CN111555992A - 一种基于深度卷积神经网络的大规模多天线信道估计方法 - Google Patents
一种基于深度卷积神经网络的大规模多天线信道估计方法 Download PDFInfo
- Publication number
- CN111555992A CN111555992A CN202010413758.3A CN202010413758A CN111555992A CN 111555992 A CN111555992 A CN 111555992A CN 202010413758 A CN202010413758 A CN 202010413758A CN 111555992 A CN111555992 A CN 111555992A
- Authority
- CN
- China
- Prior art keywords
- channel
- antenna
- neural network
- convolutional neural
- deep convolutional
- 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
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
-
- 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
- H04L25/0212—Channel estimation of impulse response
-
- 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
- H04L25/0224—Channel estimation using sounding signals
- H04L25/0228—Channel estimation using sounding signals with direct estimation from sounding signals
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
一种基于深度卷积神经网络的大规模多天线信道估计方法,属于无线通信技术领域。发射天线向接收天线发送OFDM数据块,经过无线多径信道传播后,接收到对应的归一化导频信号,按行堆叠得大规模多天线信道估计模型;构建深度卷积神经网络并进行权重训练后,对堆叠信道冲击响应进行估计,得到估计堆叠信道冲击响应;对估计堆叠信道冲击响应中对应于发射天线的子信道向量,选取构成估计稀疏支撑集;优化与各个发射天线相对应的估计稀疏支撑集,得到联合估计稀疏支撑集,进一步得到大规模多天线的精细化信道估计。在噪声强度较大的情况下,可准确地估计大规模多天线信道,有效提高大规模多天线信道估计精度,并有效降低信道估计时延。
Description
技术领域
本发明属于无线通信技术领域,尤其是涉及一种基于深度卷积神经网络的大规模多天线信道估计方法。
背景技术
由于可以显著提高数据传输速率和频谱效率,大规模多天线技术在5G通信系统中得到了广泛的应用。但随着天线数目的不断增大,大规模多天线信道估计的难度也在不断提升。同时,在低延迟通信场景中,信道复杂的时变特性不利于采用传统复杂方法或基于迭代的信道估计算法进行实时的信道估计。因此,需要设计一种能准确估计大规模多天线信道的方法,且所需估计时延较低,以满足未来不断增长的通信需求。
现有大规模多天线信道估计方法性能有待进一步提升,尤其是在天线规模较大的条件下,所需资源开销显著增大。如传统的采用时域或频域的训练序列信道估计方法,随着天线规模增大,相应会产生大量训练序列资源开销,降低频谱效率。现有的基于压缩感知的信道估计方法利用无线信道的稀疏特性,采用压缩感知恢复信道,能在一定程度上减少所需训练序列的开销并提升估计精度,如中国专利申请公布号为CN104052691A的专利提出了一种基于压缩感知的MIMO-OFDM系统信道估计方法,中国专利申请公布号CN105681232A提出了一种基于共享信道和压缩感知的MIMO信道估计方法;但是,在背景噪声较强、采样数据欠缺、稀疏度较高等恶劣复杂场景下,基于压缩感知的信道估计方法准确性受限,且压缩感知的高计算复杂度和大量迭代过程造成较大时延,较难满足低时延场景的需求。
发明内容
本发明的目的是针对现有技术存在的上述问题,提供利用深度卷积神经网络估计大规模多天线系统的稀疏化信道信息,并利用多天线子信道之间的空间相关性,进一步提升信道估计精度,能够准确、快速地估计大规模多天线信道,并降低信道估计时延的一种基于深度卷积神经网络的大规模多天线信道估计方法。
本发明包括以下步骤:
1)在具有Nt个发射天线、Nr个接收天线的大规模多天线系统中,由第t个发射天线向第r个接收天线发送的长为N的OFDM数据块为x(t),其对应的子信道的信道冲击响应为h(t),信道的最大延迟拓展长度为L;所述OFDM数据块经过无线多径信道传播后,在第r个接收天线上接收到的对应于第t个发射天线的Np个归一化导频信号为u(t);
2)按行堆叠第r个接收天线接收到的来自所有发射天线的Nt个所述归一化导频信号u(t),t=1,2,...,Nt,构成长度为NtNp的堆叠归一化导频向量u,并得到大规模多天线信道估计模型;
3)构建深度卷积神经网络,采用大规模多天线信道的训练数据集对深度卷积神经网络的权重进行训练,使其能够有效估计大规模多天线信道;
在步骤2)中,所述大规模多天线信道估计模型由公式给出,其中h为长度为NtL的堆叠信道冲击响应,Φ为NtNp×NtL维的块对角观测矩阵,其对角块为对应于各个天线的所述部分离散傅里叶变换矩阵所述大规模多天线信道由多个子信道组成,所述堆叠归一化导频向量由公式给出,相应的所述堆叠信道冲击响应由公式给出。
在步骤3)中,进行所述深度卷积神经网络训练前,首先需要构造所述深度卷积神经网络,其包含若干个卷积层和若干个反卷积层;在训练网络权重之前,需要对所述堆叠信道冲击响应、所述深度卷积神经网络权重Θ及网络层数l进行初始化;所述深度卷积神经网络的输入为按照无线多天线多径衰落信道分布随机产生的或者实际测量所得的训练数据集其中D为样本数,ud为样本d的所述堆叠归一化导频向量,为样本d的所述堆叠信道冲击响应;每个所述压缩算子Ci,i=1,2,...,NL均由被线性整流单元分隔的两个卷积层组成;所述软阈值判决方法为由公式给出,其中为所述估计堆叠信道冲击响应的第i个元素。
所述深度卷积神经网络训练过程为:当网络层数为l时,输入所述堆叠归一化导频向量u,根据公式产生中间值rl,β为步长;利用权重可学习的压缩算子Cl对所述中间值rl进行压缩,并进行软阈值判决,阈值设为θl;采用对应于所述压缩算子Cl的逆过程的解压缩算子对所述软阈值判决的所得结果进行解压缩,根据公式得到第l层所述估计堆叠信道冲击响应通过最小化所述深度卷积神经网络的第l层损失函数,更新前l层的网络权重若第l层损失函数小于第l-1层损失函数,增加层数l←l+1;重复步骤3中所述训练过程,直至第l层损失函数大于第l-1层损失函数时,训练结束;得到最佳网络层数为NL←l-1,最优网络权重为
所述深度卷积神经网络的第l层损失函数公式如下:
其中,δ为一个常数,其用于权衡信道估计精度与压缩-解压缩算子可逆性。
在步骤5)中,所述Nt个子信道向量是稀疏的,K为对应于所述Nt个子信道的所述信道冲击响应向量的稀疏度或稀疏度上界。
在步骤6)中,所述大规模多天线子信道之间具有空间相关性,即所述大规模多天线子信道的信道冲击响应具有相同的所述估计稀疏支撑集;对各个天线所对应的所述估计稀疏支撑集取交集,得到所述联合估计稀疏支撑集所述联合估计稀疏支撑集由公式给出;
所述精细化信道估计的获取方法为,通过在所述联合估计稀疏支撑集上进行最小二乘法求解,根据公式得到所述精细化信道估计其中为由所述部分离散傅里叶变换矩阵对应于所述联合估计稀疏支撑集的K列构成的Np×K维矩阵,为所述精细化信道估计对应于所述联合估计稀疏支撑集的部分,为所述联合估计稀疏支撑集的补集。
本发明利用深度卷积神经网络估计大规模多天线信道的延时域稀疏信息,并根据多天线的多个子信道之间的空间相关性进行优化,进一步提升信道估计精度。本发明提供的方法在噪声强度较大的情况下,可准确地估计大规模多天线信道,有效提高大规模多天线信道估计精度,并有效降低信道估计时延。
附图说明
图1为本发明实施例的深度卷积神经网络结构图。
具体实施方式
为了能够更清楚地理解本发明的技术内容,以下实施例将结合附图对本发明作进一步说明。
本发明包括以下步骤:
步骤1:在具有Nt个发射天线、Nr个接收天线的大规模多天线系统中,由第t个发射天线向第r个接收天线发送的长为N的OFDM数据块为x(t),其对应的子信道的信道冲击响应为h(t),信道的最大延迟拓展长度为L。所述OFDM数据块经过无线多径信道传播后,在第r个接收天线上接收到的对应于第t个发射天线的Np个归一化导频信号为u(t)。所述第t个发射天线的导频位置由导频位置集合给出,其中任意一个导频下标为随机分布在N个OFDM子载波上;各个发射天线的所述导频位置集合相互正交。所述归一化导频信号u(t)由公式给出,其中为部分离散傅里叶变换矩阵,其第(n,k)项为 为相应频域背景噪声。
步骤2:按行堆叠第r个接收天线接收到的来自所有发射天线的Nt个所述归一化导频信号u(t),t=1,2,...,Nt,构成长度为NtNp的堆叠归一化导频向量u,并得到大规模多天线信道估计模型。所述大规模多天线信道估计模型由公式给出,其中h为长度为NtL的堆叠信道冲击响应,Φ为NtNp×NtL维的块对角观测矩阵,其对角块为对应于各个天线的所述部分离散傅里叶变换矩阵所述大规模多天线信道由多个子信道组成,所述堆叠归一化导频向量由公式给出,相应的所述堆叠信道冲击响应由公式给出。
步骤3:构建深度卷积神经网络,采用大规模多天线信道的训练数据集对深度卷积神经网络的权重进行训练,使其能够有效估计大规模多天线信道。所述深度卷积神经网络训练过程为:当网络层数为l时,输入所述堆叠归一化导频向量u,根据公式产生中间值rl,β为步长;利用权重可学习的压缩算子Cl对所述中间值rl进行压缩,并进行软阈值判决,阈值设为θl;采用对应于所述压缩算子Cl的逆过程的解压缩算子对所述软阈值判决的所得结果进行解压缩,根据公式得到第l层所述估计堆叠信道冲击响应通过最小化所述深度卷积神经网络的第l层损失函数,更新前l层的网络权重若第l层损失函数小于第l-1层损失函数,增加层数l←l+1;重复步骤3中所述训练过程,直至第l层损失函数大于第l-1层损失函数时,训练结束;得到最佳网络层数为NL←l-1,最优网络权重为
步骤4:利用已训练的深度卷积神经网络,对所述堆叠信道冲击响应进行估计,得到估计堆叠信道冲击响应当实际进行信道估计时,输入测试数据utest、所述最优网络权重和所述最佳网络层数NL,得到所述估计堆叠信道冲击响应记作
步骤5:对所述估计堆叠信道冲击响应中对应于Nt个发射天线的Nt个子信道向量,分别选取具有最大幅值的K个元素对应的下标位置,构成Nt个估计稀疏支撑集Π(t),t=1,2,...,Nt。所述Nt个子信道向量是稀疏的,K为对应于所述Nt个子信道的所述信道冲击响应向量的稀疏度或稀疏度上界。
步骤6:利用大规模多天线子信道之间的空间相关性,优化与各个发射天线相对应的所述估计稀疏支撑集Π(t),得到联合估计稀疏支撑集根据所述联合估计稀疏支撑集得到大规模多天线的精细化信道估计所述大规模多天线子信道之间具有空间相关性,即所述大规模多天线子信道的信道冲击响应具有相同的所述估计稀疏支撑集。对各个天线所对应的所述估计稀疏支撑集取交集,得到所述联合估计稀疏支撑集所述联合估计稀疏支撑集由公式给出。所述精细化信道估计的获取方法为,通过在所述联合估计稀疏支撑集上进行最小二乘法求解,根据公式得到所述精细化信道估计其中为由所述部分离散傅里叶变换矩阵对应于所述联合估计稀疏支撑集的K列构成的Np×K维矩阵,为所述精细化信道估计对应于所述联合估计稀疏支撑集的部分,为所述联合估计稀疏支撑集的补集。
进行所述深度卷积神经网络训练前,首先需要构造所述深度卷积神经网络,其包含若干个卷积层和若干个反卷积层;在训练网络权重之前,需要对所述堆叠信道冲击响应、所述深度卷积神经网络权重Θ及网络层数l进行初始化;所述深度卷积神经网络的输入为按照无线多天线多径衰落信道分布随机产生的或者实际测量所得的训练数据集其中D为样本数,ud为样本d的所述堆叠归一化导频向量,为样本d的所述堆叠信道冲击响应;每个所述压缩算子Ci,i=1,2,...,NL均由被线性整流单元分隔的两个卷积层组成;所述软阈值判决方法为由公式给出,其中为所述估计堆叠信道冲击响应的第i个元素。
以下给出具体实施例。
依照本发明实施例的深度卷积神经网络结构如图1所示,利用该深度卷积神经网络能够有效估计大规模多天线信道。一种基于深度卷积神经网络的大规模多天线信道估计方法包括以下步骤:
步骤1:在具有8个发射天线、8个接收天线的大规模多天线系统中,由第t个发射天线向第r个接收天线发送的长为4096的OFDM数据块为x(t),其对应的子信道的信道冲击响应为h(t),信道的最大延迟拓展长度为256。所述第t个发射天线的25个导频位置由导频位置集合给出,其中任意一个导频下标为导频随机分布在4096个OFDM子载波上。各个发射天线的所述导频位置集合相互正交。所述OFDM数据块经过无线多径信道传播后,在第r个接收天线上接收到的对应于第t个发射天线的25个归一化导频信号为u(t)。
步骤2:按行堆叠第r个接收天线接收到的来自所有发射天线的8个所述归一化导频信号u(t),t=1,2,...,8,构成长度为200的堆叠归一化导频向量u,并得到大规模多天线信道估计模型。
步骤3:采用大规模多天线信道的训练数据集对如图1所示深度卷积神经网络的权重进行训练,使其能够有效估计大规模多天线信道。
首先构造如图1所述深度卷积神经网络,其包含2个卷积层和2个反卷积层。第一层为卷积层,输入为128×32×32×1,包含有128个5×5的卷积核,步长为1,输出大小为128×28×28×128。第二层为卷积层,输入为128×28×28×128,包含有128个5×5的卷积核,步长为1,输出大小为128×24×24×128。第三层为反卷积层,输入为128×24×24×128,包含有128个5×5的卷积核,步长为1,输出大小为128×28×28×128。第四层为反卷积层,输入为128×28×28×128,包含有128个5×5的卷积核,步进为1,输出大小为128×32×32×1。网络采用线性整流单元作为激活函数。
其次初始化所述堆叠信道冲击响应所述深度卷积神经网络权重Θ及网络层数l←1;所述深度卷积神经网络的输入为按照无线多天线多径衰落信道分布随机产生的或者实际测量所得的训练数据集其中样本数D为1000,ud为样本d的所述堆叠归一化导频向量,为样本d的所述堆叠信道冲击响应。
图1所述深度卷积神经网络训练过程为:当网络层数为l时,输入所述堆叠归一化导频向量u,根据公式产生中间值rl,β为步长;利用权重可学习的压缩算子Cl对所述中间值rl进行压缩,并进行软阈值判决,阈值设为θl;采用对应于所述压缩算子Cl的逆过程的解压缩算子对所述软阈值判决的所得结果进行解压缩,根据公式得到第l层所述估计堆叠信道冲击响应通过最小化所述深度卷积神经网络的第l层损失函数更新前l层的网络权重若第l层损失函数小于第l-1层损失函数,增加层数l←l+1;重复步骤3中所述训练过程,直至第l层损失函数大于第l-1层损失函数时,训练结束;得到最佳网络层数为NL=3,最优网络权重为所述深度卷积神经网络学习率设为0.0001,所述δ常数为0.05。
Claims (10)
1.一种基于深度卷积神经网络的大规模多天线信道估计方法,其特征在于包括以下步骤:
1)在具有Nt个发射天线、Nr个接收天线的大规模多天线系统中,由第t个发射天线向第r个接收天线发送的长为N的OFDM数据块为x(t),其对应的子信道的信道冲击响应为h(t),信道的最大延迟拓展长度为L;OFDM数据块经过无线多径信道传播后,在第r个接收天线上接收到的对应于第t个发射天线的Np个归一化导频信号为u(t);
2)按行堆叠第r个接收天线接收到的来自所有发射天线的Nt个归一化导频信号u(t),t=1,2,...,Nt,构成长度为NtNp的堆叠归一化导频向量u,并得到大规模多天线信道估计模型;
3)构建深度卷积神经网络,采用大规模多天线信道的训练数据集对深度卷积神经网络的权重进行训练,使其能够有效估计大规模多天线信道;
5.如权利要求1所述一种基于深度卷积神经网络的大规模多天线信道估计方法,其特征在于在步骤3)中,进行深度卷积神经网络训练前,首先需要构造深度卷积神经网络,其包含若干个卷积层和若干个反卷积层;在训练网络权重之前,需要对堆叠信道冲击响应、深度卷积神经网络权重Θ及网络层数l进行初始化;深度卷积神经网络的输入为按照无线多天线多径衰落信道分布随机产生的或者实际测量所得的训练数据集其中D为样本数,ud为样本d的堆叠归一化导频向量,为样本d的堆叠信道冲击响应;每个压缩算子Ci,i=1,2,...,NL均由被线性整流单元分隔的两个卷积层组成;软阈值判决方法为由公式给出,其中为估计堆叠信道冲击响应的第i个元素。
6.如权利要求1所述一种基于深度卷积神经网络的大规模多天线信道估计方法,其特征在于在步骤3)中,深度卷积神经网络训练过程为:当网络层数为l时,输入堆叠归一化导频向量u,根据公式产生中间值rl,β为步长;利用权重可学习的压缩算子Cl对中间值rl进行压缩,并进行软阈值判决,阈值设为θl;采用对应于压缩算子Cl的逆过程的解压缩算子对软阈值判决的所得结果进行解压缩,根据公式得到第l层估计堆叠信道冲击响应通过最小化深度卷积神经网络的第l层损失函数,更新前l层的网络权重若第l层损失函数小于第l-1层损失函数,增加层数l←l+1;重复步骤3中训练过程,直至第l层损失函数大于第l-1层损失函数时,训练结束;得到最佳网络层数为NL←l-1,最优网络权重为
9.如权利要求1所述一种基于深度卷积神经网络的大规模多天线信道估计方法,其特征在于在步骤5)中,Nt个子信道向量是稀疏的,K为对应于Nt个子信道的信道冲击响应向量的稀疏度或稀疏度上界。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010413758.3A CN111555992B (zh) | 2020-05-15 | 2020-05-15 | 一种基于深度卷积神经网络的大规模多天线信道估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010413758.3A CN111555992B (zh) | 2020-05-15 | 2020-05-15 | 一种基于深度卷积神经网络的大规模多天线信道估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111555992A true CN111555992A (zh) | 2020-08-18 |
CN111555992B CN111555992B (zh) | 2021-08-24 |
Family
ID=72004832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010413758.3A Active CN111555992B (zh) | 2020-05-15 | 2020-05-15 | 一种基于深度卷积神经网络的大规模多天线信道估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111555992B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112511469A (zh) * | 2020-11-27 | 2021-03-16 | 厦门大学 | 一种基于深度学习的稀疏水声信道估计方法 |
CN112615801A (zh) * | 2020-12-16 | 2021-04-06 | 西安交通大学 | 基于压缩感知和深度学习的信道估计方法、介质及设备 |
CN113114603A (zh) * | 2021-04-20 | 2021-07-13 | 西安科技大学 | 一种mimo-ofdm系统的信息恢复方法及装置 |
CN113422745A (zh) * | 2021-06-17 | 2021-09-21 | 中山大学 | 一种基于深度学习的空海无线信道估计方法 |
CN114338294A (zh) * | 2020-12-21 | 2022-04-12 | 重庆邮电大学 | 一种超大规模多天线系统中低复杂度的信道估计方法 |
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 |
CN115560795A (zh) * | 2022-12-02 | 2023-01-03 | 小米汽车科技有限公司 | 适用于充电设备的风道阻塞检测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108833313A (zh) * | 2018-07-12 | 2018-11-16 | 北京邮电大学 | 一种基于卷积神经网络的无线信道估计方法及装置 |
CN110336761A (zh) * | 2019-07-12 | 2019-10-15 | 电子科技大学 | 毫米波大规模mimo系统的波束空间信道估计方法 |
US20190356516A1 (en) * | 2018-05-18 | 2019-11-21 | Parallel Wireless, Inc. | Machine Learning for Channel Estimation |
-
2020
- 2020-05-15 CN CN202010413758.3A patent/CN111555992B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190356516A1 (en) * | 2018-05-18 | 2019-11-21 | Parallel Wireless, Inc. | Machine Learning for Channel Estimation |
CN108833313A (zh) * | 2018-07-12 | 2018-11-16 | 北京邮电大学 | 一种基于卷积神经网络的无线信道估计方法及装置 |
CN110336761A (zh) * | 2019-07-12 | 2019-10-15 | 电子科技大学 | 毫米波大规模mimo系统的波束空间信道估计方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112511469A (zh) * | 2020-11-27 | 2021-03-16 | 厦门大学 | 一种基于深度学习的稀疏水声信道估计方法 |
CN112615801A (zh) * | 2020-12-16 | 2021-04-06 | 西安交通大学 | 基于压缩感知和深度学习的信道估计方法、介质及设备 |
CN112615801B (zh) * | 2020-12-16 | 2021-11-19 | 西安交通大学 | 基于压缩感知和深度学习的信道估计方法、介质及设备 |
CN114338294A (zh) * | 2020-12-21 | 2022-04-12 | 重庆邮电大学 | 一种超大规模多天线系统中低复杂度的信道估计方法 |
CN114338294B (zh) * | 2020-12-21 | 2023-06-09 | 重庆邮电大学 | 一种超大规模多天线系统中低复杂度的信道估计方法 |
CN113114603A (zh) * | 2021-04-20 | 2021-07-13 | 西安科技大学 | 一种mimo-ofdm系统的信息恢复方法及装置 |
CN113114603B (zh) * | 2021-04-20 | 2022-02-18 | 西安科技大学 | 一种mimo-ofdm系统的信息恢复方法及装置 |
CN113422745A (zh) * | 2021-06-17 | 2021-09-21 | 中山大学 | 一种基于深度学习的空海无线信道估计方法 |
CN113422745B (zh) * | 2021-06-17 | 2022-04-22 | 中山大学 | 一种基于深度学习的空海无线信道估计方法 |
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 |
CN115560795A (zh) * | 2022-12-02 | 2023-01-03 | 小米汽车科技有限公司 | 适用于充电设备的风道阻塞检测方法及装置 |
CN115560795B (zh) * | 2022-12-02 | 2023-07-04 | 小米汽车科技有限公司 | 适用于充电设备的风道阻塞检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111555992B (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111555992B (zh) | 一种基于深度卷积神经网络的大规模多天线信道估计方法 | |
CN109743268B (zh) | 基于深度神经网络的毫米波信道估计和压缩方法 | |
CN113472706B (zh) | 一种基于深度神经网络的mimo-ofdm系统信道估计方法 | |
TWI463823B (zh) | 相關性衰落通道的模型基礎通道估計器和通道估計方法 | |
CN108881076B (zh) | 一种基于压缩感知的mimo-fbmc/oqam系统信道估计方法 | |
CN113691288B (zh) | 基于深度学习的联合导频、反馈、多用户混合编码方法 | |
CN108365874B (zh) | 基于fdd大规模mimo贝叶斯压缩感知信道估计方法 | |
CN103763223B (zh) | 基于信道空时相关性的稀疏mimo-ofdm信道估计方法 | |
CN110430150B (zh) | 一种基于神经网络的蜂窝移动通信系统接收机设计方法 | |
CN113179231A (zh) | 一种毫米波大规模mimo系统中波束空间信道估计方法 | |
CN110650103B (zh) | 利用冗余字典加强稀疏性的透镜天线阵列信道估计方法 | |
CN106453162A (zh) | 针对多输入多输出正交频分复用系统的信道估计方法 | |
CN104869086A (zh) | 基于二维压缩感知的mimo-ofdm通信系统下行信道估计方法、装置 | |
WO2007058218A1 (ja) | 信号分離方法および信号分離装置 | |
CN113162665A (zh) | 一种基于深度学习信道预测的预编码方法 | |
CN116192209A (zh) | 一种mimo信道下空中计算联邦学习的梯度上传方法 | |
JP2009505554A (ja) | Mimo−ofdmシステムにおけるチャネル推定方法およびチャネル推定のためのトレーニング信号生成方法 | |
CN114884775A (zh) | 一种基于深度学习的大规模mimo系统信道估计方法 | |
CN112769462A (zh) | 一种基于联合参数学习的毫米波mimo宽带信道估计方法 | |
CN109039402B (zh) | 基于用户压缩的mimo拓扑干扰对齐方法 | |
CN113242203B (zh) | 高速移动环境下的ofdma上行载波频偏估测法及干扰抑制装置 | |
CN112737650B (zh) | 基于机器学习的mimo系统发射天线选择方法 | |
CN114884549A (zh) | 基于深度学习的大规模mimo信道状态信息反馈方法 | |
TW201944745A (zh) | 基於深度學習作為通道狀態資訊之回饋方法 | |
Anu et al. | CNN-based Channel Estimation using NOMA for mmWave Massive 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 |