CN110365612B - 一种基于近似消息传递算法的深度学习波束域信道估计方法 - Google Patents

一种基于近似消息传递算法的深度学习波束域信道估计方法 Download PDF

Info

Publication number
CN110365612B
CN110365612B CN201910521234.3A CN201910521234A CN110365612B CN 110365612 B CN110365612 B CN 110365612B CN 201910521234 A CN201910521234 A CN 201910521234A CN 110365612 B CN110365612 B CN 110365612B
Authority
CN
China
Prior art keywords
network
model
beam domain
driven
training
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
CN201910521234.3A
Other languages
English (en)
Other versions
CN110365612A (zh
Inventor
韦逸
赵明敏
赵民建
雷鸣
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201910521234.3A priority Critical patent/CN110365612B/zh
Publication of CN110365612A publication Critical patent/CN110365612A/zh
Priority to PCT/CN2020/096428 priority patent/WO2020253690A1/zh
Application granted granted Critical
Publication of CN110365612B publication Critical patent/CN110365612B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B7/00Radio transmission systems, i.e. using radiation field
    • H04B7/02Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413MIMO systems
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00Baseband systems
    • H04L25/02Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202Channel estimation
    • H04L25/024Channel estimation channel estimation algorithms
    • H04L25/0242Channel estimation channel estimation algorithms using matrix methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Power Engineering (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明提供了一种基于近似消息传递算法的深度学习波束域信道估计方法,主要运用于基于透镜天线的毫米波大规模MIMO系统中。本方法包括如下步骤:(1)构建深度网络结构,该深度网络主要由两部分构成,其一是基于近似消息传递算法的模型驱动深度网络LAMP,其二是基于残差学习的数据驱动深度网络ResNet;(2)根据透镜天线的几何结构对波束域信道进行建模,根据系统模型生成训练数据;(3)运用具有不同信噪比的训练数据对网络进行线下训练;(4)固定优化后的网络参数,根据射频链端的接收信号,利用训练好的网络进行实时的波束域信道估计;本发明能够有效地提高波束域信道估计的精度,同时拥有和传统信道估计算法相似的计算复杂度。

Description

一种基于近似消息传递算法的深度学习波束域信道估计方法
技术领域
本发明属于无线通信领域,是一种基于近似消息传递算法的深度学习波束域信道估计方法。
背景技术
随着移动数据需求的爆炸性增长,第五代(5G)通信网络利用毫米波波段的丰富频谱资源来提高通信容量。但是毫米波通信有带内穿透损耗大的缺陷,这会导致严重的信道衰落。毫米波大规模MIMO系统可以利用大型天线阵列提供高数据率以弥补带内穿透损耗。
但是,当每一根天线都配有一根射频链时,毫米波大规模MIMO天线系统的实现就会伴随着无法负担的硬件复杂度以及功率消耗。一种有效降低实现复杂度的方法就是利用先进的透镜天线阵列。透镜天线能够将传统空域信道转化为波束域信道,起到了波束域分离傅里叶变化(DFT)矩阵的作用。由于在毫米波频率中散射效应不足,有效传播路径的数目受到限制。因此,波束域信道有稀疏性的特性,我们可以通过选择主波束以减少射频链的个数。
当信道矩阵的维度大于射频链数目时,波束域信道估计可以看成一个稀疏信号恢复问题。很多基于压缩感知的信道估计算法得到了广泛的运用,比如基于近似消息传递算法的信道估计算法AMP,基于压缩采样匹配追踪的信道估计算法CoSaMP,基于分段正交匹配追踪的信道估计算法StOMP等。
另外,由于深度学习方法已经成功运用于其他很多领域,比如说图像处理,自然语言处理等,它作为一种有潜力的技术也开始运用于无线通信领域中,比如信号检测,信道估计等。主流的深度学习方法分为两种,一是模型驱动深度学习方法,此方法根据已知的知识和机制构建网络;二是数据驱动深度学习方法,此方法将网络看做是黑盒并依赖大量数据训练这个网络,常见的全连接网络以及深度卷积网络都属于此种方法。本发明结合以上两种方法的优势,所采用的深度网络主要由两部分构成:其一是基于近似消息传递算法的模型驱动深度网络LAMP,该子网络继承了近似消息传递算法的稀疏恢复能力,能够获得初步估计结果;其二是基于残差学习的数据驱动深度网络ResNet,该子网络能够在初步估计结果的基础上进一步消除波束域信道矩阵和其估计值之间的残差,减少噪声的影响,获得更加精确的信道估计结果。该网络由仿真或实测数据进行线下训练获得网络参数,训练完成后,通过固定的参数完成线上实时信道估计。该方法在维持和传统信道估计方法的计算复杂度的基础上有效地提高信道估计的精度。
发明内容
本发明的目的是针对在基于透镜天线的毫米波大规模MIMO系统中,传统算法难以从有限射频链端获得的低维度接收信号估计出高维度波束域信道矩阵,提出了一种基于近似消息传递算法的深度学习波束域信道估计方法,本发明采用如下技术方案:
本发明的应用场景是基于透镜天线的毫米波大规模MIMO系统,系统模型如图1所示。基站端作为接收端,安装有一块三维电磁透镜,其焦平面上放置有一个规模为Nrz×Nry天线阵列。该Nr=Nrz×Nry根天线通过一个规模为M×Nr的选择网络W与M根射频链相连,射频链的数目小于天线数目。该选择网络W由从随机生成的Nr×Nr伯努利矩阵中抽取出的M列构成。
本发明具体步骤如下:
1.构建深度学习网络结构,所述深度学习网络结构由两部分构成:基于近似消息传递算法的模型驱动深度子网络LAMP和基于残差学习的数据驱动深度子网络ResNet;模型驱动深度子网络LAMP的前级输出作为数据驱动深度子网络ResNet的后级输入;
2.根据透镜天线的几何参数对波束域信道进行建模,得到波束域信道矩阵,并根据MIMO系统模型获得具有不同信噪比的训练数据;
3.运用步骤2所述的具有不同信噪比的训练数据对模型驱动深度子网络LAMP进行线下训练,得到模型驱动深度子网络LAMP的网络参数;固定所述网络参数,对步骤1所述的深度学习网络结构进行端到端训练,得到训练后的深度学习网络模型;
4.根据射频链端的接收信号,利用训练后的深度学习网络模型进行实时的波束域信道估计。
进一步的,所述的步骤1具体为:
1.1.基于近似消息传递算法构建模型驱动深度子网络LAMP,所述模型驱动深度子网络LAMP由近似消息传递算法展开得到,由T层构成并且每层具有相同的结构,将近似消息传递算法的第i次迭代表示为模型驱动深度子网络LAMP的第i层,第t次迭代所包含的参数(W,WH)被第t层的可学习参数(βtW,Zt)替代,W表示基站的射频链选择网络;其中模型驱动深度子网络LAMP第t层的波束域信道估计过程表示为:
Figure BDA0002096750630000031
Figure BDA0002096750630000032
其中r是接收信号,
Figure BDA0002096750630000033
是第t层的波束域估计信道,vt是中间变量,M为接收天线数,αt为网络参数,η(·;λ)是一个软阈值函数,其定义如下:
[η(u;λ)]j=sgn(uj)max{|uj|-λ,0}
其中uj为该函数自变量向量的第j个元素,λ为该函数的两一个自变量,表示阈值,sgn(·)为符号函数;
所述模型驱动深度子网络LAMP输出的第一级波束域估计信道表示为:
Figure BDA0002096750630000034
其中
Figure BDA0002096750630000035
表示模型驱动深度子网络LAMP的映射,Θ={βt,Ztt}表示模型驱动深度子网络LAMP的学习参数,ri为接收信号;
选择L2范数作为代价函数,具体损失函数表示为:
Figure BDA0002096750630000036
其中N为训练数据数目,hi为信道矩阵;
1.2.基于残差学习算法构建数据驱动深度子网络ResNet,所述数据驱动深度子网络ResNet由若干个结构相同的残差块构成,每个残差块有多层卷积层,每一层卷积层后面都连接着一层激活层,激活函数采用tanh(·),该激活函数处处可导,将输入变量映射至(-1,1);
所述数据驱动深度子网络ResNet输出表示为:
Figure BDA0002096750630000037
其中
Figure BDA0002096750630000038
为经过ResNet得到估计出来的信道与其估计值的残差,
Figure BDA0002096750630000039
表示数据驱动深度子网络ResNet的映射,Σ是数据驱动深度子网络ResNet的学习参数,即卷积层中的权重和偏置;
1.3.射频链端的接收信号依次经过
Figure BDA0002096750630000041
Figure BDA0002096750630000042
得到第二级波束域估计信道
Figure BDA0002096750630000043
Figure BDA0002096750630000044
选择L2范数作为代价函数,具体损失函数表示为:
Figure BDA0002096750630000045
进一步的,所述步骤2具体为:
2.1.根据透镜天线的几何参数对波束域信道进行建模,波束域信道模型表示为:
Figure BDA0002096750630000046
其中L表示径数,α(l)为径l的幅值,φ(l)和θ(l)分别表示径l的入射方位角和高度角,Ar(l)(l))是透镜天线阵列的响应矩阵,由透镜天线的几何参数决定,所述响应矩阵的第(y,z)个元素表示为两个sinc(·)函数乘积的形式:
Figure BDA0002096750630000047
其中DY和DZ分别代表透镜天线的长度和高度,λ为入射波的波长;
根据波束域信道模型得到波束域信道矩阵
Figure BDA0002096750630000048
2.2.根据MIMO系统模型获得射频链端的接收信号r,
Figure BDA0002096750630000049
其中s为已知的导频信号,
Figure BDA00020967506300000410
为等效噪声,n为高斯白噪声,h为向量化后的波束域信道矩阵;
通过调节高斯白噪声n的方差改变训练数据的信噪比;向量化后的波束域信道矩阵
Figure BDA00020967506300000411
和对应的射频链端的接收信号向量
Figure BDA00020967506300000412
构成所需的训练数据
Figure BDA00020967506300000413
N是训练数据的数量。
进一步的,所述步骤3具体如下:
3.1.选用10dB以上的高信噪比的训练数据对模型驱动深度子网络LAMP进行逐层训练,当训练第t层时,前t-1层的参数
Figure BDA0002096750630000051
保持不变,采用阶梯下降的学习率,初始值为a,每训练K次,学习率减少为原来的τ,当归一化均方误差不再下降时训练终止;
3.2.选用步骤3.1所述高信噪比的训练数据对模型驱动深度子网络LAMP进行端到端的训练,学习率取0.1×a,当归一化均方误差不再下降时训练终止;
3.3.选用步骤3所述不同信噪比的训练数据对深度学习网络结构进行端到端的整体优化,学习率取0.01×a,当归一化均方误差不再下降时训练终止,最终得到训练后的深度学习网络模型。
本发明的有益效果:本发明充分结合了模型驱动的深度学习方法和数据驱动的深度学习方法,并利用了波束域信道矩阵的稀疏性特性,将常用于稀疏信号恢复领域的近似消息传播算法的迭代过程展开成深度网络,并将算法中的固定参数转化成可学习参数,借助了深度学习的力量,提升了性能。同时还引入了残差学习的思想,进一步减小信道及其估计值的差,以进一步提升估计结果的精度,同时减少了该网络对抗噪声的能力。所有的训练都是在线下完成,一旦完成训练,根据接收信号只需要经过一次前向计算,就可以得到估计结果。在线上实时估计过程中,本发明可获得和传统算法比如近似消息传递算法相似的计算复杂度,在不增加运算复杂度的前提下提高了信道估计的精度。
附图说明
图1是基于透镜天线的毫米波大规模MIMO系统模型;
图2是基于近似消息传递算法的模型驱动深度网络的单层结构框图;
图3是基于近似消息传递算法的深度学习网络结构图;
图4是基于近似消息传递算法的深度学习信道估计方法的归一化均方误差性能曲线;
图5是基于近似消息传递算法的深度学习信道估计方法的到达速率性能曲线。
具体实施方式
为了使本发明的技术方案和优点变得更加清晰,接下来将结合附图对技术方案的具体实施方式作更加详细地说明:
本实施例的应用场景是基于透镜天线的毫米波大规模MIMO系统,系统模型如图1所示。在基于透镜天线的毫米波大规模MIMO系统中,基站端作为接收端,安装有一块三维电磁透镜,其焦平面上放置有一个规模为32×32天线阵列。该1024根天线通过一个规模为819×1024的选择网络W与819根射频链相连,射频链的数目小于天线数目。该选择网络W由从随机生成的1024×1024伯努利矩阵中抽取出的M列构成。针对该系统所提出的基于近似消息传递算法的深度学习波束域信道估计方法包括如下步骤:
步骤一、构建深度学习网络。
本实施例将深度学习网络引入基站端中,将有限射频链端的接收信号向量作为输入信号,通过网络的前向计算,输出波束域信道矩阵的估计值。所采用的深度学习网络主要由两部分构成:其一是基于近似消息传递算法的模型驱动深度网络LAMP,其二是基于残差学习的数据驱动深度网络ResNet。
基于近似消息传递算法的模型驱动深度学习网络LAMP是由近似消息传递算法展开得到,由5层构成并且每层具有相同的结构。近似消息传递算法的每一次迭代都看作是该子网络的一层,第t次迭代所包含的(W,WH)都被基于该层的可学习参数(βtW,Zt)替代。如图2所示,对于LAMP子网络的第t层而言,信道估计过程可以表现为:
Figure BDA0002096750630000061
Figure BDA0002096750630000062
其中r是接收信号,
Figure BDA0002096750630000063
是每层的估计信道,vt是中间变量。η(·;λ)是一个软阈值函数,其定义如下:
[η(u;λ)]j=sgn(uj)max{|uj|-λ,0}
LAMP子网络的输出可以表示为
Figure BDA0002096750630000064
表示该子网络的映射过程,Θ={βt,Ztt}是需要学习的参数。使用L2范数作为损失函数,具体为:
Figure BDA0002096750630000065
基于残差学习的数据驱动深度子网络ResNet通过直接将输入信息绕道传到输出,保护信息的完整性,整个网络只需要学习输入和输出的差别
Figure BDA0002096750630000071
简化学习目标和难度。该子网络能够在初步估计结果的基础上进一步消除波束域信道矩阵和其估计值之间的残差,减少噪声的影响,获得更加精确的信道估计结果。
ResNet子网络由多个结构相同的残差块Residual Block构成,每个残差块Residual Block有三层卷积层。第一层采用7×7卷积核产生64个特征映射层,第二层采用5×5卷积核产生32个特征映射层,第三层采用3×3卷积核产生1个特征映射层。每一层卷积层后面都连接着一层激活层,激活函数采用tanh(·)。
该子网络的输出可以表示为
Figure BDA0002096750630000072
是该残差学习网络所代表的映射,
Figure BDA0002096750630000073
是基于近似消息传递算法的模型驱动深度子网络的前级输出,作为基于残差学习的数据驱动深度子网络的输入,Σ是残差学习网络包含的学习参数,即卷积层中的权重和偏置。
如图3所示,上述两个子网络组成了所提出网络的基本结构块,多个基本结构块构成了整个网络。射频链端的接收信号依次经过
Figure BDA0002096750630000074
Figure BDA0002096750630000075
的映射,得到了信道矩阵的最终估计值
Figure BDA0002096750630000076
具体可以表示为:
Figure BDA0002096750630000077
使用L2范数作为代价函数,具体表示如下:
Figure BDA0002096750630000078
完整网络模型如图3所示,本示例中网络由2个网络基本功能块构成,每个基本功能块中包含了5层LAMP子网络和1个残差块Residual Block构成。
步骤二、收集训练数据集。
在本方法中运用监督学习优化网络中的未知参数,因此需要收集大量带有标签的训练数据。根据透镜天线的几何参数对由透镜天线转化而来的波束域信道进行建模,获得一系列波束域信道矩阵
Figure BDA0002096750630000079
该系统的波束域信道可建模为:
Figure BDA00020967506300000710
其中L表示径数,α(l)为径l的幅值,φ(l)和θ(l)分别表示径l的入射方位角和高度角。Ar(l)(l))是天线阵列的响应矩阵,由透镜天线的几何特征决定。该响应矩阵的第(y,z)个元素可表示为两个sinc(·)函数乘积的形式:
Figure BDA0002096750630000081
其中DY和DZ分别代表透镜天线的长度和高度,λ为入射波的波长。
单天线用户向基站端以不同的信噪比向基站发送已知的导频信号s,根据系统模型获得射频链端的接收信号r,r可以表示为:
Figure BDA0002096750630000082
其中
Figure BDA0002096750630000083
是等效噪声,n是高斯白噪声。
向量化后的信道矩阵
Figure BDA0002096750630000084
和对应的射频链端接收信号向量
Figure BDA0002096750630000085
构成了所需的数据标签组
Figure BDA0002096750630000086
N是训练数据的数量。
步骤三、线下训练。
所有训练过程都在线下完成,在tensorflow平台上实现网络的训练,采用ADAM训练器进行训练。整个训练过程分为三步,当归一化均方误差不再下降时该步训练终止。第一步用高信噪比训练数据对基于近似消息传递算法的模型驱动深度网络LAMP进行逐层训练。具体做法为:当训练第t层时,前t-1的参数保持不变。并且采用阶梯下降的学习率,初始值为0.001,每训练10000次,学习率减少为原来的0.5。第二步采用端到端的训练方式,运用第一步中的高信噪比训练数据对整个网络进行端到端训练,学习率取0.0001。第三步采用不同信噪比下的训练数据对端到端网络做整体优化,增强其对噪声的抗干扰能力,在此步中学习率取0.00001。
步骤四、线上估计。
一旦训练结束,网络中的参数被存储下来以用于在线实时的波束域信道估计。单天线用户向基站端发送相同的导频信号s,射频链端的接收信号向量直接送入训练好的深度网络中,经过一次前向运算,直接输出所估计的波束域信道矩阵,以用于后续的信号检测。
图4表示在不同信噪比条件下,不同信道估计算法的估计精度,由归一化均方误差来衡量。LampResNet表示本发明提出的信道估计方法,StOMP、AMP和CoSaMp是三个基于压缩感知的信道估计算法,LAMP、LDAMP和DR2-Net是三个基于深度学习的对比算法。从图中可以看出本发明提出了信道估计方法在所有信噪比下都获得了最好的估计精度。
图5表示在多用户条件下到达速率性能,用户数为2,每个用户向基站发射彼此正交的导频信号,假设每个用户所经历的信道是不同的。从图中可以看出,所发明的方法在多用户条件下,相比起对比信道估计算法,能获得最大的到达速率。
本发明是一种应用于基于透镜天线的毫米波大规模MIMO系统,基于近似消息传递算法的深度学习波束域信道估计方法。针对基于近似消息传递算法的深度学习波束域信道估计方法,我们要求将作为发明进行保护。以上所述仅为特定应用场合的具体实施方式,但本发明的真实精神和范围不局限于此,任何熟悉本领域的技术人员可以修改、等同替换、改进等,实现不同应用场合的信道估计方法。本发明由权利要求书及其等效技术方案来限定。

Claims (3)

1.一种基于近似消息传递算法的深度学习波束域信道估计方法,其特征在于包括以下步骤:
(1)构建深度学习网络结构,所述深度学习网络结构由两部分构成:基于近似消息传递算法的模型驱动深度子网络LAMP和基于残差学习的数据驱动深度子网络ResNet;模型驱动深度子网络LAMP的前级输出作为数据驱动深度子网络ResNet的后级输入;
(2)根据透镜天线的几何参数对波束域信道进行建模,得到波束域信道矩阵,并根据MIMO系统模型获得具有不同信噪比的训练数据;
(3)运用步骤(2)所述的具有不同信噪比的训练数据对模型驱动深度子网络LAMP进行线下训练,得到模型驱动深度子网络LAMP的网络参数;固定所述网络参数,对步骤(1)所述的深度学习网络结构进行端到端训练,得到训练后的深度学习网络模型;
(4)根据射频链端的接收信号,利用训练后的深度学习网络模型进行实时的波束域信道估计;
所述的步骤(1)具体为:
(1.1)基于近似消息传递算法构建模型驱动深度子网络LAMP,所述模型驱动深度子网络LAMP由近似消息传递算法展开得到,由T层构成并且每层具有相同的结构,将近似消息传递算法的第t次迭代表示为模型驱动深度子网络LAMP的第t层,第t次迭代所包含的参数(W,WH)被第t层的可学习参数(βtW,Zt)替代,W表示基站的射频链选择网络,βt和Zt是第t层的可学习参数;其中模型驱动深度子网络LAMP第t层的波束域信道估计过程表示为:
Figure FDA0002507553200000011
Figure FDA0002507553200000012
其中r是接收信号,下标t表示模型驱动深度子网络LAMP的第t层,
Figure FDA0002507553200000013
是第t层的波束域估计信道,vt是中间变量,M为接收天线数,αt为网络参数,||·||表示L2范数,||·||0表示L0范数;η(·;λ)是一个软阈值函数,其定义如下:
[η(u;λ)]j=sgn(uj)max{|uj|-λ,0}
其中uj为该函数自变量向量的第j个元素,λ为该函数的两一个自变量,表示阈值,sgn(·)为符号函数;
所述模型驱动深度子网络LAMP输出的第一级波束域估计信道表示为:
Figure FDA0002507553200000021
其中
Figure FDA0002507553200000022
表示模型驱动深度子网络LAMP的映射,Θ={βt,Ztt}表示模型驱动深度子网络LAMP的学习参数,ri为接收信号;
选择L2范数作为代价函数,具体损失函数表示为:
Figure FDA0002507553200000023
其中N为训练数据数目,hi为信道矩阵;
(1.2)基于残差学习算法构建数据驱动深度子网络ResNet,所述数据驱动深度子网络ResNet由若干个结构相同的残差块构成,每个残差块有多层卷积层,每一层卷积层后面都连接着一层激活层,激活函数采用tanh(·),该激活函数处处可导,将输入变量映射至(-1,1);
所述数据驱动深度子网络ResNet输出表示为:
Figure FDA0002507553200000024
其中
Figure FDA0002507553200000025
为经过ResNet得到估计出来的信道与其估计值的残差,
Figure FDA0002507553200000026
表示数据驱动深度子网络ResNet的映射,Σ是数据驱动深度子网络ResNet的学习参数,即卷积层中的权重和偏置;
(1.3)射频链端的接收信号依次经过
Figure FDA0002507553200000027
Figure FDA0002507553200000028
得到第二级波束域估计信道
Figure FDA0002507553200000029
Figure FDA00025075532000000210
选择L2范数作为代价函数,具体损失函数表示为:
Figure FDA00025075532000000211
2.如权利要求1所述的基于近似消息传递算法的深度学习波束域信道估计方法,其特征在于所述步骤(2)具体为:
(2.1)根据透镜天线的几何参数对波束域信道进行建模,波束域信道模型表示为:
Figure FDA0002507553200000031
其中L表示径数,α(l)为径l的幅值,φ(l)和θ(l)分别表示径l的入射方位角和高度角,Nry和Nrz表示透镜天线阵列延y轴方向的天线数量和延z轴方向的天线数量,Ar(l)(l))是透镜天线阵列的响应矩阵,由透镜天线的几何参数决定,所述响应矩阵的第(y,z)个元素表示为两个sinc(·)函数乘积的形式:
Figure FDA0002507553200000032
其中DY和DZ分别代表透镜天线的长度和高度,λ为入射波的波长;
根据波束域信道模型得到波束域信道矩阵
Figure FDA0002507553200000033
(2.2)根据MIMO系统模型获得射频链端的接收信号r,
Figure FDA0002507553200000034
其中s为已知的导频信号,
Figure FDA0002507553200000035
为等效噪声,n为高斯白噪声,h为向量化后的波束域信道矩阵;
通过调节高斯白噪声n的方差改变训练数据的信噪比;向量化后的波束域信道矩阵
Figure FDA0002507553200000036
和对应的射频链端的接收信号向量
Figure FDA0002507553200000037
构成所需的训练数据
Figure FDA0002507553200000038
N是训练数据的数量。
3.如权利要求1所述的基于近似消息传递算法的深度学习波束域信道估计方法,其特征在于步骤(3)具体如下:
(3.1)选用10dB以上的高信噪比的训练数据对模型驱动深度子网络LAMP进行逐层训练,当训练第t层时,前t-1层的参数
Figure FDA0002507553200000039
保持不变,采用阶梯下降的学习率,初始值为a,每训练K次,学习率减少为原来的τ,当归一化均方误差不再下降时训练终止;
(3.2)选用步骤(3.1)所述高信噪比的训练数据对模型驱动深度子网络LAMP进行端到端的训练,学习率取0.1×a,当归一化均方误差不再下降时训练终止;
(3.3)选用步骤(3)所述不同信噪比的训练数据对深度学习网络结构进行端到端的整体优化,学习率取0.01×a,当归一化均方误差不再下降时训练终止,最终得到训练后的深度学习网络模型。
CN201910521234.3A 2019-06-17 2019-06-17 一种基于近似消息传递算法的深度学习波束域信道估计方法 Active CN110365612B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910521234.3A CN110365612B (zh) 2019-06-17 2019-06-17 一种基于近似消息传递算法的深度学习波束域信道估计方法
PCT/CN2020/096428 WO2020253690A1 (zh) 2019-06-17 2020-06-16 一种基于近似消息传递算法的深度学习波束域信道估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910521234.3A CN110365612B (zh) 2019-06-17 2019-06-17 一种基于近似消息传递算法的深度学习波束域信道估计方法

Publications (2)

Publication Number Publication Date
CN110365612A CN110365612A (zh) 2019-10-22
CN110365612B true CN110365612B (zh) 2020-08-14

Family

ID=68216753

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910521234.3A Active CN110365612B (zh) 2019-06-17 2019-06-17 一种基于近似消息传递算法的深度学习波束域信道估计方法

Country Status (2)

Country Link
CN (1) CN110365612B (zh)
WO (1) WO2020253690A1 (zh)

Families Citing this family (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110365612B (zh) * 2019-06-17 2020-08-14 浙江大学 一种基于近似消息传递算法的深度学习波束域信道估计方法
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
CN111277312B (zh) * 2020-02-26 2020-10-30 电子科技大学 基于深度复数网络的固定子阵空基毫米波波束成形方法
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
CN112217545B (zh) * 2020-10-09 2021-10-01 哈尔滨工程大学 一种大规模mimo系统检测模型构建方法
CN112565118B (zh) * 2020-11-25 2022-11-01 哈尔滨工业大学 毫米波透镜天线阵列通信系统信道估计方法
CN113609450B (zh) * 2021-02-22 2023-11-03 天津大学 基于LCGAMP网络和1-Bit量化的大规模稀疏阵列DoA估计方法
CN113347123B (zh) * 2021-05-31 2023-03-28 北京理工大学 一种基于模型驱动的混合mimo系统信道估计与反馈网络
CN113537025B (zh) * 2021-07-08 2024-03-22 浙江工业大学 一种基于自监督学习的电磁调制信号深度去噪方法及系统
CN113537382A (zh) * 2021-07-29 2021-10-22 中国科学技术大学 一种基于残差收缩网络的设备诊断方法及系统
CN113890795B (zh) * 2021-09-09 2023-06-23 广州杰赛科技股份有限公司 大规模mimo信道估计模型的构建方法、装置及介质
CN114245290B (zh) * 2021-11-16 2023-03-17 浙江大学 一种基于ris辅助的协同定位方法及系统
CN114268388B (zh) * 2021-12-22 2023-12-01 南京邮电大学 一种在大规模mimo中基于改进gan网络的信道估计方法
CN114499601B (zh) * 2021-12-23 2023-04-28 西安电子科技大学 一种基于深度学习的大规模mimo信号检测方法
CN114301742B (zh) * 2021-12-23 2024-01-09 北京邮电大学 信道估计方法及装置
CN114389730B (zh) * 2021-12-23 2023-11-21 南京邮电大学 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
CN114282655B (zh) * 2021-12-27 2024-03-05 杭州电子科技大学 基于深度学习的无网格波达方向估计方法
CN114429154B (zh) * 2022-01-07 2024-03-19 西北工业大学 一种多径辅助深度学习的水声阵列定向方法
CN114510966B (zh) * 2022-01-14 2023-04-28 电子科技大学 一种基于图神经网络的端到端大脑因果网络构建方法
CN114584236B (zh) * 2022-02-24 2023-12-15 哈尔滨工程大学 一种基于rigs算法的大规模mimo系统检测模型构建方法
CN114884775A (zh) * 2022-03-31 2022-08-09 南京邮电大学 一种基于深度学习的大规模mimo系统信道估计方法
CN114759997B (zh) * 2022-04-08 2023-06-20 山东大学 一种基于数据模型双驱动的mimo系统信号检测方法
CN115913830A (zh) * 2022-04-21 2023-04-04 东南大学 一种智能反射面辅助的mimo通信系统的信道估计方法
CN115022130B (zh) * 2022-05-16 2024-02-06 海南大学 基于量子力学去噪的毫米波大规模mimo信道估计方法
CN115276856B (zh) * 2022-06-16 2023-09-29 宁波大学 一种基于深度学习的信道选择方法
CN115062668B (zh) * 2022-06-28 2024-06-18 合肥工业大学 基于RAdam优化宽度学习的谐波参数检测方法和系统
CN115118557B (zh) * 2022-06-28 2023-07-25 南华大学 基于深度学习的水声ofdm通信信道反馈方法及系统
CN115395991B (zh) * 2022-07-13 2023-08-25 北京信息科技大学 一种非线性多输入多输出信道估计方法和估计系统
CN115622596B (zh) * 2022-12-12 2023-04-18 深圳大学 一种基于多任务学习的快速波束对齐方法
CN116132239A (zh) * 2023-01-31 2023-05-16 齐鲁工业大学(山东省科学院) 采用预激活残差单元和超分辨网络的ofdm信道估计方法
CN116319378B (zh) * 2023-05-16 2023-07-21 合肥工业大学 基于深度学习的网络流量矩阵估计、模型训练方法和系统
CN117010285B (zh) * 2023-10-07 2024-01-02 山东科技大学 一种基于卷积神经网络的唯相阵列置零方法
CN117914657A (zh) * 2024-03-15 2024-04-19 齐鲁工业大学(山东省科学院) 基于FFDNet的毫米波大规模MIMO系统信道估计方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108390706A (zh) * 2018-01-30 2018-08-10 东南大学 一种基于深度学习的大规模mimo信道状态信息反馈方法
CN108832976A (zh) * 2018-06-14 2018-11-16 南京邮电大学 一种大规模mimo系统的上行链路信道估计方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103297111B (zh) * 2013-06-19 2015-10-28 清华大学 Mimo上行多用户信号检测方法、检测装置及接收系统
US9928212B2 (en) * 2013-11-03 2018-03-27 Brian G. Agee Subspace-constrained partial update method for high-dimensional adaptive processing systems
US10027389B2 (en) * 2015-07-13 2018-07-17 Samsung Electronics Co., Ltd. Hybrid precoding design for multiple input multiple output system with few-bit analog to digital converters
CN107276646B (zh) * 2017-07-03 2020-12-11 东南大学 大规模mimo-ofdm上行链路迭代检测方法
CN110365612B (zh) * 2019-06-17 2020-08-14 浙江大学 一种基于近似消息传递算法的深度学习波束域信道估计方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108390706A (zh) * 2018-01-30 2018-08-10 东南大学 一种基于深度学习的大规模mimo信道状态信息反馈方法
CN108832976A (zh) * 2018-06-14 2018-11-16 南京邮电大学 一种大规模mimo系统的上行链路信道估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Deep Learning-Based Channel Estimation for Beamspace mmWave Massive MIMO Systems;HE, Hengtao 等;《IEEE WIRELESS COMMUNICATIONS LETTERS》;20181031;第7卷(第5期);第852-854页 *

Also Published As

Publication number Publication date
WO2020253690A1 (zh) 2020-12-24
CN110365612A (zh) 2019-10-22

Similar Documents

Publication Publication Date Title
CN110365612B (zh) 一种基于近似消息传递算法的深度学习波束域信道估计方法
Taha et al. Deep reinforcement learning for intelligent reflecting surfaces: Towards standalone operation
CN106059972B (zh) 一种基于机器学习算法的mimo相关信道下的调制识别方法
Rezaie et al. Location-and orientation-aided millimeter wave beam selection using deep learning
CN110336594B (zh) 一种基于共轭梯度下降法的深度学习信号检测方法
KR102154481B1 (ko) 딥러닝을 이용한 대규모 mimo 시스템의 빔포밍 장치 및 방법
CN113300746A (zh) 毫米波mimo天线与混合波束成形优化方法及系统
CN110113088B (zh) 一种分离型数模混合天线系统波达角智能化估计方法
CN114567399B (zh) 一种空中基站的多天线多径信道状态信息建模与反馈方法
CN111366892A (zh) 一种基于神经网络Massive MIMO DOA系统及实现方法
CN115102592B (zh) 一种基于联邦学习的多用户mimo波束成形方法
CN114268388A (zh) 一种在大规模mimo中基于改进gan网络的信道估计方法
CN116192307A (zh) 非高斯噪声下分布式协同的多天线协作频谱智能感知方法、系统、设备及介质
Jiang et al. Modulation recognition method of satellite communication based on CLDNN model
Thuc et al. A metaheuristics-based hyperparameter optimization approach to beamforming design
CN115334524B (zh) 一种基于全向智能超表面的通信和雷达目标检测方法
Fang et al. A lightweight deep learning-based algorithm for array imperfection correction and doa estimation
Milovanovic et al. Application of neural networks in spatial signal processing
CN114598574A (zh) 一种基于深度学习的毫米波信道估计方法
Wu et al. Application of C1DAE-ANIL in end-to-end communication of IRS-assisted UAV system
CN112350791B (zh) 一种基于深度学习的太赫兹信号检测方法
Abbasi et al. OneAI-novel multipurpose deep learning algorithms for UWB wireless networks
CN113242072B (zh) 一种基于卷积神经网络的混合波束形成方法
Rahman et al. Convolutional neural network based optimization approach for wireless resource management
CN112180326B (zh) 一种基于大规模天线阵的分层分布式定位和测速方法

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