CN111181671B - 一种基于深度学习的下行信道快速重建方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的下行信道快速重建方法，在频分双工模式下的大规模多输入多输出系统中，利用空间互异性可以在上行信道中估计出角度和时延这类与频率无关的参数，采用深度学习可以加速这一估计过程，辅助完成下行信道快速重建。首先将上行信道转换并画成二维彩色图像，并利用方形框对已知的上行信道图像标注图像中光斑的位置，接着利用深度学习中的一种先进的目标检测算法you only look once(YOLO)对这些样本进行训练，然后利用训练好的YOLO网络对未知上行信道图像中的光斑进行位置检测，输出紧紧包围目标光斑的方形框，以及方形框左上角和右下角的坐标，最后将输出的坐标转换为对应传播路径的信息，包括角度和时延，辅助重建下行信道。

Description

一种基于深度学习的下行信道快速重建方法

技术领域

本发明涉及一种基于深度学习的下行信道快速重建方法，特别涉及一种频分双工(FDD)大规模多输入多输出(MIMO)系统的基于深度学习的下行信道重建方法。

背景技术

大规模MIMO是第五代移动通信系统中的关键技术之一，该技术通过在相同的时频资源上对大量用户进行空间复用来提高频谱效率。如果在发射端获得了信道状态信息(CSI)，就可以根据当前的信道状况调整发送策略，从而提供高质量的移动服务。最小二乘(LS)和线性最小均方误差(LMMSE)是两种广泛使用的估计信道的线性方法。但是，当频分双工(FDD)与大规模MIMO结合使用时，空间互易性不成立。由于此时难以在信道相干时间内为基站(BS)上的大量天线设计正交的下行导频，而且需要消耗大量开销以反馈高维复信道矩阵，因此这些线性方法不再可行。针对下行链路CSI的获取已开展许多研究，目前广泛采用的策略是利用空间互易性来有效地重建FDD大规模MIMO下行链路信道。例如使用诸如牛顿正交匹配追踪(NOMP)，多重信号分类(MUSIC)和最小绝对值收敛和选择算法(LASSO)。然而，利用这些算法重建大规模MIMO下行链路信道需要巨大的计算复杂度和消耗较长的运算时间。因此，下行链路CSI的快速获取成为FDD大规模MIMO系统中的问题。

近年来深度学习的快速发展极大地提高了计算速度，深度学习的光明前景激发了基于深度学习的信道估计的大量研究。在处理信道估计问题时，可以利用深度学习中的目标检测算法，将上行信道转换并画成可识别的二维彩色图像，检测出图片中的信道信息，再将这些信息用于下行信道的重建。这种基于深度学习的信道估计比传统方法快得多，更健壮且更有前途。

综上所述，如何利用深度学习在FDD大规模MIMO快速准确地重建下行信道成为未来移动通信中的一个重要问题。

发明内容

为了克服现有技术存在的不足，本发明提供一种面向FDD系统的基于深度学习的下行信道快速重建方法，突破了FDD大规模MIMO系统下行信道重建计算复杂度过高的瓶颈，利用深度学习中的目标检测算法YOLO，实现FDD大规模MIMO系统下行信道的快速重建，同时保证了重建信道的可用性。

本发明为解决上述技术问题采用以下技术方案：

一种基于深度学习的下行信道快速重建方法，具体步骤如下：

(1)用户设备在带外发送上行导频信号，将从基站接收到的带外上行导频信号映射在时延-角度域，并转化为实矩阵，然后将实矩阵画成二维彩色图像，得到上行信道图像，将这些上行信道图像分为训练集、验证集和测试集，使用围绕光斑的方形框的左上角和右下角坐标对训练集和验证集图像中光斑的位置坐标进行标记(上行信道图像中的一个光斑对应信道中的一条传播路径，传播路径数目为L，满足L大于等于1，且光斑的位置坐标的标记包括但不限于以下实现形式：(x_l,min,y_l,min,x_l,max,y_l,max))；

(2)利用训练集对目标检测系统YOLO进行训练，并通过验证集进行验证；本发明中，训练的YOLO网络包括但不限于以下形式：YOLOv1，YOLOv2，YOLOv3，YOLO Nano。

(3)利用训练好的YOLO检测测试集上行信道图像中光斑的位置坐标，并对应地计算出上行信道中各个传播路径的角度和时延；

(4)利用牛顿正交匹配追踪算法估计上行信道增益，然后在下行链路发送少量的上行导频信号，然后使用最小二乘法根据反馈信号对上行信道的增益进行优化，得到下行信道增益；

(5)将YOLO检测并计算出的上行信道中各个传播路径的角度和时延，以及在下行信道中得到的下行信道增益输入下行信道模型中，完成下行信道重建。

作为本发明的进一步技术方案，所述步骤(1)中，将从基站接收到的带外上行导频信号[Y]∈C^M×N映射在时延-角度域得到

其中

和U_T分别是αM和βN维DFT矩阵的前M和N行，M和N分别是基站天线数和子载波数，α和β均为过采样因子；然后对

中的每一个元素取模并归一化，然后乘以δ＝255，得到

其中

表示

中第i行第j列的元素，将

画成二维彩色图像(所使用的画图函数包括但不仅限于以下形式：MATLAB的Pcolor)，得到对应的上行信道图像。

作为本发明的进一步技术方案，所述步骤(3)中，上行信道中第l条传播路径的角度

和时延

的关系是：

式中，(x_l,min,y_l,min)和(x_l,max,y_l,max)分别为上行信道图像中围绕第l个光斑的方形框的左上角坐标和右下角坐标。

作为本发明的进一步技术方案，步骤(2)中通过验证集的验证应满足以下条件：(1)输入验证集图像，得到的输出图像中应包含所有光斑的方形框；(2)输出图像中任意一个方形框都能够包围光斑；(3)检测出的光斑中心点坐标与其真实坐标的差异不大于0.5。

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.本方法将信道图像化，利用深度学习中的图像处理技术，在上行快速估计时延和角度后，然后发送少量下行导频，重新估计传播路径的增益并反馈，即可进行下行信道重建，大幅提高了FDD大规模MIMO系统中下行信道重建的速度，解决了传统信道重建模型复杂、耗时较长的问题；

2.本方法在快速完成下行信道的同时，保证了信道重建的质量，在低信噪比下，利用本方法进行下行信道重建比传统的LS和LMMSE的信道重建质量更好，误差更小。

附图说明

图1为本发明实施例的流程图。

图2为利用MATLAB将上行信道转换并画成二维图像展示图。

图3为上行信道图像及光斑坐标。

具体实施方式

下面结合附图对本发明的一个实施例进行说明。

本发明一种基于深度学习的下行信道快速重建方法，针对大规模MIMO无线传输系统，基站配置大规模天线阵列，将上行信道转换并画成二维彩色图像，利用深度学习中的一种目标检测算法YOLO对训练数据集进行训练，然后利用训练好的网络快速检测未知上行信道图像中的光斑位置，计算出该传播路径对应的角度和时延，与在下行信道中得到的增益一同重建下行信道。

具体的，基站重建带内信道所使用的信道信息包括但不仅限于：带外估计的L条传播路径的方向角、时延，以及带内重估的L条传播路径的增益。

实施例

在FDD大规模MIMO系统中，基站天线数为M，量级通常为10²、10³，用户设备采用单天线配置。为进行下行链路数据传输，基站需获取下行CSI，重建下行信道h_DL。本实施例将利用深度学习对h_DL进行重建，如图1所示，包括如下步骤：

步骤一：用户设备在带外发送上行导频信号，采用all-1导频，此时基站接收到的导频信号模型为

[Y]＝h_ULs+n

其中，[Y]∈C^M×N为基站接收到的导频信号，h_UL∈C^M×N为基站和用户设备之间的上行信道，s为用户设备发送的上行导频信号，n∈C^M×N为噪声。

上行信道具有如下表达式：

其中，L为传播路径数，

为第l条路径的上行增益；

为基站天线阵列响应，Θ_l＝(d/λ)sinθ_l∈[0,1)，d是天线间隔，λ是载波波长，θ_l为第l条传播路径的方向角；

N是子载波数，T_l＝Δfτ_l∈[0,1)，Δf是频率间隔，τ_l为第l条传播路径的方时延，其中τ_l和θ_l与载频无关，具有上下行互易性。

将基站接收到的带外导频信号[Y]利用DFT变换映射到时延-角度域，如下所示：

其中，

和U_T分别是αM和βN维DFT矩阵的前M和N行。

然后对

中的每一个元素取模并归一化，再乘以δ＝255，得到

如下所示：

其中，

表示

中第i行第j列的元素。

利用MATLAB中的Pcolor函数将实矩阵

画成二维彩色图像，得到对应的上行信道图像，如图2所示。

步骤二：将已知的2000张上行信道图像中的光斑位置用(x_l,min,y_l,min,x_l,max,y_l,max)标记出，如图3所示，并按照7：3的比例划分成训练集和验证集。

步骤三：利用训练集对YOLO网络进行训练，不断调参，得到在验证集上表现良好的网络。在验证集上表现良好的网络应满足以下条件：(1)输入验证集信道图像，得到的输出图像中应包含所有方形光斑的检测框；(2)输出图像中任意一个检测框都能够紧紧包围方形光斑；(3)检测出的方形光斑中心点坐标与其真实坐标的差异不大于0.5。

步骤四：利用训练好的YOLO网络对未知上行信道图像中的光斑位置进行检测，得到图像中每一个光斑对应的方形框的坐标(x_l,min,y_l,min,x_l,max,y_l,max)。

步骤五：利用YOLO检测出的上行信道图像光斑位置坐标与对应传播路径的角度和时延的关系为：

式中，

和

分别为上行信道中第l条传播路径的角度和时延，(x_l,min,y_l,min)和(x_l,max,y_l,max)分别为上行信道图像中围绕第l个光斑的方形框的左上角坐标和右下角坐标。

步骤六：利用牛顿正交匹配追踪算法估计上行信道增益，然后在下行链路发送少量的all-1导频，然后使用最小二乘法根据反馈信号对上行信道的增益进行优化，得到下行信道中第l条传播路径的下行复增益

步骤七：基站利用训练好的YOLO网络在上行链路中检测出的L条传播路径的角度、时延以及在下行信道估计出的的L条传播路径的增益值，重建下行信道。下行信道可以表示为：

本发明公开了一种基于深度学习的下行信道快速重建方法，在频分双工模式下的大规模多输入多输出系统中，利用空间互异性可以在上行信道中估计出角度和时延这类与频率无关的参数，采用深度学习可以加速这一估计过程，辅助完成下行信道快速重建。首先将上行信道转换并画成二维彩色图像，并利用方形框对已知的上行信道图像标注图像中光斑的位置，接着利用深度学习中的一种先进的目标检测算法you only look once(YOLO)对这些样本进行训练，然后利用训练好的YOLO网络对未知上行信道图像中的光斑进行位置检测，输出紧紧包围目标光斑的方形框，以及方形框左上角和右下角的坐标，最后将输出的坐标转换为对应传播路径的信息，包括角度和时延，辅助重建下行信道。该发明克服了大规模多输入多输出系统上行信道估计消耗时间长、计算量大的困难，尤其克服了频分双工模式下大规模多输入多输出系统下行信道重建过程缓慢的困难。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (2)

1.一种基于深度学习的下行信道快速重建方法，其特征在于，具体步骤如下：

(1)用户设备在带外发送上行导频信号，将从基站接收到的带外上行导频信号映射在时延-角度域，并转化为实矩阵，然后将实矩阵画成二维彩色图像，得到上行信道图像，将这些上行信道图像分为训练集、验证集和测试集，使用围绕光斑的方形框的左上角和右下角坐标对训练集和验证集图像中光斑的位置坐标进行标记；

其中，将从基站接收到的带外上行导频信号[Y]∈C^M×N映射在时延-角度域得到

其中

和U_T分别是αM和βN维DFT矩阵的前M和N行，M和N分别是基站天线数和子载波数，α和β均为过采样因子；然后对

中的每一个元素取模并归一化，然后乘以δ＝255，得到

其中

表示

中第i行第j列的元素，将

画成二维彩色图像，得到对应的上行信道图像；

(2)利用训练集对目标检测系统YOLO进行训练，并通过验证集进行验证；

(3)利用训练好的YOLO检测测试集上行信道图像中光斑的位置坐标，并对应地计算出上行信道中各个传播路径的角度和时延；其中，上行信道中第l条传播路径的角度

和时延

的关系是：

式中，(x_l,min,y_l,min)和(x_l,max,y_l,max)分别为上行信道图像中围绕第l个光斑的方形框的左上角坐标和右下角坐标；

(4)利用牛顿正交匹配追踪算法估计上行信道增益，然后在下行链路发送上行导频信号，使用最小二乘法根据反馈信号对上行信道的增益进行优化，得到下行信道增益；

(5)将YOLO检测并计算出的上行信道中各个传播路径的角度和时延，以及在下行信道中得到的下行信道增益输入下行信道模型中，完成下行信道重建。

2.根据权利要求1所述的一种基于深度学习的下行信道快速重建方法，其特征在于，步骤(2)中通过验证集的验证应满足以下条件：(1)输入验证集图像，得到的输出图像中应包含所有光斑的方形框；(2)输出图像中任意一个方形框都能够包围光斑；(3)检测出的光斑中心点坐标与其真实坐标的差异不大于0.5。

Images