本发明涉及信道估计，尤其是指一种基于lstm网络的多载波系统的信道估计方法和系统。
背景技术：
1、强度调制直接检测(intensity modulation direct detection,im/dd)广泛应用于短距离光系统，如数据中心内/间和无源光网络。然而，传统的高速单载波系统串行传输信息序列，传输过程中的光纤色散不可避免地引起临界符号间干扰(intersymbolinterference,isi)。相比之下，多载波系统可以将可用信道细分为许多理想的子信道，以减轻光纤色散引起的信道失真。目前广泛使用的多载波调制是正交频分复用(orthogonalfrequency division multiplexing,ofdm)。为了减轻带外泄漏、增加对同步误差的抵抗力和去除循环前缀，研究具有偏移正交幅度调制(filter bank multicarrier with offsetquadrature amplitude modulation,fbmc/oqam)的滤波器组多载波是有意义的。fbmc对同步误差鲁棒性强，无循环前缀(cyclic prefix，cp)开销，带外泄漏小，已成为光和无线通信系统中具有竞争力的技术。特别地，异步特性适用于im/dd无源光网络中的上行链路通信，以传输多个用户的信号。而fbmc只保持了实数域子载波的正交性，复数域子载波的正交性被破坏，造成了固有的虚部干扰。
2、同时，多载波系统中使用结构简单的信道估计可以改善传输性能。在im/ddfbmc传输系统中，已经出现了几种信道估计方法。其中，导频辅助信道估计方法应用最为广泛。通过将导频符号插入传输信号，可以估计信道频率响应(channel frequency response,cfr)，如最小平方(least square,ls)算法和线性最小均方误差(linear minimum meansquare error,lmmse)算法。虽然传统的ls算法计算复杂度低，但由于忽略了噪声的影响，它会导致较大的均方误差(mean square error,mse)并降低cfr的精度。而lmmse算法通过利用光纤信道的先验信息可以获得更精确的cfr。然而，lmmse方法仍然需要各种传输场景的信道先验信息。
3、此外，由于光纤信道的复值cfr特性，有人提出了复值神经网络(complex-valuedneural networks,cvnn)来实现信道估计，它具有较低的计算复杂度，并且在低导频开销的情况下得到较为精确的cfr。虽然cvnn可以产生更精确的cfr，但它受到自身结构的限制。当信号通过不同的光纤路径传输时，必须在不同的传输场景中对神经网络执行繁琐的训练过程。因此，如果提高神经网络的通用性，将会增加其在多载波系统中信道估计中的应用。
技术实现思路
1、为此，本发明所要解决的技术问题在于克服现有技术中信道估计精度不够高、且通用性较差的问题。
2、为解决上述技术问题，本发明提供了一种基于lstm网络的多载波系统的信道估计方法，包括：
3、步骤s1：搭建fbmc系统，并在fbmc系统信道估计模块中引入lstm网络；
4、步骤s2：对lstm网络离线训练时，在信道估计中通过所述信道估计模块对接收到的训练数据进行信道频率响应cfr估计，在进行信道频率响应cfr估计时，包括对接收到的训练数据进行预处理并训练所述lstm网络；
5、步骤s3：通过具有训练好的lstm网络的信道估计模块来估计fbmc系统中数据的信道频率响应cfr，完成信道估计。
6、在本发明的一个实施例中，所述步骤s2中在进行信道频率响应cfr估计时，包括对接收到的训练数据进行预处理并训练所述lstm网络，方法包括：
7、接收到的训练数据包括实部和虚部，将接收到训练数据的实部和虚部进行并置以获得串行实值信号；
8、将所述串行实值信号作为lstm网络的训练输入数据，并进行迭代训练，直至lstm网络收敛，则完成训练。
9、在本发明的一个实施例中，所述步骤s1中在fbmc系统信道估计模块中引入lstm网络，方法包括：
10、所述fbmc系统的信道估计模块包括ls算法模块和lstm网络，将ls算法模块的输出端和lstm网络的输入端连接，再将lstm网络的输出作为信道估计模块的输出。
11、在本发明的一个实施例中，所述ls算法模块包括：
12、在fbmc系统中，当在频域中执行信道估计时，假设在发射机处用于信道估计的输入导频集是x，而在接收机处的输出导频集是y，输出表示为：
13、y＝xh+wn+wi
14、其中，h是频域中的信道响应，wn是加性高斯白噪声，wi是固有虚部干扰；
15、在ls算法模块中，所述加性高斯白噪声和固有虚部干扰的影响被忽略，则第k个导频处的信道估计表示为：
16、
17、在本发明的一个实施例中，所述步骤s3中的lstm网络为循环单元结构，所述lstm网络包括三个门，分别为输入门ik、遗忘门fk和输出门ok。
18、在本发明的一个实施例中，在前向传播中，所述输入门ik、遗忘门fk和输出门ok的输出更新公式为：
19、
20、其中，σ是激活函数，xk是当前输入符号，hk-1是前一时刻的外部状态，wi、wf和wo分别是输入门、遗忘门和输出门的输入权重，ui、uf、uo为递归权重，bi、bf、bo为输入门、遗忘门和输出门的偏置。
21、在本发明的一个实施例中，所述lstm网络计算过程为：
22、通过hk-1和xk计算三个门和候选状态ck’的值，所述候选状态ck’值用于结合fk和ik来更新ck；
23、将ck与ok合并，将内部状态的信息传递给hk。
24、为解决上述技术问题，本发明提供了一种基于lstm网络的多载波系统的信道估计系统，包括：
25、搭建模块：用于搭建fbmc系统，并在fbmc系统信道估计模块中引入lstm网络；
26、训练模块：对lstm网络离线训练时，用于在信道估计中通过所述信道估计模块对接收到的训练数据进行信道频率响应cfr估计，在进行信道频率响应cfr估计时，包括对接收到的训练数据进行预处理并训练所述lstm网络；
27、信道估计模块：用于通过具有训练好的lstm网络的信道估计模块来估计fbmc系统中数据的信道频率响应cfr，完成信道估计。
28、在本发明的一个实施例中，所述训练模块中在进行信道频率响应cfr估计时，包括对接收到的训练数据进行预处理并训练所述lstm网络，包括：
29、接收到的训练数据包括实部和虚部，将接收到训练数据的实部和虚部进行并置以获得串行实值信号；
30、将所述串行实值信号作为lstm网络的训练输入数据，并进行迭代训练，直至lstm网络收敛，则完成训练。
31、在本发明的一个实施例中，所述搭建模块中在fbmc系统信道估计模块中引入lstm网络包括：
32、所述fbmc系统的信道估计模块包括ls算法模块和lstm网络，将ls算法模块的输出端和lstm网络的输入端连接，再将lstm网络的输出作为信道估计模块的输出。
33、本发明的上述技术方案相比现有技术具有以下优点：
34、本发明在fbmc系统的信道估计模块中引入lstm网络，能够最大程度降低fbmc系统自有的虚部干扰造成的影响，保证信号的有效性；
35、本发明在fbmc系统的信道估计模块中引入lstm网络，具有较强的通用性和较高的鲁棒性。
1.一种基于lstm网络的多载波系统的信道估计方法，其特征在于：包括：
2.根据权利要求1所述的基于lstm网络的多载波系统的信道估计方法，其特征在于：所述步骤s2中在进行信道频率响应cfr估计时，包括对接收到的训练数据进行预处理并训练所述lstm网络，方法包括：
3.根据权利要求1所述的基于lstm网络的多载波系统的信道估计方法，其特征在于：所述步骤s1中在fbmc系统信道估计模块中引入lstm网络，方法包括：
4.根据权利要求3所述的基于lstm网络的多载波系统的信道估计方法，其特征在于：所述ls算法模块包括：
5.根据权利要求1所述的基于lstm网络的多载波系统的信道估计方法，其特征在于：所述步骤s3中的lstm网络为循环单元结构，所述lstm网络包括三个门，分别为输入门ik、遗忘门fk和输出门ok。
6.根据权利要求6所述的基于lstm网络的多载波系统的信道估计方法，其特征在于：在前向传播中，所述输入门ik、遗忘门fk和输出门ok的输出更新公式为：
7.根据权利要求1所述的基于lstm网络的多载波系统的信道估计方法，其特征在于：所述lstm网络计算过程为：
8.一种基于lstm网络的多载波系统的信道估计系统，其特征在于：包括：
9.根据权利要求8所述的基于lstm网络的多载波系统的信道估计系统，其特征在于：所述训练模块中在进行信道频率响应cfr估计时，包括对接收到的训练数据进行预处理并训练所述lstm网络，包括：
10.根据权利要求8所述的lstm网络的多载波系统的信道估计系统，其特征在于：所述搭建模块中在fbmc系统信道估计模块中引入lstm网络包括：
