ChannelNet:论文“基于深度学习的信道估计”的实现-源码

Python

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

文件下载

资源详情

[{"title":"（ 4 个子文件 5KB ） ChannelNet:论文“基于深度学习的信道估计”的实现-源码","children":[{"title":"ChannelNet-master","children":[{"title":".gitignore 1.17KB ","children":null,"spread":false},{"title":"models.py 6.54KB ","children":null,"spread":false},{"title":"README.md 1.47KB ","children":null,"spread":false},{"title":"ChannelNet_train.py 1.82KB ","children":null,"spread":false}],"spread":true}],"spread":true}]

评论信息

其他资源

免责申明

【只为小站】的资源来自网友分享，仅供学习研究，请务必在下载后24小时内给予删除，不得用于其他任何用途，否则后果自负。基于互联网的特殊性，【只为小站】无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查；无论【只为小站】经营者是否已进行审查，用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二条之规定，若资源存在侵权或相关问题请联系本站客服人员，zhiweidada#qq.com，请把#换成@，本站将给予最大的支持与配合，做到及时反馈和处理。关于更多版权及免责申明参见版权及免责申明

ChannelNet:论文“基于深度学习的信道估计”的实现-源码

文件下载

资源详情

评论信息

其他资源

免责申明

个人信息

热门下载

最新下载