CN111030952A - 一种毫米波系统的波束空间信道估计方法及系统 - Google Patents

一种毫米波系统的波束空间信道估计方法及系统 Download PDF

Info

Publication number
CN111030952A
CN111030952A CN201911360048.2A CN201911360048A CN111030952A CN 111030952 A CN111030952 A CN 111030952A CN 201911360048 A CN201911360048 A CN 201911360048A CN 111030952 A CN111030952 A CN 111030952A
Authority
CN
China
Prior art keywords
channel
estimation
channel estimation
network
noise
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.)
Granted
Application number
CN201911360048.2A
Other languages
English (en)
Other versions
CN111030952B (zh
Inventor
张颖慧
母一凡
那顺乌力吉
张天魁
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.)
Beijing University of Posts and Telecommunications
Inner Mongolia University
Original Assignee
Beijing University of Posts and Telecommunications
Inner Mongolia 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 Beijing University of Posts and Telecommunications, Inner Mongolia University filed Critical Beijing University of Posts and Telecommunications
Priority to CN201911360048.2A priority Critical patent/CN111030952B/zh
Publication of CN111030952A publication Critical patent/CN111030952A/zh
Application granted granted Critical
Publication of CN111030952B publication Critical patent/CN111030952B/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
    • H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
    • 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
    • H04L25/0204—Channel estimation of multiple channels

Landscapes

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

Abstract

本申请公开了一种毫米波系统的波束空间信道估计方法及系统，其中毫米波系统的波束空间信道估计方法具体包括以下步骤：构建信道模型，获取信道估计参数；根据信道估计参数对全卷积去噪神经网络进行训练；利用训练完成的全卷积去噪神经网络进行测试；输出测试后的信道估计值。本申请通过构建具有更好去噪效果的全新全卷积去噪神经网络来提高信道估计的性能，通过噪声估计子网在获得信道噪声水平估计图的基础上，将信道噪声水平估计图和包含噪声的接收信号连接并输入到去噪子网中，实现高效的去噪，从而获得更高的信道估计精度。

Description

一种毫米波系统的波束空间信道估计方法及系统
技术领域
本申请涉及毫米波领域，具体地，涉及一种毫米波系统的波束空间信道估计方法及系统。
背景技术
毫米波(Millimeter-Wave，mmWave)有很宽的频域(30-300GHz)，可以提供较宽的带宽和较高的频谱效率，解决越来越多的设备接入移动通信网络的问题[1]。同时，毫米波的波长较长，天线之间的干扰较小，使得集成大型天线成为可能。将毫米波和大规模多输入多输出(Multiple-Input and Multiple-Output，MIMO)系统相结合，通过波束赋形形成高度定向性的窄带波束，可以减少毫米波的路径损耗。数字波束赋形虽然更灵活，功能更强，但每个输出都需要专用的射频链路，所以在需要大量天线的毫米波大规模MIMO系统中无法实现。考虑到成本和性能问题，在毫米波大规模MIMO系统中提出了更合适的混合波束赋形。因此，透镜天线阵列可以通过数字波束赋形和模拟波束赋形混合，以少量的射频链路来实现全数字、高性能的波束赋形方案。同时，毫米波透镜天线阵列具有稀疏性，可以大大降低复杂度并进一步改善性能，从而被广泛应用。在波束空间毫米波大规模MIMO系统中，信道估计对系统性能的影响至关重要且极具挑战性，特别是在天线透镜阵列较大且射频链路有限的情况下。近年来，关于信道估计的相关研究提出了很多算法。在传统的算法中，提出的信道估计方案不仅适用于窄带和宽带通信，还适用于具有有限射频链的基于透镜天线阵列的毫米波大规模MIMO系统中的时分双工(Time-Division Duplexing，TDD)或频分双工(Frequency-Division Duplexing，FDD)系统。由于压缩感知(Compressed Sensing，CS)可以对信号进行重建，实现从无稀疏性到有稀疏性，且将不同的重建算法用于信道估计，例如正交匹配跟踪算法(Orthogonal Matching Pursuit，OMP)，压缩采样匹配追踪算法(Compressive Sampling Matching Pursuit，CoSaMP)，子空间追踪算法(SubspacePursuit，SP)，优先辅助压缩采样匹配追踪算法(Priority Aided CoSaMP，PA-CoSaMP)和基于多种算法的融合机制。现有技术中提出了一种CS估计器，通过公平指数对任意信道向量的可压缩性进行评分。信道向量的公平指数越低，OMP执行的迭代次数越少，信道估计器的误差越小。
关于毫米波大规模MIMO系统中使用3D透镜天线阵列的相关研究大多采用了波束选择器和不同的算法。通过利用压缩感知并将问题分解为一系列子问题，解决了支持检测(Support Detection，SD)估计波束空间信道的问题。该算法的性能优于OMP算法。然而，SD算法没有利用路径的聚类特征，而是仅考虑信道的稀疏性。为了解决这个问题，现有技术中提出了基于稀疏非信息参数估计器的稀疏分析近似消息传递成像算法(Sparse non-informative parameter estimator-based Cosparse Analysis Approximate MessagePassing for Imaging，SCAMPI)，考虑波束空间信道向量的稀疏性的同时，又考虑路径的聚类特征。SCAMPI算法将信道设置为通用混合(Generic Mixture,GM)概率分布，并利用期望最大化算法(Expectation-Maximization，EM)学习参数。然而，SCAMPI算法使用图像重建的技术输出的结果过于平滑，且没有关注高频信号。因此，算法结果和实际数据之间仍然存在明显的差距。
因此，如何提取噪声特征并高效地去除噪声，从而获得更好的信道估计性能，提高信道估计的准确性是需要解决的问题。
发明内容
本申请的目的在于提供一种毫米波系统的波束空间信道估计方法及系统，通过构建具有更好去噪效果的全新全卷积去噪神经网络来提高信道估计的性能。通过噪声估计子网在获得信道噪声水平估计图的基础上，将信道噪声水平估计图和包含噪声的接收信号连接并输入到去噪子网中，实现高效的去噪，从而获得更高的信道估计精度。
为达到上述目的，本申请提供了一种毫米波系统的波束空间信道估计方法，具体包括以下步骤：构建信道模型，获取信道估计参数；根据信道估计参数对全卷积去噪神经网络进行训练；利用训练完成的全卷积去噪神经网络进行测试；输出测试后的信道估计值。
如上的，其中，在构建信道模型前，还包括系统模型的构建，系统模型采用基于透镜天线阵列3D毫米波大规模MIMO系统的模型。
如上的，其中，信道估计参数，该参数包括波束空间信道矩阵、波束空间信道向量、以及从射频链路中选择的信号；其中波束空间信道矩阵H具体表示为：
Figure BDA0002336949310000031
MN是天线的数量，L以及L+1是路径的数量，g(i)是路径i的复路径增益，
Figure BDA0002336949310000032
和
Figure BDA0002336949310000033
是平面波的方位角和仰角，
Figure BDA0002336949310000034
是天线阵列响应矩阵；
其中，在确定波束空间信道矩阵后，确定波束空间信道向量h，具体表示为：
Figure BDA0002336949310000035
MN是天线的数量，L以及L+1是路径的数量，g(i)是路径i的复路径增益，
Figure BDA0002336949310000036
和
Figure BDA0002336949310000037
是平面波的方位角和仰角，
Figure BDA0002336949310000038
是天线阵列响应向量；
其中，选择网络矩阵从射频链路选择的信号r表示为：r＝W(hs+n)
其中，s是在上行链路中从用户到基站的导频信号，n是噪声向量，h是波束空间信道向量，MN是天线的数量,W表示选择网络矩阵。
如上的，其中，据信道估计参数对全卷积去噪神经网络进行训练具体包括以下子步骤：预先设定总训练次数；向全卷积去噪神经网络中输入射频链路选择的信号和真实信道值，获取噪声水平估计值；根据噪声水平估计值获取全卷积去噪神经网络子网的非对称损失函数，进行噪声水平估计值的调整；将调整后的噪声水平估计值与导频信号输入去噪子网中，获取训练信道估计值；重新建立全卷积去噪神经网络子网的非对称损失函数；确定全卷积去噪神经网络的非对称损失函数，使全卷积去噪神经网络的非对称损失函数最小化；判断当前训练次数是否达到总训练次数，若达到则完成训练，否则继续训练。
如上的，其中，全卷积去噪神经网络子网包括噪声估计子网CNNE和去噪子网CNND，将信号r和真实信道值h输入到噪声估计子网CNNE中进行噪声水平估计值
Figure BDA0002336949310000041
的提取，其中
Figure BDA0002336949310000042
表示噪声估计子网的功能，
Figure BDA0002336949310000043
是噪声估计子网CNNE的函数，r表示从射频链路选择的信号，PE是CNNE的子网参数。
如上的，其中，噪声估计子网CNNE的非对称损失函数
Figure BDA0002336949310000044
表示为：
Figure BDA0002336949310000045
其中，α为可调参数，j为自然数，t为LAMP算法的迭代次数，
Figure BDA0002336949310000046
表示在LAMP算法下的噪声水平估计值，
Figure BDA0002336949310000047
表示噪声的标准值，
Figure BDA0002336949310000048
表示若
Figure BDA0002336949310000049
时，I的取值为1，否则为0；
还包括，利用总变化量正则化器进行损失函数中的噪声水平图平滑度的约束，噪声估计子网CNNE的又一非对称损失函数
Figure BDA00023369493100000410
具体表示为：
Figure BDA00023369493100000411
其中，
Figure BDA00023369493100000412
为噪声水平估计值，
Figure BDA00023369493100000413
表示求梯度，x表示沿着水平方向，y表示沿着竖直方向，
Figure BDA00023369493100000414
表示沿着
Figure BDA00023369493100000415
的水平方向求梯度，
Figure BDA00023369493100000416
表示沿着
Figure BDA00023369493100000417
的竖直方向求梯度。
如上的，其中，用训练完成的全卷积去噪神经网络进行测试包括如下子步骤：进行测试参数的初始化；初始化后进行全卷积去噪神经网络的设置；根据设置后的全卷积去噪神经网络计算测试信道估计值。
如上的，其中，其中在对全卷积去噪神经网络进行训练之前，还包括对信道估计参数进行数据处理，利用LAMP算法得到第一信道估计值
Figure BDA00023369493100000418
其中第一信道估计值
Figure BDA00023369493100000419
具体表示为：
Figure BDA00023369493100000420
其中ωt表示选择网络矩阵W的调节参数，η表示LAMP算法中降噪器的函数，
Figure BDA00023369493100000421
表示迭代过程中得到的某一次信道估计值，其中Ct为ωtW的共轭矩阵，W为选择网络矩阵，vt表示迭代过程中得到的信道估计值
Figure BDA0002336949310000051
对应的残余误差，αt是可调参数，M为天线的数量，t为LAMP算法的迭代次数。
如上的，其中，利用训练后的全卷积去噪神经网络，对LAMP算法得到的第一信道估计值进行处理，得到第二信道估计值
Figure BDA0002336949310000052
具体表示为：
Figure BDA0002336949310000053
其中
Figure BDA0002336949310000054
表示去噪子网CNND的函数，
Figure BDA0002336949310000055
是噪声估计子网CNNE的函数，PE是噪声估计子网CNNE的子网参数，PD是去噪子网CNND的子网参数，
Figure BDA0002336949310000056
表示迭代过程中得到的某一次信道估计值，其中Ct为ωtW的共轭矩阵，ωt表示选择网络矩阵W的调节参数，W表示选择网络矩阵，vt表示迭代过程中得到的信道估计值
Figure BDA0002336949310000057
对应的残余误差，t为LAMP算法的迭代次数。
一种毫米波系统的波束空间信道估计系统，包括了估计处理器以及输出单元；估计处理器用于执行上述任一项所述的毫米波系统的波束空间信道估计方法；输出单元，用于进行信道估计值的输出。
本申请具有以下有益效果：
通过构建具有更好去噪效果的全新神经网络来提高信道估计的性能。通过噪声估计子网在获得信道噪声水平估计图的基础上，将信道噪声水平估计图和包含噪声的接收信号连接并输入到去噪子网中，实现高效的去噪，从而获得更高的信道估计精度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是根据本申请实施例提供的毫米波系统的波束空间信道估计方法的流程图；
图2是根据本申请实施例提供的毫米波系统的波束空间信道估计系统的内部结构图。
具体实施方式
下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
本申请涉及一种毫米波系统的波束空间信道估计方法及系统，结合深度卷积神经网络，提取噪声特征并高效地去除噪声，从而获得更好的信道估计性能，提高信道估计的准确性。
请参阅图1，图1为本申请提供的毫米波系统的波束空间信道估计方法流程图；
本申请提供的毫米波系统的波束空间信道估计方法，具体包括以下步骤：
步骤S110：构建信道模型，获取信道估计参数。
具体地，在构建信道模型前，还包括系统模型的构建，其中采用基于透镜天线阵列3D毫米波大规模MIMO系统的模型，该模型适用于多用户系统，而且3DM×N天线阵列可以通过选择网络使用NRF(NRF≤M×N)条射频链为K个单天线用户提供服务。
优选地，基于系统模型，本实施例中只分析单用户的情况，构建多径信道模型(Saleh-Valenzuela,S-V)，即假定对于每条传输路径，发射器和接收器之间只服务于一个用户。
具体地，即根据M×N天线阵列、路径个数L以及用户个数K即可构建信道模型。其中上述模型的构建方法可参考现有技术中Saleh-Valenzuela信道模型的构建方法。
进一步地，在信道模型构建完成后，获取信道估计参数，该参数包括波束空间信道矩阵、波束空间信道向量、以及从射频链路中选择的信号。
其中波束空间信道矩阵具体表示为：
Figure BDA0002336949310000071
其中，MN是天线的数量，L以及L+1是路径的数量，g(i)是路径i的复路径增益，
Figure BDA0002336949310000072
和
Figure BDA0002336949310000073
是平面波的方位角和仰角，
Figure BDA0002336949310000074
是天线阵列响应矩阵。
在确定波束空间信道矩阵后，确定波束空间信道向量h，具体表示为：
Figure BDA0002336949310000075
其中，MN是天线的数量，L以及L+1是路径的数量，g(i)是路径i的复路径增益，
Figure BDA0002336949310000076
和
Figure BDA0002336949310000077
是平面波的方位角和仰角，
Figure BDA0002336949310000078
是天线阵列响应向量。
进一步地，选择选择网络矩阵
Figure BDA0002336949310000079
其中
Figure BDA00023369493100000710
表示实数，从射频链路选择的信号r(简称为“导频信号”)表示为：
r＝W(hs+n) (公式三)
其中，s是在上行链路中从用户到基站的导频信号，n是噪声向量，h是波束空间信道向量，W表示选择网络矩阵，MN是天线的数量。
再进一步地，本实施例中，设s＝1，从而选择网络矩阵
Figure BDA00023369493100000711
从射频链路选择的信号r表示为：
Figure BDA00023369493100000712
其中，
Figure BDA00023369493100000713
是等效噪声，
Figure BDA00023369493100000714
h是波束空间信道向量，W是选择网络矩阵。
步骤S120：根据信道估计参数对全卷积去噪神经网络进行训练。
具体地，步骤S120具体包括以下子步骤：
步骤D1：向全卷积去噪神经网络中输入射频链路选择的信号和真实信道值，获取噪声水平估计值。
具体地，其中全卷积去噪神经网络子网包括：噪声估计子网CNNE和去噪子网CNND。本步骤中将信号r和真实信道值h输入到噪声估计子网CNNE中进行噪声水平估计值
Figure BDA00023369493100000715
的提取。
进一步地，利用噪声估计子网CNNE用来提取噪声特征
Figure BDA00023369493100000716
其中，
Figure BDA00023369493100000717
表示被估计的噪声水平子图，
Figure BDA00023369493100000718
是噪声估计子网的函数，PE是CNNE的子网参数，q表示噪声估计子网的输入。
在全卷积去噪神经网络中，
Figure BDA0002336949310000081
即表示为
Figure BDA0002336949310000082
且可以通过CNNE噪声水平估计值进一步具体表示为
Figure BDA0002336949310000083
其中
Figure BDA0002336949310000084
表示噪声估计子网的功能，
Figure BDA0002336949310000085
是噪声估计子网的函数，r表示从射频链路选择的信号，PE是CNNE的子网参数。
步骤D2：根据噪声水平估计值获取全卷积去噪神经网络子网的非对称损失函数，进行噪声水平估计值的调整。
其中对噪声水平估计值的调整具体为对其进行降噪。在降噪过程中，以及低信噪比情况下，各种降噪算法的效果都不如在高信噪比情况下理想。为了利用非盲降噪中的不对称灵敏度，本实施例用非对称损失函数来避免噪声估计子网CNNE噪声严重的情况。
优选地，利用LAMP算法进行非对称损失函数的获取。
其中噪声估计子网CNNE的非对称损失函数
Figure BDA0002336949310000086
表示为：
Figure BDA0002336949310000087
其中，α为可调参数，j为自然数，t为LAMP算法的迭代次数，
Figure BDA0002336949310000088
表示在LAMP算法下的噪声水平估计值，
Figure BDA0002336949310000089
表示噪声的标准值，
Figure BDA00023369493100000810
表示若
Figure BDA00023369493100000811
时，I的取值为1，否则为0。
其中
Figure BDA00023369493100000812
可以简化为Ie，若
Figure BDA00023369493100000813
时，Ie＝1，否则Ie＝0。
在噪声严重的情况下，通过设置0＜α＜0.5减少噪声水平估计值的误差，即进行噪声水平估计值的调整。
进一步地，还包括，利用总变化量正则化器进行损失函数中的噪声水平图平滑度的约束，噪声估计子网CNNE的又一非对称损失函数
Figure BDA00023369493100000814
具体表示为：
Figure BDA00023369493100000815
其中，
Figure BDA00023369493100000816
为噪声水平估计值，
Figure BDA00023369493100000817
表示求梯度，x表示沿着水平方向，y表示沿着竖直方向，
Figure BDA0002336949310000091
表示沿着
Figure BDA0002336949310000092
的水平方向求梯度，
Figure BDA0002336949310000093
表示沿着
Figure BDA0002336949310000094
的竖直方向求梯度。
步骤D3：将调整后的噪声水平估计值与导频信号输入去噪子网中，获取训练信道估计值。
具体地，通过向去噪子网CNND中输入调整后的噪声水平估计值
Figure BDA0002336949310000095
与信号r，使全卷积去噪神经网络通过输入的参数不断训练神经网络和非对称损失函数，令信道真实值h直接为训练信道估计值。
步骤D4：重新建立全卷积去噪神经网络子网的非对称损失函数。
具体地，其中去噪子网CNND的非对称损失函数
Figure BDA0002336949310000096
具体表示为：
Figure BDA0002336949310000097
其中，
Figure BDA0002336949310000098
是训练得到的信道估计值，h是信道真实值，||·||表示范数。
步骤D5：确定全卷积去噪神经网络的非对称损失函数，使全卷积去噪神经网络的非对称损失函数最小化。
具体地，其中全卷积去噪神经网络总体的非对称损失函数
Figure BDA0002336949310000099
具体表示为：
Figure BDA00023369493100000910
其中λasymm和λTV是分别是用于非对称函数的损耗和总变量正则化的阈值参数，
Figure BDA00023369493100000911
是去噪子网CNND的损失函数，
Figure BDA00023369493100000912
和
Figure BDA00023369493100000913
是噪声估计子网CNNE的损失函数。
具体地，调整参数PE、PD、λasymm、λTV，使全卷积去噪神经网络的非对称损失函数
Figure BDA00023369493100000914
最小化。
进一步地，在执行步骤D1-D5之前，还包括，设定总训练次数，若执行D1-D5的当前训练次数小于总训练次数，则继续重复执行步骤D1-D5。否则训练完成。
步骤S130：利用训练完成的全卷积去噪神经网络进行测试。
具体地，其中将训练完成的全卷积去噪神经网络进行线上测试，具体包括如下子步骤：
步骤Q1：进行测试参数的初始化。
具体地，测试参数的初始化包括，将信道估计值
Figure BDA0002336949310000101
设为0，并直接将射频链路选择的信号值r设为r0，设测试总迭代次数为T。
步骤Q2：初始化后进行全卷积去噪神经网络的设置。
具体地，加载线下训练完成的全卷积去噪神经网络，用训练好的全卷积去噪神经网络中的参数PE,PD,λasymm,λTV设置神经网络。
步骤Q3：根据设置后的全卷积去噪神经网络计算测试信道估计值。
具体地，其中在对全卷积去噪神经网络进行训练之前，还包括对信道估计参数进行数据处理，得到利用LAMP算法得到的第一信道估计值
Figure BDA0002336949310000102
具体地，对信道估计参数进行数据处理可利用现有技术中的matlab，首先将信道估计参数中的选择网络矩阵W、天线的数量M以及选择网络矩阵W从射频链路选择的信号r输入matlab中，并进行多次迭代，若跌倒至指定次数则得到第一信道估计值。
其中第一信道估计值
Figure BDA0002336949310000103
具体表示为：
Figure BDA0002336949310000104
其中ωt表示选择网络矩阵W的调节参数，η表示LAMP算法中降噪器的函数，
Figure BDA0002336949310000105
表示迭代过程中得到的某一次信道估计值，其中Ct为ωtW的共轭矩阵，W为选择网络矩阵，vt表示迭代过程中得到的信道估计值
Figure BDA0002336949310000106
对应的残余误差，αt是可调参数，M为天线的数量，t为LAMP算法的迭代次数。
第一信道估计值的残余误差vt+1具体表示为：
Figure BDA0002336949310000107
其中r表示选择网络矩阵W从射频链路选择的信号，Wt＝ωtW，
Figure BDA0002336949310000108
表示第一信道估计值，ωt表示选择网络矩阵W的调节参数，M为天线的数量，vt表示迭代过程中得到的信道估计值
Figure BDA0002336949310000109
对应的残余误差，t为LAMP算法的迭代次数。
进一步地，其中LAMP的降噪阈值λt具体表示为：
Figure BDA0002336949310000111
其中，αt是可调参数，可以通过调整αt从而调整λt，M为天线的数量，vt表示迭代过程中得到的信道估计值
Figure BDA0002336949310000112
对应的残余误差。
具体地，利用训练后的全卷积去噪神经网络，对LAMP算法得到的第一信道估计值进行处理，具体为将全卷积去噪神经网络作为LAMP算法中的降噪器获得第二信道估计值，第二信道估计值
Figure BDA0002336949310000113
具体表示为：
Figure BDA0002336949310000114
其中
Figure BDA0002336949310000115
表示去噪子网的函数，
Figure BDA0002336949310000116
是噪声估计子网的函数，PE是噪声估计子网CNNE的子网参数，PD是去噪子网CNND的子网参数，
Figure BDA0002336949310000117
表示迭代过程中得到的某一次信道估计值，其中Ct为ωtW的共轭矩阵，ωt表示选择网络矩阵W的调节参数，W表示选择网络矩阵，vt表示迭代过程中得到的信道估计值
Figure BDA0002336949310000118
对应的残余误差，t为LAMP算法的迭代次数。
进一步地，比较当前迭代次数是否达到设定的测试总迭代次数，若达到则执行步骤S140，否则继续迭代。
步骤S140：输出测试后的信道估计值。
其中该信道估计值即为第二信道估计值。
本申请还提供了毫米波系统的波束空间信道估计系统，如图2所示，毫米波系统的波束空间信道估计系统其中包括了估计处理器201以及输出单元202。
其中估计处理器201用于进行信道估计值的估计。
输出单元202与估计处理器201连接，用于进行信道估计值的输出。
具体地，估计处理器201具体包括以下子模块：构建模块、训练模块以及测试模块。
其中构建模块用于构建信道模型，获取信道估计参数。
训练模块与构建模块连接，用于根据信道估计参数对全卷积去噪神经网络进行训练；
测试模块与训练模块连接，用于利用训练完成的全卷积去噪神经网络进行测试。
本申请具有以下有益效果：
通过构建具有更好去噪效果的全新全卷积去噪神经网络来提高信道估计的性能。通过噪声估计子网在获得信道噪声水平估计图的基础上，将信道噪声水平估计图和包含噪声的接收信号连接并输入到去噪子网中，实现高效的去噪，从而获得更高的信道估计精度。
虽然当前申请参考的示例被描述，其只是为了解释的目的而不是对本申请的限制，对实施方式的改变，增加和/或删除可以被做出而不脱离本申请的范围。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种毫米波系统的波束空间信道估计方法，其特征在于，具体包括以下步骤：
构建信道模型，获取信道估计参数；
根据信道估计参数对全卷积去噪神经网络进行训练；
利用训练完成的全卷积去噪神经网络进行测试；
输出测试后的信道估计值。
2.如权利要求1所述的毫米波系统的波束空间信道估计方法，其特征在于，在构建信道模型前，还包括系统模型的构建，系统模型采用基于透镜天线阵列3D毫米波大规模MIMO系统的模型。
3.如权利要求1所述的毫米波系统的波束空间信道估计方法，其特征在于，信道估计参数，该参数包括波束空间信道矩阵、波束空间信道向量、以及从射频链路中选择的信号；
其中波束空间信道矩阵H具体表示为：
Figure FDA0002336949300000011
MN是天线的数量，L以及L+1是路径的数量，g(i)是路径i的复路径增益，
Figure FDA0002336949300000012
和
Figure FDA0002336949300000013
是平面波的方位角和仰角，
Figure FDA0002336949300000014
是天线阵列响应矩阵；
其中，在确定波束空间信道矩阵后，确定波束空间信道向量h，具体表示为：
Figure FDA0002336949300000015
MN是天线的数量，L+1和L是路径的数量，g(i)是路径i的复路径增益，
Figure FDA0002336949300000016
和
Figure FDA0002336949300000017
是平面波的方位角和仰角，
Figure FDA0002336949300000018
是天线阵列响应向量；
其中，选择网络矩阵W从射频链路选择的信号r表示为：
r＝W(hs+n)
其中，s是在上行链路中从用户到基站的导频信号，n是噪声向量，h是波束空间信道向量，MN是天线的数量，W表示选择网络矩阵。
4.如权利要求1所述的毫米波系统的波束空间信道估计方法，其特征在于，据信道估计参数对全卷积去噪神经网络进行训练具体包括以下子步骤：
预先设定总训练次数；
向全卷积去噪神经网络中输入射频链路选择的信号和真实信道值，获取噪声水平估计值；
根据噪声水平估计值获取全卷积去噪神经网络子网的非对称损失函数，进行噪声水平估计值的调整；
将调整后的噪声水平估计值与导频信号输入去噪子网中，获取训练信道估计值；
重新建立全卷积去噪神经网络子网的非对称损失函数；
确定全卷积去噪神经网络的非对称损失函数，使全卷积去噪神经网络的非对称损失函数最小化；
判断当前训练次数是否达到总训练次数，若达到则完成训练，否则继续训练。
5.如权利要求4所述的毫米波系统的波束空间信道估计方法，其特征在于，全卷积去噪神经网络子网包括噪声估计子网CNNE和去噪子网CNND，将信号r和真实信道值h输入到噪声估计子网CNNE中进行噪声水平估计值
Figure FDA0002336949300000021
的提取，其中
Figure FDA0002336949300000022
表示噪声估计子网的功能，FE是噪声估计子网CNNE的函数，r表示从射频链路选择的信号，PE是CNNE的子网参数。
6.如权利要求5所述的毫米波系统的波束空间信道估计方法，其特征在于，噪声估计子网CNNE的非对称损失函数
Figure FDA0002336949300000023
表示为：
Figure FDA0002336949300000024
其中，α为可调参数，j为自然数，t为LAMP算法的迭代次数，
Figure FDA0002336949300000025
表示在LAMP算法下的噪声水平估计值，
Figure FDA0002336949300000026
表示噪声的标准值，
Figure FDA0002336949300000027
表示若
Figure FDA0002336949300000028
Figure FDA0002336949300000031
时，I的取值为1，否则为0；
还包括，利用总变化量正则化器进行损失函数中的噪声水平图平滑度的约束，噪声估计子网CNNE的又一非对称损失函数
Figure FDA0002336949300000032
具体表示为：
Figure FDA0002336949300000033
其中，
Figure FDA0002336949300000034
为噪声水平估计值，
Figure FDA0002336949300000035
表示求梯度，x表示沿着水平方向，y表示沿着竖直方向，
Figure FDA0002336949300000036
表示沿着
Figure FDA0002336949300000037
的水平方向求梯度，
Figure FDA0002336949300000038
表示沿着
Figure FDA0002336949300000039
的竖直方向求梯度。
7.如权利要求1所述的毫米波系统的波束空间信道估计方法，其特征在于，用训练完成的全卷积去噪神经网络进行测试包括如下子步骤：
进行测试参数的初始化；
初始化后进行全卷积去噪神经网络的设置；
根据设置后的全卷积去噪神经网络计算测试信道估计值。
8.如权利要求7所述的毫米波系统的波束空间信道估计方法，其特征在于，其中在对全卷积去噪神经网络进行训练之前，还包括对信道估计参数进行数据处理，利用LAMP算法得到第一信道估计值
Figure FDA00023369493000000310
其中第一信道估计值
Figure FDA00023369493000000311
具体表示为：
Figure FDA00023369493000000312
其中ωt表示选择网络矩阵W的调节参数，η表示LAMP算法中降噪器的函数，
Figure FDA00023369493000000313
表示迭代过程中得到的某一次信道估计值，其中Ct为ωtW的共轭矩阵，W为选择网络矩阵，vt表示迭代过程中得到的信道估计值
Figure FDA00023369493000000314
对应的残余误差，αt是可调参数，M为天线的数量，t为LAMP算法的迭代次数。
9.如权利要求8所述的毫米波系统的波束空间信道估计方法，其特征在于，利用训练后的全卷积去噪神经网络，对LAMP算法得到的第一信道估计值进行处理，得到第二信道估计值
Figure FDA00023369493000000315
具体表示为：
Figure FDA00023369493000000316
其中FD表示去噪子网CNND的函数，FE是噪声估计子网CNNE的函数，PE是噪声估计子网CNNE的子网参数，PD是去噪子网CNND的子网参数，
Figure FDA0002336949300000041
表示迭代过程中得到的某一次信道估计值，其中Ct为ωtW的共轭矩阵，ωt表示选择网络矩阵W的调节参数，W表示选择网络矩阵，vt表示迭代过程中得到的信道估计值
Figure FDA0002336949300000042
对应的残余误差，t为LAMP算法的迭代次数。
10.一种毫米波系统的波束空间信道估计系统，其特征在于，包括了估计处理器以及输出单元；
估计处理器用于执行上述权利要求1-9任一项所述的毫米波系统的波束空间信道估计方法；
输出单元，用于进行信道估计值的输出。
CN201911360048.2A 2019-12-25 2019-12-25 一种毫米波系统的波束空间信道估计方法及系统 Active CN111030952B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911360048.2A CN111030952B (zh) 2019-12-25 2019-12-25 一种毫米波系统的波束空间信道估计方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911360048.2A CN111030952B (zh) 2019-12-25 2019-12-25 一种毫米波系统的波束空间信道估计方法及系统

Publications (2)

Publication Number Publication Date
CN111030952A true CN111030952A (zh) 2020-04-17
CN111030952B CN111030952B (zh) 2022-05-10

Family

ID=70213422

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911360048.2A Active CN111030952B (zh) 2019-12-25 2019-12-25 一种毫米波系统的波束空间信道估计方法及系统

Country Status (1)

Country Link
CN (1) CN111030952B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112565118A (zh) * 2020-11-25 2021-03-26 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
CN112946564A (zh) * 2021-04-12 2021-06-11 西北大学 基于dnn的波束空间的doa估计方法、装置及计算机存储介质
CN113300746A (zh) * 2021-05-24 2021-08-24 内蒙古大学 毫米波mimo天线与混合波束成形优化方法及系统
CN113489519A (zh) * 2021-07-07 2021-10-08 东南大学 一种面向非对称大规模mimo系统的无线通信传输方法
CN114707007A (zh) * 2022-06-07 2022-07-05 苏州大学 一种图像文本检索方法、装置及计算机存储介质
CN115022134A (zh) * 2022-06-28 2022-09-06 河南工业大学 基于非迭代重构网络的毫米波大规模mimo系统信道估计方法及系统
CN115606157A (zh) * 2020-05-14 2023-01-13 诺基亚技术有限公司（Fi） 天线阵列的信道估计
CN116319195A (zh) * 2023-04-04 2023-06-23 上海交通大学 基于剪枝卷积神经网络的毫米波和太赫兹信道估计方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109743268A (zh) * 2018-12-06 2019-05-10 东南大学 基于深度神经网络的毫米波信道估计和压缩方法
CN110365612A (zh) * 2019-06-17 2019-10-22 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
CN110417444A (zh) * 2019-07-08 2019-11-05 东南大学 一种基于深度学习的毫米波信道波束训练方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109743268A (zh) * 2018-12-06 2019-05-10 东南大学 基于深度神经网络的毫米波信道估计和压缩方法
CN110365612A (zh) * 2019-06-17 2019-10-22 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
CN110417444A (zh) * 2019-07-08 2019-11-05 东南大学 一种基于深度学习的毫米波信道波束训练方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115606157A (zh) * 2020-05-14 2023-01-13 诺基亚技术有限公司（Fi） 天线阵列的信道估计
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
CN112565118A (zh) * 2020-11-25 2021-03-26 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
CN112946564A (zh) * 2021-04-12 2021-06-11 西北大学 基于dnn的波束空间的doa估计方法、装置及计算机存储介质
CN112946564B (zh) * 2021-04-12 2024-02-02 西北大学 基于dnn的波束空间的doa估计方法、装置及计算机存储介质
CN113300746A (zh) * 2021-05-24 2021-08-24 内蒙古大学 毫米波mimo天线与混合波束成形优化方法及系统
CN113300746B (zh) * 2021-05-24 2022-04-15 内蒙古大学 毫米波mimo天线与混合波束成形优化方法及系统
CN113489519A (zh) * 2021-07-07 2021-10-08 东南大学 一种面向非对称大规模mimo系统的无线通信传输方法
CN114707007B (zh) * 2022-06-07 2022-08-30 苏州大学 一种图像文本检索方法、装置及计算机存储介质
CN114707007A (zh) * 2022-06-07 2022-07-05 苏州大学 一种图像文本检索方法、装置及计算机存储介质
CN115022134A (zh) * 2022-06-28 2022-09-06 河南工业大学 基于非迭代重构网络的毫米波大规模mimo系统信道估计方法及系统
CN115022134B (zh) * 2022-06-28 2024-01-30 河南工业大学 基于非迭代重构网络的毫米波大规模mimo系统信道估计方法及系统
CN116319195A (zh) * 2023-04-04 2023-06-23 上海交通大学 基于剪枝卷积神经网络的毫米波和太赫兹信道估计方法
CN116319195B (zh) * 2023-04-04 2023-10-20 上海交通大学 基于剪枝卷积神经网络的毫米波和太赫兹信道估计方法

Also Published As

Publication number Publication date
CN111030952B (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
CN111030952B (zh) 一种毫米波系统的波束空间信道估计方法及系统
Van Der Veen Algebraic methods for deterministic blind beamforming
TW533714B (en) Method and apparatus for reduced rank channel estimation in a communications system
CN108832976B (zh) 一种大规模mimo系统的上行链路信道估计方法
WO2018179557A1 (en) Method for decoding symbol and receiver for receiving and decoding symbol
CN107947881B (zh) 一种混合高斯噪声稀疏贝叶斯频谱感知方法
CN112995892B (zh) 基于复数神经网络的大规模mimo指纹定位方法
CN110855585A (zh) 一种毫米波大规模mimo系统的信道估计方法
CN112039564B (zh) 一种卫星大规模mimo广覆盖预编码传输方法
CN113438682B (zh) 一种基于波束成形的sage-bem 5g无线信道参数提取方法
CN114268388A (zh) 一种在大规模mimo中基于改进gan网络的信道估计方法
Zhao et al. Deep Learning-Based channel estimation with SRGAN in OFDM Systems
Myronchuk et al. Two-stage method for joint estimation of information symbols and channel frequency response in OFDM communication systems
Guo et al. Deep learning for joint channel estimation and feedback in massive MIMO systems
CN114285444B (zh) 一种去蜂窝大规模mimo系统的功率优化方法
CN115022134B (zh) 基于非迭代重构网络的毫米波大规模mimo系统信道估计方法及系统
CN106788648A (zh) 一种智能天线系统的自适应波束形成方法
CN108199990B (zh) 一种非高斯噪声3d-mimo信道估计方法
CN114726686B (zh) 一种均匀面阵毫米波大规模mimo信道估计方法
CN111313943A (zh) 深度学习辅助的大规模天线阵列下的三维定位方法及装置
CN111865844B (zh) 大规模mimo全双工中继系统信道估计方法和装置
CN107231322B (zh) 一种基于压缩感知的双层异构网络干扰信道迭代估计方法
Rahman et al. Channel estimation for indoor massive MIMO visible light communication with deep residual convolutional blind denoising network
CN106878997A (zh) 一种分布式网络中的贝叶斯压缩频谱感知方法
CN108900210B (zh) 一种多模测控信号的并行干扰消除方法及系统

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