石 佳 琪， 金 桂 月， 金 基 宇， 樊 磊

( 大连工业大学 信息科学与工程学院, 辽宁 大连 116034 )

0 引 言

在过去的几十年中，无线通信技术得到了迅速发展，对无线连接的需求也呈指数增长。第五代移动通信系统(5th generation wireless systems，5G)已从2020年开始在全球范围内展开部署。5G的3种主要通信场景分别为增强移动宽带(eMBB)、海量机器通信(mMTC)和超可靠低时延通信(uRLLC)[1]。但是，以数据为中心的智能技术的快速发展给5G通信系统的性能带来了重大的挑战。第六代移动通信系统(6th generation wireless systems，6G)将在人工智能的全面支持下得到实现，可以很好地克服5G的性能局限[2]。相比于5G，6G将拥有更宽的频段、更高的传输速率、更高的频谱效率、更大的连接容量、更短的延迟、更广的覆盖范围和更强的抗干扰能力，以满足各行业的各种网络需求[3-4]。

在通信系统中，信道估计的准确程度决定整个通信系统的质量，信道估计具有非常重要的意义[5-6]。信道估计的目的是通过估计信道的时域或频域响应，校正和恢复接收数据，以提高接收信号的精度。信道估计方法可以分为3类：基于导频的信道估计、盲信道估计和半盲信道估计[7]。其中，基于导频的信道估计方法被广泛使用，是专家学者们研究的重点，它的计算复杂度较小、信道估计的性能更好，但与此同时会带来导频污染问题[8-9]。经典的信道估计方法包括最小二乘(least square，LS)估计和最小均方误差(minimum mean square error，MMSE)估计。其中，LS估计的计算复杂度较低，被广泛应用于实际通信系统中[10-11]。

近年来，深度学习方法在计算机视觉、语音识别和自然语言处理等众多领域显示出巨大的优势。……