CN110099017B - 基于深度神经网络的混合量化系统的信道估计方法 - Google Patents

基于深度神经网络的混合量化系统的信道估计方法 Download PDF

Info

Publication number
CN110099017B
CN110099017B CN201910427732.1A CN201910427732A CN110099017B CN 110099017 B CN110099017 B CN 110099017B CN 201910427732 A CN201910427732 A CN 201910427732A CN 110099017 B CN110099017 B CN 110099017B
Authority
CN
China
Prior art keywords
antenna
channel
neural network
training
deep neural
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
CN201910427732.1A
Other languages
English (en)
Other versions
CN110099017A (zh
Inventor
潘志文
高深
刘楠
尤肖虎
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 CN201910427732.1A priority Critical patent/CN110099017B/zh
Publication of CN110099017A publication Critical patent/CN110099017A/zh
Application granted granted Critical
Publication of CN110099017B publication Critical patent/CN110099017B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明公开了一种基于深度神经网络的混合量化系统的信道估计方法，首先，将基站天线分为高精度ADC天线和低精度ADC天线两个集合，在仿真环境根据系统传输模型和信道模型产生真实信道和接收并量化的导频信号作为训练数据；然后，将训练数据分别送入设计的深度神经网络1和2中进行离线训练，通过调整神经网络权重矩阵直至性能收敛，结束训练；最后，将训练好的神经网络1和2装配在基站端，分别用于估计高精度ADC天线和低精度ADC天线对应的信道。本发明的估计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大规模天线系统中不同天线之间的空间相关性，从而实现从高精度ADC天线对应信道到低精度ADC天线对应信道的准确映射。

Description

基于深度神经网络的混合量化系统的信道估计方法
技术领域
本发明涉及一种基于深度神经网络的混合量化系统的信道估计方法，属于无线通信技术领域。
背景技术
大规模天线系统在基站端配置天线数达数十甚至数百根以上的天线阵列，基站利用大规模天线阵列在相同的时频资源上同时与多个用户进行通信。利用基站大规模天线阵列提供的空间自由度，提高多用户之间的频谱资源复用能力、各个用户的频谱效率及抗小区间干扰能力，从而大幅度提升频谱资源整体利用率。同时，利用大规模天线阵列提供的阵列增益，进一步提升了整体功率效率。相比于传统多天线系统，大规模天线系统具有以下优点：大规模天线可以在将容量提升10倍甚至以上的同时将射频能效提高100倍，允许使用廉价低功耗的设备，可以显著降低接口延时，能够提高对抗恶意干扰的鲁棒性等。理论上，随着基站天线数目增加，不同用户与基站之间的信道呈现准正交性，使得大规模天线系统具有以下关键特性：1)简单的线性信号处理方式趋于最优；2)用户间干扰和信道估计误差造成的干扰与有用信号的比值趋于零；3)用户能够以极低的发射功率保持一定的传输速率，大幅提升能量效率，降低用户端功率放大器成本。虽然大规模天线技术具备大幅提升系统性能的潜力和广阔的应用前景，但仍有许多实际问题需要解决，如导频污染、频分双工大规模天线系统下行信道获取、硬件实现成本过高等，其中硬件实现成本问题直接决定了基于大规模天线技术的基站能否大范围部署以显著提升网络性能相。相比于传统多天线系统，大规模天线系统中天线数量巨大，考虑到当前硬件设计和制造水平，无法为每个天线装配昂贵且高能耗的射频链路器件，使用低成本的器件作为代替成为目前学术界和工业界关注的重点。已有文献分析了大规模天线系统中使用低成本硬件的各种硬件损伤对信道估计、系统容量和能量效率的影响。在各种射频链路器件中，高精度的模数转换器(analog-to-digital converter,ADC)是造成高成本的一个主要因素，它同时还会带来非常高的能耗。ADC的功耗可表示为PADC＝cfs2b，其中c为常数，fs为采样频率，b为ADC精度，可见ADC精度每增加1比特，功耗变为原来的2倍，使用3比特ADC造成的能耗仅为常用的10比特ADC能耗的0.008。因此，在基站使用低精度的ADC来降低大量天线带来的能量消耗和设备成本。作为代价，经过低精度ADC量化的信号会出现严重的非线性失真，对信道估计和信号检测带来巨大挑战。
对于低精度ADC的非线性量化过程，直接处理较为困难，因此大部分文献将此非线性过程近似为线性过程，即把量化后的信号表示为量化增益乘以量化前信号加量化噪声，然后基于此模型进行了信道估计和信号检测的算法设计和性能分析。然而，基于此近似模型优化的结果应用到实际量化过程中无法取得较好的性能，使得传统方法受到很大局限性。深度神经网络通过多层采用非线性激活函数的隐藏层，能够非常准确地近似各种非线性函数。通过基于数据的训练发掘出输入输出之间的隐藏关系，能够有效地对抗低精度ADC等硬件损伤引入的非线性失真，从而得到更适用于实际大规模天线系统的方法。因此，对于存在低精度ADC的大规模天线系统，设计基于深度神经网络的信道估计和接收算法非常具有理论价值和实际意义。
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混合ADC辅助的大规模多输入多输出系统信道估计方法，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中不同天线之间的空间相关性，建立从高精度ADC天线的信道到低精度ADC天线的信道的映射关系。根据这种映射关系，基站仅使用高精度ADC天线接收导频信号，然后利用两个神经网络分别估计得到高精度ADC和低精度ADC天线对应的信道，最后将两部分估计信道合并得到完整的估计信道。
本发明为解决上述技术问题采用以下技术方案：
本发明提供一种基于深度神经网络的混合量化系统的信道估计方法，包括如下步骤：
第一步：将基站天线分为高精度ADC天线
Figure BDA0002068030540000021
和低精度ADC天线
Figure BDA0002068030540000022
两个集合，在仿真环境根据系统传输模型和信道模型产生真实信道和接收并量化的导频信号作为训练样本；
信道模型为
Figure BDA0002068030540000023
其中，h表示用户到基站的信道，L表示信道多径数目，αl表示第l条传播路径的增益，
Figure BDA0002068030540000024
表示第l条传播路径的到达角，
Figure BDA0002068030540000025
表示第l条传播路径的导向矢量；
根据信道模型产生Ntr个独立的真实信道，第n个信道hn产生第n个训练样本，n＝1,2,…,Ntr；
第n个训练样本的导频信号为：
Figure BDA0002068030540000026
其中，P表示用户发射功率，nn表示第n个信道的高斯白噪声；
第n个训练样本包括
Figure BDA0002068030540000031
和
Figure BDA0002068030540000032
两种形式，其中，
Figure BDA0002068030540000033
为第n个训练样本中集合
Figure BDA0002068030540000034
中天线的接收信号
Figure BDA0002068030540000035
经过高精度ADC量化后的信号，
Figure BDA0002068030540000036
Figure BDA0002068030540000037
表示第n个训练样本中用户到集合
Figure BDA0002068030540000038
中天线对应的信道，
Figure BDA0002068030540000039
表示第n个训练样本中用户到集合
Figure BDA00020680305400000310
中天线对应的信道，c1、c2均是缩放常数；
第二步：将
Figure BDA00020680305400000311
形式的训练样本送入第一深度神经网络进行离线训练，建立从高精度ADC天线的接收导频信号到高精度ADC天线的信道的映射：
Figure BDA00020680305400000312
其中，
Figure BDA00020680305400000313
表示
Figure BDA00020680305400000314
输入第一深度神经网络后的输出数据，
Figure BDA00020680305400000315
为
Figure BDA00020680305400000316
的估计值，S表示第一深度神经网络的层数，fs(·)表示第s层的激活函数，Us表示第s层和第(s+1)层之间的权重矩阵，US-1表示第(s-1)层和第s层之间的权重矩阵，s＝1,...,S；
训练的收敛条件为达到设定总迭代次数或前后两次迭代得到的第一均方误差MSE1差值小于第一均方误差阈值ε1，其中：
Figure BDA00020680305400000317
第三步：将
Figure BDA00020680305400000318
形式的训练样本送入第二深度神经网络进行离线训练，建立从高精度ADC天线的接收导频信号到低精度ADC天线的信道的映射，即
Figure BDA00020680305400000319
其中，
Figure BDA00020680305400000320
表示
Figure BDA00020680305400000321
输入第二深度神经网络后的输出数据，
Figure BDA00020680305400000322
为
Figure BDA00020680305400000323
的估计值，Q表示第二深度神经网络的层数，gq(·)表示第q层的激活函数，Vq表示第q层和第(q+1)层之间的权重矩阵，Vq-1表示第(q-1)层和第q层之间的权重矩阵，q＝1,...,Q；
训练的收敛条件为达到设定总迭代次数或前后两次迭代得到的第二均方误差MSE2差值小于第二均方误差阈值ε2，其中：
Figure BDA00020680305400000324
第四步：将训练好的第一和第二深度神经网络放置在基站，用于在线阶段的信道估计；
第五步：用户向基站发送导频信号，基站仅使用集合
Figure BDA00020680305400000325
中的天线接收导频信号，假设用户发送的导频信号为x＝1，则
Figure BDA0002068030540000041
中天线接收到的导频信号表示为
Figure BDA0002068030540000042
其中，P表示用户发射功率，
Figure BDA0002068030540000043
表示用户到集合
Figure BDA0002068030540000044
中天线对应的信道，
Figure BDA0002068030540000045
表示集合
Figure BDA0002068030540000046
中天线上的高斯白噪声；
将
Figure BDA0002068030540000047
送入高精度ADC进行量化，高精度ADC量化后的信号
Figure BDA0002068030540000048
第六步：将量化后的导频信号
Figure BDA0002068030540000049
送入到第一深度神经网络中得到集合
Figure BDA00020680305400000410
中天线对应的估计信道
Figure BDA00020680305400000411
Figure BDA00020680305400000412
将
Figure BDA00020680305400000413
送入到第二深度神经网络中得到集合
Figure BDA00020680305400000414
中天线对应的估计信道
Figure BDA00020680305400000415
即
Figure BDA00020680305400000416
第七步：将第六步中的
Figure BDA00020680305400000417
和
Figure BDA00020680305400000418
合并在一起得到完整的估计信道
Figure BDA00020680305400000419
作为本发明的进一步技术方案，第一步中c1的确定规则为：对于所有训练样本，计算集合
Figure BDA00020680305400000420
中所有天线对应信道的功率，通过调整c1将所有天线对应信道的功率归一化到第一深度神经网络的输出层激活函数的范围之内；c2的确定规则为：对于所有训练样本，计算集合
Figure BDA00020680305400000421
中所有天线对应信道的功率，通过调整c2将所有天线对应信道的功率归一化到第二深度神经网络的输出层激活函数的范围之内。
作为本发明的进一步技术方案，第二步中第一深度神经网络的具体训练过程如下：
1)采用批处理，每批包含Nbat1个训练样本，则Ntr个样本被分成
Figure BDA00020680305400000422
个批，其中
Figure BDA00020680305400000423
表示向上取整函数，设置第一总迭代次数tmax1，设置第一相对均方误差阈值ε1，设置当前迭代次数t＝1；
2)使用批梯度下降对Ntr个样本进行训练并计算MSE1；
3)如果t＝tmax1或者前后两次迭代得到的MSE1差值小于ε1，第一深度神经网络的训练完成；否则，t＝t+1，回到第2)步，继续训练。
作为本发明的进一步技术方案，第三步中第二深度神经网络的具体训练过程如下：
1)采用批处理，每批包含Nbat2个训练样本，则Ntr个样本被分成
Figure BDA00020680305400000424
个批，其中
Figure BDA00020680305400000425
表示向上取整函数，设置第二总迭代次数tmax2，设置第二相对均方误差阈值ε2，设置当前迭代次数t＝1；
2)使用批梯度下降对Ntr个样本进行训练并计算MSE2；
3)如果t＝tmax2或者前后两次迭代得到的MSE2差值小于ε2，第二深度神经网络的训练完成；否则，t＝t+1，回到第2)步，继续训练。
作为本发明的进一步技术方案，第七步中的合并规则如下：对于基站的第i根天线，i＝1,…,M，M为基站的天线数，如果第i根天线属于集合
Figure BDA0002068030540000051
并且是集合
Figure BDA0002068030540000052
中的第mi个元素，那么
Figure BDA0002068030540000053
的第i个元素为
Figure BDA0002068030540000054
的第mi个元素；如果第i根天线属于集合
Figure BDA0002068030540000055
并且是集合
Figure BDA0002068030540000056
中的第ni个元素，那么
Figure BDA0002068030540000057
的第i个元素为
Figure BDA0002068030540000058
的第ni个元素。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
(1)该方案经过离线的基于大量数据的训练，深度神经网络能够发掘大规模天线系统中不同天线之间的空间相关性，从而实现从高精度ADC天线对应信道到低精度ADC天线对应信道的准确映射，这种映射是无法使用传统方法建模的；
(2)该方案能够取得优于传统方案的性能，并且低精度ADC的精度越低，该方案的性能优势越明显；
(3)该方案对不同的天线排列方式具有很好的鲁棒性，即高精度ADC天线和低精度ADC天线可以以任意方式摆放在基站，该方案都能取得很好的性能。因此，该方案的实施不受天线排列方式等既定硬件因素的影响，适用范围更广。
附图说明
图1是本发明所提出的基于深度神经网络的混合量化系统的信道估计示意图；
图2是本发明的基于深度神经网络的混合量化系统的信道估计方法完整流程。
具体实施方式
下面结合附图以及具体实施例对本发明的技术方案做进一步的详细说明。
实施例1：参见图1-图2，一种基于深度神经网络的混合ADC辅助的大规模多输入多输出系统信道估计方法，该信道估计方法包括如下步骤：
第一步：用
Figure BDA0002068030540000059
和
Figure BDA00020680305400000510
分别表示使用高精度和低精度ADC天线的集合，分别设计神经网络1和神经网络2估计
Figure BDA00020680305400000511
和
Figure BDA00020680305400000512
中天线的信道。
首先在仿真环境中产生训练样本对神经网络1和2进行离线训练，用于产生训练样本的信道模型为
Figure BDA0002068030540000061
其中h表示用户到基站的信道，L表示信道多径数目，αl表示第l条传播路径的增益，
Figure BDA0002068030540000062
表示第l条传播路径的到达角，
Figure BDA0002068030540000063
表示第l条传播路径的导向矢量。
对于神经网络1和2，分别产生Ntr个训练样本，每个训练样本使用独立的信道实现。以产生第n(n＝1,2,…,Ntr)个样本为例，首先根据信道模型(1)产生信道hn，其中
Figure BDA0002068030540000064
表示第n个训练样本中用户到集合
Figure BDA0002068030540000065
中天线对应的信道，
Figure BDA0002068030540000066
表示第n个训练样本中用户到集合
Figure BDA0002068030540000067
中天线对应的信道。然后，产生基站接收导频信号
Figure BDA0002068030540000068
其中P表示用户发射功率，nn表示第n个信道(第n个训练样本)的高斯白噪声。从yn中选取集合
Figure BDA0002068030540000069
中天线的接收信号
Figure BDA00020680305400000610
Figure BDA00020680305400000611
经过高精度ADC量化后的信号为
Figure BDA00020680305400000612
对于高精度量化，可以得到
Figure BDA00020680305400000613
因此，神经网络1的第n(n＝1,2,…,Ntr)个样本的形式为
Figure BDA00020680305400000614
其中
Figure BDA00020680305400000615
和
Figure BDA00020680305400000616
分别表示神经网络的输入数据和目标数据，c1是一个缩放常数，其确定规则为：对于所有训练样本，计算集合
Figure BDA00020680305400000617
中所有天线对应信道的功率，通过调整c1将所有天线对应信道的功率归一化到神经网络1的输出层激活函数的范围之内。神经网络2的第n(n＝1,2,…,Ntr)个样本的形式为
Figure BDA00020680305400000618
其中
Figure BDA00020680305400000619
和
Figure BDA00020680305400000620
分别表示神经网络的输入数据和目标数据，c2是一个缩放常数，其确定规则为：对于所有训练样本，计算集合
Figure BDA00020680305400000621
中所有天线对应信道的功率，通过调整c2将所有天线对应信道的功率归一化到神经网络2的输出层激活函数的范围之内；
第二步：将产生的样本送入深度神经网络1进行训练。神经网络1包含输入层、隐藏层和输出层。神经网络1建立的是从高精度ADC天线的接收导频信号到高精度ADC天线的信道的映射，即
Figure BDA00020680305400000622
其中S表示神经网络1的层数，由运营商根据集合
Figure BDA00020680305400000623
中天线数目确定，fs(·)表示第s层的激活函数，一般使用修正线性单元和双曲正切函数，Us表示第s层和第(s+1)层之间的权重矩阵，需要在离线训练阶段不断调整，s＝1,...,S。将输入数据
Figure BDA00020680305400000624
送入神经网络1得到对目标数据
Figure BDA0002068030540000071
的估计值近似
Figure BDA0002068030540000072
然后计算均方误差
Figure BDA0002068030540000073
具体训练过程如下：
1.采用批处理，每批包含Nbat1个训练样本，则Ntr个样本被分成
Figure BDA0002068030540000074
个批，其中
Figure BDA0002068030540000075
表示向上取整函数，设置总迭代次数tmax1，一般根据训练样本数调整，设置相对均方误差阈值ε1(一般根据信道平均功率调整)，设置当前迭代次数t＝1；
2.使用批梯度下降对Ntr个样本进行训练并计算MSE1；
3.如果t＝tmax1或者前后两次迭代得到的MSE1差值小于ε1，神经网络1的训练完成；否则，t＝t+1，回到第二步第2子步，继续训练；
第三步：将产生的样本送入深度神经网络2进行训练。神经网络2包含输入层、隐藏层和输出层。神经网络2建立的是从高精度ADC天线的接收导频信号到低精度ADC天线的信道的映射，即
Figure BDA0002068030540000076
其中Q表示神经网络2的层数，由运营商根据集合
Figure BDA0002068030540000077
中天线数目确定，gq(·)表示第q层的激活函数，一般使用修正线性单元和双曲正切函数，Vq表示第q层和第(q+1)层之间的权重矩阵，需要在离线训练阶段不断调整，q＝1,...,Q。将输入数据
Figure BDA0002068030540000078
送入神经网络1得到对目标数据
Figure BDA0002068030540000079
的估计值
Figure BDA00020680305400000710
然后计算均方误差
Figure BDA00020680305400000711
具体训练过程如下：
1.采用批处理，每批包含Nbat2个训练样本，则Ntr个样本被分成
Figure BDA00020680305400000712
个批，其中
Figure BDA00020680305400000713
表示向上取整函数，设置总迭代次数tmax2，一般根据训练样本数调整，设置相对均方误差阈值ε2(一般根据信道平均功率调整)，设置当前迭代次数t＝1；
2.使用批梯度下降对Ntr个样本进行训练并计算MSE2；
3.如果t＝tmax2或者前后两次迭代得到的MSE2差值小于ε2，神经网络2的训练完成；否则，t＝t+1，回到第三步第2子步，继续训练；
第四步：将离线训练好的神经网络1和2放置在基站，用于在线阶段的信道估计；
第五步：用户向基站发送导频信号，基站仅使用
Figure BDA0002068030540000081
中的天线接收导频信号。用
Figure BDA0002068030540000082
表示用户到集合
Figure BDA0002068030540000083
中天线对应的信道，假设用户发送的导频信号为x＝1，则
Figure BDA0002068030540000084
中天线接收到的导频信号表示为
Figure BDA0002068030540000085
其中P表示用户发射功率，
Figure BDA0002068030540000086
表示
Figure BDA0002068030540000087
中天线上的高斯白噪声。
将
Figure BDA0002068030540000088
送入高精度ADC进行量化，高精度ADC量化后的信号
Figure BDA0002068030540000089
可以认为与量化前信号相同，即
Figure BDA00020680305400000810
第六步：将量化后的导频信号
Figure BDA00020680305400000811
送入到神经网络1中得到集合
Figure BDA00020680305400000812
中天线对应的估计信道
Figure BDA00020680305400000813
即
Figure BDA00020680305400000814
将
Figure BDA00020680305400000815
送入到神经网络2中得到集合
Figure BDA00020680305400000816
中天线赌赢的估计信道
Figure BDA00020680305400000817
即
Figure BDA00020680305400000818
第七步：将这两个集合对应的估计信道
Figure BDA00020680305400000819
和
Figure BDA00020680305400000820
合并在一起得到完整的估计信道
Figure BDA00020680305400000821
合并规则如下：对于第i(i＝1,…,M)根天线，如果它属于集合
Figure BDA00020680305400000822
并且它在集合
Figure BDA00020680305400000823
中是第mi个元素，那么
Figure BDA00020680305400000824
的第i个元素等于
Figure BDA00020680305400000825
的第mi个元素；如果第i根天线属于集合
Figure BDA00020680305400000826
并且它在集合
Figure BDA00020680305400000827
中是第ni个元素，那么
Figure BDA00020680305400000828
的第i个元素等于
Figure BDA00020680305400000829
的第ni个元素。
本发明提出基于深度神经网络的混合ADC辅助的大规模多输入多输出系统信道估计方法。首先，将基站天线分为高精度ADC天线和低精度ADC天线两个集合，在仿真环境根据系统传输模型和信道模型产生真实信道和接收并量化的导频信号作为训练数据；然后，将训练数据分别送入设计的深度神经网络1和2中进行离线训练，通过调整神经网络权重矩阵直至性能收敛，结束训练；最后，将训练好的神经网络1和2装配在基站端，分别用于估计高精度ADC天线和低精度ADC天线对应的信道。本发明的估计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大规模天线系统中不同天线之间的空间相关性，从而实现从高精度ADC天线对应信道到低精度ADC天线对应信道的准确映射，这种映射是无法使用传统方法建模的。利用这种映射关系，该方案能够取得优于传统方案的性能，并且低精度ADC的精度越低，该方案的性能优势越明显。此外，该方案对不同的天线排列方式具有很好的鲁棒性，即高精度ADC的天线和低精度ADC的天线可以以任意方式摆放在基站，该方案都能取得很好的性能，放宽了对基站天线摆放的要求。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (3)

1.基于深度神经网络的混合量化系统的信道估计方法，其特征在于，包括如下步骤：
第一步：将基站天线分为高精度ADC天线
Figure FDA0003089146920000011
和低精度ADC天线
Figure FDA0003089146920000012
两个集合，在仿真环境根据系统传输模型和信道模型产生真实信道和接收并量化的导频信号作为训练样本；
信道模型为
Figure FDA0003089146920000013
其中，h表示用户到基站的信道，L表示信道多径数目，αl表示第l条传播路径的增益，
Figure FDA0003089146920000014
表示第l条传播路径的到达角，
Figure FDA0003089146920000015
表示第l条传播路径的导向矢量；
根据信道模型产生Ntr个独立的真实信道，第n个信道hn产生第n个训练样本，n＝1,2,…,Ntr；
第n个训练样本的导频信号为：
Figure FDA0003089146920000016
其中，P表示用户发射功率，nn表示第n个信道的高斯白噪声；
第n个训练样本包括
Figure FDA0003089146920000017
和
Figure FDA0003089146920000018
两种形式，其中，
Figure FDA0003089146920000019
为第n个训练样本中集合
Figure FDA00030891469200000110
中天线的接收信号
Figure FDA00030891469200000111
经过高精度ADC量化后的信号，
Figure FDA00030891469200000112
表示第n个训练样本中用户到集合
Figure FDA00030891469200000113
中天线对应的信道，hB,n表示第n个训练样本中用户到集合
Figure FDA00030891469200000114
中天线对应的信道，c1、c2均是缩放常数；
第二步：将
Figure FDA00030891469200000115
形式的训练样本送入第一深度神经网络进行离线训练，建立从高精度ADC天线的接收导频信号到高精度ADC天线的信道的映射：
Figure FDA00030891469200000116
其中，
Figure FDA00030891469200000117
表示
Figure FDA00030891469200000118
输入第一深度神经网络后的输出数据，
Figure FDA00030891469200000119
为
Figure FDA00030891469200000120
的估计值，S表示第一深度神经网络的层数，fs(·)表示第s层的激活函数，Us表示第s层和第(s+1)层之间的权重矩阵，US-1表示第(s-1)层和第s层之间的权重矩阵，s＝1,...,S；
第一深度神经网络的具体训练过程如下：
1).采用批处理，每批包含Nbat1个训练样本，则Ntr个样本被分成
Figure FDA00030891469200000122
个批，其中
Figure FDA00030891469200000121
表示向上取整函数，设置第一总迭代次数tmax1，设置第一相对均方误差阈值ε1，设置当前迭代次数t＝1；
2).使用批梯度下降对Ntr个样本进行训练并计算MSE1；
3).如果t＝tmax1或者前后两次迭代得到的MSE1差值小于ε1，第一深度神经网络的训练完成；否则，t＝t+1，回到第2)步，继续训练；
训练的收敛条件为达到设定总迭代次数或前后两次迭代得到的第一均方误差MSE1差值小于第一均方误差阈值ε1，其中：
Figure FDA0003089146920000021
第三步：将
Figure FDA0003089146920000022
形式的训练样本送入第二深度神经网络进行离线训练，建立从高精度ADC天线的接收导频信号到低精度ADC天线的信道的映射，即
Figure FDA0003089146920000023
其中，
Figure FDA0003089146920000024
表示
Figure FDA0003089146920000025
输入第二深度神经网络后的输出数据，
Figure FDA0003089146920000026
为hB,n的估计值，Q表示第二深度神经网络的层数，gq(·)表示第q层的激活函数，Vq表示第q层和第(q+1)层之间的权重矩阵，Vq-1表示第(q-1)层和第q层之间的权重矩阵，q＝1,...,Q；
第二深度神经网络的具体训练过程如下：
①.采用批处理，每批包含Nbat2个训练样本，则Ntr个样本被分成
Figure FDA0003089146920000029
个批，其中
Figure FDA0003089146920000027
表示向上取整函数，设置第二总迭代次数tmax2，设置第二相对均方误差阈值ε2，设置当前迭代次数t＝1；
②.使用批梯度下降对Ntr个样本进行训练并计算MSE2；
③.如果t＝tmax2或者前后两次迭代得到的MSE2差值小于ε2，第二深度神经网络的训练完成；否则，t＝t+1，回到第②步，继续训练；
训练的收敛条件为达到设定总迭代次数或前后两次迭代得到的第二均方误差MSE2差值小于第二均方误差阈值ε2，其中：
Figure FDA0003089146920000028
第四步：将训练好的第一和第二深度神经网络放置在基站，用于在线阶段的信道估计；
第五步：用户向基站发送导频信号，基站仅使用集合
Figure FDA0003089146920000031
中的天线接收导频信号，假设用户发送的导频信号为x＝1，则
Figure FDA0003089146920000032
中天线接收到的导频信号表示为
Figure FDA0003089146920000033
其中，P表示用户发射功率，
Figure FDA0003089146920000034
表示用户到集合
Figure FDA0003089146920000035
中天线对应的信道，
Figure FDA0003089146920000036
表示集合
Figure FDA0003089146920000037
中天线上的高斯白噪声；
将
Figure FDA0003089146920000038
送入高精度ADC进行量化，高精度ADC量化后的信号
Figure FDA0003089146920000039
第六步：将量化后的导频信号
Figure FDA00030891469200000310
送入到第一深度神经网络中得到集合
Figure FDA00030891469200000311
中天线对应的估计信道
Figure FDA00030891469200000312
Figure FDA00030891469200000313
将
Figure FDA00030891469200000314
送入到第二深度神经网络中得到集合
Figure FDA00030891469200000315
中天线对应的估计信道
Figure FDA00030891469200000316
即
Figure FDA00030891469200000317
第七步：将第六步中的
Figure FDA00030891469200000318
和
Figure FDA00030891469200000319
合并在一起得到完整的估计信道
Figure FDA00030891469200000320
2.根据如权利要求1所述的基于深度神经网络的混合量化系统的信道估计方法，其特征在于，第一步中c1的确定规则为：对于所有训练样本，计算集合
Figure FDA00030891469200000321
中所有天线对应信道的功率，通过调整c1将所有天线对应信道的功率归一化到第一深度神经网络的输出层激活函数的范围之内；c2的确定规则为：对于所有训练样本，计算集合
Figure FDA00030891469200000322
中所有天线对应信道的功率，通过调整c2将所有天线对应信道的功率归一化到第二深度神经网络的输出层激活函数的范围之内。
3.根据如权利要求1所述的基于深度神经网络的混合量化系统的信道估计方法，其特征在于，第七步中的合并规则如下：对于基站的第i根天线，i＝1,…,M，M为基站的天线数，如果第i根天线属于集合
Figure FDA00030891469200000323
并且是集合
Figure FDA00030891469200000324
中的第mi个元素，那么
Figure FDA00030891469200000325
的第i个元素为
Figure FDA00030891469200000326
的第mi个元素；如果第i根天线属于集合
Figure FDA00030891469200000327
并且是集合
Figure FDA00030891469200000328
中的第ni个元素，那么
Figure FDA00030891469200000329
的第i个元素为
Figure FDA00030891469200000330
的第ni个元素。
CN201910427732.1A 2019-05-22 2019-05-22 基于深度神经网络的混合量化系统的信道估计方法 Active CN110099017B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910427732.1A CN110099017B (zh) 2019-05-22 2019-05-22 基于深度神经网络的混合量化系统的信道估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910427732.1A CN110099017B (zh) 2019-05-22 2019-05-22 基于深度神经网络的混合量化系统的信道估计方法

Publications (2)

Publication Number Publication Date
CN110099017A CN110099017A (zh) 2019-08-06
CN110099017B true CN110099017B (zh) 2021-09-28

Family

ID=67448851

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910427732.1A Active CN110099017B (zh) 2019-05-22 2019-05-22 基于深度神经网络的混合量化系统的信道估计方法

Country Status (1)

Country Link
CN (1) CN110099017B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11153179B2 (en) * 2019-09-09 2021-10-19 Qualcomm Incorporated Neural-network-based link-level performance prediction
CN110661734B (zh) * 2019-09-20 2020-07-28 西安交通大学 基于深度神经网络的信道估计方法、设备和可读存储介质
WO2021068194A1 (zh) * 2019-10-11 2021-04-15 深圳信息职业技术学院 天线信号处理模型的训练方法、装置、天线及存储介质
US11936452B2 (en) * 2020-02-28 2024-03-19 Qualcomm Incorporated Neural network based channel state information feedback
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
CN111786915B (zh) * 2020-05-09 2023-03-14 广州番禺职业技术学院 非线性失真条件下基于深度学习的无线通信方法及其系统
US20230353426A1 (en) * 2020-05-14 2023-11-02 Nokia Technologies Oy Channel Estimation for an Antenna Array
CN111835351B (zh) * 2020-06-01 2023-07-28 东南大学 基于深度学习的量化信号重建方法及到达角估计方法
CN112054830B (zh) * 2020-08-13 2021-07-13 西安交通大学 一种针对硬件损伤的Massive MIMO信能同传系统优化方法
CN112180326B (zh) * 2020-09-21 2023-11-21 南昌大学 一种基于大规模天线阵的分层分布式定位和测速方法
CN112215335B (zh) * 2020-09-25 2023-05-23 湖南理工学院 一种基于深度学习的系统检测方法
CN112217750B (zh) * 2020-10-09 2022-10-21 东南大学 基于卷积神经网络的信道统计信息估计方法
CN112468230B (zh) * 2020-11-19 2022-08-09 西安华企众信科技发展有限公司 一种基于深度学习的无线紫外光散射信道估计方法
CN112512077B (zh) * 2020-12-15 2023-08-11 中国联合网络通信集团有限公司 一种上行速率的评估方法及装置
CN113381952B (zh) * 2021-06-09 2022-06-24 东南大学 基于深度学习的多天线系统信道估计方法
CN113660062B (zh) * 2021-08-11 2022-07-12 东南大学 无蜂窝大规模分布式mimo系统中基于深度强化学习的低精度adc量化比特数分配方法
CN117998602A (zh) * 2022-11-04 2024-05-07 华为技术有限公司 信道状态信息确定方法、装置及可读存储介质
CN116155339B (zh) * 2022-12-28 2024-06-25 江苏屹信航天科技有限公司 一种基于深度神经网络的多目标doa估计方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108734645A (zh) * 2017-04-24 2018-11-02 英特尔公司 神经网络优化机制
CN108734274A (zh) * 2017-04-24 2018-11-02 英特尔公司 用于深度神经网络的计算优化机制
CN109712064A (zh) * 2017-04-24 2019-05-03 英特尔公司 使用低精度和高精度的混合推理

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10347271B2 (en) * 2015-12-04 2019-07-09 Synaptics Incorporated Semi-supervised system for multichannel source enhancement through configurable unsupervised adaptive transformations and supervised deep neural network
US10235991B2 (en) * 2016-08-09 2019-03-19 Apptek, Inc. Hybrid phoneme, diphone, morpheme, and word-level deep neural networks

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108734645A (zh) * 2017-04-24 2018-11-02 英特尔公司 神经网络优化机制
CN108734274A (zh) * 2017-04-24 2018-11-02 英特尔公司 用于深度神经网络的计算优化机制
CN109712064A (zh) * 2017-04-24 2019-05-03 英特尔公司 使用低精度和高精度的混合推理

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Performance analysis of mixed-ADC massive MIMO systems over Rician fading channels";J. Zhang, L. Dai, Z. He, S. Jin, and X. Li;《IEEE J. Sel. Areas Commun》;20170630;1989-1993 *
"基于当前统计模型的一种双自适应模糊滤波算法";刘楠，刘望生;《成组技术与生产现代化》;20160628;25-30 *

Also Published As

Publication number Publication date
CN110099017A (zh) 2019-08-06

Similar Documents

Publication Publication Date Title
CN110099017B (zh) 基于深度神经网络的混合量化系统的信道估计方法
CN111181619B (zh) 基于深度强化学习的毫米波混合波束成形设计方法
CN107332598B (zh) 一种基于深度学习的mimo系统联合预编码和天线选择方法
CN109743268B (zh) 基于深度神经网络的毫米波信道估计和压缩方法
Xu et al. Deep learning-based pilot design for multi-user distributed massive MIMO systems
CN107046434B (zh) 大规模mimo系统模数混合预编码方法
CN110099016B (zh) 一种基于深度学习网络的毫米波稀疏阵面信道估计方法
CN110430150B (zh) 一种基于神经网络的蜂窝移动通信系统接收机设计方法
CN110505643B (zh) 基于模拟退火算法的大规模mimo系统上行能效优化方法
Guo et al. Deep learning for joint channel estimation and feedback in massive MIMO systems
CN108063634A (zh) 一种低精度量化大规模mimo中最优正则预编码方法
Ding et al. Performance analysis of mixed-ADC massive MIMO systems over spatially correlated channels
Dong et al. Improved joint antenna selection and user scheduling for massive MIMO systems
CN108199990B (zh) 一种非高斯噪声3d-mimo信道估计方法
Domouchtsidis et al. Joint symbol level precoding and combining for MIMO-OFDM transceiver architectures based on one-bit DACs and ADCs
Kolomvakis et al. Quantized uplink massive MIMO systems with linear receivers
CN111865844B (zh) 大规模mimo全双工中继系统信道估计方法和装置
CN117220740A (zh) 一种非合作场景下通信与干扰一体化系统波束形成方法
Cui et al. Federated edge learning for the wireless physical layer: Opportunities and challenges
El-Khamy et al. Performance of enhanced massive multiuser MIMO systems using transmit beamforming and transmit antenna selection techniques
CN114389730B (zh) 一种基于深度学习和脏纸编码的miso系统波束形成设计方法
Zia et al. Deep learning for Parametric Channel Estimation in massive MIMO systems
CN111314250B (zh) 大规模多输入多输出系统的量化设计与信道估计方法
CN110868244B (zh) 一种基于信道穿刺的低复杂度通信信号检测方法
Ahmed et al. Energy efficient ADC bit allocation for massive MIMO: A deep-learning approach

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