基于深度学习的多载波系统信道估计与检测.pdf

行业分类-电信-基于信道估计的信号编码与解码方法.rar

基于叠加导频的信道估计，做了四次迭代，效果还可以，

ChannelNet 论文“基于深度学习的信道估计”的实施 抽象的 在本文中，我们提出了一种用于通信系统中信道估计的深度学习（DL）算法。 我们将快速衰落的通信信道的时频响应视为二维图像。 目的是在导频位置使用一些已知值找到信道响应的未知值。 为此，提出了一种使用深度图像处理技术，图像超分辨率（SR）和图像恢复（IR）的通用管道。 该方案总共将导频值视为低分辨率图像，并使用与降噪IR网络级联的SR网络来估计信道。 此外，提出了所建议的管道的实现。 估计误差表明，在充分了解信道统计信息的情况下，所提出的算法可与最小均方误差（MMSE）相提并论，并且优于ALMMSE（近似于线性MMSE）。 结果证实该管线可以有效地用于信道估计中。 数据集 链接：完美的渠道-VehA模型（无噪音）： ://drive.google.com/file/d/1H5GiEWITfM00R4BS2uC3SiBLR0

信道编码matlab代码使用条件GAN的一比特多用户大规模MIMO的信道估计 1.说明 该存储库是本文的实现：董玉迪，王华霞和姚玉东，“使用条件GAN进行一比特多用户大规模MIMO的信道估计”。 ArXiv：2006.11435 [Eess]，2020年6月。 该论文被IEEE通信信函（DOI：10.1109 / LCOMM.2020.3035326）接受 2.运行cGAN以执行通道估计（TensorFlow版本为2.0） 数据集已经生成了“ Data_Generation_matlab / Gan_Data / Gan_0_dBIndoor2p4_64ant_32users_8pilot.mat” ，其中包含通道数据和量化的信号数据。 运行主要功能“ cGAN_python / main_cGAN.py” 。 对于每个时期，结果将保存在文件夹“ cGAN_python / Results”中，并显示如下可视结果。 3.如何生成数据 从此链接下载“ I1_2p4.zip” ：。 然后，应该提取“ I1_2P4”文件夹，并将其放在“ Data_Generation_matlab / Ra

信道编码matlab代码通过随机空间采样的混合波束成形毫米波系统的宽带MIMO信道估计 作者：Evangelos Vlachos上次修改时间：2019年10月 如果您在任何出版物中使用此代码或其任何部分（可能已修改），请引用以下文章：E. Vlachos，GC Alexandropoulos和J. Thompson，“通过随机空间采样实现混合波束成形毫米波系统的宽带MIMO信道估计， “在IEEE信号处理选定主题杂志上，第1卷”。 13号5，pp.1136-1150，2019年9月.doi：10.1109 / JSTSP.2019.2937633 联系人电子邮件： 要运行Matlab代码，您需要安装sparse-plex工具箱。

本文档包含用于线性信道估计的 VSS-LMS MATLAB 代码。

无线突发通信信道估计及FPGA实现方法.pdf

基于FPGA的LTE系统信道估计算法 研究与设计.pdf

瑞利信道中的调制解调、信道估计