基于神经网络的MIMO-OFDM信道估计

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (34): 114-116.

基于神经网络的MIMO-OFDM信道估计

才华，刘广文，陈广秋

长春理工大学电子信息工程学院，长春 130022

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-12-01 发布日期:2011-12-01

MIMO-OFDM channel estimation based on Neural Network

CAI Hua，LIU Guangwen，CHEN Guangqiu

College of Electronic Information Engineering，Changchun University of Science and technology，Changchun 130012，Chian

Received:1900-01-01 Revised:1900-01-01 Online:2011-12-01 Published:2011-12-01

摘要/Abstract

摘要： 提出了一种适用于神经网络框架下的MIMO-OFDM系统的信道估计算法。通过对三层神经网络结构的分析，用两层神经网络实现了一种主成分分析（PCA）最小二乘学习算法。通过导频信息得到MIMO-OFDM信道模型初始值，再用神经网络算法对MIMO-OFDM信道的时变状态参数进行跟踪;采用两层神经网络，由隐层输出对最终输出修正，中间实现可变遗忘因子的改进递推最小二乘学习算法。仿真结果表明，该方法与最小二乘（LS）算法相比，在跟踪时变衰落信道时，估计的均方误差有较大提高，从而有效地改善了接收端的符号检测性。

关键词: MIMO-OFEM技术, 信道估计, 神经网络

Abstract: A channel estimation scheme for a multi-input multi-output orthogonal frequency division multiplexing（MIMO-OFDM） system is presented，which is under the neural network framework.Through the three-layer neural network structure，it achieves a Principal Component Analysis（PCA） least squares learning algorithm.Then，the scheme uses the pilots to estimate the channel impulse response as the initial value，and the neural network algorithm to track the MIMO-OFDM channel time-varying state parameters.To improve the estimation performance，the Neural Network approach uses a variable forgetting factor information to track the varying of the channel.The theoretical analysis and numerical results show that the scheme proposes a high precision and a good performance to track the variations of the fading channels compared to LS algorithm.The simulations show the effectiveness of the new scheme.

Key words: MIMO-OFDM, channel estimation, Neural Network

才华，刘广文，陈广秋. 基于神经网络的MIMO-OFDM信道估计[J]. 计算机工程与应用, 2011, 47(34): 114-116.

CAI Hua，LIU Guangwen，CHEN Guangqiu. MIMO-OFDM channel estimation based on Neural Network[J]. Computer Engineering and Applications, 2011, 47(34): 114-116.

[1]	许昊，张凯，田英杰，种法广，王子超. 深度神经网络图像描述综述[J]. 计算机工程与应用, 2021, 57(9): 9-22.
[2]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[3]	牟清萍，张莹，张东波，王新杰，杨知桥. 目标丢失判别机制的视觉跟踪算法及应用研究[J]. 计算机工程与应用, 2021, 57(9): 140-147.
[4]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[5]	王林，柴江云. 深度神经网络在多场景车辆属性识别中的研究[J]. 计算机工程与应用, 2021, 57(9): 162-167.
[6]	赵志焱，杨华，胡志伟，宇海萍. 基于TACNN的玉露香梨叶虫害识别[J]. 计算机工程与应用, 2021, 57(9): 176-181.
[7]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[8]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[9]	麻哲旭，杨峰，乔旭. 铁路路基病害智能检测方法[J]. 计算机工程与应用, 2021, 57(9): 272-278.
[10]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[11]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[12]	张越，黄友锐，刘鹏坤. 引入注意力机制的多分辨率人体姿态估计研究[J]. 计算机工程与应用, 2021, 57(8): 126-132.
[13]	翟正利，李鹏辉，冯舒. 图对抗攻击研究综述[J]. 计算机工程与应用, 2021, 57(7): 14-21.
[14]	祝钧桃，姚光乐，张葛祥，李军，杨强，王胜，叶绍泽. 深度神经网络的小样本学习综述[J]. 计算机工程与应用, 2021, 57(7): 22-33.
[15]	梁芳烜，杨锋，卢丽云，尹梦晓. 基于卷积神经网络的脑肿瘤分割方法综述[J]. 计算机工程与应用, 2021, 57(7): 34-43.