1 引言
提出了基于CNN+Transformers的信道估计结构，CNN 用于提取信道响应的特征向量，Transformers用于估计信道状态信息，适应高度动态的环境中跟踪信道变化特征。与传统的相比有提升。
2 介绍
根据信道估计算法中是否使用先验信息的判断条件，分为基于参考信号的估计算法和盲估计算法两种。 盲估计算法通常需要信道在多个符号上保持稳定，因此这不适合高动态场景。
随着通信双方速度的增加，多普勒频偏也会相应增加，单个OFDM符号内的信道变化会更加剧烈，使得线性插值信道模型引起的建模误差值越来越大，直接导致信道估计精度的下降。
3 模型
3.1 问题分析
以上是不同多普勒频移中OFDM符号中信道脉冲响应的抽头分量的变化，左边多普勒频移0.01，右边多普勒频移0.2。从图中可以看出，左边的脉冲响应大致满足线性变化，右边则不满足线性变化。
3.2 模型结构
（1）参数
块状导频
激活函数：ReLU
损失函数：MSE
训练集、验证集、测试集：200000、6000、3000
带宽：3MHZ
子载波数量：400
符号数：100
FFT大小：512
循环前缀CP长度：32
调制方式：QPSK
信道模型：3GPP-Extend 典型的城市模型
训练集构造方法是：导频位置的CSI通过DFT估计方法获得，数据位置的CSI设置为零。
（2）网络结构
测试阶段，将导频位置的CSI作为网络输入，数据位置的CSI设置为零，输出为与输入维数相同的CSI矩阵。先试用一维的CNN网络图提取特征，输入是通过DFT估计方法获得的CSI矩阵，输出维度和输入维度一样。再使用了Transformer的encoder部分，包含了6层的tranformer block，这个block中主要包括Muti-head Attention多头注意力和Feed Forward前馈。
一维CNN提取到的h特征矩阵输入到Transformers中，h分别经过运算得到三个向量Q、K、V。QKTV 得到输出矩阵，即信道估计的CSI。
4 实验结果
左边评价标准是MSE，右边评价标准是BER。LS精度有限的原因是：时域相关系数是非平稳信道环境下的时变参数，信道变化规律不满足线性假设。不同的多普勒频移，LS方法的精度都没有太大区别，说明LS结合线性插值法在归一化多普勒频偏较大或较小的情况下估计性能较差。
5 疑问和思考
作者通过DFT方法得到的CSI，然后准备的数据集，如果DFT的方法准确率并不高，构造出来的数据集质量并不高，将会影响深度学习模型的训练。不知道作者是如何准备数据集的。
公式的6-8中的α代表什么？W是什么？作者并没有描述。
图中的h 是同一个值，还是代表不一样的值？
这篇文章算是目前我看到的首个把Transformers运用到OFDM中的文献。既然Transformers是能够替代LSTM的存在，为什么在通信领域对Transformer的应用如此少。LSTM 的应用数不胜数。
