车联网通信中基于深度学习的信道估计技术研究
智能交通系统（IntelligentTransportationSystems，ITS）是支撑车辆编队、车路协同以及自动驾驶等无人化、智慧化交通的基础，也是交通领域未来发展的核心。其中车联网（InternetofVehicle，IoV）中的车载无线通信能够提高驾驶的安全性和舒适性，并且可以提升用户服务质量，因而成为ITS的关键技术。一方面，为了保证IoV场景下的通信质量，需要在接收端解决信道衰落和噪声干扰的问题，目前常见的信道估计与信号检测方法对于提高通信质量有一定的保障，但传统通信系统的模块化处理方式不能保证端到端最优。另一方面，由于当前信道状态信息（ChannelStateInformation，CSI）在车辆高速移动时会失去实时性，因此需要对将来时刻的CSI进行预测。本文分别针对IoV通信中的信道估计和信道预测算法进行了研究，主要内容如下： （1）本文阐述了无线通信中信道估计和预测的相关理论基础。论文分别对大尺度衰落和小尺度衰落进行了介绍，给出了根据衰落类型而建立的两种信道模型分析和特性描述。然后介绍了无线通信中基于导频的估计算法：最小二乘估计、线性最小均方误差估计和插值算法，以及基于深度学习的信道估计算法，分析了传统信道估计算法的不足。最后分别介绍了自回归（Autoregression，AR）预测算法和基于神经网络的信道预测算法。 （2）本文提出了一种基于端到端学习的估计器。与传统通信系统不同的是，本文所提方法联合了信道估计与信号检测，不再需要模块化处理数据。具体而言，文章设计了一种基于生成对抗网络和残差网络的深度神经网络，能够实现接收信号的端到端恢复。在实验中，将该网络分别应用于加性高斯白噪声信道、多径信道、双车通信信道和瑞利衰落信道。在生成移动场景信道数据时，选择TR38.901信道模型，使用MATLAB中的工具包并设置相关参数生成信道数据。仿真结果表明，基于端到端学习的信道估计方法精度更高，并且适用于未知信道，具有鲁棒性。 （3）考虑到IoV通信中的移动性，本文提出了一种注意力机制融合长短期记忆网络（LongShort-TermMemory，LSTM）的信道预测方法。现有的信道预测方法存在陷入局部最优以及网络模型固定的问题，因此文章结合注意力机制与神经网络，计算数据之间的相关性，能够做到全局优化。仿真结果表明，基于注意力机制的信道预测方法的精度要优于AR算法和LSTM算法。
车联网通信;信道估计;信道预测;深度学习;端到端学习
华东交通大学
硕士
信息与通信工程
赵军辉
2023
中文
TN911.5
2023-11-30（万方平台首次上网日期，不代表论文的发表时间）