基于基扩展模型和双向LSTM网络的OTFS信道估计算法OA

高精度的信道估计是正交时频空间(OTFS)系统在6G高速移动场景中可靠应用的关键,为进一步提升OTFS系统的信道估计精度,提出了一种基于融合基扩展模型(BEM)和双向长短期记忆(LSTM)网络的OTFS信道估计算法。首先利用BEM将时延-多普勒(DD)域的信道估计问题转换为基系数估计问题,然后引入双向LSTM网络对基系数进行离线训练与在线预测,并结合自注意力(SA)机制增强对时序特征的全局感知能力,实现基系数的高精度估计与动态跟踪。在此基础上,进一步设计了一种低复杂度两级均衡器,基于估计得到的基系数重构信道信息,通过单抽头均衡器消除多径效应,并在DD域采用基于对数似然比的迭代干扰消除(LLR-IIC)算法抑制多普勒扩展引起的残余干扰。仿真结果表明,所提算法在信道估计精度、泛化能力和复杂度方面均具有明显优势;结合所提均衡器后,可在保持较低复杂度情况下,实现更优的误比特率(BER)性能。