CN110661734B - 基于深度神经网络的信道估计方法、设备和可读存储介质 - Google Patents

基于深度神经网络的信道估计方法、设备和可读存储介质 Download PDF

Info

Publication number
CN110661734B
CN110661734B CN201910893971.6A CN201910893971A CN110661734B CN 110661734 B CN110661734 B CN 110661734B CN 201910893971 A CN201910893971 A CN 201910893971A CN 110661734 B CN110661734 B CN 110661734B
Authority
CN
China
Prior art keywords
channel estimation
data
pilot
neural network
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
CN201910893971.6A
Other languages
English (en)
Other versions
CN110661734A (zh
Inventor
张国梅
朱瑞芳
李国兵
吕刚明
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong 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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201910893971.6A priority Critical patent/CN110661734B/zh
Publication of CN110661734A publication Critical patent/CN110661734A/zh
Application granted granted Critical
Publication of CN110661734B publication Critical patent/CN110661734B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04L25/0256—Channel estimation using minimum mean square error criteria
    • 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
    • H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
    • H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
    • H04B7/0842—Weighted combining
    • H04B7/0848—Joint weighting
    • H04B7/0854—Joint weighting using error minimizing algorithms, e.g. minimum mean squared error [MMSE], "cross-correlation" or matrix inversion
    • 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
    • H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
    • H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
    • H04B7/0842—Weighted combining
    • H04B7/0848—Joint weighting
    • H04B7/0857—Joint weighting using maximum ratio combining techniques, e.g. signal-to- interference ratio [SIR], received signal strenght indication [RSS]
    • 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
    • H04L25/0222—Estimation of channel variability, e.g. coherence bandwidth, coherence time, fading frequency
    • 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)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明属于无线通信中信号处理技术领域，公开了一种基于深度神经网络的信道估计方法、设备和可读存储介质，包括通过通信信道中发送的导频序列和接收的量化后的导频信号，得到第一训练标签，并通过深度神经网络训练第一训练标签得到基于导频的信道估计系数，通过基于导频的信道估计系数和接收的量化数据得到发送数据，通过发送数据和接收的量化数据，得到第二训练标签，并通过深度神经网络训练第二训练标签得到基于数据的信道估计系数；将基于导频的信道估计系数和基于数据的信道估计系数求平均得到信道估计系数。通过深度神经网络训练得到基于导频的信道估计系数后，再进行数据的信道估计，得到基于数据的信道估计系数，将二者的平均作为最终的信道估计系数，极大的提高了信道估计精度。

Description

基于深度神经网络的信道估计方法、设备和可读存储介质
技术领域
本发明属于信号处理技术领域，涉及一种基于深度神经网络的信道估计方法、设备和可读存储介质。
背景技术
大规模多输入多输出(MIMO)技术是在基站部署成百上千根天线的大规模天线阵列，在同一时频资源上服务更多的用户，以此来极大提高频谱效率。但是当基站采用128根天线所使用的硬件造价达数百万人民币，极大增加了系统部署成本。另一方面，大量的天线对应大量的射频链路，使得基站接收系统的功耗显著增加。上行链路的接收机功耗包括由模数转换器(ADC)处理单元功耗和基带数字处理单元功耗两个方面，其中，ADC的功耗正比于采样速率和量化间隔；而基带数字处理的数据量又由ADC的采样频率和量化比特数来决定。因此，基站端ADC的指标选取将直接决定大规模MIMO系统总的功率消耗。除此之外，ADC精度越低基带数据处理压力越小，并且单比特ADC无需自动增益控制和线性放大器，能够用简单的比较器实现，价格可大幅度降低。所以，在大规模MIMO系统中采用单比特ADC将会在很大程度上降低成本和能耗，符合当前绿色通信的要求。然而，使用低精度ADC对基站端射频输出的I路和Q路进行采样量化时，会造成接收信号中幅度信息和相位信息的丢失，从而导致上行信道估计和数据检测性能的严重损失。尤其在TDD系统中，上行信道估计精度的大幅度下降，不仅会影响上行数据检测的性能，还会严重影响基于信道状态信息的下行传输策略的实施，从而极大降低下行传输链路的可靠性。因此，上行信道估计一直是低精度量化大规模MIMO系统研究的热点。
目前，针对单比特量化大规模MIMO系统的上行信道估计，基本可划分为两类：基于导频序列的信道估计及导频和数据联合的信道估计。在导频信道估计方面，已有算法包括最小二乘估计(LS)，最大似然估计(ML)和线性最小均方误差估计(LMMSE)等。其中采用LMMSE的文献引入Bussgang分解方法将原非线性单比特量化过程等效为一个线性过程，再采用LMMSE算法解决该线性估计问题。该方法简化了信道估计问题，也获得了更高的信道估计精度，但将非线性过程等效为线性过程时拟合误差过大，量化噪声的影响不能得到有效降低。因此，信道估计的均方误差(MSE)存在着一个较高的下界，即：当信噪比趋于无穷大时，信道估计MSE将趋近于-4.40dB(即0.363)。还有一部分学者利用神经网络来估计信道，但是其训练标签是通过统计模型仿真得到的信道矩阵，但在实际系统中无法获得真实的信道参数，也就无法采用该方法对网络进行线下训练，所以在实际系统中难以运用。众所周知，增加导频序列的长度可以在一定程度上改善估计性能，但同时会导致系统传输效率的下降。为了缓解这个矛盾，另一类文献介绍了一种利用导频序列和检测后数据联合进行信道估计的算法。该算法在不增加导频序列长度的情况下提高了信道估计性能。然而，从已有研究工作的分析和实验结果来看，上述信道估计方案的估计精度均不理想，大部分估计算法在任意SNR取值下的MSE都在0.1以上。
由此可见，现有的信道估计算法并不能获得较高的估计精度，估计性能还存在较大的提升空间。
发明内容
本发明的目的在于克服上述现有技术中信道估计方案的估计精度较低的缺点，提供一种基于深度神经网络的信道估计方法、设备和可读存储介质。
为达到上述目的，本发明采用以下技术方案予以实现：
本发明一方面，一种基于深度神经网络的信道估计方法，包括以下步骤：
S1：根据通信信道中发送的导频序列和接收的量化后的导频信号，通过Bussgang分解方法得到第一训练标签，并通过深度神经网络训练第一训练标签至第一训练标签与基于导频的信道估计系数的均方误差稳定，得到基于导频的信道估计系数；
S2：通过基于导频的信道估计系数和接收的量化数据估计发送数据，得到估计的发送数据并作为发送数据；
S3：根据发送数据和接收的量化数据，通过Bussgang分解方法得到第二训练标签，并通过深度神经网络训练第二训练标签至第二训练标签与基于数据的信道估计系数的均方误差稳定，得到基于数据的信道估计系数；
S4：将基于导频的信道估计系数和基于数据的信道估计系数求平均得到信道估计系数。
本发明基于深度神经网络的信道估计方法进一步的改进在于：
所述S1的具体方法为：
将通信信道中一个相干时隙内发送的导频序列和接收的量化后的导频信号均进行不重叠分段，得到若干段对应的发送的导频序列和接收的量化后的导频信号，根据若干段对应的发送的导频序列和接收的量化后的导频信号，通过Bussgang分解方法得到若干个第一训练标签，通过深度神经网络训练若干个第一训练标签至若干个第一训练标签与基于导频的信道估计系数的均方误差稳定，得到若干个初始基于导频的信道估计系数，将若干个初始基于导频的信道估计系数求平均得到基于导频的信道估计系数。
所述S1的具体方法为：
将通信信道中一个相干时隙内发送的导频序列和接收的量化后的导频信号均进行滑动窗分段，得到若干段对应的发送的导频序列和接收的量化后的导频信号，根据若干段对应的发送的导频序列和接收的量化后的导频信号，通过Bussgang分解方法得到若干个第一训练标签，通过深度神经网络训练若干个第一训练标签至若干个第一训练标签与基于导频的信道估计系数的均方误差稳定，得到若干个初始基于导频的信道估计系数，将若干个初始基于导频的信道估计系数求平均得到基于导频的信道估计系数。
所述第一训练标签与基于导频的信道估计系数的均方误差稳定表示第一训练标签与基于导频的信道估计系数的均方误差小于0.01、深度神经网络迭代5次第二训练标签与基于导频的信道估计系数的均方误差不改变或深度神经网络迭代次数到达2000次。
所述S2的具体方法为：
通过基于导频的信道估计系数对接收的量化数据进行迫零检测，得到估计的发送数据，并将估计的发送数据作为发送数据。
所述S3的具体方法为：
通过将发送数据和接收的量化数据均进行不重叠分段，得到若干段对应的发送数据和接收的量化数据，根据若干段对应的发送数据和接收的量化数据，通过Bussgang分解方法得到若干个第二训练标签，通过深度神经网络训练若干个第二训练标签至第二训练标签与基于数据的信道估计系数的均方误差稳定，得到若干个初始基于数据的信道估计系数，将若干个初始基于数据的信道估计系数求平均得到基于数据的信道估计系数。
所述S3的具体方法为：
通过将发送数据和接收的量化数据均进行滑动窗分段，得到若干段对应的发送数据和接收的量化数据，根据若干段对应的发送数据和接收的量化数据，通过Bussgang分解方法得到若干个第二训练标签，通过深度神经网络训练若干个第二训练标签至第二训练标签与基于数据的信道估计系数的均方误差稳定，得到若干个初始基于数据的信道估计系数，将若干个初始基于数据的信道估计系数求平均得到基于数据的信道估计系数。
所述第二训练标签与基于数据的信道估计系数的均方误差稳定表示第二训练标签与基于数据的信道估计系数的均方误差小于0.01、深度神经网络迭代5次第二训练标签与基于数据的信道估计系数的均方误差不改变或深度神经网络迭代次数到达2000次。
本发明另一方面，一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述基于深度神经网络的信道估计方法的步骤。
本发明又一方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于深度神经网络的信道估计方法的步骤。
与现有技术相比，本发明具有以下有益效果：
通过根据通信信道中发送的导频序列和接收的量化后的导频信号，由Bussgang分解方法得到第一训练标签并通过深度神经网络训练得到基于导频的信道估计系数，利用基于导频的信道估计系数由接收的量化数据估计发送数据，得到估计的发送数据并作为发送数据，然后根据发送数据和接收的量化数据，通过Bussgang分解方法得到第二训练标签并通过深度神经网络训练得到基于数据的信道估计系数，将基于导频的信道估计系数和基于数据的信道估计系数求平均得到信道估计系数。首先，根据导频段和数据段的特点设计了一个合理的训练标签，从而实现神经网络能够估计信道系数，这与现有的通过仿真的信道系数作为训练标签相比，本发明设计的训练标签提高了神经网络在实际应用中的实用性。其次，在估计信道时引入了数据辅助，提高了信道估计，与只通过增加导频来提高估计性能的方法相比，该思想能够在不影响系统频谱效率的情况下提高信道估计精度。
进一步的，将导频序列和接收的量化后的导频信号均进行不重叠分段，利用多段进行多次训练得到多个估计系数，并采用多个估计系数的平均值作为最终的估计系数，进一步提升估计精度。
进一步的，由于在每一帧内发送的导频符号数是固定，而且导频阶段估计的信道系数对数据的检测影响较大，引入了用滑动窗分段的思想，从而在导频数固定时，增加分段数，进而提高信道估计精度。
附图说明
图1为本发明的方法流程图；
图2为本发明的单小区的1比特大规模MIMO上行链路系统模型图；
图3为本发明的神经网络结构图；
图4为本发明的不重叠分段方式示意图；
图5为本发明的滑窗分段方式示意图；
图6为本发明的实施例中在瑞利块衰落信道模型下不同方案中的信道估计的均方误差随信噪比变化示意图；
图7为本发明的实施例中在Ray-based信道模型下不同方案中的信道估计的均方误差随信噪比变化示意图；
图8为本发明的实施例中在不同分段方式中的信道估计的均方误差随信噪比变化示意图；
图9为本发明的实施例中所提方案下每段导频长度对实现信道估计的均方误差变化示意图；
图10为本发明的实施例中所提方案下不同分段数对实现信道估计的均方误差变化示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先解释一下本发明中设计的技术术语：
不重叠分段：将导频或数据划分为不重叠的小段。
滑动窗分段：根据滑动窗口的大小和每次移动步长的大小依次将窗口内的符号划分成一段。当移动步长等于窗口长度时，该分段方式与不重叠分段方式效果一样。
下面结合附图对本发明做进一步详细描述：
参见图1和2，本发明基于深度神经网络的信道估计方法，基于单比特大规模MIMO系统，包括以下步骤。
首先，本发明基于单小区的单比特大规模MIMO系统模型，假设在该模型中的信道是块衰落，并对上行链路中一个相干时隙内接收的信号进行1比特量化，在一个相干时隙内根据发送的导频序列和接收的量化后的导频信号，推导出用神经网络实现估计的第一训练标签，并且为了获得高精度估计，对发送和接受的导频信号进行不重叠分段，每段均利用深度神经网络实现估计，得到若干基于导频的信道估计系数，并对估计结果求平均得到最初的信道估计系数。
然后，为了提高估计精度，引入数据辅助信道估计，即通过导频估计的最初的信道估计系数用迫零(ZF)接收机对发送的数据进行估计；然后再利用与导频估计相同的方法，根据估计的发送数据和接收的量化数据推导出用神经网络实现估计的第二训练标签。同时，为了实现高精度估计，对发送数据和接收的量化数据也进行不重叠分段，每段均通过用深度神经网络估计信道系数，得到若干基于数据的信道估计系数，并对所有基于导频的信道估计系数和基于数据的信道估计系数整体求平均得到最终的信道估计系数。
其中，为了不影响频谱利用率并增加分段数，可以采用滑动窗的方式来代替不重叠分段方式，从而可以获得更多的分段数以提高信道估计精度。
再次参见图1，单小区上行单比特量化大规模MIMO系统，假设基站配M根天线，基站同时服务K(K＜＜M)个单天线用户。假设信道为块衰落，并根据Ray-based信道模型建模，基站在y-z平面上部署UPA天线，垂直方向天线数目为Nv，天线间距为d1，水平方向上天线数目为Nt，天线间距为d2，信道包含Lu条散射路径。为了简化，不考虑阵列天线的机械下倾角，φ表示阵列天线的水平入射角，θ表示阵列天线的垂直入射角，σ表示阵列天线的水平角度扩展的标准差，ξ表示阵列天线的垂直角度扩展的标准差，对于每条散射路径，随机复增益g可以表示为
Figure BDA0002209649490000091
α为幅值，
Figure BDA0002209649490000092
为相位，则第k个用户到基站的Ray-based信道矢量可以表示为：
Figure BDA0002209649490000093
其中：
Figure BDA0002209649490000094
表示垂直方向阵列响应，
Figure BDA0002209649490000095
表示水平方向阵列响应，其中：
Figure BDA0002209649490000096
Figure BDA0002209649490000097
其中：λ表示载波波长，Δθk,l表示第k个用户的第l条路径的垂直角度扩展，服从正态分布Δθk,l～N(0,σ)，不同天线阵元的Δθk,l相互独立，
Figure BDA0002209649490000098
表示第k个用户的第l条路径的水平角度扩展，
Figure BDA0002209649490000099
不同天线阵元的
Figure BDA00022096494900000910
相互独立。
因此，K个用户到基站的信道矩阵为H＝[h1,h2,...,hK]∈CM×K。在上行传输阶段，每个用户在一帧内发送L＝Lp+Ld个符号，其中，Lp为导频符号数，Ld为数据符号数，在基站端接收的帧信号Y∈CM×L为：
Y＝HX+W (2)
其中，X＝(Xp,Xd)∈CK×L为从K个用户发送的信号矩阵，
Figure BDA0002209649490000101
和
Figure BDA0002209649490000102
分别为导频和数据矩阵，Xp为哈达玛矩阵，满足
Figure BDA0002209649490000103
W为加性高斯白噪声，其每个元素均值为0，方差为1，相应的，这个接收的帧信号能够分成两部分，如Y＝[Yp,Yd]，其中Yp＝HXp+Wp，Yd＝HXd+Wd。
经过单比特量化之后，信号Y转变为信号R∈CM×L：
R＝Q(Y)＝Q(HX+W) (3)
其中，Q(·)为单比特量化操作，即
Figure BDA0002209649490000104
相应的接收的量化信号矩阵也包含两部分R＝(Rp,Rd)。
本发明基于深度神经网络的信道估计方法的估计过程分为两个阶段：基于导频的估计阶段和基于数据的估计阶段。
第一阶段：基于导频的信道估计。该阶段用发送的导频序列和接收的量化后的导频信号来估计最初的信道估计系数。
为了计算方便，我们将矩阵Yp转换成为向量
Figure BDA0002209649490000105
yp＝vec(Yp)＝Xph+wp (4)
其中，
Figure BDA0002209649490000106
并且
Figure BDA0002209649490000107
h＝vec(H)∈CMK×1，
Figure BDA0002209649490000108
yp经过量化得到rp，在这里我们采用Bussgang分解方法将非线性量化函数等效为线性过程，即：
Figure BDA0002209649490000109
其中，
Figure BDA0002209649490000111
为Bussgang线性算子，qp为量化噪声，且qp与yp不相关。
因为E[Xp]＝0、E[Wp]＝0，所以能够得到E[yp]＝0，当阈值为0时，得到E[rp]＝0，并且进一步可推导得到：
Figure BDA0002209649490000112
式(6)表明
Figure BDA0002209649490000113
的均值为真实信道矢量与常数的乘积。若各段导频数据经历的信道衰落相同(在块衰落或慢衰落信道模型，此条件可近似满足)，则可通过对多段
Figure BDA0002209649490000114
进行平均近似估计真实的信道矢量。受此表达式启发，将接收到导频数据分成M1段，每段导频符号数为lp，然后通过全连接深度神经网络利用每段导频数据对信道进行估计。网络标签数据分别设置为
Figure BDA0002209649490000115
其中，
Figure BDA0002209649490000116
对应发送的第i(i＝1…M1)段导频序列，
Figure BDA0002209649490000117
为与发送的第i(i＝1…M1)段导频序列对应的量化后接收信号，AP与发送的导频序列有关，但是对各段导频来说
Figure BDA0002209649490000118
为固定值，因此Ap对所有导频段来说恒定不变。
基于以上分析，可用全连接深度神经网络估计信道，其结构参见图3，该结构包含输入层、第一隐含层、第二隐含层和输出层，其节点数分别为M1，2M1，M，2M2(M1＝2Klp，M2＝2MK)。第一隐含层和第二隐含层的激活函数为ReLU激活函数，由于网络执行的是回归任务来估计信道，所以输出层的激活函数为线性函数，并且深度神经网络的损失函数定义为：
Figure BDA0002209649490000121
该网络通过使zp,i与
Figure BDA0002209649490000122
的均方误差最小来训练该网络，一般训练到损失函数随着迭代次数稳定就可以停止。这个一般有三个条件共同决定：第一，训练时估计精度达到0.01；第二，估计精度不在下降的连续迭代次数超过5次；第三，训练时的迭代次数2000次；上述约束条件满足其一就会停止训练。然后，估计的最初的信道估计系数为：
Figure BDA0002209649490000123
第二阶段：基于数据的信道估计。
由式(8)可知，多段求平均可降低随机扰动的影响，若段数增加则可能会进一步提高估计精度，为了在不增加导频长度的情况下增大取平均的段数，将检测后的少数数据符号
Figure BDA0002209649490000124
当作另一部分导频，同样执行以上信道估计过程，其中L'd＜Ld，用
Figure BDA0002209649490000125
来更新初始信道估计h(0)，然而对于基站发送的数据X'd是未知的，因此先利用最初的信道估计系数h0＝vec(H0)对后续接收数据进行迫零(ZF)检测，得到：
X'd＝((H(0))HH(0))-1(H(0))HR'd (9)
然后，将X'd当作真实发送的数据(忽略检测错误影响)，执行与导频段相似的处理，将Yd'进行列化：
y'd＝vec(Y′d)＝Xdh+w'd (10)
其中，
Figure BDA0002209649490000126
经过单比特量化，得到
Figure BDA0002209649490000127
为：
r′d＝Q(y'd)＝Ady'd+q (11)
其中，
Figure BDA0002209649490000128
q为与y'd不相关的量化噪声。
同理，进一步推导出：
E[(X'd HX'd)-1X'd HAd -1r′d]＝E[(X'd HX'd)-1X'd Hy'd]+E[(X'd HX'd)-1X'd HAd -1]·E[q](12)
其中：
Figure BDA0002209649490000131
当发送数据采用相位调制并且忽略检测误差时，矩阵Ad的值固定，而且值的大小取决于数据符号的长度，所以：
E[q]＝E[r′d]-AdE[y'd]＝0-Ad·0＝0 (14)
因此，式(12)最终优化为：
E[(X'd HX'd)-1X'd HAd -1r′d]＝h (15)
为了通过式(15)来估计信道，将发送数据X'd和接收数据R'd分为N2段，分别为
Figure BDA0002209649490000133
和
Figure BDA0002209649490000132
然后用一个与初始阶段所用全连接网络结构相似的深度神经网络来估计信道系数，其输入层节点数为2Kl'd，第一隐含层的节点数为4Kl'd，网络的输入为X'd,i，输出为zd,i，第二训练标签为(X'd,i HX'd,i)-1X'd,i HAd -1r'd,i(i＝1…N2)，该深度神经网络的损失函数定义为：
J＝min E[||zd，i-(X′d，i H X′d，i)-1X′d，i HAd -1r′d，i||2] (16)
一般训练到损失函数随着迭代次数稳定就可以停止。这个一般有三个条件共同决定：第一，训练时估计精度达到0.01；第二，估计精度不在下降的连续迭代次数超过5次；第三，训练时的迭代次数2000次；上述约束条件满足其一就会停止训练。
最后，对所有导频段和数据段所对应的网络输出即基于导频的信道估计系数和基于数据的信道估计系数进行平均，得到最终的信道估计系数h：
Figure BDA0002209649490000141
其中，
Figure BDA0002209649490000142
zj为它的第j列，zp和zd分别为基于导频的信道估计系数和基于数据的信道估计系数。
特别的，上述估计方法的基本思想是多段取平均，参见图4，所需要的导频长度会成倍增加，从而严重减小系统的传输效率。因为在一个时隙间隔内发送的符号数是固定的，为了增加分段数，本发明进一步采用参见图5所示的滑动窗式分段方法。窗口长度、滑动步长和分段数分别为lΔ,s,N，则所需的符号数Lnum为：
Lnum＝lΔ+s×(N-1) (18)
为了满足每段内导频的正交性，窗口长度lΔ需为用户数的整数倍。特别的，当s＝1,N＞＞1时，Lnum＝lΔ+N-1相比于lΔ×N要远小的多，因此对于导频符号数时，所划分的段数更多；因为在一个时隙内发送的符号数受限，所以对数据段采用该种方式划分也可以得到更多的段数，与导频分段不同的是，采用滑动窗对数据段分段时，窗口长度不受限制。
实施例
下面结合附图和实施例对本发明作进一步详细说明。
考虑一个单比特量化的单小区大规模MIMO场景，在该场景中，采用本发明基于深度神经网络的信道估计方法实现上行链路的信道估计，详细的仿真参数见表1。
表1仿真参数表
Figure BDA0002209649490000151
对比方案
对比方案一：采用最小二乘法(LS)估计信道，该方案中对基站接收的信号不作任何的预处理直接采用LS估计信道。
对比方案二：采用线性最小均方误差估计方法(LMMSE)估计信道，在该方案中首先对基站接收的信号进行预处理，即采用Bussgang分解方法，将非线性量化过程等效为线性过程，然后再采用LMMSE实现信道估计。
参见图6和7，绘制了四种不同方案随着信噪比变化的估计性能仿真图。本节对两种信道模型进行了仿真：一种是瑞利块衰落信道模型；另一个为式(1)给出的空间相关信道模型，可以看出，所提方法在所有信噪比下均优于其他估计方法。在图6中瑞利块衰落信道模型下，相比于其他算法，所提算法在信噪比为-8dB时的获得了至少8dB的显著增益。同样在图7中能够看出在相关信道模型下，当SNR为-8dB时，所提方案在估计性能上至少获得了6dB的增益。从图4中可以看出，在低信噪比下，MSE随着信噪比的增加而迅速减小，但在达到最小值后，MSE随着信噪比的增加而迅速增大。随着噪声功率的减小，量化噪声对估计精度的影响越来越显著。所有的估计算法都有抑制高斯白噪声的倾向，对量化噪声的抑制效果不明显。在抑制高斯白噪声时，甚至会增大量化噪声的影响。因此，当量化噪声占主导地位时，估计精度会下降。最后得到一个稳定的值，该方案可以收敛到一个较低的MSE。当数据辅助信道估计时，随着样本数量的增加，信道估计的精度有了显著提高。并且，本方法在两种信道模型下都优于其他方案，因此本方法具有很好的普适性。
图8显示了基于滑动窗的分段方式在使用更少符号的同时，保持了相同估计精度，对于导频和数据，我们假设窗口的长度分别为8和20，步长为1，如果段数设为20，则所需导频数为27，数据符号为39。然而，对于非重叠段，这两个数字分别达到160和400。此外，与非重叠段相比，采用相同段数的滑动窗方法可以获得相同的性能。结果表明，在不降低频谱效率的前提下，我们的设计对提高信道估计精度具有重要意义。
参见图9，为在信道相关模型下k＝4,M＝64,SNR＝0dB时，导频段内符号长度对信道估计的MSE的影响，这里,导频段和数据段的长度固定在20，从图9可以看出，通过增加每个段的导频符号，估计性能几乎没有变化,因此段内符号长度对性能影响不大。
参见图10，为在信道相关模型下k＝4,M＝64,SNR＝0dB时，分段数对信道估计的MSE的影响。这里导频分段数等于数据分段数，并且每段导频符号数和数据符号数分别为8，20；从图10可知增加分段的数目可以缓慢地提高估计性能，这意味着估计精度对分段的数目更为敏感，即证明通过滑动窗口来增加分段的数量的想法是有效的。
本发明基于深度神经网络的信道估计方法可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明基于深度神经网络的信道估计方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。其中，所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
在示例性实施例中，还提供计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述基于深度神经网络的信道估计方法的步骤。处理器可能是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor、DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
本发明基于深度神经网络的信道估计方法，能够有效的提高系统的信道估计精度。首先，根据导频段的正交性设计了第一训练标签，从而实现通过深度神经网络能够得到基于导频的信道估计系数。其次，本发明引入了数据辅助信道估计，并且设计通过深度神经网络得到基于数据的信道估计系数的第二训练标签，并且为了不影响系统的频谱利用率并且获得更多的分段数，又引入了滑动窗分段的方式，最后通过仿真验证了本发明基于深度神经网络的信道估计方法，极大地提升了信道估计精度，相比于单比特量化系统中现有的信道估计方案，其信道估计精度提升明显。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.一种基于深度神经网络的信道估计方法，其特征在于，包括以下步骤：
S1：根据通信信道中发送的导频序列和接收的量化后的导频信号，通过Bussgang分解方法得到第一训练标签，并通过深度神经网络训练第一训练标签至第一训练标签与基于导频的信道估计系数的均方误差稳定，得到基于导频的信道估计系数；
S2：通过基于导频的信道估计系数和接收的量化数据估计发送数据，得到估计的发送数据并作为发送数据；
S3：根据发送数据和接收的量化数据，通过Bussgang分解方法得到第二训练标签，并通过深度神经网络训练第二训练标签至第二训练标签与基于数据的信道估计系数的均方误差稳定，得到基于数据的信道估计系数；
S4：将基于导频的信道估计系数和基于数据的信道估计系数求平均得到信道估计系数。
2.根据权利要求1所述的基于深度神经网络的信道估计方法，其特征在于，所述S1的具体方法为：
将通信信道中一个相干时隙内发送的导频序列和接收的量化后的导频信号均进行不重叠分段，得到若干段对应的发送的导频序列和接收的量化后的导频信号，根据若干段对应的发送的导频序列和接收的量化后的导频信号，通过Bussgang分解方法得到若干个第一训练标签，通过深度神经网络训练若干个第一训练标签至若干个第一训练标签与基于导频的信道估计系数的均方误差稳定，得到若干个初始基于导频的信道估计系数，将若干个初始基于导频的信道估计系数求平均得到基于导频的信道估计系数。
3.根据权利要求1所述的基于深度神经网络的信道估计方法，其特征在于，所述S1的具体方法为：
将通信信道中一个相干时隙内发送的导频序列和接收的量化后的导频信号均进行滑动窗分段，得到若干段对应的发送的导频序列和接收的量化后的导频信号，根据若干段对应的发送的导频序列和接收的量化后的导频信号，通过Bussgang分解方法得到若干个第一训练标签，通过深度神经网络训练若干个第一训练标签至若干个第一训练标签与基于导频的信道估计系数的均方误差稳定，得到若干个初始基于导频的信道估计系数，将若干个初始基于导频的信道估计系数求平均得到基于导频的信道估计系数。
4.根据权利要求1、2或3所述的基于深度神经网络的信道估计方法，其特征在于，所述第一训练标签与基于导频的信道估计系数的均方误差稳定表示的含义为：第一训练标签与基于导频的信道估计系数的均方误差达到0.01，或者该均方误差在深度神经网络连续迭代5次时不再下降，或者深度神经网络总的迭代次数到达2000次。
5.根据权利要求1所述的基于深度神经网络的信道估计方法，其特征在于，所述S2的具体方法为：
通过基于导频的信道估计系数对接收的量化数据进行迫零检测，得到估计的发送数据，并将估计的发送数据作为发送数据。
6.根据权利要求1所述的基于深度神经网络的信道估计方法，其特征在于，所述S3的具体方法为：
通过将发送数据和接收的量化数据均进行不重叠分段，得到若干段对应的发送数据和接收的量化数据，根据若干段对应的发送数据和接收的量化数据，通过Bussgang分解方法得到若干个第二训练标签，通过深度神经网络训练若干个第二训练标签至第二训练标签与基于数据的信道估计系数的均方误差稳定，得到若干个初始基于数据的信道估计系数，将若干个初始基于数据的信道估计系数求平均得到基于数据的信道估计系数。
7.根据权利要求1所述的基于深度神经网络的信道估计方法，其特征在于，所述S3的具体方法为：
通过将发送数据和接收的量化数据均进行滑动窗分段，得到若干段对应的发送数据和接收的量化数据，根据若干段对应的发送数据和接收的量化数据，通过Bussgang分解方法得到若干个第二训练标签，通过深度神经网络训练若干个第二训练标签至第二训练标签与基于数据的信道估计系数的均方误差稳定，得到若干个初始基于数据的信道估计系数，将若干个初始基于数据的信道估计系数求平均得到基于数据的信道估计系数。
8.根据权利要求1、6或7所述的基于深度神经网络的信道估计方法，其特征在于，所述第二训练标签与基于数据的信道估计系数的均方误差稳定表示的含义为：第二训练标签与基于数据的信道估计系数的均方误差达到0.01，或者该均方误差在深度神经网络连续迭代5次时不再下降，或者深度神经网络总的迭代次数到达2000次。
9.一种计算机设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述方法的步骤。
CN201910893971.6A 2019-09-20 2019-09-20 基于深度神经网络的信道估计方法、设备和可读存储介质 Active CN110661734B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910893971.6A CN110661734B (zh) 2019-09-20 2019-09-20 基于深度神经网络的信道估计方法、设备和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910893971.6A CN110661734B (zh) 2019-09-20 2019-09-20 基于深度神经网络的信道估计方法、设备和可读存储介质

Publications (2)

Publication Number Publication Date
CN110661734A CN110661734A (zh) 2020-01-07
CN110661734B true CN110661734B (zh) 2020-07-28

Family

ID=69037453

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910893971.6A Active CN110661734B (zh) 2019-09-20 2019-09-20 基于深度神经网络的信道估计方法、设备和可读存储介质

Country Status (1)

Country Link
CN (1) CN110661734B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112104579B (zh) * 2020-08-25 2021-11-19 西安交通大学 基于模型约束的信道估计方法、系统、设备及存储介质
CN112634927B (zh) * 2020-12-03 2022-07-29 电子科技大学 一种短波信道语音增强方法
CN116458103A (zh) * 2020-12-31 2023-07-18 华为技术有限公司 一种神经网络的训练方法以及相关装置
CN112865841B (zh) * 2021-01-18 2022-04-19 重庆邮电大学 基于残差dnn的1-比特大规模mimo信道估计方法
CN115514462A (zh) * 2021-06-22 2022-12-23 华为技术有限公司 信息传输的方法和装置
CN117879737A (zh) * 2022-09-30 2024-04-12 维沃移动通信有限公司 信道预测方法、装置及通信设备
CN115694767B (zh) * 2022-10-27 2023-07-14 南通大学 一种基于Transformer的联合导频设计、反馈和信道估计方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2883336B1 (en) * 2012-08-08 2016-07-27 ST-Ericsson SA Successive interference cancellation stacked branch vamos receivers
CN109067688A (zh) * 2018-07-09 2018-12-21 东南大学 一种数据模型双驱动的ofdm接收方法
CN109921882A (zh) * 2019-02-20 2019-06-21 深圳市宝链人工智能科技有限公司 一种基于深度学习的mimo解码方法、装置及存储介质
CN110099017A (zh) * 2019-05-22 2019-08-06 东南大学 基于深度神经网络的混合量化系统的信道估计方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
MX359006B (es) * 2013-11-26 2018-09-12 Plusn Llc Sistema y método para agregación de portadoras de radiofrecuencia.
CN107743103B (zh) * 2017-10-26 2020-02-14 北京交通大学 基于深度学习的mmtc系统的多节点接入检测和信道估计方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2883336B1 (en) * 2012-08-08 2016-07-27 ST-Ericsson SA Successive interference cancellation stacked branch vamos receivers
CN109067688A (zh) * 2018-07-09 2018-12-21 东南大学 一种数据模型双驱动的ofdm接收方法
CN109921882A (zh) * 2019-02-20 2019-06-21 深圳市宝链人工智能科技有限公司 一种基于深度学习的mimo解码方法、装置及存储介质
CN110099017A (zh) * 2019-05-22 2019-08-06 东南大学 基于深度神经网络的混合量化系统的信道估计方法

Also Published As

Publication number Publication date
CN110661734A (zh) 2020-01-07

Similar Documents

Publication Publication Date Title
CN110661734B (zh) 基于深度神经网络的信道估计方法、设备和可读存储介质
Wang et al. Pilot-assisted channel estimation and signal detection in uplink multi-user MIMO systems with deep learning
CN106716866B (zh) 乒乓波束成形
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
Ge et al. Improving approximate expectation propagation massive MIMO detector with deep learning
Kumar et al. Continual learning-based channel estimation for 5g millimeter-wave systems
Rahman et al. Deep learning based pilot assisted channel estimation for Rician fading massive MIMO uplink communication system
Nooralizadeh et al. A novel shifted type of SLS estimator for estimation of Rician flat fading MIMO channels
Zhu et al. A segment-average based channel estimation scheme for one-bit massive MIMO systems with deep neural network
Mollen et al. Performance of linear receivers for wideband massive MIMO with one-bit ADCs
CN105812032A (zh) 基于波束块结构压缩感知的信道估计方法
Steinwandt et al. Widely linear adaptive beamforming algorithm based on the conjugate gradient method
CN107733487B (zh) 一种大规模多输入多输出系统的信号检测方法及装置
Jain et al. PCI-MF: Partial canonical identity and matrix factorization framework for channel estimation in mmWave massive MIMO systems
Sarkar et al. A sparse based adaptive channel estimator for wireless channel
Althahab et al. A comprehensive review on various estimation techniques for multi input multi output channel
Duangsuwan et al. High Performance Detection Using Three Different weight
Ravindran et al. Direction of arrival and channel estimation using machine learning for multiple input multiple output system
Liu et al. Deep unfolding-based detection for quantized massive MU-MIMO-OFDM systems
Seidel et al. A novel approach for combining local estimates for fully decentralized feedforward massive MIMO equalization: The multistep fusion
KR101955102B1 (ko) 다중 안테나 통신 시스템에서 코드북 기반 수신 신호 입사 각도 추정 방법 및 그 장치
CN111970216A (zh) 一种基于vamp算法的mimo-ofdm系统稀疏信道估计的设计方法
Hassan et al. Polynomial matrix decompositions and semi‐blind channel estimation for MIMO frequency‐selective channels
Monga et al. Learning aided intelligent mechanism for channel estimation in 5G wireless networks
Someya et al. SAGE algorithm for channel estimation and data detection with tracking the channel variation in MIMO system

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