来源：期刊VIP网 时间：
作者：王安义;李明珠;李新宇;李婼嫚;
单位：西安科技大学通信与信息工程学院;
摘要：为解决现有信道估计神经网络模型在处理信道增益相关矩阵时忽略非对角线元素及其时间序列信息的局限性，文中引入深度学习技术，对正交频分复用（OFDM）系统中基于下行链路导频的信道进行精确估算。提出一种创新的基于递归残差学习的深度神经网络模型，该模型利用其递归结构有效处理序列数据，捕捉信道状态的时间相关性。此外，残差连接的引入有效缓解了深度学习中常见的梯度消失问题，显著提升了模型的训练效果。文中进一步集成了SE注意力机制，赋予网络自适应调整对不同信道矩阵关注程度的能力，从而提高了特征提取和分类的效率。在3GPP信道模型下，对基于递归残差网络的信道估计模型进行评估。结果证明，该方法在信道估计误差方面优于传统的最小二乘法和ReEsNet信道估计算法。
关键词：矿井通信;;深度学习;;残差学习;;注意力机制;;OFDM系统;;时间序列数据;;梯度消失问题;;3GPP信道模型
基金资助：国家自然科学基金项目(62471384):矿井复杂电磁环境下基于数据与模型混合驱动的多模信号识别检测
