公开(公告)号：CN118713963A

公开(公告)日：2024-09-27

申请号：CN202410811623.0

申请日：2024-06-21

Applicant: 南京邮电大学

Inventor： 杨丽花 ,  常澳 ,  刘钦 ,  齐丽娜 ,  孙君

IPC: H04L25/02 ,  H04B17/391 ,  H04L27/26

Abstract: 本发明的一种联合UKF与堆栈式ELM的时变信道估计方法、设备及介质，包括首先通过基扩展模型来表征时变信道，然后基于历史时刻的信道基系数估计，引入UKF方法预测得到当前时刻的基系数的初始估计，再利用该初始估计对堆栈式ELM网络进行训练与测试，以获取更高精度的基系数估计；最后基于基系数与频域信道的转换关系，获取最终的频域信道估计。为了解决非线性状态空间模型下的参数估计问题，本发明基于历史时刻的信道基系数估计，首先引入无迹卡尔曼滤波(UKF)来预测得到当前时刻基系数的初始估计，然后利用该初始估计来训练堆栈式极限学习机(ELM)网络，以提取信道的深层特征并进一步提高信道估计的精度。本发明较现有方法具有更高的估计精度，适用于高速移动场景中时变信道信息的获取。

公开(公告)号：CN116566768A

公开(公告)日：2023-08-08

申请号：CN202310533178.1

申请日：2023-05-11

Applicant: 南京邮电大学

Inventor： 杨丽花 ,  邵永琪 ,  常澳 ,  任露露 ,  齐丽娜

IPC: H04L25/02

Abstract: 本发明公开了一种多普勒频偏与时变信道联合估计方法。针对RIS(Reconfigurable Intelligent Surface)辅助的移动上行OFDM系统中多普勒频率偏移(DFO)会对获取信道信息带来很大干扰的问题，本发明将DFO与时变信道进行联合估计，充分考虑了DFO对信道估计的影响。在DFO估计中，本发明利用卷积神经网络(Convolutional Neural Network，CNN)来获取高精度的DFO估计，以减少残余频偏对信道估计的影响。为了提高本发明的实用性，非理想DFO被设置为网络的训练目标。基于DFO补偿后的时域信号，本发明采用阈值降噪方法来获取高精度的级联信道估计，以减小直连信道估计误差与噪声的影响。仿真表明，本发明具有较高的估计精确度，适用于RIS辅助的移动通信系统中时变信道信息的高精度获取。