0 引言

信道估计是无线通信系统中的一个基本问题，其准确性对于信号恢复、干扰管理以及无线资源分配等应用都有着重大影响。根据是否发送导频信号，信道估计方法可以分为三类，即盲信道估计、基于导频的信道估计和半盲信道估计。其中，盲信道估计基于接收信号的统计特性进行，而基于导频的信道估计通过解发送端已知的导频信号来获取信道信息。为了确保高精度的信道估计，后者被广泛应用。

由于大量高移动性和超密集连接的场景出现，未来5G和6G无线通信系统面临的一个挑战是如何获取高精度的信道估计结果[1]。有研究者提出信道估计的精度受益于导频数量的增加[2]。为了确保信道估计的精度能够满足业务的需求，一些传统的信道估计方法，例如最小二乘估计和最小均方误差估计等，均需要增加一定的导频数量。此外，这两种方法还各有缺点[3]。具体而言，最小二乘估计无法直接用于估计数据信道，而最小均方误差估计需要先获取导频信道和数据信道间的相关性且还需要消耗额外的计算资源以进行矩阵的逆运算操作。

为了克服上述瓶颈，业界研究了一些基于深度学习的信道估计方法。根据是否结合了传统信道估计方法，这些基于深度学习的方法可以分为两类：一类是设计神经网络结构用作去噪模块并添加到传统方法流程中；另一类是应用神经网络模型学习导频信道和数据信道间的相关性。然而，虽然上述方法能够取得相较于传统方法更精确的信道估计结果，但其网络结构的设计往往深度依赖于具体的导频配置方案。这意味着当改变导频配置方案时，模型可能需要重新进行训练，不能支持灵活自适应的模型部署。

生成对抗网络（Generative Adversarial Network，GAN）模型作为新兴的神经网络模型，已经在多个领域展现出强大的数据分布学习能力[4]，包括图像生成、图像修复、数据扩展和通信网络等[5]。在无线通信领域，基于GAN的信道建模方案引起了广泛的研究热潮。

本文提出了一种基于GAN的信道估计方法用于支撑任何导频配置方案下的灵活信道估计，并在正交频分复用技术（Orthogonal Frequency Division Multiplexing，OFDM）系统下进行中高移速场景的性能验证。基于此，进行联合的导频配置优化，并给出性能仿真验证结果。

1 基于GAN的信道估计优化方法研究

现有信道估计方法难以兼顾性能和导频配置灵活性。具体而言，传统信道估计方法不依赖具体的导频配置方案，兼容性强但性能差；而传统人工智能（Artificial Intelligence，AI）模型依赖具体导频配置方案，性能强但兼容性差。此外，传统AI模型主要对低速场景下信道时域变化缓慢的情况进行验证，尚未对高速移动场景进行性能验证。为此，需要提出一种新的信道估计方法，实现在不同导频配置方案下的估计误差均能达到较低值。

基于此，本文设计了一种基于GAN的信道估计方法，该方法的整体流程如图1所示，整体流程包含两个阶段，分别是模型训练阶段和模型应用阶段。在模型训练阶段，GAN模型被用于训练以生成能够贴近真实信道样本分布的合成信道样本。模型训练在线上或线下均可实施。对于线下训练，可以用提前收集的信道数据进行模型训练，然后部署到线上进行应用。对于线上训练，模型基于实时收集的当前信道数据进行训练，能够学习到更贴合当前环境的信道特征。因此，两个训练模式存在着部署时延和生成样本相似度的折中关系，可以根据不同业务的要求选择合适的训练模式。此外，两个模式的联合应用也是可行的，具体可通过先线下训练一个模型再线上微调模型的方式实现。在模型应用阶段，将当前导频信道的估计值输入到已训练模型中，可以获得数据信道估计值。

图1 基于GAN的信道估计方法流程

图2给出了训练GAN模型的流程。根据输入到鉴别器模型的数据种类，训练过程可分为两步。当输入数据为真实样本时，仅需要更新鉴别器模型的参数。鉴别器模型的训练目标是将输入的真实样本判别为真样本，即使得模型的输出结果最大，如公式（1）所示：

图2 GAN模型的训练流程示意图

其中，θd表示鉴别器模型的参数，D(·)表示鉴别器模型的输出值，pr表示真实样本数据的分布。

信道估计阶段其实就是信道数据恢复的过程。在该阶段，通过已知的导频信道和已训练好的GAN模型来进行数据信道信息的估计和还原。信道还原问题和计算机视觉领域中的图像修复问题类似[6]。基于生成器可以生成任何服从真实信道样本分布的合成信道样本，该问题可以通过以下方式得到有效解决。即可以通过不断调节潜变量z来改变生成器输出的合成信道样本，因此在已知部分导频信息的情况下，找到一个导频位置的信道信息与真实值接近的合成信道样本是有可能的。如图3所示，将已知真实的导频位置信道信息与生成器初始随机生成的合成信道样本在对应的导频位置的信道信息进行比较，计算得到二者的差值。接着，可以应用梯度下降算法来更新参数z的值，使得生成器模型输出的合成信道样本能够在导频位置上逼近真实的导频信道信息。当迭代到一定次数时，两者之间的差值达到最小化，此时即可得到重建信道样本的最优解z*。再将z*输入到生成器模型中，即可获取到数据信道信息。

图3 应用生成器模型恢复数据信道的过程

2 基于GAN的导频配置和信道估计联合优化算法

如图4所示，现有3GPP TS 38.211标准[7]对于导频配置方案进行了规范，候选配置类型包含Type 1和Type 2两类。这两类配置方案以导频在频域的插入密度作为区分。对于Type 1配置方案，导频在频域上呈现间隔分布，频域的插入密度为50%；而对于Type 2配置方案，导频在频域上的相邻两个子载波构成一组，每间隔四个子载波插入一组，频域的插入密度为33%[7]。另外，从OFDM符号的时域角度来看，也分为单符号和双符号两种配置方案。具体而言，以列为单位，单符号配置可根据需要最多扩展至四列，Type 1和Type 2的单符号配置方案分别如图4（a）和图4（c）所示；而双符号配置以相邻的两列为一组，根据需要最多扩展至两组，Type 1和Type 2的双符号配置方案分别如图4（b）和图4（d）所示。

图4 导频配置方案

基站可根据调度的需求从中选择合适的配置方案，极大地简化配置导频信号的流程和复杂度，但代价却是牺牲潜在的空口传输性能。需要指出的是，对于任意一组OFDM帧构成的数据集，每个资源块上所包含的信息量是不同的。因此，按照标准给出的行列数规范的导频集合是否是刻画最大信息量的资源块集合，从而通过该导频集合能够重建出最为精确的完整OFDM帧信道尚且存疑。此外，对于不同的信道环境，每个资源块所含的信息量可能发生变化，从而使得最优的导频集合发生改变。综上所述，现有导频配置方案无法针对具体信道环境为自适应适配的优化导频配置提供支持，限制了信道估计潜在性能的深入挖掘和释放。

针对导频位置配置优化问题，可以在给定的导频数量K的条件下建模，在Nf ×Ns维度的空间中寻找K个包含最大信息量的资源块集合，使得能够通过这K个资源块上的信道信息重建出误差最小的完整OFDM信道矩阵，具体形式如公式（2）所示：

其中，hk,k=1,…,K表示选取的导频集合，F表示信道重建函数，则F(hk)表示重建的信道矩阵，H表示完整OFDM信道矩阵。

考虑所研究问题的候选解集存在C种可能，且随着信道尺度的增长呈现出爆炸式的增长，所以最简单的遍历算法无法适用。此外，由于传统方法对于时频资源块间的相关性的刻画表征能力有限，因此，本小节提出基于AI模型的解决方案。

基于Abid[8]等提出的神经元选择层的概念和思想，本小节将在前述所提GAN模型的基础上添加该模块，使其能够用于优化导频选择。下面先介绍神经元选择层的基本思想。图5给出了两层的线性网络模型结构图，其中第一层的神经元个数设置为Nf ×Ns个，对应着OFDM单帧上所有资源块的个数，第二层的神经元个数设置为K个，对应着要选择的导频个数。如图5（a）所示，在训练的初始状态下，两层神经元互相之间完全相连，代表着每个资源块都存在着同等被选中的概率。经过对模型的不断训练，如果能使得某一些信息量大的资源块被选中的概率得到提升，那么模型最终的收敛效果就如图5（b）所示，第一层中的部分神经元与第二层中的神经元一对一连接，从而优化导频选择。

图5 两层线性网络模型结构图

通过在第二层的每个神经元后面接一个温控Softmax函数模块即可实现上述目标。温控Softmax函数是在原来的Softmax函数基础上引入了“模拟退火”机制后的改进，如公式（3）所示：

图6 神经元选择层结构图

将导频选择模块神经元选择层与上述GAN模型相结合，即可实现导频图样与信道估计的联合设计，具体结构如图7所示。该联合设计方案的核心在于将导频选择模块与生成器网络级联。由于导频选择模块是从完整维度的信道资源块中选择信息量大的资源块作为导频，使得生成器网络的输入从原有的低维高斯随机向量变为了真实的信道样本。因此，级联后的生成器网络的模型结构也变为了如图8所示的结构，导频选择模块的第一层中包含Nf×Ns个神经元，第二层则包含K个神经元，后续层的模型结构与前述模型保持一致。鉴别器网络的模型结构保持不变。

图7 基于GAN的导频配置与信道估计联合设计模型训练框图

图8 级联导频选择模块的生成器模型结构

在级联生成器模型训练过程中，需要不断降低温度，将解的搜索空间从维度为C的初始候选池逐步收敛到小范围。此外，损失函数的作用是刻画出基于被选中的资源块的信道信息重建的完整信道与真实完整信道间的差异程度，经由模型参数的不断更新，可以使该差异度达到最小。

3 仿真设置和结果分析

在仿真验证中，信道数据集包含了20 000个信道样本，这些信道样本均基于抽头延迟线-C类（Tapped Delay Line Type C，TDL-C）模型生成[9]。本文中，训练集数据占总数据量的80%。所有数据样本均进行了功率归一化处理。OFDM块中的子载波数和符号数分别设为Nf = 48和Ns = 14。载波频率设置为f=3.5 GHz，每个子载波的带宽设置为Bf =30 kHz，每个OFDM块的总传输时间为T=0.5 ms。为了避免符号间干扰，在每个符号前添加了占总符号长度6%的循环前缀。此外，为了确保多径的最大传输时延不超过循环前缀的持续时间，将均方根时延扩展设置为Td=300 ns。并给出了在150 km/h和300 km/h两种移速场景下不同导频数量的优化选择结果，并验证了所提方法的性能增益。新增加的仿真参数设置如下：初始温度和冷却温度分别设置为T0=10和TE=0.05。

图9和图10分别给出了150 km/h和300 km/h移速场景下的导频优化结果。与图4中3GPP标准规范的导频配置方案相比，优化后的导频配置结果更为离散且缺少排列规律。就两个场景的导频优化结果来看，150 km/h移速场景下优化的结果相对集中于几处特定区域内，说明这些位置中蕴含的信息量较大；而300 km/h移速场景下优化的结果相对较为分散，说明对于移速更高的场景，其信息量分散在全域范围内。此外，从图中还可以看出，24 个导频下的优化结果就已经将信息量高的资源块选出，而选出来的48 个导频和96 个导频中额外的导频更多是起到信息补充的作用，填充在24 个基础导频的周围。

图9 150 km/h移速场景下的导频选择优化结果

图10 300 km/h移速场景下的导频选择优化结果

为了定量地对本小节所提出的基于GAN的导频配置和信道估计联合优化方案进行性能评估，本文以归一化均方误差（Normalized Mean Squared Error，NMSE）作为评估指标，并且将经典二维维纳滤波插值算法和未进行导频优化的GAN信道估计方法作为对比方案。表1显示了信噪比为20 dB时两种移速场景的评估结果。如表1所示，与未优化导频配置的GAN方案相比，联合优化方案可以进一步提升信道估计性能。具体而言，面向两种移速场景，联合优化方案仅用24个导频时的性能就相当于未优化导频配置的GAN方案在96个导频时的性能，意味着联合优化方案可以在几乎无性能损失的情况下进一步降低75%的导频开销。此外，当两种方案的导频开销相同时，对于150 km/h移速场景，联合优化方案的性能可提升约1.7 dB；而对于300 km/h移速场景，联合优化方案的性能提升可达到2.1 dB左右。

表1 信噪比为20 dB时联合优化方案的仿真性能评估

图11显示了联合优化方案在300 km/h移速场景下对于不同信噪比条件的NMSE性能曲线。将未进行导频配置优化的GAN信道估计方法作为对比方案。由图11可知，联合优化方案在应用24 个导频的情况下，在5~20 dB的信噪比范围内，其性能与未进行导频配置优化的GAN信道估计方法的性能相当。而当信噪比更低时，联合优化方案的性能更好，说明联合优化方案有着一定的抗噪声能力。此外，在更多导频的支持下，联合优化方案在0~20 dB的信噪比范围内都有着更为出众的NMSE性能表现。

图11 300 km/h移速场景下联合优化方案的性能评估

4 结束语

未来，人类社会将进入智能化时代，6G将构建一张泛在互联的智慧网络，实现从服务于人、人与物，到万户互联、万物智联的美好愿景。无线通信与人工智能的深度融合有望促进未来通信范式演变和网络架构创新，为实现6G时代智能化发展愿景提供支撑。为充分利用分布在网络边缘的丰富数据使之服务于人工智能模型训练，以联邦边缘学习为代表的边缘智能技术应运而生。本文以无线通信中的信道估计为切入点，对基于GAN的信道估计方法展开研究，并通过仿真结果验证了所提算法的可行性。

作者简介

徐明枫

中国信息通信研究院移动通信创新中心助理工程师，主要研究方向为面向6G的无线人工智能等。

李阳

中国信息通信研究院移动通信创新中心工程师，主要研究方向为新一代移动通信与人工智能结合技术等。

韩凯峰

中国信息通信研究院移动通信创新中心高级工程师，主要研究方向为面向6G的无线人工智能、通信感知一体化技术等。

徐晓燕

中国信息通信研究院移动通信创新中心高级工程师，主要研究方向为6G无线空口技术、ITU国际标准等。

江甲沫

中国信息通信研究院移动通信创新中心高级工程师，主要研究方向为面向6G的无线人工智能、通信感知一体化技术等。

论文引用格式：

徐明枫, 李阳, 韩凯峰, 等. 基于GAN的导频配置和信道估计联合优化算法[J]. 信息通信技术与政策, 2023, 49(9): 58-66.