.png){kind=icon}
返回
Multiscale Convolution-Based Efficient Channel Estimation Techniques for OFDM Systems
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14020307.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着无线通信技术的进步，高效且精确的信道估计算法的重要性显著提升。近年来，基于深度学习的方法被用于信道估计，其精度高于传统方法，甚至在缺乏先验信道统计信息的情况下也能实现。本文提出了两种基于深度学习的信道估计算法模型，即CAMPNet和MSResNet，它们被设计为从多尺度视角考虑信道特性。卷积注意力多尺度并行网络（CAMPNet）通过利用并行多尺度特征和卷积注意力来突出关键信道特性，而多尺度残差网络（MSResNet）则通过交叉连接的多尺度卷积结构整合不同尺度上的信息。两种模型均被设计为在复杂频域信息和各种多普勒频移的环境下表现出鲁棒性。实验结果表明，在各类信道模型中，CAMPNet和MSResNet相较于现有信道估计算法表现出更优的性能。值得注意的是，所提出的模型在高信噪比（SNR）环境下表现出色，在25dB信噪比下，其均方误差（MSE）相较于现有方法降低了高达48.98%。在评估所提模型泛化能力的实验中，它们相较于现有方法展现出更高的稳定性和鲁棒性。这些结果表明，基于深度学习的信道估计算法模型有望克服现有方法的局限性，为实际通信环境提供高性能和高效率的解决方案。
Keyword:
channel estimation
deep learning
attention mechanism
multiscale convolution
期刊
IF:
2.6
论文数:
1.0W
被引数:
4.7W
机构
暂无机构信息
引用论文
Robust channel estimation for OFDM systems with rapid dispersive fading channels具有快速色散衰落信道的OFDM系统的鲁棒信道估计
.png){kind=icon}
PREAI
分享收藏分享收藏ECA-Net: Efficient Channel Attention for Deep Convolutional Neural NetworksEca-net: 深度卷积神经网络的高效信道关注
OAAI
OAAI分享收藏
查看更多内容