trainmodel = false;

％设置随机种子以进行再现性（如果GPU是没有影响%（已使用）RNG（42）如果TrainModel.％生成培训数据[trainData，trainLabels]=hGenerateTrainingData（256）；%设置每个小批量的示例数batchSize = 32;％将真实和虚构的网格分成2个图像集，然后连接TrainData = Cat（4，TrainData（：：：1，:)，TrainData（：:,：，2，:)）;Trainlabels = Cat（4，Trainlabels（：，：1，:)，TrainLabels（：，2，:)）;％分为培训和验证集valdata = trainData（：：：：：1：批量化）;vallabels = trainlabels（：:,：，1：批量化）;traindata = traindata（：：：，批量化+ 1：结束）;TrainLabels = Trainlabels（：：：，批量化+ 1：结束）;％每纪元大约5次验证valFrequency=圆形（尺寸（列车数据，4）/批次尺寸/5）；％定义CNN结构层=[．..imageInputLayer ([612 14 1],“正常化”那'没有任何'）卷积2dlayer（9,64，“填充”，4）Rublayer Convolution2dlayer（5,64，“填充”2，“NumChannels”，64）Ruilulayer卷积2dlayer（5,64，“填充”2，“NumChannels”，64）Rufulayer卷积2dlayer（5,32，“填充”2，“NumChannels”，64）reluLayer卷积2层（5,1，“填充”2，“NumChannels”，32）回归层];％建立培训政策选项=培训选项（“亚当”那．..'italllearnrate'，3e-4，．..“MaxEpochs”，5，．..“洗牌”那“every-epoch”那．..“冗长”，错误的，．..'plots'那“训练进步”那．..“MiniBatchSize”，批量化，．..'vightationdata'，{valdata，vallabels}，．..“ValidationFrequency”，瓦尔复克，．..“ValidationPatience”5）;%培训网络。保存的结构培训信息包含%培训进度，以便日后检查。这个结构是有用的%不同优化方法的最优收敛速度比较％ 方法。[channelestimationcnn，traininginfo] = trainnetwork（traindata，．..Trainlabels，层数，选项）;别的如果TRACTMODEL设置为FALSE，则％加载备用网络负载('trouscanchannelestimationnetwork.mat'）结尾

channelestimationcnn.layers.

SNRDB = 10;

[gnb，carrier，pdsch]=hDeepLearningChanEstSimParameters（）；

channel = nrtdlchannel;channel.seed = 0;channel.delayprofile ='tdl-a'；通道。DelaySpread = 3 e;通道。MaximumDopplerShift = 50;％此示例仅支持SISO配置金宝appchannel.NumTransmitAntennas=1；channel.numreceive天线=1；波形信息=nrOFDMInfo（载波）；channel.SampleRate=波形信息SampleRate；

Chinfo = Info（频道）;maxchdelay = ceil（max（chinfo.pathdelays * channel.samplerate））+ chinfo.channelfilterdelay;

％生成DM-RS指数和符号[~, dmrsIndices dmrsSymbols pdschIndicesInfo] = hPDSCHResources (gnb pdsch);%创建PDSCH资源网格pdschGrid = nrResourceGrid(载体);％将PDSCH DM-RS符号映射到网格pdschgrid（dmrsindices）= pdschgrid（dmrsindices）+ dmrssymbols;％OFDM调制相关的资源元素txwaveform = nrofdmodulate（载体，pdschgrid）;

TX波形=[TX波形；零（最大延迟，大小（TX波形，2））；

[rxWaveform, pathGains sampleTimes] =通道(txWaveform);

SNR = 10 ^（SNRDB / 20）;计算线性噪声增益N0 = 1 /（SQRT（2.0 * Gnb.nrxants * Double（WaveformInfo.nfft）* SNR）;噪音= N0 *复杂(randn(大小(rxWaveform)), randn(大小(rxWaveform)));rxwaveform = rxwaveform +噪声;

％获取Path滤波器，用于完美的通道估计pathFilters=getPathFilters（通道）[偏移量，~]=nrpertimingestimate（路径增益、路径过滤器）；rxWaveform=rxWaveform（1+偏移量：结束，：）；

rxgrid = nrofdmdemodulate（载体，rxwaveform）;如果已解调不完整的插槽，则用零填充网格[k，l，r] =尺寸（rxgrid）;如果（l 结尾

Estchannelgridperfect = NrperfectChannelestimate（承运人，携带载体，．..Pathfilters，偏移，采样）;

[EstchannelGrid，〜] = nrchannelestimate（运营商，rxgrid，dmrsindices，．..dmrssymbols，“CDMLengths”，pdschindicsefo.cdmlengths）;

％使用导频符号位置插入所接收的资源网格interpChannelGrid=HPR输入（rxGrid、dmrsIndices、dmrsSymbols）；%沿批次维度连接实栅格和虚栅格nninput = cat（4，真实（interpchannelgrid），imag（interpchannelgrid））;％使用神经网络来估计频道EstChannelGridn=预测（channelEstimationCNN，nnInput）；％将结果转换为复杂EstchannelGridnnn =复杂的（Estchannelgridnn（：：：：：1），Estchannelgridnn（：：：:,2））;

neural_mse =均值（abs（abs（estchannelgridperfect（:)  -  estchannelgridnnn（：））。^ 2）;interp_mse =均值（abs（abs（estchannelgridperfect（:)  -  Interpchannelgrid（：））。^ 2）;permanical_mse =均值（abs（abs（estchannelgridperfect（:)  -  estchannelgrid（：））。^ 2）;

plotChEstimates (interpChannelGrid estChannelGrid、estChannelGridNN estChannelGridPerfect,．..Interp_mse，permaning_mse，neural_mse）;

功能hest = hpreprocessinput（rxgrid，dmrsindices，dmrssymbols）％执行网格的线性插值并将结果输入到这个辅助函数提取DM-RS符号% dmrsIndices接收网格rxGrid中的位置，并执行线性%对提取的导频进行插值。％获得导频符号估计dmrsrx = rxgrid（dmrsindices）;dmrsests = dmrsrx。*结合（dmrssymbols）;在线性插值后创建空网格来填充[rxDMRSGrid, hest] = deal(0 (size(rxGrid)));rxDMRSGrid (dmrsIndices) = dmrsSymbols;%查找给定DMRS配置的行和列坐标[行，cols] =查找（rxdmrsgrid〜= 0）;dmrssubs = [行，cols，one（大小（cols））];[l_hest，k_hest] = meshgrid（1：size（hest，2），1：size（hest，1））;％执行线性插值f =散射interpolant（dmrssubs（:,2），dmrssubs（：，1），dmrsests）;hest = f（l_hest，k_hest）;结尾功能[TrainData，TrainLabels] = HggeneratetrationData（数据化）％生成频道估计的培训数据示例％运行数据化迭代的数量以创建随机通道配置％并通过DM-RS符号通过OFDM调制的固定PDSCH网格%插入。实现完美的定时同步和OFDM解调，%提取导频符号并对每个符号进行线性插值％迭代。使用完美的频道信息来创建%标签数据。函数返回2个数组-训练数据和标签。fprintf（'开始数据生成... \ n'）%可能的信道配置文件列表delayprofiles = {'tdl-a'那'tdl-b'那'tdl-c'那'tdl-d'那'tdl-e'};[SimParameters，Carrier，PDSCH] = HDEEPLEARNINGNCHANESTSIMPARMERES（）;％创建通道模型对象nTxAnts=simParameters.nTxAnts；nRxAnts=simParameters.nRxAnts；信道=NRTDL信道；%信道对象channel.numtransmitantennas = ntxants;channel.numreceiveantennas = nrxants;%使用从返回的值％设置频道模型采样率waveforminfo = nrofdminfo（载体）;Channel.Samplerve = WaveformInfo.Sampleate;％通过通道多径获得最大延迟样本数％ 成分。此号码由具有最大的通道路径计算％延迟和通道过滤器的实现延迟，是必需的刷新信道滤波器以获得接收信号。Chinfo = Info（频道）;maxchdelay = ceil（max（chinfo.pathdelays * channel.samplerate））+ chinfo.channelfilterdelay;%返回DM-RS索引和符号[~，dmrsIndices，dmrsSymbols，~]=hPDSCHResources（simParameters，pdsch）；与PDSCH传输周期相关联的网格中的％PDSCH映射pdschGrid=nrResourceGrid（运营商，nTxAnts）；％PDSCH DM-RS预编码和映射[~，dmrsantidices]=nRectractResources（dmrsIndices，pdschGrid）；pdschGrid（DMRSantidices）=pdschGrid（DMRSantidices）+dmrsSymbols；相关资源元件OFDM调制百分比txWaveform_original=nrOFDMModulate（载波，pdschGrid）；％获取用于神经网络预处理的线性插值器坐标[行，cols] =查找（pdschgrid〜= 0）;dmrssubs = [行，cols，one（大小（cols））];hest = zeros（尺寸（pdschgrid））;[l_hest，k_hest] = meshgrid（1：size（hest，2），1：size（hest，1））;％预先利用培训数据和标签的内存numExamples = dataSize;[trainData, trainLabels] = deal(0 ([612 14 2 numExamples]));数据生成的％主循环，迭代示例的数量%在函数调用中指定。循环的每次迭代都会产生一个新信道实现与随机延迟扩展，多普勒频移，％和延迟配置文件。每个扰动版本的传输版本%带有DM-RS符号的波形存储在列车数据中，并且Trainlabels中的％完美渠道实现。为了i = 1：numexamples%释放通道以更改不可调优属性Channel.Release.％选择一个随机种子来创建不同的频道实现channel.Seed=randi（[1001 2000]）；％选择随机延迟配置文件，延迟扩展和最大多普勒换档channel.delayprofile =string(delayProfiles(randi([1 numel(delayProfiles)]))); channel.DelaySpread = randi([1 300])*1e-9; channel.MaximumDopplerShift = randi([5 400]);％通过频道模型发送数据。在结束时附加零%用于刷新频道内容的传输波形。这些零％考虑到频道中引入的任何延迟，例如%多径延迟和实现延迟。此值取决于％采样率，延迟配置文件和延迟传播txWaveform = [txWaveform_original;0 (maxChDelay、尺寸(txWaveform_original 2)));[rxWaveform, pathGains sampleTimes] =通道(txWaveform);％将添加剂白色高斯噪声（AWGN）添加到接收的时域%波形。要考虑采样率，使噪声功率正常化。%SNR是针对每个接收天线（3GPP TS 38.101-4）的每RE定义的。snrdb = randi（[0 10]）;%随机SNR值介于0和10 dB之间SNR = 10 ^（SNRDB / 20）;计算线性噪声增益N0 = 1 /(√(2.0 * nRxAnts *双(waveformInfo.Nfft)) *信噪比);噪音= N0 *复杂(randn(大小(rxWaveform)), randn(大小(rxWaveform)));rxwaveform = rxwaveform +噪声;%完美的同步。使用频道提供的信息%以找到最强的多路径组件pathfilters = getpathfilters（频道）;％获取Path滤波器，用于完美的通道估计[offset，〜] = nrperfecttimingestimate（pathgains，pathfilters）;rxwaveform = rxwaveform（1 + offset：结束，:);％在接收数据上执行OFDM解调以重新创建%资源网格，包括实际情况下的填充％同步导致不完整的插槽被解调rxgrid = nrofdmdemodulate（载体，rxwaveform）;[k，l，r] =尺寸（rxgrid）;如果（l 结尾完美信道估计，使用路径增益的值%由频道提供。此信道估计值不适用％包括发射器预编码的效果Estchannelgridperfect = NrperfectChannelestimate（承运人，携带载体，．..Pathfilters，偏移，采样）;%线性插值dmrsrx = rxgrid（dmrsindices）;dmrsests = dmrsrx。*结合（dmrssymbols）;f =散射interpolant（dmrssubs（:,2），dmrssubs（：，1），dmrsests）;hest = f（l_hest，k_hest）;％将内插网格分成真实和虚部的组件％沿第三维度连接，以及％真实频道响应rx_grid = cat（3，真实（hest），imag（hest））;est_grid =猫（3，真实（Estchannelgridperfect），．..imag（完美的）；％将生成的训练示例和标签添加到相应的数组TRAINDATA（：：：：，i）= rx_grid;TrainLabels（：:,：，i）= est_grid;%数据生成跟踪器如果mod(i,round(numExamples/25)) == 0' % 3.2 f % % \ n的，i/numExamples*100）；结尾结尾fprintf（'数据生成完整！\ n'）结尾功能plotChEstimates (interpChannelGrid estChannelGrid、estChannelGridNN estChannelGridPerfect,．..interp_mse，plusital_mse，neural_mse）％绘制不同的信道估计并显示测量的MSE图形子图（1,4,1）ImageC（ABS（InterpChannElgrid））;Xlabel（'OFDM符号'）;ylabel ('subcarrier'）;标题（{线性插值的，['MSE：'，num2str（Interp_mse）]}）;子图（1,4,2）ImageC（ABS（EstchannelGrid））;Xlabel（'OFDM符号'）;ylabel ('subcarrier'）;标题（{'实用估算器'，['MSE：'，num2str（permanical_mse）]}）;子图（1,4,3）ImageC（ABS（EstchannelGridnn））;Xlabel（'OFDM符号'）;ylabel ('subcarrier'）;标题（{'神经网络'，['MSE：'，num2str（neural_mse）]}；子批次（1,4,4）图像SC（abs（estChannelGridPerfect））；xlabel('OFDM符号'）;ylabel ('subcarrier'）;标题（{'实际频道'}）;结尾