第【139】期--基于深度学习的OFDM信道估计方法研究--python完整代码

关注我，追更更多通信仿真代码！
代码获取可以见系列置顶文章

文章目录

- [1 引言](#1 引言)
- [2 系统模型](#2 系统模型)
- - [2.1 OFDM基带传输模型](#2.1 OFDM基带传输模型)
  - [2.2 多径衰落信道模型](#2.2 多径衰落信道模型)
  - [2.3 导频观测模型](#2.3 导频观测模型)
- [3 经典信道估计算法](#3 经典信道估计算法)
- - [3.1 LS估计与线性插值](#3.1 LS估计与线性插值)
  - [3.2 LS估计与DFT插值](#3.2 LS估计与DFT插值)
  - [3.3 MMSE估计](#3.3 MMSE估计)
  - [3.4 统计失配的MMSE估计](#3.4 统计失配的MMSE估计)
- [4 基于神经网络的信道估计](#4 基于神经网络的信道估计)
- - [4.1 问题建模](#4.1 问题建模)
  - [4.2 全连接网络估计器](#4.2 全连接网络估计器)
  - [4.3 残差卷积网络估计器](#4.3 残差卷积网络估计器)
- [5 仿真设置](#5 仿真设置)
- [6 仿真结果与分析](#6 仿真结果与分析)
- [7 结论](#7 结论)

摘要：信道估计是OFDM系统接收机的关键环节，其精度直接影响均衡与解调性能。传统最小二乘（LS）估计实现简单但噪声敏感，最小均方误差（MMSE）估计性能优越却依赖精确的信道统计信息。本文研究了基于全连接神经网络与残差卷积神经网络的两类数据驱动信道估计方法，在3GPP TDL多径衰落信道下与LS、MMSE等经典算法进行了系统对比。仿真结果表明，神经网络估计器的归一化均方误差（NMSE）在全信噪比范围内显著优于LS估计，逼近理想MMSE水平；在信道统计失配条件下，神经网络方法明显优于失配MMSE估计，体现出更好的鲁棒性。误码率（BER）仿真进一步验证了所提方法在链路层面的有效性。

关键词：OFDM；信道估计；深度学习；LS估计；MMSE估计；TDL信道模型

1 引言

OFDM凭借抗多径能力强、频谱利用率高等优点，已成为宽带无线通信的主流传输技术。在OFDM接收机中，相干解调需要知道各子载波上的信道频率响应，因此信道估计成为决定系统性能的关键模块。工程上普遍采用基于导频的估计方式：在若干已知子载波位置发送导频符号，接收端由导频处的观测获得信道采样点，再通过插值或滤波恢复整个频带的信道响应。

经典估计方法中，LS估计只需逐点相除，复杂度低，但对噪声不加抑制；MMSE估计利用信道二阶统计信息构造维纳滤波器，性能最优，但实际系统中真实的信道协方差矩阵难以获得，统计信息失配会造成明显的性能损失。近年来，随着深度学习的发展，神经网络被引入信道估计问题：网络从大量信道实现中离线学习"导频观测---真实信道"的映射关系，在线阶段仅需一次前向推理即可完成估计，无需显式的统计先验。

本文在统一的OFDM链路仿真平台上实现并对比了LS（线性插值）、LS（DFT插值）、理想MMSE、失配MMSE以及全连接网络、残差卷积网络共六种估计方案。本文的主要工作包括：（1）搭建完整的OFDM基带仿真链路与3GPP TDL信道模型；（2）设计并训练两种神经网络估计器；（3）从NMSE、BER、统计失配鲁棒性、导频密度依赖性与计算复杂度等多个维度对各类方法进行定量评估。

2 系统模型

2.1 OFDM基带传输模型

考虑一个具有 N N N 个子载波的OFDM系统，其中两侧设置保护子载波，在部分有效子载波上插入导频，其余承载QPSK数据符号。发送端将频域符号序列经IFFT变换为时域信号，并插入循环前缀（CP）以对抗多径引起的符号间干扰。

若CP长度不小于信道最大时延扩展，多径影响在频域可简化为逐子载波相乘。接收端去除CP并作FFT后，第 k k k 个子载波上的频域观测为

Y $k$ = H $k$ X $k$ + W $k$ , k = 0 , 1 , ... , N − 1 Y $k$ = H $k$ X $k$ + W $k$ , \quad k = 0, 1, \dots, N-1 Y $k$ =H $k$ X $k$ +W $k$ ,k=0,1,...,N−1

其中 X $k$ X $k$ X $k$ 为发送符号， H $k$ H $k$ H $k$ 为第 k k k 个子载波上的信道频率响应， W $k$ W $k$ W $k$ 为方差 σ 2 \sigma^2 σ2 的复高斯白噪声。用矩阵形式可紧凑表示为

Y = X H + W \mathbf{Y} = \mathbf{X}\mathbf{H} + \mathbf{W} Y=XH+W

均衡采用迫零（ZF）方式，即用信道估计值对观测逐点相除后再进行硬判决解调。

2.2 多径衰落信道模型

时变多径信道的冲激响应可建模为若干离散径的叠加：

h ( τ ) = ∑ i = 1 L a i δ ( τ − τ i ) h(\tau) = \sum_{i=1}^{L} a_i \, \delta(\tau - \tau_i) h(τ)=i=1∑Laiδ(τ−τi)

其中 a i a_i ai、 τ i \tau_i τi 分别为第 i i i 径的复增益与时延。各径增益的幅度服从由功率时延谱给定的分布，其时间演化采用Jake's和正弦模型刻画，由最大多普勒频移决定信道的时变速率。

对冲激响应作离散化并补零后进行FFT，得到频域信道响应：

H $k$ = ∑ l = 0 N − 1 h $l$ e − j 2 π k l / N H $k$ = \sum_{l=0}^{N-1} h $l$ \, e^{-j 2\pi k l / N} H $k$ =l=0∑N−1h $l$ e−j2πkl/N

由于信道的均方根时延扩展远小于OFDM符号周期，且CP覆盖了最大时延，仿真采用块衰落假设，即认为信道在一个OFDM符号内保持不变。

2.3 导频观测模型

采用梳状导频图案，在 K K K 个等间隔分布的子载波上发送已知导频符号 X p $k$ X_p $k$ Xp $k$ 。接收端用导频位置的观测除以已知导频值，得到导频处的含噪信道观测：

H ^ p $k$ = Y $k$ X p $k$ = H $k$ + W $k$ X p $k$ , k ∈ P \hat{H}_{p} $k$ = \frac{Y $k$ }{X_p $k$ } = H $k$ + \frac{W $k$ }{X_p $k$ }, \quad k \in \mathcal{P} H^p $k$ =Xp $k$ Y $k$ =H $k$ +Xp $k$ W $k$ ,k∈P

其中 P \mathcal{P} P 为导频子载波下标集合。信道估计的任务即由这 K K K 个含噪观测恢复完整的 N N N 点频域响应 H $k$ H $k$ H $k$ 。

3 经典信道估计算法

3.1 LS估计与线性插值

LS估计直接取导频处的含噪观测作为信道估计，再沿频率轴对实部与虚部分别作线性插值，得到全部子载波上的估计值。该方法计算量极小，但插值过程对导频噪声没有任何抑制，低信噪比时性能下降明显。

3.2 LS估计与DFT插值

更强的经典基线将信道建模为时延域的有限长稀疏冲激响应，在时延域用最小二乘拟合导频观测，再变换回频域求出全带响应。构造导频位置的降维DFT矩阵

F a $k , l$ = e − j 2 π p k l / N , l = 0 , 1 , ... , L − 1 \mathbf{F}_a $k, l$ = e^{-j 2\pi p_k l / N}, \quad l = 0, 1, \dots, L-1 Fa $k,l$ =e−j2πpkl/N,l=0,1,...,L−1

其中 p k p_k pk 为第 k k k 个导频的子载波序号， L L L 为假定的时延抽头数。时延域最小二乘解为

h ^ = ( F a H F a ) − 1 F a H H ^ p \hat{\mathbf{h}} = (\mathbf{F}_a^{H} \mathbf{F}_a)^{-1} \mathbf{F}_a^{H} \, \hat{\mathbf{H}}_p h^=(FaHFa)−1FaHH^p

由于 L L L 远小于导频数 K K K，方程组严重超定，最小二乘解起到时延域低通滤波的作用，能显著抑制导频噪声，其性能尤其在频带边缘优于线性插值。

3.3 MMSE估计

MMSE估计在维纳滤波框架下利用信道频域相关矩阵 R H H \mathbf{R}{HH} RHH 设计线性滤波器。 R H H \mathbf{R}{HH} RHH 的第 k k k 行第 l l l 列元素由功率时延谱解析给出：

R H H $k , l$ = ∑ i = 1 L p i e − j 2 π ( k − l ) τ i / N R_{HH} $k, l$ = \sum_{i=1}^{L} p_i \, e^{-j 2\pi (k - l) \tau_i / N} RHH $k,l$ =i=1∑Lpie−j2π(k−l)τi/N

其中 p i p_i pi 为归一化径功率， τ i \tau_i τi 为以采样点计的径时延。估计公式为

H ^ MMSE = R H p ( R p p + σ 2 I ) − 1 H ^ p \hat{\mathbf{H}}{\text{MMSE}} = \mathbf{R}{Hp} \left( \mathbf{R}_{pp} + \sigma^2 \mathbf{I} \right)^{-1} \hat{\mathbf{H}}_p H^MMSE=RHp(Rpp+σ2I)−1H^p

其中 R H p \mathbf{R}{Hp} RHp 为全带信道与导频信道间的互相关矩阵， R p p \mathbf{R}{pp} Rpp 为导频信道的自相关矩阵， σ 2 \sigma^2 σ2 为噪声方差。该估计器在给定统计信息下均方误差最小，但其性能建立在 R H H \mathbf{R}_{HH} RHH 与实际信道完全匹配的前提上，且矩阵求逆的计算量随导频数增长较快。

3.4 统计失配的MMSE估计

实际系统中，接收端获得的信道统计往往来自其他环境下的测量或估计，与当前部署环境并不一致。为量化这一影响，仿真中构造"失配MMSE"估计器：滤波器系数仍按上式计算，但 R H H \mathbf{R}_{HH} RHH 采用与实际信道不同的TDL剖型生成。失配MMSE与理想MMSE使用完全相同的滤波结构，差别仅在协方差矩阵的来源，以此隔离统计先验质量对性能的影响。

4 基于神经网络的信道估计

4.1 问题建模

将信道估计视为监督学习问题：以导频处的含噪观测为输入，以真实的全带频域响应为标签，学习映射 f θ : H ^ p ↦ H f_\theta: \hat{\mathbf{H}}_p \mapsto \mathbf{H} fθ:H^p↦H。训练样本通过仿真链路批量生成：每条样本独立抽取信道实现与信噪比，发送仅含导频的OFDM符号经过信道与噪声后提取导频观测。训练损失为估计值与真实信道之间的均方误差：

L ( θ ) = 1 M ∑ m = 1 M ∥ f θ ⁣ ( H ^ p ( m ) ) − H ( m ) ∥ 2 2 \mathcal{L}(\theta) = \frac{1}{M} \sum_{m=1}^{M} \left\| f_\theta\!\left(\hat{\mathbf{H}}_p^{(m)}\right) - \mathbf{H}^{(m)} \right\|_2^2 L(θ)=M1m=1∑M fθ(H^p(m))−H(m) 22

为使网络对不同信道增益和不同信噪比具有一致的输入分布，每条样本按导频观测的平均模值进行归一化，网络输出再乘回该尺度恢复真实幅度。训练采用Adam优化器，并配合学习率自适应衰减与早停策略，在验证集误差不再改善时终止训练并保留最优参数。

4.2 全连接网络估计器

第一种结构为多层全连接网络。输入为导频观测的实部与虚部按序拼接的实向量，输出为全带信道响应的实部与虚部拼接向量。网络由五层全连接层堆叠而成，隐层宽度先增后减，每层隐层输出依次经过层归一化、ReLU激活与随机失活处理；输出层为线性层，不施加激活。权重采用He初始化。该结构将估计问题视作从低维导频空间到高维信道空间的非线性回归，表达能力充足，但参数量较大。

4.3 残差卷积网络估计器

第二种结构借鉴图像去噪中的残差学习思想，以DFT插值得到的LS估计为输入，学习一个残差修正量。输入被组织为实部、虚部两个通道的一维"图像"，网络由一维卷积层堆叠而成，首层卷积后接ReLU激活，中间各层为"卷积---批归一化---ReLU"结构，末层卷积直接输出两通道残差，最终估计为

H ^ = H ^ DFT + g θ ⁣ ( H ^ DFT ) \hat{\mathbf{H}} = \hat{\mathbf{H}}{\text{DFT}} + g\theta\!\left(\hat{\mathbf{H}}_{\text{DFT}}\right) H^=H^DFT+gθ(H^DFT)

其中 g θ g_\theta gθ 为卷积网络。卷积核感受野覆盖整个频带，使每个输出子载波都能利用全带信息；残差形式使网络只需学习DFT插值的系统性偏差，收敛更快、参数量更少。该结构显式利用了频域信道响应的强相关性，是对经典DFT插值方法的数据驱动精细化。

5 仿真设置

仿真在PC端基于Python完成，链路各环节（信道生成、调制解调、估计、均衡、统计）均为独立模块，测试阶段对每个信噪比点独立重复大量信道实现以获得稳定的统计平均。仿真主要参数如下表所示。

表1 仿真主要参数

参数	取值
子载波总数（FFT点数）	64
导频数与导频图案	8，梳状
保护子载波	两侧各4个
循环前缀长度	16
调制方式	QPSK（Gray映射）
均衡方式	迫零（ZF）
信道模型	3GPP TDL-A（另用TDL-B/C作泛化与失配测试）
均方根时延扩展	30 ns
最大多普勒频移	10 Hz
系统采样率	15.36 MHz
信道假设	块衰落（单符号内不变）
仿真信噪比范围	−10 dB 至 30 dB，步进2 dB
训练/验证/测试样本数	50000 / 5000 / 10000
训练信噪比范围	−10 dB 至 30 dB 均匀抽取
批大小 / 最大轮数	256 / 100
初始学习率	0.001（平台期自动减半）
失配MMSE剖型	TDL-B（实际信道为TDL-A）
评价指标	NMSE（dB）、BER

6 仿真结果与分析

图给出了各估计器的NMSE与BER随信噪比的变化。性能排序为：LS线性插值最差，LS-DFT插值次之，两种神经网络紧贴理想MMSE，。BER曲线的结论一致：神经网络的误码率与MMSE几乎重合，说明估计精度的改善能直接转化为解调性能收益。

图对比了统计失配场景：失配MMSE因协方差矩阵与实际信道不符，性能较理想MMSE明显恶化，且信噪比越高损失越突出；神经网络不依赖统计先验，在失配条件下保持稳定，明显优于失配MMSE。图4考察了跨剖型泛化：网络在训练剖型上性能最佳，在其他TDL剖型上仍可工作。

图显示导频越稀疏各方法性能均下降，其中线性插值受影响最严重，DFT插值与MMSE凭借频域相关结构更稳健。图6为单个信道实现的估计示例：LS线性插值在导频之间波动较大，神经网络估计结果与真实信道贴合更好。

两种网络的训练曲线：均在数十轮内收敛，验证损失与训练损失走势一致，无过拟合。复杂度方面，线性插值LS最低，MMSE因矩阵求逆最高；全连接网络介于DFT插值与MMSE之间，残差卷积网络参数量约为其四成。神经网络训练可离线完成，在线只需一次前向传播且无需矩阵求逆，计算开销具备实际可行性。

7 结论

本文在统一的OFDM链路仿真平台上，系统研究了基于神经网络的信道估计方法，并与LS（线性插值、DFT插值）、理想MMSE、失配MMSE等经典算法进行了多维度对比。主要结论如下：

全连接网络与残差卷积网络的NMSE在全信噪比范围内显著优于LS类方法，逼近需要精确统计先验的理想MMSE，BER仿真验证了这一优势能够转化为实际解调增益。
在信道统计失配场景下，神经网络方法明显优于失配MMSE估计，且性能不随失配程度恶化，体现出数据驱动方法对先验信息缺失的天然鲁棒性。
残差卷积结构以DFT插值为前端、仅学习残差修正，参数量少于全连接网络且收敛更快，是兼顾性能与复杂度的合理选择。
神经网络估计器存在一定的跨信道剖型泛化局限，实际应用中可通过混合多环境数据训练进一步改善。

综上，基于神经网络的信道估计在无需显式信道统计的条件下取得了接近理论最优的性能，为下一代宽带系统中的信道估计问题提供了一条兼顾精度与鲁棒性的技术路线。