CN109743268B - 基于深度神经网络的毫米波信道估计和压缩方法 - Google Patents

基于深度神经网络的毫米波信道估计和压缩方法 Download PDF

Info

Publication number
CN109743268B
CN109743268B CN201811488677.9A CN201811488677A CN109743268B CN 109743268 B CN109743268 B CN 109743268B CN 201811488677 A CN201811488677 A CN 201811488677A CN 109743268 B CN109743268 B CN 109743268B
Authority
CN
China
Prior art keywords
neural network
base station
channel
deep neural
user
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811488677.9A
Other languages
English (en)
Other versions
CN109743268A (zh
Inventor
张华�
董培浩
许威
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201811488677.9A priority Critical patent/CN109743268B/zh
Publication of CN109743268A publication Critical patent/CN109743268A/zh
Application granted granted Critical
Publication of CN109743268B publication Critical patent/CN109743268B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于深度神经网络的大规模多输入多输出系统毫米波信道估计和压缩方法，所述方法包括以下步骤：步骤1)基站通过有限的射频链路向用户发送导频，用户通过有限的射频链路收集合并基站发送的导频信号；步骤2)用户对接收导频信号做一系列预处理，以便其输入深度神经网络；步骤3)收集神经网络离线训练的样本；步骤4)进行具体的神经网络离线训练过程；步骤5)进行深度神经网络的在线装配和信道压缩与估计。

Description

基于深度神经网络的毫米波信道估计和压缩方法
技术领域
本发明属于无线通信技术领域，具体来说，涉及一种基于深度神经网络的大规模多输入多输出系统毫米波信道估计和压缩方法。
背景技术
大规模天线技术的突破之处在于其打破了传统多天线技术中天线数目和用户数目相当的关系，使得在基站天线数目很大时：1)信道的小尺度衰落会由于信道硬化效应而被平均掉；2)由于不同用户与基站之间的信道向量变得相互正交，小区内干扰、信道估计误差造成的干扰以及不相关噪声都逐渐消失；3)简单的预编码和检测方式，如匹配滤波和迫零处理将逐渐最优；4)基站或者每个用户的发射功率可随着基站天线数目的倒数成比例减小，同时保持恒定速率。
由于波长很短，毫米波通信使得收发两端都能够使用大规模天线阵列以充分利用空域资源，同时超宽的毫米波带宽能够进一步提升系统容量，因此毫米波通信是满足未来无线网络高速率要求的一项关键技术。然而，对于使用毫米波的大规模大规模多输入多输出(多输入多输出，文中简称：MIMO)系统，大量的天线紧密放置在物理尺寸有限的收发端，同时考虑到适用于毫米波频段的射频链路器件一般成本和能耗很高，因此很难为每一根天线配置专门的射频链路。为了将大量的天线和较少数量的射频链路连接，一种常用的方法是使用移相器将收发端的处理分为两阶段，在基带进行数字域处理，通过调整移相器相位进行模拟域处理。对于上述两阶段的收发端处理方式，以较少的导频和反馈开销使得收发两端均获取较为准确的信道状态信息是一个极具挑战性的问题。
传统方法大多需要预先获取毫米波信道的稀疏性才能进行准确的信道估计，具有一定的局限性。神经网络能够通过基于对大量数据的学习，发掘内在模式和结构性，在遇到一个新的观测值时能够给出准确的预测，并且已经在无线通信的多个问题中取得了显著的成效。因此，利用深度神经网络进行大规模MIMO系统的毫米波信道估计能够取得很好的性能，经过离线的基于大量数据的训练，深度神经网络能够发掘毫米波信道的内在结构性，在线估计时，即使信道的统计特性发生很大改变，深度神经网络依然能够准确估计信道而不需要任何先验知识。
发明内容
本发明所要解决的技术问题是：提供一种基于深度神经网络的大规模多输入多输出系统毫米波信道估计和压缩方法，该方法利用深度神经网络进行基于数据的离线学习，发掘大规模天线系统毫米波信道的内在结构性，实现信道的压缩和估计，从而在有效降低反馈开销的情况下依然获得优于传统方案的信道估计性能。
为解决上述技术问题，本发明采用的技术方案是：
一种基于深度神经网络的毫米波信道估计和压缩方法，所述方法包括以下步骤：步骤1)基站通过有限的射频链路向用户发送导频，用户通过有限的射频链路收集合并基站发送的导频信号；步骤2)用户对接收导频信号做一系列预处理，以便其输入深度神经网络；步骤3)收集神经网络离线训练的样本；步骤4)进行具体的神经网络离线训练过程；步骤5)进行深度神经网络的在线装配和信道压缩与估计。
作为本发明的一种改进，步骤1)基站采用毫米波频段向单个用户传输数据，基站装备NB根天线和
Figure BDA0001895161720000021
条射频链路，用户基站装备NU根天线和
Figure BDA0001895161720000022
条射频链路，由于在毫米波频段进行通信，射频链路成本较高，所以基站和用户端的射频链路数目远小于天线数目，即
Figure BDA0001895161720000023
射频链路和各个天线通过移相器相连；基站向用户发送导频信号用于估计信道，导频发射过程持续MB(MB≤NB)个时刻，其中第u(u＝1,2,…,MB)时刻由一个射频链路发送一个导频符号xu，与该射频链路相连接的移相器根据维数为NB的离散傅里叶变换矩阵的第u列调整相位，即发射xu采用的模拟域波束成形向量fu为维数为NB的离散傅里叶变换矩阵的第u列，对于基站发射的每个导频符号，用户使用MU(MU≤NU)个模拟域合并向量wv(v＝1,2,…,MU)进行处理，wv为维数为NU的离散傅里叶变换矩阵的第v列，因此，信道估计的导频开销为
Figure BDA0001895161720000024
其中
Figure BDA0001895161720000025
表示向上取整函数；
步骤2)经过p次信道使用，用户端经过模拟域合并处理后的导频信号矩阵为
Figure BDA0001895161720000026
其中
Figure BDA0001895161720000027
和
Figure BDA00018951617200000217
表示模拟域接收矩阵和波束成形矩阵，X是MB维对角矩阵，第u个对角元素为xu，
Figure BDA0001895161720000028
表示合并后的等效噪声；由于导频矩阵X已知，令
Figure BDA0001895161720000029
同时将Y做向量化处理可得
Figure BDA00018951617200000210
其中
Figure BDA00018951617200000211
Figure BDA00018951617200000212
表示克罗内克乘积，
Figure BDA00018951617200000213
vec(·)表示对矩阵进行向量化操作；接下来，对
Figure BDA00018951617200000214
做进一步处理，即
Figure BDA00018951617200000215
Figure BDA00018951617200000216
将被输入到深度神经网络中用于信道压缩和估计；
步骤3)深度神经网络离线训练阶段使用Ntr个训练样本，第n(n＝1,2,…,Ntr)个样本的形式为
Figure BDA0001895161720000031
其中c是一个缩放常数，用于保证样本的目标数据
Figure BDA0001895161720000032
的取值范围与神经网络输出层使用的激活函数匹配，同时，相比于一般的归一化，采用这种简单的缩放方式可以方便地恢复出原始的数据；
Figure BDA0001895161720000033
由
Figure BDA0001895161720000034
得出，然后被输入到神经网络中用于近似相应的被缩放的原始信道
Figure BDA0001895161720000035
同时提取低维的信道表示以降低反馈开销。离线训练的目标是在给定压缩比率的情况下最小化均方误差损失函数
Figure BDA0001895161720000036
其中
Figure BDA0001895161720000037
为输入
Figure BDA0001895161720000038
时神经网络的输出。
步骤4)将收集的样本送入深度神经网络进行训练，设计的深度神经网络采用对称自编码结构，由一个编码器和一个解码器构成，编码器包含输入层、一个全连接隐藏层和输出层，其中隐藏层和输出层均采用修正线性单元激活函数，编码器的作用是将预先处理的导频向量
Figure BDA00018951617200000310
压缩为低维向量用于反馈，同时将压缩的低维向量传递给解码器，解码器包含输入层、一个全连接隐藏层和输出层，其中输入层和隐藏层采用修正线性单元激活函数，输出层采用双曲正切激活函数将输出数据的范围控制在-1到1之间，解码器的作用是利用压缩的低维向量估计出原始信道；得出估计的原始信道后，即可根据
Figure BDA0001895161720000039
计算误差；
步骤5)深度神经网络经过集中化的离线训练，需要被装配到基站和用户，编码器和解码器均需要被放置到用户端以完成整个的信道压缩和恢复过程，基站端仅需要放置解码器；首先，基站向用户发送导频信号，用户收到导频信号进行一系列预处理，然后将处理后的导频信号送入深度神经网络，深度神经网络首先利用编码器提取出低维的信道向量并反馈给基站，同时利用解码器估计出原始信道，基站在收到用户反馈的低维信道表示后，利用与用户端相同的解码器获得与用户端相同的信道估计值。
与现有技术相比，本发明具有以下有益效果：
(1)该方案经过离线的基于大量数据的训练，能够发掘毫米波信道的内在结构性，进行准确的估计信道；
(2)该方案在信道估计的同时压缩信道，提取信道的低维表示来降低反馈开销，同时在减少导频开销的情况下，本发明依然能够取得较好的性能；
(3)相比于已有方案需要依赖信道统计信息才能获得准确的估计信道，该方案中由于设计的深度神经网络能够发掘毫米波信道的内在结构性，在在线估计时，即使信道的统计特性发生很大改变，深度神经网络依然能够准确估计信道而不需要任何先验知识。
附图说明
图1是本发明所提出的深度神经网络离线训练和在线装配示意图；
图2是本发明仿真试验1的与传统方法归一化均方误差性能随信噪比变化曲线图；
图3是本发明仿真试验2的归一化均方误差性能随压缩比率变化曲线图；
图4是本发明仿真试验3的与传统方法归一化均方误差性能随导频开销变化曲线图；
图5是本发明仿真试验4的在线估计阶段在不同信道统计特性下归一化均方误差性能曲线图。
具体实施方式
为了加深对发明的认识和理解，下面结合附图和具体实施例，对本发明做进一步阐述。
实施例1：参见图1-图5，一种基于深度神经网络的大规模多输入多输出系统毫米波信道估计和压缩方法，该信道估计和压缩方法包括以下过程：步骤1)基站通过有限的射频链路向用户发送导频，用户通过有限的射频链路收集合并基站发送的导频信号；步骤2)用户对接收导频信号做一系列预处理，以便其输入深度神经网络；步骤3)收集神经网络离线训练的样本；步骤4)进行具体的神经网络离线训练过程；步骤5)进行深度神经网络的在线装配和信道压缩与估计,具体如下：
步骤1)基站采用毫米波频段向单个用户传输数据，基站装备NB根天线和
Figure BDA0001895161720000041
条射频链路，用户基站装备NU根天线和
Figure BDA0001895161720000042
条射频链路，由于在毫米波频段进行通信，射频链路成本较高，所以基站和用户端的射频链路数目远小于天线数目，即
Figure BDA0001895161720000046
Figure BDA0001895161720000043
射频链路和各个天线通过移相器相连；基站向用户发送导频信号用于估计信道，导频发射过程持续MB(MB≤NB)个时刻，其中第u(u＝1,2,…,MB)时刻由一个射频链路发送一个导频符号xu，与该射频链路相连接的移相器根据维数为NB的离散傅里叶变换矩阵的第u列调整相位，即发射xu采用的模拟域波束成形向量fu为维数为NB的离散傅里叶变换矩阵的第u列，对于基站发射的每个导频符号，用户使用MU(MU≤NU)个模拟域合并向量wv(v＝1,2,…,MU)进行处理，wv为维数为NU的离散傅里叶变换矩阵的第v列，因此，信道估计的导频开销为
Figure BDA0001895161720000044
其中
Figure BDA0001895161720000045
表示向上取整函数；
步骤2)经过p次信道使用，用户端经过模拟域合并处理后的导频信号矩阵为
Figure BDA0001895161720000051
其中
Figure BDA0001895161720000052
和
Figure BDA0001895161720000053
表示模拟域接收矩阵和波束成形矩阵，X是MB维对角矩阵，第u个对角元素为xu，
Figure BDA0001895161720000054
表示合并后的等效噪声；由于导频矩阵X已知，令
Figure BDA0001895161720000055
同时将Y做向量化处理可得
Figure BDA0001895161720000056
其中
Figure BDA0001895161720000057
Figure BDA0001895161720000058
表示克罗内克乘积，
Figure BDA0001895161720000059
vec(·)表示对矩阵进行向量化操作；接下来，对
Figure BDA00018951617200000510
做进一步处理，即
Figure BDA00018951617200000511
Figure BDA00018951617200000512
将被输入到深度神经网络中用于信道压缩和估计；
步骤3)深度神经网络离线训练阶段使用Ntr个训练样本，第n(n＝1,2,…,Ntr)个样本的形式为
Figure BDA00018951617200000513
其中c是一个缩放常数，用于保证样本的目标数据
Figure BDA00018951617200000514
的取值范围与神经网络输出层使用的激活函数匹配，同时，相比于一般的归一化，采用这种简单的缩放方式可以方便地恢复出原始的数据；
Figure BDA00018951617200000515
由
Figure BDA00018951617200000516
得出，然后被输入到神经网络中用于近似相应的被缩放的原始信道
Figure BDA00018951617200000517
同时提取低维的信道表示以降低反馈开销。离线训练的目标是在给定压缩比率的情况下最小化均方误差损失函数
Figure BDA00018951617200000518
其中
Figure BDA00018951617200000519
为输入
Figure BDA00018951617200000520
时神经网络的输出。
步骤4)将收集的样本送入深度神经网络进行训练，如图1所示，采用如下的参数设置：NB＝MB＝32，NU＝MU＝16，压缩比率
Figure BDA00018951617200000521
设计的深度神经网络采用对称自编码结构，由一个编码器和一个解码器构成，编码器包含输入层、一个全连接隐藏层和输出层，首先收到512×1的复向量
Figure BDA00018951617200000522
作为输入并取其实部虚部变形为1024×1的实向量，接下来的全连接隐藏层使用修正线性单元激活函数并输出1200×1的实向量，输出层采用全连接结构和修正线性单元激活函数，输出600×1的信道低维表示实向量；解码器包含输入层、一个全连接隐藏层和输出层，其可以看做是编码器的逆过程，首先600×1的信道低维表示经过使用修正线性单元激活函数的全连接隐藏层，然后变为1200×1的实向量，输出层采用全连接结构和双曲正切激活函数，输出1024×1的实向量，其中双曲正切激活函数用来将输出数据的范围控制在-1到1之间，最后，将1024×1的实向量变形为512×1的复向量，得到缩放到-1到1之间的信道，经过恢复即可得到最终估计信道；得出估计的原始信道后，即可根据
Figure BDA0001895161720000061
计算误差；
步骤5)深度神经网络经过集中化的离线训练，需要被装配到基站和用户，编码器和解码器均需要被放置到用户端以完成整个的信道压缩和恢复过程，基站端仅需要放置解码器；首先，基站向用户发送导频信号，用户收到导频信号进行一系列预处理，然后将处理后的导频信号送入深度神经网络，深度神经网络首先利用编码器提取出低维的信道向量并反馈给基站，同时利用解码器估计出原始信道，基站在收到用户反馈的低维信道表示后，利用与用户端相同的解码器获得与用户端相同的信道估计值。
本发明的信道估计和压缩方法充分利用深度神经网络强大的学习能力，经过离线的基于大量数据的训练，深度神经网络能够发掘毫米波信道的内在结构性，能够以较少的导频和反馈开销获得较好的信道估计性能。此外，在在线估计时，即使信道的统计特性发生很大改变，深度神经网络依然能够准确估计信道而不需要任何先验知识。
本发明的大规模MIMO系统的毫米波信道估计和压缩方法，可以有效减少导频和反馈开销，还能够应对不同的信道统计特性。首先，在仿真环境根据系统传输模型和信道模型产生接收端收到的导频数据，并对其做一系列预先处理；然后，将处理好的数据送入设计的深度神经网络中进行离线训练；最后，将训练好的神经网络装配在用户和基站端，其中神经网络的编码器和解码器均需装配在用户端以实现信道的压缩和估计，而基站端仅需装配解码器来根据反馈的信道低维表示估计出原始信道。该方法利用深度神经网络强大的学习能力充分发掘毫米波信道的内在结构性，能够获得优于传统方法的性能。
下面列举一些实例，具体说明本发明的技术方案具有的优良性能。
仿真试验1
仿真场景参数：基站天线总数NB是32，射频链路数目
Figure BDA0001895161720000062
是4，模拟域所用波束成形向量个数MB是32，用户天线总数NU是16，射频链路数目
Figure BDA0001895161720000063
是4，模拟域所用合并向量个数MU是16；信道多径数目L是3，归一化最大时延τmax是10，各个路径的到达角和离开角从集合
Figure BDA0001895161720000064
中随机选择；压缩比率
Figure BDA0001895161720000065
导频开销p＝128。
图2给出了采用本发明方法以及采用传统法归一化均方误差性能随信噪比变化曲线图。图2中，横坐标表示信噪比，单位dB，纵坐标表示归一化均方误差。从图中可以看出，当可以获得完全准确的信道协方差矩阵时，最小化均方误差(最小化均方误差，文中简称：MMSE)能够取得优于本发明所提的基于深度神经网络的信道估计方法。然而实际系统中MMSE只能利用估计的信道协方差矩阵，此时它的性能明显低于本发明所提方法。虽然压缩感知-正交匹配追踪(压缩感知-正交匹配追踪，文中简称：CS-OMP)性能优于最小二乘(最小二乘，文中简称：LS)和非理想MMSE，但仍然明显低于本发明所提方法。此外，本发明所提方法除了能够取得归一化均方误差性能上的优势，还以58.59％的压缩比率压缩了信道，有利于减少反馈开销。
仿真试验2
仿真场景参数：基站天线总数NB是32，射频链路数目
Figure BDA0001895161720000071
是4，模拟域所用波束成形向量个数MB是32，用户天线总数NU是16，射频链路数目
Figure BDA0001895161720000072
是4，模拟域所用合并向量个数MU是16；信道多径数目L是3，归一化最大时延τmax是10，各个路径的到达角和离开角从集合
Figure BDA0001895161720000073
中随机选择；导频开销p＝128。
图3是本发明方法在信噪比0dB、10dB和20dB时的归一化均方误差性能随压缩比率变化曲线图。图3中，横坐标表示压缩比率，纵坐标表示归一化均方误差。从图中可以看出，当压缩比率小于70％时，归一化均方误差随着压缩比率增加而下降，这是因为更多的信息被保留在信道的低维表示中，也就更有利于信道的恢复。当压缩比率从40％提高到50％时，归一化均方误差出现明显的下降。当压缩比率大于70％时，归一化均方误差随着压缩比率的增加出现略微地升高。当信噪比为10dB和20dB时，即使采用10％的压缩比率，本发明所提方法依然能够取得较好的性能。
仿真试验3
仿真场景参数：基站天线总数NB是32，射频链路数目
Figure BDA0001895161720000074
是4，模拟域所用波束成形向量个数MB是32，用户天线总数NU是16，射频链路数目
Figure BDA0001895161720000075
是4；信道多径数目L是3，归一化最大时延τmax是10，各个路径的到达角和离开角从集合
Figure BDA0001895161720000076
中随机选择；压缩比率
Figure BDA0001895161720000077
图4给出了本发明方法与传统方法归一化均方误差性能随导频开销变化曲线图，其中模拟域所用合并向量个数MU在4到16之间变化。图4中，横坐标表示导频开销，纵坐标表示归一化均方误差。从图中可以看出，所有方案的归一化均方误差性能都随着导频开销的增加而提升。理想的MMSE虽然在导频开销p＝128时性能最好，但是导频开销一旦减少，理想MMSE的性能损失非常明显，而本发明方法能够始终保持很好的性能。
仿真试验4
仿真场景参数：基站天线总数NB是32，射频链路数目
Figure BDA0001895161720000081
是4，模拟域所用波束成形向量个数MB是32，用户天线总数NU是16，射频链路数目
Figure BDA0001895161720000082
是4，模拟域所用合并向量个数MU是16；信道多径数目L是3，归一化最大时延τmax是10，各个路径的到达角和离开角从集合
Figure BDA0001895161720000083
中随机选择；压缩比率
Figure BDA0001895161720000084
导频开销p＝128。
图5给出了本发明方法在在线估计阶段不同信道统计特性下归一化均方误差性能曲线图。图5中，横坐标表示信噪比，单位dB，纵坐标表示归一化均方误差。从图中可以看出，当改变归一化最大时延τmax或者减少信道多径数目L时，本发明方法性能几乎不受影响，虽然增加信道多径数目L会对本发明方法的性能产生一定的影响，但是该影响非常有限，证明了本发明方法具有很好的鲁棒性。
需要说明的是上述实施例仅仅是本发明的较佳实施例，并没有用来限定本发明的保护范围，在上述技术方案的基础上做出的等同替换或者替代均属于本发明的保护范围。

Claims (5)

1.一种基于深度神经网络的毫米波信道估计和压缩方法，其特征在于，所述方法包括以下步骤：步骤1)基站通过有限的射频链路向用户发送导频，用户通过有限的射频链路收集合并基站发送的导频信号；步骤2)用户对接收导频信号做一系列预处理，以便其输入深度神经网络；步骤3)收集神经网络离线训练的样本；步骤4)进行具体的神经网络离线训练过程；步骤5)进行深度神经网络的在线装配和信道压缩与估计；
所述步骤1)基站通过有限的射频链路向用户发送导频，用户通过有限的射频链路收集合并基站发送的导频信号，具体如下：
步骤1)基站采用毫米波频段向单个用户传输数据，基站装备NB根天线和
Figure FDA0003348255120000011
条射频链路，用户基站装备NU根天线和
Figure FDA0003348255120000012
条射频链路，由于在毫米波频段进行通信，射频链路成本较高，所以基站和用户端的射频链路数目远小于天线数目，即
Figure FDA0003348255120000013
射频链路和各个天线通过移相器相连；基站向用户发送导频信号用于估计信道，导频发射过程持续MB个时刻，MB≤NB，其中第u时刻由一个射频链路发送一个导频符号xu，u＝1,2,…,MB，与该射频链路相连接的移相器根据维数为NB的离散傅里叶变换矩阵的第u列调整相位，即发射xu采用的模拟域波束成型向量fu为维数为NB的离散傅里叶变换矩阵的第u列，对于基站发射的每个导频符号，用户使用MU个模拟域合并向量wv进行处理，MU≤NU，v＝1,2,…,MU，wv为维数为NU的离散傅里叶变换矩阵的第v列，因此，信道估计的导频开销为
Figure FDA0003348255120000014
其中
Figure FDA0003348255120000015
表示向上取整函数。
2.根据权利要求1所述的基于深度神经网络的毫米波信道估计和压缩方法，其特征在于，所述步骤2)用户对接收导频信号做一系列预处理，以便其输入深度神经网络，具体如下：步骤2)经过p次信道使用，用户端经过模拟域合并处理后的导频信号矩阵为
Figure FDA0003348255120000016
其中
Figure FDA0003348255120000021
表示模拟域接收矩阵，
Figure FDA0003348255120000022
表示用户端采用的第1到第MU个模拟域合并向量，
Figure FDA0003348255120000023
表示波束成型矩阵，
Figure FDA0003348255120000024
表示基站端采用的第1到第MB个模拟域波束成型向量，H表示基站与用户之间的信道矩阵，X是MB维对角矩阵，第u个对角元素为xu，
Figure FDA0003348255120000025
表示合并后的等效噪声；由于导频矩阵X已知，令
Figure FDA0003348255120000026
其中I为单位阵，同时将Y做向量化处理可得
Figure FDA0003348255120000027
其中
Figure FDA0003348255120000028
Figure FDA0003348255120000029
表示克罗内克乘积，
Figure FDA00033482551200000210
vec(·)表示对矩阵进行向量化操作；接下来，对
Figure FDA00033482551200000211
做进一步处理，即
Figure FDA00033482551200000212
其中
Figure FDA00033482551200000213
表示Q的伪逆，
Figure FDA00033482551200000214
将被输入到深度神经网络中用于信道压缩和估计。
3.根据权利要求2所述的基于深度神经网络的毫米波信道估计和压缩方法，其特征在于，所述步骤3)收集神经网络离线训练的样本，具体如下：步骤3)深度神经网络离线训练阶段使用Ntr个训练样本，第n个样本的形式为
Figure FDA00033482551200000215
Figure FDA00033482551200000216
其中
Figure FDA00033482551200000217
表示第n个样本的真实信道向量，c是一个缩放常数，用于保证样本的目标数据
Figure FDA00033482551200000218
的取值范围与神经网络输出层使用的激活函数匹配，
Figure FDA00033482551200000219
表示第n个样本的接收导频向量，由
Figure FDA00033482551200000220
得出，然后被输入到神经网络中用于近似相应的被缩放的真实信道
Figure FDA00033482551200000221
同时提取低维的信道表示以降低反馈开销，离线训练的目标是在给定压缩比率的情况下最小化均方误差损失函数
Figure FDA00033482551200000222
其中
Figure FDA00033482551200000223
为输入
Figure FDA00033482551200000224
时神经网络的输出，
Figure FDA00033482551200000225
表示神经网络的估计信道向量。
4.根据权利要求3所述的基于深度神经网络的毫米波信道估计和压缩方法，其特征在于，所述步骤4)进行具体的神经网络离线训练过程，具体如下：步骤4)将收集的样本送入深度神经网络进行训练，设计的深度神经网络采用对称自编码结构，由一个编码器和一个解码器构成，编码器包含输入层、一个全连接隐藏层和输出层，其中隐藏层和输出层均采用修正线性单元激活函数，编码器的作用是将预先处理的导频向量
Figure FDA0003348255120000031
压缩为低维向量用于反馈，同时将压缩的低维向量传递给解码器，解码器包含输入层、一个全连接隐藏层和输出层，其中输入层和隐藏层采用修正线性单元激活函数，输出层采用双曲正切激活函数将输出数据的范围控制在-1到1之间，解码器的作用是利用压缩的低维向量估计出原始信道；得出估计的原始信道后，即可根据
Figure FDA0003348255120000032
计算误差。
5.根据权利要求2所述的基于深度神经网络的毫米波信道估计和压缩方法，其特征在于，所述步骤5)进行深度神经网络的在线装配和信道压缩与估计，具体如下：步骤5)深度神经网络经过集中化的离线训练，需要被装配到基站和用户，编码器和解码器均需要被放置到用户端以完成整个的信道压缩和恢复过程，基站端仅需要放置解码器；首先，基站向用户发送导频信号，用户收到导频信号进行一系列预处理，然后将处理后的导频信号送入深度神经网络，深度神经网络首先利用编码器提取出低维的信道向量并反馈给基站，同时利用解码器估计出原始信道，基站在收到用户反馈的低维信道表示后，利用与用户端相同的解码器获得与用户端相同的信道估计值。
CN201811488677.9A 2018-12-06 2018-12-06 基于深度神经网络的毫米波信道估计和压缩方法 Active CN109743268B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811488677.9A CN109743268B (zh) 2018-12-06 2018-12-06 基于深度神经网络的毫米波信道估计和压缩方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811488677.9A CN109743268B (zh) 2018-12-06 2018-12-06 基于深度神经网络的毫米波信道估计和压缩方法

Publications (2)

Publication Number Publication Date
CN109743268A CN109743268A (zh) 2019-05-10
CN109743268B true CN109743268B (zh) 2022-02-15

Family

ID=66358543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811488677.9A Active CN109743268B (zh) 2018-12-06 2018-12-06 基于深度神经网络的毫米波信道估计和压缩方法

Country Status (1)

Country Link
CN (1) CN109743268B (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110099016B (zh) * 2019-05-14 2022-05-31 东南大学 一种基于深度学习网络的毫米波稀疏阵面信道估计方法
CN110417444B (zh) * 2019-07-08 2020-08-04 东南大学 一种基于深度学习的毫米波信道波束训练方法
EP3808024B1 (en) * 2019-09-04 2022-03-16 Google LLC Neural network formation configuration feedback for wireless communications
CN110635836A (zh) * 2019-09-12 2019-12-31 重庆大学 一种基于波束选择的毫米波大规模mimo系统mmse-pca信道估计方法
CN110728314B (zh) * 2019-09-30 2022-10-25 西安交通大学 一种大规模免调度系统活跃用户检测方法
CN110855585B (zh) * 2019-09-30 2020-11-10 北京交通大学 一种毫米波大规模mimo系统的信道估计方法
CN111030952B (zh) * 2019-12-25 2022-05-10 内蒙古大学 一种毫米波系统的波束空间信道估计方法及系统
CN111182571B (zh) * 2020-01-13 2021-02-02 电子科技大学 基站激活控制和波束赋形的长期联合优化方法
CN111464465B (zh) * 2020-03-11 2022-05-06 重庆邮电大学 一种基于集成神经网络模型的信道估计方法
CN113676226B (zh) * 2020-05-15 2023-03-14 维沃移动通信有限公司 导频信息符号发送方法、信道估计方法、通信设备及介质
CN111565061B (zh) * 2020-05-28 2021-04-02 安徽大学 一种基于深度神经网络的mimo-scma下行链路通信方法
CN113824657A (zh) * 2020-06-19 2021-12-21 株式会社Ntt都科摩 用户设备、基站、用户设备和基站的信道估计和反馈系统
CN113938907A (zh) * 2020-07-13 2022-01-14 华为技术有限公司 通信的方法及通信装置
CN111884976B (zh) * 2020-07-21 2021-09-03 西安电子科技大学 基于神经网络的信道插值方法
CN112445957A (zh) * 2020-11-05 2021-03-05 西安电子科技大学 社交网络异常用户检测方法、系统、介质、设备、终端
CN114465858A (zh) * 2020-11-09 2022-05-10 索尼公司 电子设备、信号处理方法以及计算机可读存储介质
CN112615801B (zh) * 2020-12-16 2021-11-19 西安交通大学 基于压缩感知和深度学习的信道估计方法、介质及设备
WO2023283785A1 (zh) * 2021-07-12 2023-01-19 Oppo广东移动通信有限公司 信号处理的方法及接收机
CN113972939B (zh) * 2021-09-09 2022-07-12 浙江大学 基于双时间尺度和深度学习的天线系统预编码方法和装置
CN114039633B (zh) * 2021-11-04 2022-10-14 网络通信与安全紫金山实验室 用于线性轨迹的智能波束预测方法、装置、设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104052535A (zh) * 2014-06-23 2014-09-17 东南大学 基于空分多址与干扰抑制的毫米波大规模mimo系统多用户传输方法
CN106487725A (zh) * 2016-10-20 2017-03-08 电子科技大学 一种多用户mimo系统毫米波信道估计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070047678A1 (en) * 2005-08-30 2007-03-01 Motorola, Inc. Method and system for combined polarimetric and coherent processing for a wireless system

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104052535A (zh) * 2014-06-23 2014-09-17 东南大学 基于空分多址与干扰抑制的毫米波大规模mimo系统多用户传输方法
CN106487725A (zh) * 2016-10-20 2017-03-08 电子科技大学 一种多用户mimo系统毫米波信道估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Deep Learning-based Channel Estimation for Beamspace mmWave Massive MIMO Systems;Hengtao He et al;《IEEE WIRELESS COMMUNICATIONS LETTERS》;20180501;第1-3页 *

Also Published As

Publication number Publication date
CN109743268A (zh) 2019-05-10

Similar Documents

Publication Publication Date Title
CN109743268B (zh) 基于深度神经网络的毫米波信道估计和压缩方法
CN108933745B (zh) 一种基于超分辨率角度和时延估计的宽带信道估计方法
CN110099017B (zh) 基于深度神经网络的混合量化系统的信道估计方法
CN107018099B (zh) 一种针对毫米波多用户mimo系统的时变信道估计方法
US8040278B2 (en) Adaptive antenna beamforming
CN107453795B (zh) 多用户毫米波通信系统的波束分配方法及其装置和系统
CN108736943B (zh) 一种适用于大规模mimo系统的混合预编码方法
CN105978674B (zh) 基于压缩感知的fdd下大规模mimo信道估计的导频优化方法
CN107483091B (zh) 一种fdd大规模mimo-ofdm系统下的信道信息反馈算法
CN104779985B (zh) 一种基于信道空间稀疏特性的迭代波束成形方法
CN111555992B (zh) 一种基于深度卷积神经网络的大规模多天线信道估计方法
CN110650103B (zh) 利用冗余字典加强稀疏性的透镜天线阵列信道估计方法
CN112769462B (zh) 一种基于联合参数学习的毫米波mimo宽带信道估计方法
CN108566236B (zh) 用户终端、基站以及混合波束成形传输方法和系统
CN109347529B (zh) 一种对抗相移器不理想性的信道估计和混合波束成形方法
CN112260737A (zh) 总能效与最小能效权衡的多波束卫星通信鲁棒预编码方法
CN104779988A (zh) 一种快速迭代波束成形的方法
Ribeiro et al. A low-complexity equalizer for massive MIMO systems based on array separability
CN107707284B (zh) 一种基于信道统计量码本量化反馈的混合预编码方法
CN109039402B (zh) 基于用户压缩的mimo拓扑干扰对齐方法
Nsenga et al. Joint transmit and receive analog beamforming in 60 GHz MIMO multipath channels
CN112398513A (zh) 一种massive MIMO系统的波束赋形方法
Anu et al. CNN-based Channel Estimation using NOMA for mmWave Massive MIMO System
Lu et al. An adaptive channel estimation algorithm for millimeter wave cellular systems
CN104993859A (zh) 一种适用于时间异步环境下的分布式波束赋形方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant