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 PDF

Info

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
Application number
CN202010413758.3A
Other languages
English (en)
Other versions
CN111555992B (zh
Inventor
刘思聪
黄潇
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.)
Xiamen University
Original Assignee
Xiamen 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 Xiamen University filed Critical Xiamen University
Priority to CN202010413758.3A priority Critical patent/CN111555992B/zh
Publication of CN111555992A publication Critical patent/CN111555992A/zh
Application granted granted Critical
Publication of CN111555992B publication Critical patent/CN111555992B/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
    • 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

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
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；
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
Figure BDA0002494182470000021
5)对所述估计堆叠信道冲击响应
Figure BDA0002494182470000022
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；
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
Figure BDA0002494182470000023
根据所述联合估计稀疏支撑集
Figure BDA0002494182470000024
得到大规模多天线的精细化信道估计
Figure BDA0002494182470000025
在步骤1)中，所述第t个发射天线的导频位置由导频位置集合
Figure BDA0002494182470000026
给出，其中任意一个导频下标为
Figure BDA0002494182470000027
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。
在步骤1)中，所述归一化导频信号u(t)由公式
Figure BDA0002494182470000028
给出，其中
Figure BDA0002494182470000029
为部分离散傅里叶变换矩阵，其第(n,k)项为
Figure BDA00024941824700000210
Figure BDA00024941824700000211
为相应频域背景噪声。
在步骤2)中，所述大规模多天线信道估计模型由公式
Figure BDA00024941824700000212
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
Figure BDA00024941824700000213
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
Figure BDA00024941824700000214
给出，相应的所述堆叠信道冲击响应由公式
Figure BDA0002494182470000031
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
Figure BDA0002494182470000032
其中D为样本数，ud为样本d的所述堆叠归一化导频向量，
Figure BDA0002494182470000033
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
Figure BDA0002494182470000034
给出，其中
Figure BDA0002494182470000035
为所述估计堆叠信道冲击响应
Figure BDA0002494182470000036
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
Figure BDA0002494182470000037
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
Figure BDA0002494182470000038
对所述软阈值判决的所得结果进行解压缩，根据公式
Figure BDA0002494182470000039
得到第l层所述估计堆叠信道冲击响应
Figure BDA00024941824700000310
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
Figure BDA00024941824700000311
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
Figure BDA00024941824700000312
所述深度卷积神经网络的第l层损失函数公式如下：
Figure BDA00024941824700000313
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4)中，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
Figure BDA00024941824700000314
和所述最佳网络层数NL，得到所述估计堆叠信道冲击响应
Figure BDA00024941824700000315
记作
Figure BDA00024941824700000316
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
Figure BDA0002494182470000041
取交集，得到所述联合估计稀疏支撑集
Figure BDA0002494182470000042
所述联合估计稀疏支撑集
Figure BDA0002494182470000043
由公式
Figure BDA0002494182470000044
给出；
所述精细化信道估计
Figure BDA0002494182470000045
的获取方法为，通过在所述联合估计稀疏支撑集
Figure BDA0002494182470000046
上进行最小二乘法求解，根据公式
Figure BDA0002494182470000047
得到所述精细化信道估计
Figure BDA0002494182470000048
其中
Figure BDA0002494182470000049
为由所述部分离散傅里叶变换矩阵
Figure BDA00024941824700000410
对应于所述联合估计稀疏支撑集
Figure BDA00024941824700000411
的K列构成的Np×K维矩阵，
Figure BDA00024941824700000412
为所述精细化信道估计
Figure BDA00024941824700000413
对应于所述联合估计稀疏支撑集
Figure BDA00024941824700000414
的部分，
Figure BDA00024941824700000415
为所述联合估计稀疏支撑集
Figure BDA00024941824700000416
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
Figure BDA00024941824700000417
给出，其中任意一个导频下标为
Figure BDA00024941824700000418
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
Figure BDA0002494182470000051
给出，其中
Figure BDA0002494182470000052
为部分离散傅里叶变换矩阵，其第(n,k)项为
Figure BDA0002494182470000053
Figure BDA0002494182470000054
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
Figure BDA0002494182470000055
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
Figure BDA0002494182470000056
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
Figure BDA0002494182470000057
给出，相应的所述堆叠信道冲击响应由公式
Figure BDA0002494182470000058
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
Figure BDA0002494182470000059
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
Figure BDA00024941824700000510
对所述软阈值判决的所得结果进行解压缩，根据公式
Figure BDA00024941824700000511
得到第l层所述估计堆叠信道冲击响应
Figure BDA00024941824700000512
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
Figure BDA00024941824700000513
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
Figure BDA00024941824700000514
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
Figure BDA00024941824700000515
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
Figure BDA00024941824700000516
和所述最佳网络层数NL，得到所述估计堆叠信道冲击响应
Figure BDA00024941824700000517
记作
Figure BDA00024941824700000518
步骤5：对所述估计堆叠信道冲击响应
Figure BDA00024941824700000519
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
Figure BDA0002494182470000061
根据所述联合估计稀疏支撑集
Figure BDA0002494182470000062
得到大规模多天线的精细化信道估计
Figure BDA0002494182470000063
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
Figure BDA0002494182470000064
取交集，得到所述联合估计稀疏支撑集
Figure BDA0002494182470000065
所述联合估计稀疏支撑集
Figure BDA0002494182470000066
由公式
Figure BDA0002494182470000067
给出。所述精细化信道估计
Figure BDA0002494182470000068
的获取方法为，通过在所述联合估计稀疏支撑集
Figure BDA0002494182470000069
上进行最小二乘法求解，根据公式
Figure BDA00024941824700000610
得到所述精细化信道估计
Figure BDA00024941824700000611
其中
Figure BDA00024941824700000612
为由所述部分离散傅里叶变换矩阵
Figure BDA00024941824700000613
对应于所述联合估计稀疏支撑集
Figure BDA00024941824700000614
的K列构成的Np×K维矩阵，
Figure BDA00024941824700000615
为所述精细化信道估计
Figure BDA00024941824700000616
对应于所述联合估计稀疏支撑集
Figure BDA00024941824700000617
的部分，
Figure BDA00024941824700000618
为所述联合估计稀疏支撑集
Figure BDA00024941824700000619
的补集。
所述第l层损失函数由公式
Figure BDA00024941824700000620
给出，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。
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
Figure BDA00024941824700000621
其中D为样本数，ud为样本d的所述堆叠归一化导频向量，
Figure BDA00024941824700000622
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
Figure BDA00024941824700000623
给出，其中
Figure BDA00024941824700000624
为所述估计堆叠信道冲击响应
Figure BDA0002494182470000071
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
Figure BDA0002494182470000072
给出，其中任意一个导频下标为
Figure BDA0002494182470000073
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
Figure BDA0002494182470000074
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
Figure BDA0002494182470000075
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，
Figure BDA0002494182470000076
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
Figure BDA0002494182470000081
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
Figure BDA0002494182470000082
对所述软阈值判决的所得结果进行解压缩，根据公式
Figure BDA0002494182470000083
得到第l层所述估计堆叠信道冲击响应
Figure BDA0002494182470000084
通过最小化所述深度卷积神经网络的第l层损失函数
Figure BDA0002494182470000085
更新前l层的网络权重
Figure BDA0002494182470000086
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
Figure BDA0002494182470000087
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。
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。输入测试数据utest、所述最优网络权重
Figure BDA0002494182470000088
和所述最佳网络层数NL＝3，得到所述估计堆叠信道冲击响应
Figure BDA0002494182470000089
记作
Figure BDA00024941824700000810
步骤5：对所述估计堆叠信道冲击响应
Figure BDA00024941824700000811
中对应于8个发射天线的8个子信道向量，分别选取具有最大幅值的12个元素对应的下标位置，构成8个估计稀疏支撑集Π(t)，t＝1,2,...,8。
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)，根据公式
Figure BDA00024941824700000812
得到联合估计稀疏支撑集
Figure BDA00024941824700000813
通过在所述联合估计稀疏支撑集
Figure BDA00024941824700000814
上进行最小二乘法求解，根据公式
Figure BDA00024941824700000815
得到所述精细化信道估计
Figure BDA00024941824700000816
其中
Figure BDA00024941824700000817
为由所述部分离散傅里叶变换矩阵
Figure BDA00024941824700000818
对应于所述联合估计稀疏支撑集
Figure BDA00024941824700000819
的12列构成的25×12维矩阵，
Figure BDA00024941824700000820
为所述精细化信道估计
Figure BDA00024941824700000821
对应于所述联合估计稀疏支撑集
Figure BDA00024941824700000822
的部分，
Figure BDA00024941824700000823
为所述联合估计稀疏支撑集
Figure BDA00024941824700000824
的补集。

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；
4)利用已训练的深度卷积神经网络，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
Figure FDA0002494182460000011
5)对估计堆叠信道冲击响应
Figure FDA0002494182460000012
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；
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估计稀疏支撑集Π(t)，得到联合估计稀疏支撑集
Figure FDA0002494182460000013
根据联合估计稀疏支撑集
Figure FDA0002494182460000014
得到大规模多天线的精细化信道估计
Figure FDA0002494182460000015
2.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1)中，第t个发射天线的导频位置由导频位置集合
Figure FDA0002494182460000016
给出，其中任意一个导频下标为
Figure FDA0002494182460000017
随机分布在N个OFDM子载波上；各个发射天线的导频位置集合相互正交。
3.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1)中，归一化导频信号u(t)由公式
Figure FDA0002494182460000018
给出，其中，
Figure FDA0002494182460000019
为部分离散傅里叶变换矩阵，其第(n,k)项为
Figure FDA00024941824600000110
Figure FDA00024941824600000111
为相应频域背景噪声。
4.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2)中，大规模多天线信道估计模型由公式
Figure FDA0002494182460000021
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部分离散傅里叶变换矩阵
Figure FDA0002494182460000022
大规模多天线信道由多个子信道组成，堆叠归一化导频向量由公式
Figure FDA0002494182460000023
给出，相应的堆叠信道冲击响应由公式
Figure FDA0002494182460000024
给出。
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
Figure FDA0002494182460000025
其中D为样本数，ud为样本d的堆叠归一化导频向量，
Figure FDA0002494182460000026
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
Figure FDA0002494182460000027
给出，其中
Figure FDA0002494182460000028
为估计堆叠信道冲击响应
Figure FDA0002494182460000029
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
Figure FDA00024941824600000210
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
Figure FDA00024941824600000211
对软阈值判决的所得结果进行解压缩，根据公式
Figure FDA00024941824600000212
得到第l层估计堆叠信道冲击响应
Figure FDA00024941824600000213
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
Figure FDA00024941824600000214
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
Figure FDA00024941824600000215
7.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的第l层损失函数公式如下：
Figure FDA0002494182460000031
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。
8.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4)中，当实际进行信道估计时，输入测试数据utest、最优网络权重
Figure FDA0002494182460000032
和最佳网络层数NL，得到估计堆叠信道冲击响应
Figure FDA0002494182460000033
记作
Figure FDA0002494182460000034
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。
10.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6)中，大规模多天线子信道之间具有空间相关性，即大规模多天线子信道的信道冲击响应具有相同的估计稀疏支撑集；对各个天线所对应的估计稀疏支撑集
Figure FDA0002494182460000035
取交集，得到联合估计稀疏支撑集
Figure FDA0002494182460000036
联合估计稀疏支撑集
Figure FDA0002494182460000037
由公式
Figure FDA0002494182460000038
给出；
精细化信道估计
Figure FDA0002494182460000039
的获取方法为，通过在联合估计稀疏支撑集
Figure FDA00024941824600000310
上进行最小二乘法求解，根据公式
Figure FDA00024941824600000311
得到精细化信道估计
Figure FDA00024941824600000312
其中
Figure FDA00024941824600000313
为由部分离散傅里叶变换矩阵
Figure FDA00024941824600000314
对应于联合估计稀疏支撑集
Figure FDA00024941824600000315
的K列构成的Np×K维矩阵，
Figure FDA00024941824600000316
为精细化信道估计
Figure FDA00024941824600000317
对应于联合估计稀疏支撑集
Figure FDA00024941824600000318
的部分，
Figure FDA00024941824600000319
为联合估计稀疏支撑集
Figure FDA00024941824600000320
的补集。
CN202010413758.3A 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 Active CN111555992B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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