.
[9]	ETSI. 5G; study on channel model for frequencies from 0.5 to 100 GHz (3GPP TR 38.901 version 16.1.0 Release 16)[R], 2020.

[1]	王欣晖, 周星月, 朱进国. 6G网络架构探讨[J]. 信息通信技术与政策, 2023, 49(9): 13-22.
[2]	孟楠, 端木森嘉, 刘梦, 李飞远, 陈才. 元宇宙应用场景创新研究及实施建议——以苏州工业园区为例[J]. 信息通信技术与政策, 2023, 49(9): 74-81.
[3]	郭真, 姚树为, 胡亦琦, 申奇. 智慧城市咨询领域数字化转型的路径思考[J]. 信息通信技术与政策, 2023, 49(8): 73-79.
[4]	宋恺, 屈蕾蕾, 杨萌科. 生成式人工智能的治理策略研究[J]. 信息通信技术与政策, 2023, 49(7): 83-88.
[5]	黄璜, 张乾. 存算一体技术产业发展研究[J]. 信息通信技术与政策, 2023, 49(6): 30-39.
[6]	朱刚, 张美翔, 孙浩文, 李家京, 张亮, 杨云龙. ChatGPT带给智慧城市的启示——未来城市演进路径的探讨[J]. 信息通信技术与政策, 2023, 49(6): 71-78.
[7]	龚戈勇, 刘洋. 一种基于5G技术的AI智慧养老服务平台设计[J]. 信息通信技术与政策, 2023, 49(5): 91-96.
[8]	刘莺, 韩春清, 王李祥. 人工智能与我国中小银行数字化转型[J]. 信息通信技术与政策, 2023, 49(1): 22-27.
[9]	张沛, 刘媛媛. 人工智能治理国内外发展现状分析[J]. 信息通信技术与政策, 2023, 49(1): 46-51.
[10]	赵恒, 陈玮, 陈禹. 基于人工智能的光交箱资源管理方法[J]. 信息通信技术与政策, 2023, 49(1): 89-96.
[11]	徐晓燕, 韩凯峰, 杜滢, 刘慧, 赵妍. 6G愿景及潜在关键技术分析[J]. 信息通信技术与政策, 2022, 48(9): 2-8.
[12]	刘建华, 唐雷. 人脸表情识别技术研究综述[J]. 信息通信技术与政策, 2022, 48(8): 89-96.
[13]	王新文, 金贤敏. 光量子计算研究与应用[J]. 信息通信技术与政策, 2022, 48(7): 37-42.
[14]	李国红, 张倩. 我国智能应用产业专利态势研究[J]. 信息通信技术与政策, 2022, 48(6): 54-58.
[15]	郭真, 李帅峥. 依托人工智能加速数字经济发展的路径思考[J]. 信息通信技术与政策, 2022, 48(6): 69-74.

基于GAN的导频配置和信道估计联合优化算法^*

GAN-based joint pilot configuration and channel estimation optimization method

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 9

相关文章 15

编辑推荐

Metrics

本文评价