CN111641570A - 一种基于深度学习的联合设备检测和信道估计方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的联合设备检测和信道估计方法。在蜂窝物联网中，一个配备大规模天线阵列的基站同时服务大量的单天线设备。在任一给定时隙，仅有部分设备激活，而其他设备处于休眠状态。本发明采用免授权的随机接入协议，即激活设备同时向基站发送一段基站已知的导频序列。接着基站基于近似消息传递模型，构造一个深度学习网络，并通过反向传播的方式训练深度学习网络的参数，以较短的训练时间快速地检测出设备状态并估计出相应的信道信息。最后基站利用所估计的信道信息和激活设备进行数据交互。本发明对设备状态矩阵的分布有较强鲁棒性，为具有大规模设备接入的蜂窝物联网提供了一种高效的联合设备检测和信道估计方法。

Description

一种基于深度学习的联合设备检测和信道估计方法

技术领域

本发明涉及无线通信领域，尤其涉及一种基于深度学习的联合设备检测和 信道估计方法。

背景技术

大规模机器式通信是6G无线网络的三种主要应用场景之一。它的关键性的 特点是无线网络需要支持大规模的无线终端的同时接入，同时网络中的终端的 激活模式通常是间歇的。因为在每个时隙内，仅有少部分的终端处于激活状态， 从而与基站通信。其他设备为了节省能量而暂时处于休眠状态，它们只有在受 到外部事件触发时才会被激活。激活的终端在每个时隙的开始阶段同时向基站 发射导频序列，基站通过激活检测和信道估计算法，得知哪些终端处于激活状 态并获得其相应的信道状态信息。然后在每个时隙的剩余长度内，基站和激活 的终端之间再进行上行和下行数据交互。

由于深度学习具有较强的数据学习能力，它已成功地应用于计算机视觉、 自动语音识别和自然语言处理领域。近年来，数据驱动型的机器学习也已经在 无线通信中得到了广泛的应用，如信道估计，信道反馈和信道编码。在终端检 测和信道估计问题上，完全连接的深神经网络(DNN)已经被嵌入到大规模机 器类型通信的系统中。这些工作将接收器视为一个黑匣子。首先，训练这样一 个基于黑箱的网络需要很多训练时间和庞大的数据集。其次，设备状态矩阵的 先验知识在这类机器学习算法中并没有得到有效利用。

大规模机器式通信系统中庞大的潜在设备数目和大规模天线阵列的使用， 使得每个训练数据的维数非常高，导致训练过程耗费大量时间。另外，考虑信 道的波束空间特性时，目前大多数工作所假设得设备状态矩阵服从伯努利-高斯 分布并不合理。因此如何设计一个检测模型，并重新设计易于实现的的检测算 法，在此基础上构建模型驱动型的深度学习网络，实现高效的终端状态检测和 信道估计尤为重要。

发明内容

本发明的目的是为了解决当基站配备大规模天线阵列时，在现有基于机器 学习的大规模接入系统中，终端激活检测和信道估计方案的参数训练时间长， 计算复杂度高和信道先验知识假设不合理问题，提出了一种基于深度学习的联 合设备检测和信道估计方法。

本发明所采用的具体技术方案如下:

一种基于深度学习的联合设备检测和信道估计方法，其包括如下步骤：

1)在每个长度为T的时隙的开始阶段，所有激活的终端设备同时向基站发 送长度为L的导频序列；

2)基站接收到导频序列后，基于一种数据分解方法，将接收信号从高维空 间映射到低维空间，以降低算法复杂度；

3)在低维空间，基站基于近似消息传递算法，构建出一个基于深度学习的 检测器；

4)基站得到基于深度学习的检测器后，基于反向传播方式逐层训练模型中 的未知参数；

5)基站将训练好的参数代入步骤3)中的检测器里，检测出激活的终端设 备，并估计出激活终端设备的信道状态信息；

6)在每个时隙剩余的长度T-L的时长内，基站利用信道估计值与激活设备 进行上行和下行的数据交互。

在上述技术方案基础上，各步骤可进一步采用如下具体方式实现。

作为优选，步骤2)中的数据分解方法为：

首先基站对接收到的信号Y进行奇异值分解：

其中S_sd为酉 矩阵，V_sd为奇异值矩阵，

为酉矩阵；然后得到

其中

是S_sd的 前r^e列，

是由V_sd的左上角r^e×r^e个元素构成的方阵，其中r^e是需要检测的 未知信号的秩；接下来通过取

的前r^e行得到U；数据分解满足

并且 V的秩为r^e，

并且UU^H＝I，其中I为单位矩阵，M为基站天线数目。

作为优选，步骤3)中所述的基于深度学习的检测器为：

3.a)设置

和

为第t层 网络的训练参数，其中

为第t层网络中第n个终端设备的功率调节参数，

为 第t层网络中第n个终端设备的伯努利-高斯混合分布中第j个分量的概率值，

为第t层网络中第n个终端设备的伯努利-高斯混合分布中第j个分量的高斯 分布方差；下标n∈{1,2,…,N}表示第n个终端设备，N为终端设备总数，下标 j∈{1,2,…,J}表示伯努利-高斯混合分布中的第j个分量，J为总的分量数；

3.b)在第t层网络中，对任意的

依次迭代更新残差R^t+1、 噪声变量

中间变量

和第n个终端设备的状态向量估值

首先，更新

其中函数g'_t,n的计算方法为：

式中，S^t为低维空间未知信号的估值，R^t为第t次迭代的残差，

为第t次 迭代的噪声变量，

为第t次迭代的中间变量，

为第t次迭代的训练参数，第t 次迭代的方差为

中间变量

代表变量

符合0均值 且方差为

的正态分布，中间变量

代表变量

符合0均值且方 差为

的正态分布，A为导频矩阵，其中∈_n代表第n个终端设备的激活概率；

然后，更新

其中M是基站天线数目，‖.‖₂代表二范数；

再后，更新

其中H为共轭转置，a_n为第n个终端设备 的导频序列，

为t轮迭代中第n个终端设备的状态向量估计值；

最后更新

作为优选，步骤4)中所述的基于反向传播方式逐层训练模型中的未知参数 的方法为：

给定需要学习的参数β^t和

的初始值β⁰＝[1,…,1]和Ω⁰， 其中Ω^t代表所有终端设备的学习参数

的集合，T代表转置操作，设置T_max为 训练层数上界，设置网络层数标识t＝0，按照所述的步骤3.b)开始进行第t层迭 代的参数学习：

首先，固定

学习β^t，以达到最小化线性代价函数

的目的，其中||.||_F代表F范数，

为第t轮迭代中第n个终端的中间变量值，s_n为 第n个终端设备的状态向量真实值；

然后学习

和

以达到最小化线性代价函数

的目的；其中

为第t轮迭代中第n个终端的中间变量值估计值；

接着固定β^t和

学习Ω^t，以达到最小化非线性代价函数

的目的；

最后学习

以达到最小化非线性代价函数

的目的；

完成一层网络的更新后，更新层数t←t+1，再次重复下一层网络的的参数 学习，直到t＝T_max-1时停止循环，完成模型中未知参数的训练。

作为优选，步骤5)中所述的设备激活检测和信道估计方法为：将训练层数 和迭代次数等价看待，进行如下迭代：

5.a)初始化外部迭代次数t＝0，残差初始值为R⁰＝V,低维空间未知参数估 值的初始值为S⁰＝0，最大迭代次数为T_max1，基站将步骤4)中训练好的模型参数 代入步骤3)构建的检测器中；

5.b)执行一遍所述的步骤3.b)；

5.c)更新迭代次数t←t+1，然后重新进行下一轮迭代，即执行步骤5.b)，直 到t＝T_max1时停止循环，最终输出状态矩阵的估计值S＝S^t；

5.d)利用激活判断标准：

判断哪些终端设备处于激活状态，其中k为终端标识，v为可调参数，S(k,:)为S的第k行，

代表检测出来的 激活设备的标识集合；再利用关系式

恢复出原始高维空间的信号估值， 从而得到激活设备的信道估计值为

其中X_k表示高维空间未 知状态向量的估值，

代表取S中与

对应的部分行，ξ_k为导频的发射能量。

本发明具有的有益效果是：本发明提出的基于深度学习的大规模终端激活 检测和信道估计方法，可以利用较少的训练数据实现更准确的终端激活检测和 信道估计，解决了传统的大规模终端激活检测和信道估计问题中计算复杂度高， 检测准确率低，信道先验分布假设不合理等所产生的一系列问题。

附图说明

图1是深度学习整体框架示意图；

图2是每一层学习网络的框架示意图；

图3是将本发明的基于深度学习的联合设备检测和信道估计方法与其他常 用终端信道估计方法比较时，信道估计的归一化均方误差与导频长度的关系；

图4是将本发明的基于深度学习的联合设备检测和信道估计方法与其他常 用终端检测方法比较时，检测错误率与导频长度的关系。

具体实施方式

本实施例中，大规模接入系统的基站安装M根天线，每个终端配置1根天 线，每个时隙内，仅有少量终端随机激活与基站进行通信，其他终端暂时处于 睡眠状态。并且激活的终端无需得到基站的授权就可直接接入网络。即每个时 隙的开始部分，激活的终端同时向基站发射导频序列，基站通过大规模终端检 测和信道估计算法获得哪些终端处于激活阶段并获得其相应的信道状态信息。 在每个时隙的剩余的部分，激活终端与基站进行数据交互。

基于该基站，本实施例提供了一种基于深度学习的联合设备检测和信道估 计方法，其包括如下步骤：

1)在每个长度为T的时隙的开始阶段，所有激活的终端设备同时向基站发 送长度为L的导频序列。

2)基站接收到导频序列后，基于一种数据分解方法，将接收信号从高维空 间映射到低维空间，以降低算法复杂度。

在本步骤中的数据分解方法为：

首先基站对接收到的信号Y进行奇异值分解：

其中S_sd为酉 矩阵，V_sd为奇异值矩阵，

为酉矩阵；然后得到

其中

是S_sd的 前r^e列，

是由V_sd的左上角r^e×r^e个元素构成的方阵，其中r^e是需要检测的 未知信号的秩；接下来通过取

的前r^e行得到U；数据分解满足

并且 V的秩为r^e，

并且UU^H＝I，其中I为单位矩阵，M为基站天线数目。

3)在低维空间，基站基于近似消息传递算法，构建出一个基于深度学习的 检测器。

在本步骤中，将近似消息传递模型按照外层迭代标识展开，即每一次迭代t 是一层网络，每一层网络输入是S^t，R^t和V，输出是S^t+1，R^t+1，一共T_max层网 络串连在一起，构成深度学习网络。基于深度学习的检测器具体为：

3.a)设置

和

为第t层 网络的训练参数，其中

为第t层网络中第n个终端设备的功率调节参数，

为 第t层网络中第n个终端设备的伯努利-高斯混合分布中第j个分量的概率值，

为第t层网络中第n个终端设备的伯努利-高斯混合分布中第j个分量的高斯 分布方差；下标n∈{1,2,…,N}表示第n个终端设备，N为终端设备总数，下标 j∈{1,2,…,J}表示伯努利-高斯混合分布中的第j个分量，J为总的分量数；

3.b)在第t层网络中，对任意的

依次迭代更新残差R^t+1、 噪声变量

中间变量

和第n个终端设备的状态向量估值

首先，更新

其中函数g_t'_,n的计算方法为：

式中，S^t为低维空间未知信号的估值，R^t为第t次迭代的残差，

为第t次 迭代的噪声变量，

为第t次迭代的中间变量，

为第t次迭代的训练参数，第t 次迭代的方差为

中间变量

代表变量

符合0均值 且方差为

的正态分布，中间变量

代表变量

符合0均值且方 差为

的正态分布，A为导频矩阵，其中∈_n代表第n个终端设备的激活概率，这 里

为t次迭代设备n的第j个分量的方差，

代表第t次迭代的概率值；

然后，更新

其中M是基站天线数目，‖.‖₂代表二范数；

再后，更新

其中H为共轭转置，a_n为第n个终端设备 的导频序列，

为t轮迭代中第n个终端设备的状态向量估计值；

最后更新

4)基站得到基于深度学习的检测器后，基于反向传播方式逐层训练模型中 的未知参数。

在本步骤中，基于反向传播方式逐层训练模型中的未知参数的方法为：

给定需要学习的参数β^t和

的初始值β⁰＝[1,…,1]和Ω⁰， 其中Ω^t代表所有终端设备的学习参数

的集合，T代表转置操作，设置T_max为 训练层数上界，设置网络层数标识t＝0，按照所述的步骤3.b)开始进行第t层迭 代的参数学习：

首先，固定

学习β^t，以达到最小化线性代价函数

的目的，其中||.||_F代表F范数，

为第t轮迭代中第n个终端的中间变量值，s_n为 第n个终端设备的状态向量真实值；

然后学习

和

以达到最小化线性代价函数

的目的；其中

为第t轮迭代中第n个终端的中间变量值估计值；

接着固定β^t和

学习Ω^t，以达到最小化非线性代价函数

的目的；

最后学习

以达到最小化非线性代价函数

的目的；

完成一层网络的更新后，更新层数t←t+1，再次重复下一层网络的的参数 学习，直到t＝T_max-1时停止循环，完成模型中未知参数的训练。

5)基站将训练好的参数代入步骤3)中的检测器里，检测出激活的终端设 备，并估计出激活终端设备的信道状态信息。

由于本发明的深度学习模型分为离线训练阶段和在线检测阶段，离线训练阶 段是要得到被训练的参数的值，这时t是第t层网络；在线检测阶段，将被训练 出来的参数在代入算法结构中，t就等效看做了第t次迭代。因此在本步骤中， 设备激活检测和信道估计的方法具体为：

将训练层数和迭代次数等价看待，进行如下迭代：

5.a)初始化外部迭代次数t＝0，残差初始值为R⁰＝V,低维空间未知参数估 值的初始值为S⁰＝0，最大迭代次数为T_max1，基站将步骤4)中训练好的模型参数 代入步骤3)构建的检测器中；

5.b)执行一遍所述的步骤3.b)；

5.c)更新迭代次数t←t+1，然后重新进行下一轮迭代，即执行步骤5.b)，直 到t＝T_max1时停止循环，最终输出状态矩阵的估计值S＝S^t；

5.d)利用激活判断标准：

判断哪些终端设备处于激活状态，其中k为终端标识，v为可调参数，S(k,:)为S的第k行，

代表检测出来的 激活设备的标识集合；再利用关系式

恢复出原始高维空间的信号估值， 从而得到激活设备的信道估计值为

其中X_k表示高维空间未 知状态向量的估值，

代表取S中与

对应的部分行，ξ_k为导频的发射能量。

6)在每个时隙剩余的长度T-L的时长内，基站利用信道估计值与激活设备 进行上行和下行的数据交互。

上述深度学习整体框架和每一层学习网络的示意图分别如图1和图2所示。 通过计算机仿真可以看出：如图3所示，本发明的大规模终端信道估计方案相 较于传统的信道估计方案，即近似消息传递算法，正交匹配追踪算法估计的准 确率有明显的提升。图4表明本发明提出的大规模检测方法，相对于传统的近 似消息传递算法和正交匹配追踪算法检测准确度有明显提升。这些优势是因为 本文方案将状态矩阵更为准确的伯努利-高斯混合分布结合到了近似消息传递算 法中，利用深度学习有效地训练了系统参数。因此，本发明提出的终端激活检 测和信道估计方案可以为大规模通信系统提供一种高效的终端激活检测和信道 估计方法。

Claims (5)

1.一种基于深度学习的联合设备检测和信道估计方法，其特征在于包括如下步骤：

1)在每个长度为T的时隙的开始阶段，所有激活的终端设备同时向基站发送长度为L的导频序列；

2)基站接收到导频序列后，基于一种数据分解方法，将接收信号从高维空间映射到低维空间，以降低算法复杂度；

3)在低维空间，基站基于近似消息传递算法，构建出一个基于深度学习的检测器；

4)基站得到基于深度学习的检测器后，基于反向传播方式逐层训练模型中的未知参数；

5)基站将训练好的参数代入步骤3)中的检测器里，检测出激活的终端设备，并估计出激活终端设备的信道状态信息；

6)在每个时隙剩余的长度T-L的时长内，基站利用信道估计值与激活设备进行上行和下行的数据交互。

2.根据权利要求1所述的一种基于深度学习的联合设备检测和信道估计方法，其特征在于步骤2)中的数据分解方法为：

首先基站对接收到的信号Y进行奇异值分解：

其中S_sd为酉矩阵，V_sd为奇异值矩阵，

为酉矩阵；然后得到

其中

是S_sd的前r^e列，

是由V_sd的左上角r^e×r^e个元素构成的方阵，其中r^e是需要检测的未知信号的秩；接下来通过取

的前r^e行得到U；数据分解满足

并且V的秩为r^e，

并且UU^H＝I，其中I为单位矩阵，M为基站天线数目。

3.根据权利要求1所述的一种基于深度学习的联合设备检测和信道估计方法，其特征在于步骤3)中所述的基于深度学习的检测器为：

3.a)设置

和

为第t层网络的训练参数，其中

为第t层网络中第n个终端设备的功率调节参数，

为第t层网络中第n个终端设备的伯努利-高斯混合分布中第j个分量的概率值，

为第t层网络中第n个终端设备的伯努利-高斯混合分布中第j个分量的高斯分布方差；下标n∈{1,2,…,N}表示第n个终端设备，N为终端设备总数，下标j∈{1,2,…,J}表示伯努利-高斯混合分布中的第j个分量，J为总的分量数；

3.b)在第t层网络中，对任意的

依次迭代更新残差R^t+1、噪声变量

中间变量

和第n个终端设备的状态向量估值

首先，更新

其中函数g′_t,n的计算方法为：

式中，S^t为低维空间未知信号的估值，R^t为第t次迭代的残差，

为第t次迭代的噪声变量，

为第t次迭代的中间变量，

为第t次迭代的训练参数，第t次迭代的方差为

中间变量

代表变量

符合0均值且方差为

的正态分布，中间变量

代表变量

符合0均值且方差为

的正态分布，A为导频矩阵，其中∈_n代表第n个终端设备的激活概率；

然后，更新

其中M是基站天线数目，‖.‖₂代表二范数；

再后，更新

其中H为共轭转置，a_n为第n个终端设备的导频序列，

为t轮迭代中第n个终端设备的状态向量估计值；

最后更新

4.根据权利要求3所述的一种基于深度学习的联合设备检测和信道估计方法，其特征在于步骤4)中所述的基于反向传播方式逐层训练模型中的未知参数的方法为：

给定需要学习的参数β^t和

的初始值β⁰＝[1,...,1]和Ω⁰，其中Ω^t代表所有终端设备的学习参数

的集合，T代表转置操作，设置T_max为训练层数上界，设置网络层数标识t＝0，按照所述的步骤3.b)开始进行第t层迭代的参数学习：

首先，固定

学习β^t，以达到最小化线性代价函数

的目的，其中||.||_F代表F范数，

为第t轮迭代中第n个终端的中间变量值，s_n为第n个终端设备的状态向量真实值；

然后学习

和

以达到最小化线性代价函数

的目的；其中

为第t轮迭代中第n个终端的中间变量值估计值；

接着固定β^t和

学习Ω^t，以达到最小化非线性代价函数

的目的；

最后学习

以达到最小化非线性代价函数

的目的；

完成一层网络的更新后，更新层数t←t+1，再次重复下一层网络的的参数学习，直到t＝T_max-1时停止循环，完成模型中未知参数的训练。

5.根据权利要求3所述的一种基于深度学习的联合设备检测和信道估计方法，其特征在于步骤5)中所述的设备激活检测和信道估计方法为：将训练层数和迭代次数等价看待，进行如下迭代：

5.a)初始化外部迭代次数t＝0，残差初始值为R⁰＝V,低维空间未知参数估值的初始值为S⁰＝0，最大迭代次数为T_max1，基站将步骤4)中训练好的模型参数代入步骤3)构建的检测器中；

5.b)执行一遍所述的步骤3.b)；

5.c)更新迭代次数t←t+1，然后重新进行下一轮迭代，即执行步骤5.b)，直到t＝T_max1时停止循环，最终输出状态矩阵的估计值S＝S^t；

5.d)利用激活判断标准：

判断哪些终端设备处于激活状态，其中k为终端标识，v为可调参数，S(k,:)为S的第k行，

代表检测出来的激活设备的标识集合；再利用关系式

恢复出原始高维空间的信号估值，从而得到激活设备的信道估计值为

其中X_k表示高维空间未知状态向量的估值，

代表取S中与

对应的部分行，ξ_k为导频的发射能量。

Images