基于深度学习的信道估计：Deep Learning - Channel Estimation（DL-CE）

目前把深度学习应用到无线通信系统中所存在的问题

（1）没有大量可靠的真实数据集，目前常用的训练数据大多都是使用仿真得到的
（2）当前深度学习的网络层数都较大（模型较大），还不能有效地运用到移动设备上

方案一、深度学习网络用在LS算法得到导频处信道特性（CFR）之后

DL-CE基本结构

基于深度学习的信道估计主要包括两个部分，即离线训练和在线估计（在线预测）
在离线训练阶段，利用先验的信道数据对学习网络进行训练，使网络学习到信道的频域相关系数和信道的分布特征；在线估计阶段，网络的输入为OFDM无线通信系统的反馈，其反馈为用LS估计得到的导频处的信道频域响应矢量。该网络由深度神经网络DNN组成，DNN通过增加更深的隐藏层数量，以提高表示或识别的能力。
这种方案的深度学习网络结构如下图：

上图就是把深度学习网络用在了经过LS算法得到导频处的**信道特性CSI（或者说信道频域响应CFR）**之后，那么网络的输入就是一个OFDM符号内各个导频处的CFR，然后经过多个隐藏层之后，输出层输出的就是一个OFDM符号内所有载波处的CFR。
模型训练：首先使用仿真得到训练数据（训练数据包括导频处的CSI和一个OFDM符号的CSI），然后进行离线训练，离线训练时使用导频处的CSI作为输入，使用一个OFDM符号的CSI作为标签数据