Skip to content

About

本项目实现了一个完整的信道估计方法比较研究框架,包括传统方法和深度学习方法的实现、评估和性能对比。

Resources

Stars

52 stars

Watchers

2 watching

Forks

Repository files navigation

Channel-Estimation-Methods-Comparison-Framework

同一个数据管线、同一套指标口径下的传统与深度学习信道估计对比框架

CI Python uv License: MIT

简体中文 | English


深度学习信道估计的论文常常在"各自的实验口径"下与传统方法比较:数据集不同、指标实现不同、训练协议不同,结论便难以复现。这个仓库把全部方法放进同一套管线——相同的 Rayleigh 信道样本、相同的导频结构、相同的三次重复评估与置信区间,LS / LMMSE / ML 与 CNN / RNN / LSTM / GRU / Hybrid / LmmseNet 在完全一致的条件里同场竞技。

跑一次完整实验约数分钟,产出 NMSE/BER 曲线、热力图与一份自动撰写的对比报告。当前默认结果:合成高斯世界下 LMMSE 即贝叶斯最优(线性估计已是全局最优,DL 的诚实目标是"不掌握解析先验也能逼近它")。经过两轮输入模式修复、LmmseNet unfolding、正交导频与 3 倍训练池的接力推进,DL 与 LMMSE 的差距从 23.9 dB 收窄到 10.6 dB;在 OFDM 频率选择性信道上,DL 首次稳定超越无先验实用基线(comb-LS 线性插值)+2.7~5.1 dB。

NMSE 对比

主要研究发现

以下数字均来自仓库内保存的实验产物,可在文末产物索引中找到对应的完整报告。

1. 端到端 raw 输入让时序模型学不到东西,按导频符号重排后恢复(A/B 实测)

拼接式的 raw 输入破坏了 RNN 感受野的局部性——GRU 训完 NMSE 仍接近 1.0,等于没学。改成按导频符号分组的 raw_sym 排布后,GRU@30 dB 的 NMSE 从 9.94e-01 降到 1.79e-01,NMSE(dB) 提升 7.4 dB;raw 系曲线在竞速图中 11~12 epoch 即被早停淘汰,而 raw_sym 正常收敛:

训练竞速

2. ls_refine 模式缺少导频信息,CNN 在高 SNR 反而把好的初始估计改坏了

LS 估计在 30 dB 已达 -34.9 dB,但只喂"LS 估计"特征的 CNN 把它 refine 成了 -11.1 dB——网络在没有任何先验可对照的情况下瞎改。补上导频实虚部(ls_refine_x)后恢复到 -17.7 dB(+6.5 dB)。

3. LmmseNet:模型驱动 unfolding 把 DL 与 LMMSE 的差距收窄近半

LmmseNet 在网络前向中显式执行逐样本 LMMSE 复数滤波(R·(R + r·(XXᴴ)⁻¹)⁻¹,R、r 是可学习的全局标量,其中 r 是等效噪声方差),校正头从零初始化、只学物理层没覆盖的残差。物理层保证了"起点即 LMMSE",因此不存在常规模型那种学废的风险。与 GRU 同条件对照:30 dB 处 NMSE 4.59e-03 vs GRU 1.68e-02(+5.7 dB),与 LMMSE 差距收窄至 11.7 dB;5~30 dB 全中高 SNR 段优于 GRU,低 SNR 持平。

SNR LmmseNet GRU(ls_refine_x) LMMSE(基准)
0 dB 2.75e-01 2.57e-01 2.46e-01
15 dB 1.31e-02 2.47e-02 9.76e-03
30 dB 4.59e-03 1.68e-02 3.13e-04

4. 正交导频(DFT)+ 3 倍训练池:把"学导频统计"变成"学信道插值"(+2.0 dB,解析噪声底也受益)

随机导频下 X·Xᴴ 逐样本随机,逆 Wishart 效应让 LS/LMMSE 的噪声底膨胀约 n_pilot/(n_pilot−n_tx−1) ≈ 1.45 倍,也让网络多学一层"导频统计"的随机性。DFT 正交汇把 X·Xᴴ 钉成确定性的 (n_pilot/n_tx)·I——同一协议(epochs 100 / patience 10,30 dB NMSE):

随机导频 · 1 万池(A/B) 随机导频 · 3 万池 DFT 正交导频 · 3 万池
LmmseNet(ls_refine_x) 4.58e-03 4.04e-03 2.89e-03
与 LMMSE 的差距 11.7 dB 11.1 dB 10.6 dB

三点可分解:纯扩池 +0.6 dB、正交导频 +1.5 dB,合计 +2.0 dB(连解析 LMMSE 的噪声底都收益 ~1.0 dB:3.13e-04 → 2.50e-04)。不依赖导频统计的 raw_sym 模式获益大得多:GRU(raw_sym)@30 dB 从 A/B 的 1.79e-01(−7.5 dB)直落到 3.51e-03(−24.6 dB,+17.1 dB / 51×)。补充对照(随机导频 · 3 万池的 CNN/GRU raw_sym 组,REPORT_20261017_221652.md)把这笔账拆开:随机池扩到 3 倍只值 +6.2 dB(1.79e-01 → 4.3e-02),剩下 +10.9 dB 全部来自正交导频——CNN(raw_sym) 在随机 3 万池下仍是 6.0e-01(没救),换 DFT 后直达 5.9e-03。1

5. LmmseNetAtt:注意力校正头——一致但小幅的增益

在 LmmseNet 的一级物理层之上,LmmseNetAtt 追加第二段可学习物理层(可学习对角信道先验 R₂ = diag(softplus(w)) + 二段噪声尺度 r₂)与导频符号 token 的 Transformer 校正头,零初始化残差保证"起点即 LmmseNet"。随机导频 · 3 万池、短协议(100 epoch / patience 10)下逐 SNR 点一致小幅领先:

SNR LmmseNetAtt LmmseNet GRU(ls_refine_x) LMMSE(基准)
0 dB 2.79e-01 2.76e-01 2.57e-01 2.46e-01
15 dB 1.23e-02 1.27e-02 2.24e-02 9.76e-03
30 dB 3.72e-03 4.04e-03 1.45e-02 3.13e-04

30 dB 处与 LMMSE 差距 11.1 → 10.8 dB(+0.36 dB)。但增益被短协议锁死:校正头零初始化起步即纯物理层,patience=10 使其在第 11 epoch 就被早停,几乎没有展开机会。

给足耐心后的诚实答案:改用 300 epoch / patience 30 同协议复跑两种模型(REPORT_20261017_221016.md),Gap 反而只在 ±0.3 dB 内波动——@30 dB LmmseNetAtt 3.97e-03 vs LmmseNet 4.15e-03(+0.37 dB),且验证损失在初段就封顶(LmmseNetAtt 最优 0.0308 @第 1 轮,LmmseNet 最优 0.0307 @第 2 轮,此后 30 轮耐心内再无改善)。结论:在平坦独立 Rayleigh 的合成高斯世界里,LMMSE 本身就是贝叶斯最优,LmmseNet 的物理层起点已经是"内点",第二段物理层与注意力头没有可学的结构性残差——剩余 ~10.6 dB 的差距不是模型表达力问题,而是"用有限数据超越解析 Bayes 估计"本身的样本效率极限。注意力头的真实用武之地是先验失配 / 非高斯 / 结构化的信道(见路线图)。

6. OFDM 频选信道:DL 首次把"无先验实用基线"甩开(+2.7~5.1 dB),并给出解析先验的定价

新的 channel.type='ofdm_freq_selective'(16 子载波 / 4 发 × 4 收 / 4 抽头指数 PDP)里,每根天线只占用 1/4 的梳状栅格,估计任务本质是把稀疏观测插值到整个频域网格:

NMSE comb-LS 线性插值 CNN(ls_refine_x) GRU(ls_refine_x) MMSE 频域插值(PDP 解析先验)
0 dB 1.01e+00 5.44e-01 5.41e-01 4.81e-01
15 dB 3.40e-01 1.19e-01 1.26e-01 3.05e-02
30 dB 3.18e-01 9.91e-02 1.06e-01 9.97e-04

三个结构性结论:

  • comb-LS 线性插值被插值损耗"钉死":SNR 从 15 → 30 dB,NMSE 仅从 3.4e-01 微降到 3.2e-01(−5 dB 平台)——噪声已经很小,误差全部来自线性插值本身。
  • DL 稳定超越无先验实用基线:CNN(ls_refine_x) 全 SNR 段领先 comb-LS(0 dB +2.7 dB → 30 dB +5.1 dB),且 0 dB 处几乎逼平 MMSE 插值(仅差 0.5 dB)。
  • 解析先验的"定价":MMSE 频域插值凭 PDP 先验直达 −30 dB 与 DL 拉开 20 dB——在合成高斯世界,给定正确解析先验的线性估计就是贝叶斯最优,DL 超越的只能是"不掌握先验的实用基线",这与本文方法论一致。

raw 系模式在 comb 结构下失效(GRU(raw) NMSE≈0.95,等于学了个零;CNN(raw) 高 SNR 反超不过 LS)——梳状稀疏结构必须显式喂给网络(ls_refine_x 内含该结构),再次印证输入模式决定上限。

OFDM NMSE 对比

支持的方法

类别 方法 说明
传统 LS 正则有理化的最小二乘(伪逆实现)
传统 LMMSE 逐样本滤波,噪声方差支持 oracle / blind(LS 残差盲估计)
传统 ML 最大似然(等价于 LS-ZF 口径,作对照)
传统 comb-LS / MMSE 频域插值 OFDM 频选信道基线:梳状点精确 LS + 周期线性插值;MMSE 用 PDP 解析先验做频域维纳插值
深度学习 CNN / RNN / LSTM / GRU 对四个输入模式任意组合训练
深度学习 Hybrid 1D CNN + LSTM 的编解码混合
深度学习 LmmseNetAtt LmmseNet + 二段物理层 unfolding(可学习对角先验 + 噪声尺度)+ 导频 token Transformer 校正头,仅用于 ls_refine_x 模式

深度学习的输入特征有四种:raw(逐导频点直拼)、raw_sym(按导频符号重排,修复 RNN 局部性)、ls_refine(LS 估计实虚部)、ls_refine_x(加导频特征)。修复优先的两种已设为默认,raw/ls_refine 保留以便复现历史实验。OFDM 频选信道下 raw 系的导频重排无意义(comb 结构含零),仅 raw/ls_refine_x 参与且特征层与输出层自动泛化到频域网格。

快速开始

需要 Python 3.12 与 uv。CUDA 可选,全部功能在 CPU 上也能运行。

git clone https://github.com/ygxiuming/Channel-Estimation-Methods-Comparison-Framework.git
cd Channel-Estimation-Methods-Comparison-Framework

uv sync                 # 自动装好 Python 3.12 与全部依赖(按 uv.lock 锁定)
uv run python main.py --config src/config/smoke.yml --device cpu   # 约 1 分钟的冒烟验证
uv run python main.py --config src/config/default.yml --device cuda # 完整实验(GPU 数分钟)
uv run pytest tests/ -q  # 60 项测试

CLI

--config PATH           配置文件(默认 src/config/default.yml)
--device cpu|cuda       覆盖配置里的运行设备
--seed N                覆盖随机种子
--resume                已有 weights/best.pt 的组合跳过训练、直接复用权重(断点续跑)
--set KEY=VALUE         覆盖任意配置项,点号路径,可重复
--replot RESULTS_JSON   不训练不评估,从 results_*.json 重绘全部图表与报告

举例:

uv run python main.py --set channel.n_tx=8 --set dl.models='[CNN, GRU, LmmseNet]'
uv run python main.py --set traditional.lmmse.noise_var_estimation=blind
uv run python main.py --resume            # 上次训练中断后接着跑;或用旧权重重新评估
uv run python main.py --replot results/results_20261017_200009.json

实验产物索引

产物 内容
results/REPORT_20261017_200009.md 输入模式 A/B 对照(CNN+GRU × 4 模式 × 7 SNR),发现 1、2 的数据来源
results/REPORT_20261017_202104.md LmmseNet 首验(与 GRU 同条件),发现 3 的数据来源
results/REPORT_20261017_214249.md 正交导频(DFT)+ 3× 训练池对照(CNN/GRU/LmmseNet × 2 模式),发现 4 的数据来源
results/REPORT_20261017_215451.md LmmseNetAtt 注意力校正头对照(随机导频 3 万池),发现 5 的数据来源
results/REPORT_20261017_220015.md MIMO-OFDM 频选信道对比(comb-LS / MMSE 插值 / CNN / GRU),发现 6 的数据来源
results/REPORT_20261017_221016.md LmmseNet vs LmmseNetAtt 长协议(300 epoch / patience 30)复跑,发现 5 的诚实答案
results/REPORT_20261017_221652.md 随机导频 · 3 万池 raw_sym 对照(CNN/GRU),发现 4 的得益分解
results/summary_*.csv / results/results_*.json 各次实验的全量数值(可直接 --replot)
plots/*.png、plots/animations/*.gif 曲线、热力图与训练竞速动图

每次运行都会生成独立时间戳目录,互不覆盖;图表与数值随仓库提交,保证论文可复现。

配置

全部配置集中在 src/config/*.yml(default.yml 带逐项注释)。核心字段:

字段 含义 默认
channel.* n_tx / n_rx / 导频数 / SNR 列表 / 样本量 4×4、16 导频、0~30 dB、1 万样本
channel.pilot_type 导频结构 random / dft / hadamard(正交导频满足 X·Xᴴ=(n_pilot/n_tx)·I) random
channel.type='ofdm_freq_selective' OFDM 频选信道:n_pilot 复用为子载波数 N(须为 n_tx 整数倍),n_taps/pdp_decay 定义归一化指数 PDP rayleigh
data.* 数据增广与 train/val/test 切分 关闭增广(保证公平口径)
traditional.lmmse.noise_var_estimation oracle(真实方差)或 blind(LS 残差盲估计) oracle
dl.input_modes 参与的输入模式 ['raw_sym', 'ls_refine_x']
dl.models 参与的模型 全部 6 个(不满足模式要求的组合自动跳过)
training.epochs / early_stopping.patience 训练协议(所有方法一致) 100 / 10

目录结构

├── main.py                     # 主程序入口
├── pyproject.toml / uv.lock    # uv 项目定义与依赖锁定
├── .github/workflows/ci.yml    # GitHub Actions CI(pytest + 冒烟)
├── scripts/
│   ├── release.sh              # Release 自动发布(谷歌双语 notes 模板流程)
│   ├── extract_commits.sh      # conventional commits 提取分组
│   ├── render_training_race.py # 训练竞速 GIF 渲染器
│   └── RELEASE_NOTES_TEMPLATE.md
├── src/
│   ├── config/                 # default / smoke / ab_validation / orthogonal_pilots / attention_unfolding / ofdm_freq_selective
│   ├── traditional/estimators.py    # LS / LMMSE / ML + 盲噪声方差 + OFDM comb-LS / MMSE 频域插值
│   ├── deep_learning/models.py      # CNN/RNN/LSTM/GRU/Hybrid/LmmseNet/LmmseNetAtt
│   └── utils/                  # 数据生成(含 OFDM)、特征构造、训练器、复数域指标、绘图、报告
├── tests/                      # 60 项 pytest 用例(含 LmmseNet 物理层一致性、正交导频/OFDM 链路验证)
├── results/  plots/            # 实验产物(随仓库提交)
└── README.en.md                # English version

测试与 CI

本地 uv run pytest tests/ -q(60 项)覆盖估计器数值正确性、输入特征与盲噪声方差回归、正交导频与 OFDM 链路、--set 覆盖回归,以及 LmmseNet 的关键性质——校正头清零并给定真实噪声方差时,输出与解析 LMMSE 逐元素一致。CI 在每次 push / PR 上自动运行同一套测试与 CPU 冒烟实验。

版本发布

内置 GitHub CLI 自动发版(参考 Google 产品发布说明的中英双语模板):

bash scripts/release.sh --prepare                        # 版本推断 + 生成双语 notes 脚手架
# 按模板润色 release-notes/vX.Y.Z.md
bash scripts/release.sh --notes release-notes/vX.Y.Z.md  # 创建 release 并校验

路线图

  • 四种输入模式与 A/B 实测(v0.2.0)
  • LMMSE 盲噪声方差估计(v0.2.0)
  • LmmseNet 模型驱动 unfolding(v0.3.0)
  • --resume / --set / --replot 工程化 CLI 与 CI(v0.3.0)
  • Release 自动化(v0.3.0)
  • 正交导频(DFT / Hadamard)与大训练池对照(v1.2.0)
  • 注意力 / 多层 unfolding 校正头 LmmseNetAtt(v1.2.0)
  • OFDM 频选信道 + comb-LS / MMSE 频域插值基线(v1.2.0)
  • 真实信道数据集(3GPP / 标准 TDL / 实测)验证

常见问题

CUDA 不可用? 所有方法在 CPU 上可运行,显式加 --device cpu 即可。

图表中文变方块? utils/plotting.py 会自动探测系统中文字体;Ubuntu 下可 sudo apt install fonts-noto-cjk。

为什么 LMMSE 用 oracle 噪声方差? 上帝信息是基线传统的常见口径;同时也提供 blind 模式做无上帝信息的对照,两者可一行配置切换,结果都在产物目录里。

换信道模型? channel.type 支持 Rayleigh(默认)、Rician 参数 rician_k 与 OFDM 频选 ofdm_freq_selective(n_taps / pdp_decay 见配置注释);channel.pilot_type 可叠加任意信道使用。

许可证

MIT © 修明

Footnotes

  1. 同协议验证损失同样悬殊:CNN(raw_sym) 0.317(随机导频)vs 0.0247(DFT 正交导频),≈ +11 dB。 ↩

About

本项目实现了一个完整的信道估计方法比较研究框架,包括传统方法和深度学习方法的实现、评估和性能对比。

Resources

Stars

52 stars

Watchers

2 watching

Forks

Releases

Used by

Contributors

Languages