近年来提出的正交时频空(Orthogonal Time Frequency Space,OTFS)技术由于具有良好的多普勒频偏和时延适应性,在高动态通信场景下得到应用。目前该技术的信道状态信息(CSI)获取的主要方式,仍是传统的信道估计及其改进算法。对此,采用深...近年来提出的正交时频空(Orthogonal Time Frequency Space,OTFS)技术由于具有良好的多普勒频偏和时延适应性,在高动态通信场景下得到应用。目前该技术的信道状态信息(CSI)获取的主要方式,仍是传统的信道估计及其改进算法。对此,采用深度学习的方法估计CSI并直接恢复传输符号,使用基于抽头延迟线(Tapped Delay Line,TDL)信道模拟生成的数据离线训练深度学习模型,然后将该模型直接用于恢复在线传输的数据。仿真结果表明,在高频偏和多径效应下,基于深度学习的方法比传统方法更优,从而证明了在OTFS系统进行信道估计与信号检测中深度学习的前途。展开更多
文摘近年来提出的正交时频空(Orthogonal Time Frequency Space,OTFS)技术由于具有良好的多普勒频偏和时延适应性,在高动态通信场景下得到应用。目前该技术的信道状态信息(CSI)获取的主要方式,仍是传统的信道估计及其改进算法。对此,采用深度学习的方法估计CSI并直接恢复传输符号,使用基于抽头延迟线(Tapped Delay Line,TDL)信道模拟生成的数据离线训练深度学习模型,然后将该模型直接用于恢复在线传输的数据。仿真结果表明,在高频偏和多径效应下,基于深度学习的方法比传统方法更优,从而证明了在OTFS系统进行信道估计与信号检测中深度学习的前途。
