电力线载波通信中基于深度学习的信道估计OA北大核心CSTPCD

【目的】电力线载波(PLC)通信系统采用基于帧突发的传输模式,由于PLC系统的收发信机之间存在载波频偏、PLC信道存在各种噪声以及时变特性,加之PLC系统没有专用参考信号,传统信道估计对PLC信道没有跟踪预测能力,进而造成PLC系统性能恶化。【方法】文章针对现有问题,提出了一种基于长短期记忆(LSTM)神经网络和去噪卷积神经网络(DnCNN)的去噪长短期记忆(DnLSTM)神经网络,并利用该DnLSTM神经网络进行了PLC信道估计。首先对DnLSTM神经网络进行离线训练再保存训练好的DnLSTM参数,之后将其部署到PLC系统中,加载训练完成的参数后再进行在线预测,得到PLC系统信道响应。在电力线系统仿真中,文章采用最小二乘法(LS)、最小均方误差(MMSE)算法以及DnLSTM神经网络进行信道估计,给出在高斯白噪声(AWGN)、组合噪声、色噪声和脉冲噪声条件下的仿真结果,同时调整了用于信道估计的前导符号数量并进行了对应的仿真。【结果】仿真结果表明,DnLSTM神经网络进行信道估计的精度与采用的前导符号数量有关,采用4个前导符号进行信道估计,其估计精度优于LS,接近MMSE算法,并且DnLSTM神经网络具有很好的抵抗载波频偏以及信道时变的能力。当用于信道估计的前导符号越多时,低信噪比(SNR)情况下的PLC系统性能越好,高SNR情况下的PLC系统性能相似。【结论】通过以上仿真可得出,基于LSTM和DnCNN的DnLSTM神经网络可以很好地估计存在频偏的PLC系统信道响应,可实时跟踪其变化。