TS-GRU-VTA：基于深度学习的车辆信道估计方案

doi:10.12305/j.issn.1001-506X.2025.09.31

系统工程与电子技术 ›› 2025, Vol. 47 ›› Issue (9): 3093-3098.doi: 10.12305/j.issn.1001-506X.2025.09.31

• 通信与网络 • 上一篇

TS-GRU-VTA：基于深度学习的车辆信道估计方案

季策¹, 马相宇¹^,*(), 牟晓宇¹, 赵家毅²

1. 东北大学计算机科学与工程学院，辽宁沈阳 110819
2. 东北大学秦皇岛分校计算机与通信工程学院，河北秦皇岛 066004

收稿日期:2024-07-22 出版日期:2025-09-25 发布日期:2025-09-16
通讯作者: 马相宇 E-mail:2505812102@qq.com
作者简介:季　策（1969 —），女，副教授，博士，主要研究方向为正交频分复用关键技术研究、盲信号处理
牟晓宇（2001—），男，硕士研究生，主要研究方向为基于深度学习的信道估计
赵家毅（2001—），男，硕士研究生，主要研究方向为基于张量的信道估计

TS-GRU-VTA: vehicle channel estimation scheme based on deep learning

Ce JI¹, Xiangyu MA¹^,*(), Xiaoyu MU¹, Jiayi ZHAO²

1. School of Computer Science and Engineering，Northeastern University，Shenyang 110819，China
2. School of Computer and Communication Engineering，Northeastern University at Qinhuangdao，Qinhuangdao 066004，China

Received:2024-07-22 Online:2025-09-25 Published:2025-09-16
Contact: Xiangyu MA E-mail:2505812102@qq.com

摘要/Abstract

摘要：

在IEEE 802.11p标准下，传统的数据导频辅助（data-pilot aided, DPA）估计器难以有效追踪时变信道，尽管基于深度学习的估计算法得到广泛研究，但通常面临复杂度高或性能不佳的问题。基于此，提出了一种低复杂度的信道估计方案，通过结合时域采样、门控循环单元（gated recurrent unit, GRU）和变系数时间平均方法，有效降低复杂度并提高性能。仿真结果表明，该算法在性能和复杂度上均优于对比算法。

关键词: 低复杂度信道估计, 时域采样, 深度学习, 门控循环单元网络, 变系数时间平均

Abstract:

Under the IEEE 802.11p standard, traditional data-pilot aided （DPA） estimators struggle to effectively track time-varying channels. Although deep learning-based estimation algorithms have been widely studied, they often face issues of high complexity or poor performance. Based on this, a low-complexity channel estimation scheme that combines time-domain sampling, gated recurrent units （GRU）, and a variable coefficient temporal averaging method is proposed to effectively reduce complexity and enhance performance. Simulation results demonstrate that this algorithm outperforms comparative algorithms in both performance and complexity.

Key words: low-complexity channel estimation, time-domain sapling, deep learning, gated recurrent unit (GRU) network, variable coefficient temporal averaging

中图分类号:

TN 911.72

季策, 马相宇, 牟晓宇, 赵家毅. TS-GRU-VTA：基于深度学习的车辆信道估计方案[J]. 系统工程与电子技术, 2025, 47(9): 3093-3098.

Ce JI, Xiangyu MA, Xiaoyu MU, Jiayi ZHAO. TS-GRU-VTA: vehicle channel estimation scheme based on deep learning[J]. Systems Engineering and Electronics, 2025, 47(9): 3093-3098.

图/表 9

图1

图2

图3

表1

图4

图5

图6

图7

图8

参考文献 15

1	JIANG D, DELGROSSI L. IEEE 802.11p: towards an international standard for wireless access in vehicular environments[C] // Proc. of the IEEE Conference on Vehicular Technology, 2008.
2	KYUNBYOUNG K, HANHO W. Noise-canceling channel estimation schemes based on the cir length estimation for IEEE 802.11p/OFDM systems[J]. Electronics, 2024, 13 (6): 1110. doi: 10.3390/electronics13061110
3	FERNANDEZ J, BORRIES K, CHENG L, et al. Performance of the 802.11p physical layer in vehicle-to-vehicle environments[J]. IEEE Trans. on Vehicular Technology, 2012, 61 (1): 3- 14. doi: 10.1109/TVT.2011.2164428
4	WANG T, HUSSAIN A, CAO Y, et al. An improved channel estimation technique for IEEE 802.11p standard in vehicular communications[J]. Sensors, 2019, 19 (1): 98.
5	KYUNBYOUNG K, HANHO W. The channel estimation based on FSC method for IEEE 802.11p OFDM system[C] // Proc. of the 14th International Conference on Information and Communication Technology Convergence, 2023.
6	HAN S H, PARK J S, SONG C. Virtual subcarrier aided channel estimation schemes for tracking rapid time variant channels in IEEE 802.11p systems[C] // Proc. of the IEEE Conference on Vehicular Technology, 2020.
7	GIZZINI A K, CHAFII M. Low complex methods for robust channel estimation in doubly dispersive environments[J]. IEEE Access, 2022, 10, 34321- 34339. doi: 10.1109/ACCESS.2022.3162928
8	桂冠, 王禹, 黄浩. 基于深度学习的物理层无线通信技术: 机遇与挑战[J]. 通信学报, 2019, 40 (2): 19- 23.
	GUI G, WANG Y, HUANG H. Deep learning-based wireless communication technologies at the physical layer: opportunities and challenges[J]. Journal of Communications, 2019, 40 (2): 19- 23.
9	孟帆. 基于深度学习的无线通信物理层关键技术研究[D]. 南京: 东南大学, 2020.
	MENG F. Research on key techniques of deep learning-based wireless physical layer [D]. Nanjing: Southeast University, 2020.
10	季策, 宋博翰, 耿蓉, 等. 快时变信道下基于深度学习的OFDM系统信道估计[J]. 系统工程与电子技术, 2023, 45 (11): 3649- 3655.
	JI C, SONG B H, GENG R, et al. Deep learning based channel estimation for OFDM systems in fast time-varying channel[J]. Systems Engineering and Electronics, 2023, 45 (11): 3649- 3655.
11	HAN S H, OH Y J, SONG C. A deep learning based channel estimation scheme for IEEE 802.11p systems[C] // Proc. of the IEEE International Conference on Communications, 2019.
12	PAN J, SHAN H G, LI R P, et al. Channel estimation based on deep learning in vehicle-to-everything environments[J]. IEEE Communication Latter, 2021, 25 (6): 1891- 1895. doi: 10.1109/LCOMM.2021.3059922
13	GIZZINI A K, CHAFII M, EHSANFAR S, et al. Temporal averaging LSTM-based channel estimation scheme for IEEE 802.11p standard[C] // Proc. of the IEEE Global Communnication Conference, 2021.
14	HOU J, LIU H J, ZHANG Y, et al. GRU-based deep learning channel estimation scheme for the IEEE 802.11p standard[J]. IEEE Wireless Communications Letters, 2023, 12 (5): 764- 768. doi: 10.1109/LWC.2022.3187110
15	ACOST M, GUILLERMO, WEIT N, et al. Six time and frequency-selective empirical channel models for vehicular wireless LANs[J]. IEEE Vehicular Technology Magazine, 2007, 2 (4): 4- 11. doi: 10.1109/MVT.2008.917435

参数名称	配置
隐藏层规格	48
训练迭代次数	500
批数据大小	128
优化器	Adam
训练，测试样本数	12000，2000
学习率	0.001
训练信噪比/dB	40

[1]	李开明, 张袁鹏, 罗迎, 代肖楠. 弹道导弹雷达目标识别研究进展[J]. 系统工程与电子技术, 2025, 47(9): 2870-2889.
[2]	闫小伟, 凌冲, 石胜斌. 地表未爆子弹药快速检测系统设计与实现[J]. 系统工程与电子技术, 2025, 47(8): 2639-2645.
[3]	张琬滢, 高由兵, 李泽一, 李鹏飞, 张伟. 基于双路径特征融合网络的背景信号抑制算法[J]. 系统工程与电子技术, 2025, 47(7): 2406-2413.
[4]	张新征, 闫梦可, 朱晓林. 噪声伪标签容忍的半监督SAR目标识别[J]. 系统工程与电子技术, 2025, 47(6): 1796-1805.
[5]	姜智杰, 宋恒, 胡楠, 段兰茜, 曹平. 隧道环境毫米波雷达目标识别与分类算法[J]. 系统工程与电子技术, 2025, 47(5): 1453-1460.
[6]	聂千祁, 沙明辉, 朱应申, 王崇宇, 崔念强. 基于盲源分离结合奇异谱分析的雷达多分量信号识别方法[J]. 系统工程与电子技术, 2025, 47(4): 1168-1175.
[7]	袁磊, 杨艳娟, 郭毅, 戴鹏. 相关噪声下基于深度学习的LDPC码码率半盲识别算法[J]. 系统工程与电子技术, 2025, 47(4): 1335-1345.
[8]	沈夏闰, 李若楠, 张昊田. 基于CVAE-LSTM的服务器KPI异常检测[J]. 系统工程与电子技术, 2025, 47(3): 1019-1027.
[9]	刘晓琳, 郭梦娇, 李卓. Dueling DQN优化下的航班延误自适应图卷积循环网络预测方法[J]. 系统工程与电子技术, 2025, 47(2): 568-579.
[10]	付卫红, 张鑫钰, 刘乃安. 基于多尺度融合神经网络的同频同调制单通道盲源分离算法[J]. 系统工程与电子技术, 2025, 47(2): 641-649.
[11]	蔡伟, 王鑫, 蒋昕昊, 杨志勇, 陈栋. 基于解耦的小样本目标检测方法研究[J]. 系统工程与电子技术, 2024, 46(9): 2941-2950.
[12]	陈晓萱, 徐书文, 胡绍海, 马晓乐. 基于卷积与自注意力的红外与可见光图像融合[J]. 系统工程与电子技术, 2024, 46(8): 2641-2649.
[13]	汪强龙, 高晓光, 吴必聪, 胡子剑, 万开方. 受限玻尔兹曼机及其变体研究综述[J]. 系统工程与电子技术, 2024, 46(7): 2323-2345.
[14]	孙先涛, 江汪洋, 陈文杰, 陈伟海, 智亚丽. 基于感兴趣区域的物体抓取位姿检测[J]. 系统工程与电子技术, 2024, 46(6): 1867-1877.
[15]	陈雪梅, 刘志恒, 周绥平, 余航, 刘彦明. 基于HRNet的高分辨率遥感影像道路提取方法[J]. 系统工程与电子技术, 2024, 46(4): 1167-1173.

TS-GRU-VTA：基于深度学习的车辆信道估计方案

TS-GRU-VTA: vehicle channel estimation scheme based on deep learning

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 15

相关文章 15

编辑推荐

Metrics

本文评价