技术进展国际期刊
开放获取

抽象的

高移动环境中基于深度学习的车辆信道估计器

劳拉·格雷戈里安*、巴勃罗·费尔南德斯·贝拉斯科、菲奥娜·齐施、雨果·J·施皮尔斯

近年来，深度学习在提高数字处理链性能方面取得了令人瞩目的成果，几乎侵入了电信电子领域和其他领域。车辆环境中的无线接入（WAVE）技术已经发展起来，IEEE 802.11p定义了WAVE标准中的物理层（PHY）和媒体访问控制（MAC）层。然而，导频密度较低的IEEE 802.11p帧结构使得难以预测高车速（高多普勒频率）的车辆环境中的无线信道特性，从而导致系统性能在实际车辆环境中下降。本文的动机是在不修改 IEEE 802.11p 帧结构的情况下提高信道估计和跟踪性能。所以，我们提出了一种基于深度学习的信道估计技术，该技术可以在整个 SNR 值范围内表现良好，ISI 和 ICI 干扰的影响仍然是不可避免的现象。回顾了LS信道估计方法、MMSE和线性均衡器、三次样条、线性DFT和三次样条DFT插值带来的改进，这些插值技术有助于降低链路中的BER。划分不同的车辆通道环境场景；新估计 DNN 方法的模拟在高移动性信道的示例上进行，并与 LS 和 MMSE 方法进行比较。观察到所提出的估计器对信道的高移动性具有很强的免疫力。ISI 和 ICI 干扰的影响仍然是不可避免的现象。回顾了LS信道估计方法、MMSE和线性均衡器、三次样条、线性DFT和三次样条DFT插值带来的改进，这些插值技术有助于降低链路中的BER。划分不同的车辆通道环境场景；新估计 DNN 方法的模拟在高移动性信道的示例上进行，并与 LS 和 MMSE 方法进行比较。观察到所提出的估计器对信道的高移动性具有很强的免疫力。ISI 和 ICI 干扰的影响仍然是不可避免的现象。回顾了LS信道估计方法、MMSE和线性均衡器、三次样条、线性DFT和三次样条DFT插值带来的改进，这些插值技术有助于降低链路中的BER。划分不同的车辆通道环境场景；新估计 DNN 方法的模拟在高移动性信道的示例上进行，并与 LS 和 MMSE 方法进行比较。观察到所提出的估计器对信道的高移动性具有很强的免疫力。这些插值技术有助于降低链路中的 BER。划分不同的车辆通道环境场景；新估计 DNN 方法的模拟在高移动性信道的示例上进行，并与 LS 和 MMSE 方法进行比较。观察到所提出的估计器对信道的高移动性具有很强的免疫力。这些插值技术有助于降低链路中的 BER。划分不同的车辆通道环境场景；新估计 DNN 方法的模拟在高移动性信道的示例上进行，并与 LS 和 MMSE 方法进行比较。观察到所提出的估计器对信道的高移动性具有很强的免疫力。