一种基于CBAM-CNN的联合 Pilot优化与信道估计算法，用于地下煤矿的多径衰落环境

《Scientific Reports》：A joint pilot optimization and channel estimation algorithm based on CBAM-CNN for multipath fading environments in underground coal mines

　　

摘要

在地下煤矿的正交频分复用系统中，由于隧道结构受限、表面粗糙以及煤尘弥漫所导致的严重多径衰落，精确的信道估计仍然是一项挑战。传统的最小二乘估计算法存在噪声敏感性问题，最小均方误差估计算法则具有极高的O(N³)计算复杂度，而现有的深度学习方法是将导频设计与信道估计分开处理的。本文提出了一种基于卷积块注意力模块增强型卷积神经网络（CBAM-CNN）的联合算法，该算法通过可微的分层选择器与CBAM-CNN估计网络共享统一的损失函数，实现端到端的协同优化。信道注意力子模块用于捕捉特征之间的相关性，而空间注意力子模块则利用频率轴上的子载波间相关性，恢复被多径散射破坏的信道连续性。在m?=?0.85的Nakagami衰落模型下的仿真结果表明，所提方法在SNR为10?dB时，其归一化均方误差仅为0.0089，相比最小二乘算法，估计误差降低了87.3%，相比FSRCNN降低了41.1%，同时还在O(N)的计算复杂度下实现了接近最小均方误差的精度。通过分离式消融实验，研究了信道注意力、空间注意力、跳跃连接以及差分导频选择对模型性能的影响。所有组件结合使用后，其归一化均方误差相比基准CNN提升了48.0%，远优于仅组合其中部分组件的方案，后者的提升幅度仅为33.3%，这表明所学到的导频模式与注意力模块之间存在协同作用。该算法在不同的导频密度、衰落特性、多径延迟扩展以及信噪比不匹配情况下都能保持良好的性能，在模拟的Nakagami信道中最多可实现50%的导频开销节省。未来建议在煤矿隧道中对该算法进行实际测试。