面向C-V2X通信的基于深度学习的联合信道估计与均衡算法

摘要

为了在不显著提升计算复杂度的情况下,有效提升通信系统的误码率(BER)性能,利用深度学习在数据处理方面的强大能力,提出一种面向基于蜂窝网络的车联网(C-V2X)通信的基于深度学习的联合信道估计与均衡算法——V-EstEqNet.与传统算法分两个阶段分别进行信道估计与均衡不同,V-EstEqNet将通信系统接收机中的信道估计与信道均衡进行联合考虑,并利用深度学习网络直接对接收数据进行校正和恢复,无须进行显式的信道估计环节即可完成信道均衡.具体而言,首先利用大量的接收数据对网络进行离线训练,使网络学习到叠加在接收数据中的信道特性;然后利用该特性恢复原始的发送数据.仿真实验结果表明,在不同的速度场景下,所提算法可以更加有效地追踪信道特性;同时,相较于传统信道估计算法(最小二乘法(LS)和线性最小均方误差法(LMMSE))配合传统信道均衡算法(迫零(ZF)均衡算法和最小均方误差(MMSE)均衡算法),所提算法在低速环境下有最高有6 dB的BER增益,在高速环境下最高有9 dB的BER增益.