5G物理上行共享信道导频信道估计研究 .pdfVIP

I

互联网+技术

nternetTechnology

5G物理上行共享信道导频信道估计研究

文|吴宏彦

摘要：5G新空口有望实现高速数据传输。为了应对5G新空口的复杂性需求，有必要在物理层处理中实现高效、高

性能的算法。本文旨在优化5G新空口物理上行共享信道中的信道估计，通过开发一个基于卷积神经网络的自编码器，

进行解调参考信号导频无线信道估计，并与传统的最小二乘信道估计方法相比较。本文指定了三个不同的实验场景，

每个场景由不同的输入样本提供模型。此外，获取模型的数据是该过程中必不可少的一部分。为此，本文采用了兼容

5G的链路级模拟器，并创新性提出用5G数据生成工具来生成高质量的数据集。该方法有效地训练了自编码器，使

其达到泛化的水平，使模型能够准确地估计信道，并且无需考虑信噪比和信道模型。与最小二乘信道估计方法相比，

自编码器的性能优于传统的估计方法，因此是5G上行物理层处理的一种有效解决方案。此外，在一定条件下，自编

码器在所有信道类型和信噪比值上的估计误差平均比最小二乘方法低90%。

关键词：5G；新空口；信道估计；自编码器；上行物理共享信道；最小二乘法；卷积神经网络；信噪比

一、引言然而，这些研究均未尝试利用自动编码器优化正交频分

移动通信系统是现代互联社会的基石，社交网络互复用（OFDM）接收机的单个块，以提高整体解码过程

动、多媒体流媒体服务和游戏所产生的流量不断增长表的性能。此外，为了实现参考信号，考虑到要符合当

明移动通信系统已经成为人们日常生活中的重要组成部前5G新空口标准，还需要对导频配置和解调参考信号

分。第五代移动通信技术（简称5G）以其高速率、低（DMRS）信号映射单个物理资源块（PRB）中使用两

[13]

时延和大连接开启了一个新技术时代。为了应对5G网种不同的DMRS导频分配选项，并同时也考虑这些选

[14-16]

络的复杂性需求，利用机器学习和人工智能来实现电信项的OFDM符号数量。

[1-2]本文旨在利用深度学习模型处理物理层，以优化

网络功能已成为新的趋势。在此背景下，包括自然

语言处理和计算机视觉在内的深度学习技术已被应用于5G新空口接口性能，降低端到端误码率（BER）。特

无线通信的上层协议栈，在网络切片、流量管理、无线别需要注意的是，本工作将重点优化5G新空口PUSCH

[3-6]中的信道估计链，将信道估计块作为自动编码器问题处

电资源分配等方面形成了有效的解决方案。

移动通信系统主要由终端、基站、核心网三部分组理，由一个预先训练的模型代替，以增强该模块的估计

成了两个子系统。其中，由于手机和基站之间的接口是能力，最终提高整体参数估计块的性能。

基站和手机之间通过电磁波在空气中传播的，因此就