Multi-Scale Progressive Filtering Network for Channel Estimation

doi:10.3788/lop251781

Multi-Scale Progressive Filtering Network for Channel Estimation

2026-05-01

0

PRE

AI

DOI：10.3788/lop251781

原文链接

原文求助

摘要

En 中文

目标信道估计在确保双向大气光链路上的密钥分发安全性和可靠性方面发挥着关键作用。大气湍流导致信号严重波动和失真，而设备噪声和环境干扰显著降低了估计精度。这些损伤增加了合法通信方之间的密钥不一致率，阻碍了信息论安全密钥分发的实际实施。传统的估计方法（如滤波）无法适应湍流信道的非平稳和多尺度特性。尽管基于深度学习的方法已显示出潜力，但它们通常忽略了物理层信号中的固有时间相关性和噪声结构。因此，迫切需要开发一个智能估计框架，将自适应滤波与多尺度特征提取相结合，以增强对湍流引起的失真和噪声干扰的鲁棒性。本研究旨在设计一种新型网络架构，协同结合扩张卷积操作和渐进平滑技术，以实现在动态大气环境中的高精度信道估计和低密钥不一致率。方法我们提出了一种多尺度渐进滤波网络（MSPF-Net），该网络由三个模块组成：卷积模块、扩张卷积金字塔池化模块和译码与后处理模块。卷积模块使用3×3卷积层（带有批归一化和ReLU激活）提取初始局部特征，通过64个输出通道捕捉快速/慢速变化和时空相关性。扩张卷积金字塔池化模块创新性地结合了不同扩张率的扩张卷积和金字塔池化，通过并行分支捕获不同感受野的信道特征，并通过跨尺度特征拼接增强湍流波动建模。译码与后处理模块将融合特征映射回原始信道维度，并采用Savitzky-Golay滤波进行去噪，提高估计结果的光滑度和鲁棒性。训练数据通过双Johnson S-B湍流模拟（具有不同湍流强度和信噪比（SNR））以及1公里地面光链路在1064 nm波长下的实地测量获得。网络使用Adam优化器进行训练，损失函数为均方误差（MSE）和相关损失的组合。性能通过相关系数和密钥不一致率（KDR）等指标进行评估，并与传统方法（插值、卡尔曼滤波）和深度学习模型（KGNet、CNN-LSTM）进行比较。结果与讨论提出的MSPF-Net在模拟和实验数据中均表现出优异性能。在估计精度方面，在5 dB SNR下，MSPF-Net在估计信道与参考信道之间的相关系数达到0.9905，优于其他去噪方法。在KDR降低方面，在强湍流条件下，MSPF-Net显著降低了KDR。在0 dB SNR下，KDR比CNN-LSTM低55.4%，比原始数据低71.1%。在5 dB SNR下，MSPF-Net的KDR仅为KGNet的16.6%。在鲁棒性方面，该模型在弱、中等和强湍流条件下均保持稳定。对实验数据进行去噪后，相关系数提高6%-12%，即使在强湍流条件下也是如此。这些改进归因于有效的多尺度特征融合，它捕获了湍流引起的关联性，同时过滤掉了无关噪声。结论 MSPF-Net框架通过协同多尺度特征提取和渐进滤波，有效解决了湍流大气环境中的信道估计挑战。扩张卷积与金字塔池化的结合全面表征了湍流模式，而嵌入的Savitzky-Golay滤波器在不牺牲时间分辨率的情况下提供了最佳平滑。实验结果表明，与传统和学习型方法相比，该网络在估计精度和密钥一致率方面取得了显著改进。该网络在不同湍流强度和噪声水平下的鲁棒性使其特别适用于需要高可靠性的实际密钥分发系统。未来工作将探索硬件实现以及对更复杂大气场景（包括雾和降水条件）的适应。本研究为下一代安全通信系统中的智能物理层处理奠定了基础。

Keyword:

atmospheric turbulence

key distribution

deep learning

convolutional neural network

multi-scale

filtering

Multi-Scale Progressive Filtering Network for Channel Estimation

摘要

期刊

机构

引用论文