CN110855585A - 一种毫米波大规模mimo系统的信道估计方法 - Google Patents

Abstract

本发明提供了一种毫米波大规模MIMO系统的信道估计方法。该方法包括：MIMO系统中的用户端通过上行信道向基站发送导频信号，基站将接收到的导频信号建模为带噪信道矩阵；将带噪信道矩阵输入到噪声水平估计子网，输出噪声水平图；将带噪信道矩阵和所述噪声水平图输入到非盲去噪子网，输出噪声估计矩阵：利用连续非线性联合损失函数修正非盲去噪子网中的卷积神经网络参数，修正后的非盲去噪子网通过残差学习得到修正后的噪声估计矩阵；将带噪信道矩阵与修正后的噪声估计矩阵相减得到基站与用户端之间的信道估计矩阵。本发明将非对称损耗引入噪声估计子网，对噪声水平的低估误差施加更高的损失，所提出的基于CBDNet的信道估计在NMSE性能和收敛速度方面有更好的表现。

Description

一种毫米波大规模MIMO系统的信道估计方法

技术领域

本发明涉及信道估计技术领域，尤其涉及一种毫米波大规模MIMO系统 的信道估计方法。

背景技术

为了满足第五代(5G)网络的高吞吐量预期，毫米波(mmWave)多输 入多输出(MIMO，Multiple-Input Multiple-Output)系统已成为关键的物理层 技术之一。由于毫米波频率的波长远小于微波的波长，因此，基站(Bs)和 用户设备(UE)都可以配备大规模天线阵列以获得更高的光谱效率 (SE)。在信号处理技术中，信道估计是实现毫米波大规模MIMO系统不可 或缺的一步。在发射器和接收器处获取显式信道状态信息(CSI，ChannelStateInformation)极其重要，对于毫米波带宽和大型天线阵列实现可 以带来巨大增益。

然而，传统信道估计方案的实现，例如最小均方误差(MMSE， minimum meansquareerror estimation)估计器，需要很长的导频序列和大规模 的信道参数，这对于实际的毫米波大规模MIMO系统是不可行的。在毫米波 大规模MIMO系统中具有非常复杂的信道特征，由于缺乏散射，信道在时域 和角度域通常都是稀疏的。在此背景下，已经引入了很多的基于压缩感知 (CS，Compressed sensing)的信道估计方案以充分利用毫米波大规模MIMO 信道的固有稀疏性。例如，有人提出了基于广义近似消息传递(GAMP， GeneralizeApproximate Message Passing,GAMP)的信道估计，特别是对于低 信噪比和有限观测。通过利用毫米波信道的稀疏特性，提出了一种去角度网 格稀疏贝叶斯学习算法用于信道估计，具有较高的估计精度。然而，现有技 术的CS算法具有潜在的局限性，例如由于非线性优化而具有高计算复杂度。 此外，由于毫米波信道稀疏模式通常是未知的，因此通过CS技术实现准确的 信道估计是不够有效和可靠的。

最近，基于深度学习的框架已成功地结合到毫米波大规模MIMO系统的 信道估计中。深度学习是处理复杂非线性信道重构问题的有效工具。可以将 毫米波信道矩阵视为二维图像，并利用基于学习的去噪近似消息传递 (LDAMP)网络来恢复信道。通过利用空间和频率相关性，有些方法已经采 用基于空间频率卷积神经网络(SF-CNN)的毫米波大规模MIMO系统的信 道估计来实现更好的性能。此外，提出了深度神经网络(DNN)来实现超分 辨率信道估计。然而，这些基于DL的信道估计方法限于小范围的噪声水平， 这限制了这些方案的实用性和适用性。

发明内容

本发明的实施例提供了一种毫米波大规模MIMO系统的信道估计方法， 以克服现有技术的问题。

为了实现上述目的，本发明采取了如下技术方案。

一种毫米波大规模MIMO系统的信道估计方法，包括：

毫米波大规模MIMO系统中的用户端通过上行信道向基站发送导频信 号，基站将接收到的导频信号建模为带噪信道矩阵；

将所述带噪信道矩阵输入到噪声水平估计子网，所述噪声水平估计子网利 用混合神经网络输出噪声水平图；

将所述带噪信道矩阵和所述噪声水平图输入到非盲去噪子网，所述非盲 去噪子网利用卷积神经网络输出噪声估计矩阵：

利用连续非线性联合损失函数修正所述非盲去噪子网中的卷积神经网络 参数，修正后的非盲去噪子网利用所述带噪信道矩阵、噪声水平图和噪声估 计矩阵通过残差学习得到修正后的噪声估计矩阵；

将所述带噪信道矩阵与所述修正后的噪声估计矩阵相减得到所述基站与 所述用户端之间的信道估计矩阵。

优选地，所述的毫米波大规模MIMO系统中的用户端通过上行信道向基 站发送导频信号，基站将接收到的导频信号建模为带噪信道矩阵，包括：

MIMO系统中的用户端通过上行信道向基站发送导频信号s，基站对接收 到的导频信号s采用深度卷积神经网络进行训练、验证和测试，将接收到的导 频信号建模为带噪信道矩阵y_m；

y_m＝Q^HH_kPs+n.

其中，k∈{1,2,…,K}为用户端的编号，混合组合矩阵表示为Q，混合预 编码矩阵表示为P，高斯噪声向量表示为n，H_k为基站和第k个用户端之间的 信道，H_k由下式给出：

其中l表示多径的数量，并且z_l表示依赖于距离的路径损耗和阴影。

和表示第l个路径出发角和到达角的海拔， α_R(φ^azi,φ^ele)和α_T(φ^azi,φ^ele)分别表示在发射机和接收机处的导向矢量，该导 向矢量取决于阵列几何形状；

对于典型的N₁×N₂均匀平面阵列UPAs，α_R(φ^azi,φ^ele)和α_T(φ^azi,φ^ele)由 下式给出:

优选地，所述的将所述带噪信道矩阵输入到噪声水平估计子网，所述噪声 水平估计子网利用混合神经网络输出噪声水平图，包括：

将所述带噪信道矩阵Y输入到噪声水平估计子网DNN_E，DNN_E通过训练 W_E生成估计的噪声水平图M，其中是W_E表示DNN_E的网络参数：

M＝F_E(Y,W_E).

其中F_E表示DNN_E网络运算；

所述DNN_E由四个全连接FC层和五个卷积Conv层组成，在每个卷积层 Conv中，特征通道的数值表示为Fea，并且滤波器大小为3×3，在四个FC层 中，连接点的数量分别为2000,200,50,1。

优选地，所述的将所述带噪信道矩阵和所述噪声水平图输入到非盲去噪 子网，所述非盲去噪子网利用卷积神经网络输出噪声估计矩阵，包括：

令DNN_E的输出M作为训练的噪声水平图，使M与输入Y具有相同的张 量大小，将Y和M输入非盲去噪子网DNN_D，DNN_D利用卷积神经网络得到噪 声估计矩阵R：

R＝F_D(Y,M,W_D).

其中W_D表示DNN_D的网络参数，其中F_D表示DNN_D网络运算；

非盲去噪子网DNN_D采用卷积神经网络架构，引入了对称跳跃连接、严 格卷积和转置卷积，所有滤波器大小都设置为3×3，并且在除最后一个之外 的每个卷积层之后均使用ReLU整流线性单元。

优选地，所述的利用连续非线性联合损失函数修正所述非盲去噪子网中 的卷积神经网络参数，修正后的非盲去噪子网利用所述带噪信道矩阵、噪声 水平图和噪声估计矩阵通过残差学习得到修正后的噪声估计矩阵，包括：

根据DNN_D的非对称灵敏度，利用不同信噪比对联合损失函数的贡献不 同的特性，设置DNN_D的非对称损耗的联合损失函数如下：

其中H表示基站和用户端之间的真实的信道矩阵，其中H'表示经过卷积 盲降噪网络CBDNet估计的信道矩阵，σ表示加性高斯白噪声的标准偏差， L表示真实的信道矩阵与估计的信道矩阵之间存在的损失，利用随机梯度下 降算法SGD通过所述联合损失函数反馈将DNN_D的参数进行修正，通过多次 训练，逐步逼近最小的联合损失；

将Y和M输入修正后的非盲去噪子网DNN_D，DNN_D通过残差学习利用卷 积神经网络得到修正后的噪声估计矩阵R'：

R'＝F_D(Y,M,W_D).。

优选地，所述的将所述带噪信道矩阵与所述修正后的噪声估计矩阵相减 得到所述基站与所述用户端之间的信道估计矩阵，包括：

将带噪信道矩阵Y和修正后的噪声估计矩阵R'相减得到估计的信道矩阵 H'：

H'＝Y-R'。

由上述本发明的实施例提供的技术方案可以看出，本发明实施例提供了 一种基于CBDNet的毫米波大规模MIMO系统信道估计算法，对于模型学 习，将非对称损耗引入噪声估计子网，对噪声水平的低估误差施加更高的损 失，并采用联合损失函数来训练整个网络。为了提高对噪声水平的泛化能 力，在训练CBDNet期间结合了残余学习和非对称联合损失函数。数值结果验 证了与传统方案相比，本发明实施例所提出的基于CBDNet的信道估计在 NMSE性能和收敛速度方面有更好的表现。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的 描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所 需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发 明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前 提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例所述的毫米波大规模MIMO系统的信道估计方法的实 现原理图

图2为本发明实施例提供的一种DNN_E的卷积神经网络架构图。

图3为本发明实施例所述的NMSE的效果图。

图4为本发明实施例所述的CBDNet与其他卷积神经网络方法训练阶段收 敛能力的效果图。

图5为本发明实施例所述的CBDNet与其他压缩感知方法NMSE性能比较 的效果图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出， 其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功 能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发 明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式 “一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解 的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步 骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、 整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被 “连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或 者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无 线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项 的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语 (包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一 般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该 被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一 样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例 做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

实施例一

卷积盲降噪网络(CBDNet)可以通过引入噪声估计子网来提高真实噪声 图像的盲降噪性能。受此启发，本发明实施例提出了基于CBDNet的毫米波大 规模MIMO系统信道估计算法，将信道矩阵建模为二维图像。然后，应用 CBDNet来利用稀疏特性并恢复信道矩阵。此外，在信道估计中提供了关于 CBDNet的归一化均方误差(NMSE)性能的分析框架。从仿真结果来看， CBDNet优于竞争的基于深度学习的算法，并且可以通过广泛的SNR和快速 收敛有显着的性能增益。上述CBDNet包括噪声水平估计子网(DNN_E)和非 盲去噪子网DNN_D。

图1为本发明实施例所述的毫米波大规模MIMO系统的信道估计方法的处 理流程图，包括如下的处理步骤：

步骤S1：毫米波大规模MIMO系统中的用户端通过混合组合矩阵和混合 预编码矩阵对导频信号进行处理后，通过上行信道向基站发送导频信号。

基站对接收到的导频信号采用深度卷积神经网络(CNN)进行训练、验 证和测试，将接收到的导频信号建模为带噪信道矩阵y。

示意性地，在1km×1km的范围内，随机分布着1个基站和K个用户，考 虑具有混合架构和任意阵列几何结构的典型毫米波大规模MIMO系统。令N_r和N_t分别表示发射器和接收器处的天线数量。

用户端通过上行信道发送导频信号，在接收端接收到的导频信号可以表 示为:

y_m＝Q^HH_kPs+n.

其中，k∈{1,2,…,K}为用户端的编号，混合组合矩阵表示为Q，混合预 编码矩阵表示为P，高斯噪声向量表示为n，H_k为基站和第k个用户端之间的 信道，y_m表示基站的接收信号，s表示在上行信道发送的导频信号。

在不失一般性的情况下，本发明使用导频信号向量||s||²＝1进行信道估 计。

基站和第k个用户端之间的信道H_k由下式给出：

其中l表示多径的数量，并且z_l表示依赖于距离的路径损耗和阴影。 和表示第l个路径出发角和到达角的海拔(方位)。 α_R(φ^azi,φ^ele)和α_T(φ^azi,φ^ele)分别表示在发射机和接收机处的导向矢量。导向 矢量取决于阵列几何形状。

对于典型的N₁×N₂均匀平面阵列(UPAs)，α_R(φ^azi,φ^ele)和 α_T(φ^azi,φ^ele)由下式给出:

基站将接收到的导频信号建模为带噪信道矩阵y，并将带噪信道矩阵y转 化为二维图像，对二维图像进行去噪处理。对二维图像进行去噪的目标是从 噪声观察带噪信道矩阵y中恢复干净的图像x，其遵循图像劣化模型， y＝x+v，其中v表示具有标准偏差σ的加性高斯白噪声(AWGN)。通过 上述基站和第k个用户端之间的信道H_k生成训练时所需的大量数据。

步骤S2：基站接收到的带噪信道矩阵的张量大小为N_r×N_t，由于信道矩 阵的实部和虚部可以看作是两个独立的信道矩阵，基站将去噪处理后的信号 矩阵组合成一个张量大小为N_r×2N_t的较大矩阵。

将上述带噪信道矩阵Y输入到噪声水平估计子网(DNN_E)，DNN_E通过 训练W_E生成估计的噪声水平图M，其中是W_E表示DNN_E的网络参数。得 到：

M＝F_E(Y,W_E).

其中F_E表示DNN_E网络运算。

DNN_E由四个全连接(FC)层和五个卷积(Conv)层组成。在每个卷 积层中，特征通道的数值表示为Fea，并且滤波器大小为3×3。在四个FC层 中，连接点的数量分别为2000,200,50,1。在每个卷积层和全连接层之后使用 ReLU整流线性单元。DNN_E的目标采用非线性拟合，实现对扩大拟合信噪 比的范围。对于噪声水平为σ的空间不变AWGN，M是均匀的映射张量，其 中所有元素都是σ。

在先前的CNN(Convolutional Neural Networks,卷积神经网络)中， DNN_E使用具有固定SNR水平的AWGN信道矩阵训练估计器模型参数σ。 但是对于固定的σ，训练的模型在直接应用于其他SNR水平的信道矩阵方面 缺乏灵活性。虽然准确的信道估计可以在SNR水平在预设训练范围内时起作 用，但动态范围仍然非常有限。此外，所有现有的基于判别学习的方法缺乏 处理空间变异噪声的灵活性。对于噪声水平为σ的空间不变AWGN，M是均 匀映射，其中所有元素都是σ。

步骤S3：令DNN_E的输出M作为训练的噪声水平图，其与输入Y具有相 同的张量大小，并且可以用完全卷积网络估计。使用M作为DNN_D输入的一 部分。然后，将Y和M输入DNN_D，DNN_D利用卷积神经网络得到噪声估计矩 阵R：

R＝F_D(Y,M,W_D).

其中W_D表示DNN_D的网络参数，其中F_D表示DNN_D网络运算，R表示 DNN_D的输出结果。

非盲去噪子网DNN_D采用卷积神经网络架构，其以Y和M两者作为输 入，利用噪声矩阵作为预测结果。DNN_E的卷积神经网络架构如图2所示， 引入了对称跳跃连接(symmetricskip)，严格卷积 (stridden convolutions)和转置卷积(transpose convolution)，用于探索 多尺度信息以及扩大感受野，提高训练效率。所有滤波器大小都设置为 3×3，并且在除最后一个之外的每个卷积层之后均使用ReLU整流线性单 元，保证每一层的特征值和张量大小不变，保证卷积神经网络足够的容量。

步骤S4：利用不同信噪比对联合损失函数的贡献不同的特性，使用非盲 降噪的非对称灵敏度，即，不同的损耗对应不同的噪声水平，以提高CBDNet 的稳定性。在噪声估计上呈现不对称损失，以避免在噪声水平图上出现估计 误差。设置DNN_D的非对称损耗的联合损失函数如下：：

其中H表示真实的信道矩阵，其中H'表示经过CBDNet估计的信道矩 阵，σ表示加性高斯白噪声的标准偏差，L表示真实值与估计值之间存在的 损失。利用随机梯度下降算法(SGD)，通过联合损失函数反馈将DNN_D的 参数微调，通过多次训练，逐步逼近最小的联合损失。这样信道估计的性能 将会随着训练的次数逐步提高。

步骤S5：修正后的非盲去噪子网利用所述带噪信道矩阵、噪声水平图和 噪声估计矩阵通过残差学习得到修正后的噪声估计矩阵。

将Y和M输入修正后的非盲去噪子网DNN_D，DNN_D通过残差学习利用卷 积神经网络得到修正后的噪声估计矩阵R'：

R'＝F_D(Y,M,W_D).

已经验证估计噪声比直接估计信道矩阵可以带来更大的性能提升。总的 来说，残差学习的输入是带噪声的信道矩阵，输出为噪声估计矩阵。

最后，将带噪信道矩阵Y和修正后的噪声估计矩阵R'相减得到估计的信 道矩阵H'：

H'＝Y-R'。

实施例二

该实施例二为采用本发明的方法进行用于毫米波大规模MIMO系统的信 道估计，具体包括如下步骤：

场景设置：所有的用户和基站均随机分布在1×1km的方形区域中。依照 下表中参数进行仿真，步骤参照实施例一。

其他所需的所有参数如表1参数设置。

表1参数设置

在仿真试验中，采用上述参数进行测试，随机产生的信道矩阵利用 CBDNet进行去噪性能的仿真。

图3、4为不同方法的NMSE性能对比图，参照图3，横坐标表示接收信 号的信噪比，纵坐标表示NMSE性能。CBDNet和FFDNet、DnCNN机制相 比，本发明实施例中，系统的NMSE性能得到了显著的提升。参照图4，横 坐标表示训练次数，纵坐标表示NMSE性能，本发明实施例中，系统的收敛 性能得到了显著的提升。参照图5，CBDNet和SBL、GEC-SR、AMP机制 相比，本发明实施例中，系统的NMSE性能得到了显著的提升。

综上所述，本发明实施例提供了一种基于CBDNet的毫米波大规模 MIMO系统信道估计算法，对于模型学习，将非对称损耗引入噪声估计子 网，对噪声水平的低估误差施加更高的损失，并采用联合损失函数来训练整 个网络。为了提高对噪声水平的泛化能力，在训练CBDNet期间结合了残余学 习和非对称联合损失函数。数值结果验证了与传统方案相比，本发明实施例 所提出的基于CBDNet的信道估计在NMSE性能和收敛速度方面有更好的表 现。

CBDNet可以调整估计的噪声水平图以交互地减少信道矩阵中的噪声。数 值结果表明，本发明所提出的基于CBDNet的信道估计器在归一化均方误差方 面可以优于传统信道估计器，传统压缩感知技术和深度CNN。此外， CBDNet可用于大范围的SNR，大大降低了离线培训的成本。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中 的模块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到 本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解， 本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品 的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁 碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机， 服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所 述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同 相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同 之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例， 所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描 述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元 可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可 以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案 的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并 实施。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不 局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可 轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明 的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种毫米波大规模MIMO系统的信道估计方法，其特征在于，包括：

毫米波大规模MIMO系统中的用户端通过上行信道向基站发送导频信号，基站将接收到的导频信号建模为带噪信道矩阵；

将所述带噪信道矩阵输入到噪声水平估计子网，所述噪声水平估计子网利用混合神经网络输出噪声水平图；

将所述带噪信道矩阵和所述噪声水平图输入到非盲去噪子网，所述非盲去噪子网利用卷积神经网络输出噪声估计矩阵：

利用连续非线性联合损失函数修正所述非盲去噪子网中的卷积神经网络参数，修正后的非盲去噪子网利用所述带噪信道矩阵、噪声水平图和噪声估计矩阵通过残差学习得到修正后的噪声估计矩阵；

将所述带噪信道矩阵与所述修正后的噪声估计矩阵相减得到所述基站与所述用户端之间的信道估计矩阵。

2.根据权利要求1所述的方法，其特征在于，所述的毫米波大规模MIMO系统中的用户端通过上行信道向基站发送导频信号，基站将接收到的导频信号建模为带噪信道矩阵，包括：

MIMO系统中的用户端通过上行信道向基站发送导频信号s，基站对接收到的导频信号s采用深度卷积神经网络进行训练、验证和测试，将接收到的导频信号建模为带噪信道矩阵y_m；

y_m＝Q^HH_kPs+n.

其中，k∈{1,2,…,K}为用户端的编号，混合组合矩阵表示为Q，混合预编码矩阵表示为P，高斯噪声向量表示为n，H_k为基站和第k个用户端之间的信道，H_k由下式给出：

其中l表示多径的数量，并且z_l表示依赖于距离的路径损耗和阴影。和

表示第l个路径出发角和到达角的海拔，α_R(φ^azi,φ^ele)和α_T(φ^azi,φ^ele)分别表示在发射机和接收机处的导向矢量，该导向矢量取决于阵列几何形状；

对于典型的N₁×N₂均匀平面阵列UPAs，α_R(φ^azi,φ^ele)和α_T(φ^azi,φ^ele)由下式给出:

3.根据权利要求2所述的方法，其特征在于，所述的将所述带噪信道矩阵输入到噪声水平估计子网，所述噪声水平估计子网利用混合神经网络输出噪声水平图，包括：

将所述带噪信道矩阵Y输入到噪声水平估计子网DNN_E，DNN_E通过训练W_E生成估计的噪声水平图M，其中是W_E表示DNN_E的网络参数：

M＝F_E(Y,W_E).

其中F_E表示DNN_E网络运算；

所述DNN_E由四个全连接FC层和五个卷积Conv层组成，在每个卷积层Conv中，特征通道的数值表示为Fea，并且滤波器大小为3×3，在四个FC层中，连接点的数量分别为2000,200,50,1。

4.根据权利要求3所述的方法，其特征在于，所述的将所述带噪信道矩阵和所述噪声水平图输入到非盲去噪子网，所述非盲去噪子网利用卷积神经网络输出噪声估计矩阵，包括：

令DNN_E的输出M作为训练的噪声水平图，使M与输入Y具有相同的张量大小，将Y和M输入非盲去噪子网DNN_D，DNN_D利用卷积神经网络得到噪声估计矩阵R：

R＝F_D(Y,M,W_D).

其中W_D表示DNN_D的网络参数，其中F_D表示DNN_D网络运算；

非盲去噪子网DNN_D采用卷积神经网络架构，引入了对称跳跃连接、严格卷积和转置卷积，所有滤波器大小都设置为3×3，并且在除最后一个之外的每个卷积层之后均使用ReLU整流线性单元。

5.根据权利要求4所述的方法，其特征在于，所述的利用连续非线性联合损失函数修正所述非盲去噪子网中的卷积神经网络参数，修正后的非盲去噪子网利用所述带噪信道矩阵、噪声水平图和噪声估计矩阵通过残差学习得到修正后的噪声估计矩阵，包括：

根据DNN_D的非对称灵敏度，利用不同信噪比对联合损失函数的贡献不同的特性，设置DNN_D的非对称损耗的联合损失函数如下：

其中H表示基站和用户端之间的真实的信道矩阵，其中H'表示经过卷积盲降噪网络CBDNet估计的信道矩阵，σ表示加性高斯白噪声的标准偏差，L表示真实的信道矩阵与估计的信道矩阵之间存在的损失，利用随机梯度下降算法SGD通过所述联合损失函数反馈将DNN_D的参数进行修正，通过多次训练，逐步逼近最小的联合损失；

将Y和M输入修正后的非盲去噪子网DNN_D，DNN_D通过残差学习利用卷积神经网络得到修正后的噪声估计矩阵R'：

R'＝F_D(Y,M,W_D).。

6.根据权利要求5所述的方法，其特征在于，所述的将所述带噪信道矩阵与所述修正后的噪声估计矩阵相减得到所述基站与所述用户端之间的信道估计矩阵，包括：

将带噪信道矩阵Y和修正后的噪声估计矩阵R'相减得到估计的信道矩阵H'：

H'＝Y-R'。

Images