高速移动场景下信道估计实现方法

    公开(公告)号:CN117527486A

    公开(公告)日:2024-02-06

    申请号:CN202311351653.X

    申请日:2023-10-18

    Abstract: 本发明公开了一种高速移动场景下信道估计实现方法,本发明基于5G NR标准为传输时隙设计的解调参考信号DMRS,在5G CP‑OFDM系统接收端进行时域信道估计插值时,首先对接收信号的频率偏移和信道最大多普勒频率进行估计,并根据所得的频率偏移估计值对接收信号进行频率偏移补偿,根据所得的最大多普勒频率估计值查找表得到系数矩阵并进行时域MMSE信道估计插值,所得插值结果通过频率偏移反补偿以获得完整的信道响应估计值,在高速移动场景下较传统的线性估计插值有一定的性能增益,适用于5G高速移动场景下的无线通信。

    一种高铁场景时变信道的多参数估计方法

    公开(公告)号:CN117527485A

    公开(公告)日:2024-02-06

    申请号:CN202311351652.5

    申请日:2023-10-18

    Abstract: 本发明公开了一种高铁场景时变信道的信道参数联合估计方法,包括:联合信道参数估计,建立系统概率模型,并进行系统参数的初始化。信道估计过程包括两层迭代,当内迭代满足收敛条件时,进入外迭代,更新DFO的估计结果。若外迭代收敛,根据信道增益的能量分布提取相应的时延和DFO估计结果并输出。通过基于DP和SBL原理建立系统概率模型,并基于EM框架求解,本发明可以实现对多次导频传输中可能具有相似性的信道参数的自适应分簇,提高估计精度。通过在每轮外迭代对当前DFO估计结果与实际DFO的差值造成的相位变化进行一阶泰勒展开并迭代地估计,有效改善了算法在高速移动场景的鲁棒性。

    一种高铁无蜂窝系统中基于深度强化学习的抗多普勒方法

    公开(公告)号:CN116600267A

    公开(公告)日:2023-08-15

    申请号:CN202310417624.2

    申请日:2023-04-19

    Applicant: 东南大学

    Abstract: 本发明公开了一种高铁无蜂窝系统中基于深度强化学习的抗多普勒方法,该方法包括:在发射器和接收器处使用大规模均匀线性阵列(ULA)组成波束成形网络,进行不同角度信号的分离,其中发射器处不同方向的波束分支对应不同的多普勒频偏(DFO);结合多智能体深度强化学习(MADDPG),将高铁场景的相关内容建模为MADDPG中的环境状态,动作,和奖励;当高铁与多个基站同时通信时,每个天线阵列作为一个智能体,高铁侧根据MADDPG算法的结果进行预编码及预补偿,基站侧根据MADDPG算法的结果进行波束成形,从角度域分离不同的DFO并补偿对应的多普勒频偏;根据环境的反馈,不断训练MADDPG网络直至收敛。

Patent Agency Ranking