CN111865844A - 大规模mimo全双工中继系统信道估计方法和装置 - Google Patents

大规模mimo全双工中继系统信道估计方法和装置 Download PDF

Info

Publication number
CN111865844A
CN111865844A CN202010475415.XA CN202010475415A CN111865844A CN 111865844 A CN111865844 A CN 111865844A CN 202010475415 A CN202010475415 A CN 202010475415A CN 111865844 A CN111865844 A CN 111865844A
Authority
CN
China
Prior art keywords
matrix
relay
channel
channel matrix
antenna array
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
CN202010475415.XA
Other languages
English (en)
Other versions
CN111865844B (zh
Inventor
陈海滨
崔泽鹏
温志刚
刘丹
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 Baizhuo Network Technology Co ltd
Beijing University of Posts and Telecommunications
Original Assignee
Beijing Baizhuo Network Technology Co ltd
Beijing University of Posts and Telecommunications
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 Baizhuo Network Technology Co ltd, Beijing University of Posts and Telecommunications filed Critical Beijing Baizhuo Network Technology Co ltd
Priority to CN202010475415.XA priority Critical patent/CN111865844B/zh
Publication of CN111865844A publication Critical patent/CN111865844A/zh
Application granted granted Critical
Publication of CN111865844B publication Critical patent/CN111865844B/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
    • H04L25/0204—Channel estimation of multiple channels
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • 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
    • 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
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H04L5/14—Two-way operation using the same type of signal, i.e. duplex
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

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

Abstract

本发明实施例提供了一种多用户大规模MIMO全双工中继系统信道估计方法和装置。所述的一种多用户大规模多输入多输出MIMO全双工中继系统信道估计方法，包括：获取符合莱斯信道模型的原始信道矩阵作为待测试数据；根据所述待测试数据计算K源到中继发送天线阵列的第一导频传输矩阵
Figure DDA0002515724330000011
以及K目的到中继发送天线阵列的第二导频传输矩阵
Figure DDA0002515724330000012
将所述待测试数据和所述导频传输矩阵分别输入训练好的自编码器和前馈降噪卷积神经网络，以进行网络性能测试。

Description

大规模MIMO全双工中继系统信道估计方法和装置
技术领域
本发明涉及移动互联网领域，尤其涉及一种多用户大规模MIMO全双工中继系统信道估计方法和装置。
背景技术
多用户大规模MIMO技术：
随着移动互联网、移动流媒体、移动社交网络以及无线远程控制等物联网无线业务的兴起以及智能移动终端的普及，人们对无线通信网络的容量需求和移动智能设备的接入需求均呈爆炸性增长。因此提升无线通信系统的容量是未来移动通信系统亟待解决的重要问题。MIMO技术被认为是提高物理层频谱效率进而提高无线通信容量的重要手段，该技术在发送端和接收端分别使用多个发送天线和接收天线，结合空时编码，通过复用技术，在不增加系统传输功率和带宽的情况下，成倍的提高系统的容量和频谱利用率。同时，该技术通过获取空间分集增益，可有效抵抗无线信道多径以及各种信道衰落的影响，最终提高信号传输的可靠性，降低误码率。
对于传统的多用户MIMO系统，接入点或基站所配置的天线数目往往很少(通常少于10根)，因此，MIMO系统里同时传输的数据流受到基站发射天线和所有用户接收天线两者之间最小值的限制，多天线带来的性能增益非常有限，频谱效率的提升不够显著。由此，为了追求更高的性能增益与频谱效率，多用户大规模MIMO技术应运而生。实际上，多用户大规模MIMO技术是多用户MIMO技术在空间维度上的演进。该技术是指在发射端配置几十到上百根天线阵列，在同一时频资源上为多个用户提供服务。同时这种大规模阵列增益可以随着基站天线数的增加而无限增大，因此能够在一定程度上消除多用户干扰、信道噪声、小规模衰落以及用户间的干扰。因此，在这种有利的传播环境下，多用户大规模MIMO可带来通信容量、频谱效率的大幅提升，终端计算复杂度大大降低，覆盖范围大大提高，功耗显著改善等优势。
同时同频全双工中继技术：
近年来，第五代移动通信系统受到了国内外研究人员的重视。为了满足该系统业务增长的需求，提升系统数据吞吐能力以及网络系统的频谱效率，同时同频全双工中继技术引起了人们的关注，也可称为全双工中继技术或带内中继技术。该技术具有缓解有限的无线频谱资源的限制，提高频谱利用率；避免无线接入冲突；有效解决目前网络中隐蔵终端问题；降低网络拥塞问题；降低端对端延迟；提高认知无线电环境下的主用户检测性能等性能优势。并且，相比于传统的半双工模式，即中继收发信号严格限定在两个正交的时间或频率信道，在全双工模式下，中继节点可以在同一时隙或频率内，同时进行信号的接收和发送，这样不但节约了通信时间，而且在理想自干扰消除情况下，网络吞吐量和频谱利用率相比于传统的半双工模式成倍提高。
多用户大规模MIMO全双工中继系统：
多用户大规模MIMO全双工中继系统将较大数量的阵列天线集中配置在一个中继处，其较高的空间分辨率能够充分利用空间资源，这样完全可以在较低的基站密度下提升通信效率的同时进一步的降低发射功率，并在一定条件下可以克服更多的加性噪声与干扰，从而实现用户间更高的通信质量。另外，结合多用户大规模MIMO技术与全双工中继技术的优势，该系统可以对频谱效率和信道容量有更加可观的提升。
信道估计技术：
在多用户大规模MIMO全双工中继系统中，基站与用户之间需要不断地进行信息传输，对于某一特定用户而言，为了获取该用户传输的信息就需要估计出其与基站的信道状态信息。然而，无线信道并不像有线信道固定并可预见，具有很大的随机性。在移动通信过程中，信号通过无线信道进行传输，而复杂的地理环境、电磁环境和终端设备的移动性，使得发射机和接收机之间的传播路径非常复杂，信号在传输过程中容易受到干扰，基站只能接收到被污染的信道状态信息。鉴于此，无线移动通信系统的通信能力和系统性能极大程度上被无线信道的状态影响，例如常见的多径衰落、阴影衰落和频率选择性衰落等，并有所恶化。为了使网络获得高可靠性，高有效性，优越的通信系统性能以及充分发挥多用户大规模MIMO全双工中继系统技术的优势，亟需精准地实现对信道状态信息的估计。
现有技术的技术方案：
在发展的初期，多用户大规模MIMO全双工中继系统的信道估计一般都利用导频序列进行传输。基于导频的信道估计方法的基本过程是：在发送端适当的位置插入导频，接收端利用导频信号恢复出导频位置的信息，然后根据信道的时域和频域的相关性，获得所有位置的信道信息。而在基于导频的信道估计方法中，主要有最小二乘信道估计算法和最小均方误差信道估计算法。
最小二乘信道估计算法的基础是线性估计算法，该算法的优势主要是不需要以噪声和信道信息的先验统计量为条件。该算法的原理是最小化观测量的误差
Figure BDA0002515724310000031
目的是获取信道矩阵估计值
Figure BDA0002515724310000032
其中，Y＝HΦ+W为接收到的信道矩阵值，Φ为导频，H为原始信道矩阵值，W是加性高斯白噪声。
最小均方误差算法是在最小二乘算法的基础上进行的，性能优于最小二乘算法，其主要优势是对子载波间干扰和高斯白噪声有很好的抑制作用。该算法的原理是使信道矩阵估计值
Figure BDA0002515724310000041
与原始信道矩阵值H的均方误差
Figure BDA0002515724310000042
最小，其中
Figure BDA0002515724310000043
X为加权矩阵。
现有技术的缺点：
1)在进行最小二乘信道估计算法时忽略了噪声的影响，而实际中信道估计值对噪声的影响是比较敏感的，在信道噪声较大时，该算法的性能急剧下降。2)最小均方误差信道估计算法的实现是基于对小区间用户到基站的大尺度衰落系数已知的情况，但是由于在多用户大规模MIMO全双工中继系统中，基站配置的天线数目十分庞大，因此该算法的复杂度非常巨大。3)对于多用户大规模MIMO全双工中继系统，由于所建立的系统信道估计问题的非线性和非凸性，该问题很难用解析方法甚至数值方法求解，且由于需要处理非线性优化问题以及无法充分利用基于大规模MIMO的稀疏结构，基于导频序列的信道估计方法需要较高的计算复杂度。
4)由于多用户大规模MIMO系统的信道特性非常复杂，传统的方法无法实时捕获信道状态的变化，无法获得实时信道状态信息。
发明内容
本发明的实施例提供了一种多用户大规模MIMO全双工中继系统信道估计方法和装置，提高了信道估计的完成速度。
一种多用户大规模多输入多输出MIMO全双工中继系统信道估计方法，其包括：
获取符合莱斯信道模型的原始信道矩阵作为待测试数据；
根据所述待测试数据，计算K源到中继R发送天线阵列的第一导频传输矩阵
Figure BDA0002515724310000044
以及K目的到中继R发送天线阵列的第二导频传输矩阵
Figure BDA0002515724310000045
将所述待测试数据和计算出的所述第一导频传输矩阵
Figure BDA0002515724310000046
和所述第二导频传输矩阵
Figure BDA0002515724310000047
分别输入训练好的自编码器和前馈降噪卷积神经网络，以进行网络性能测试。
一种多用户大规模多输入多输出MIMO全双工中继系统信道估计装置，包括：
获取单元，用于获取符合莱斯信道模型的原始信道矩阵作为待测试数据；
计算单元，根据所述待测试数据计算K源到中继R发送天线阵列的第一导频传输矩阵
Figure BDA0002515724310000051
以及K目的到中继R发送天线阵列的第二导频传输矩阵
Figure BDA0002515724310000052
测试单元，用于将所述待测试数据和计算出的所述第一导频传输矩阵
Figure BDA0002515724310000053
和所述第二导频传输矩阵
Figure BDA0002515724310000054
分别输入训练好的自编码器和前馈降噪卷积神经网络，以进行网络性能测试。
本发明实施例中，在离线训练后，可以非常有效地进行信道估计，而无需迭代，提高了信道的估计完成速度。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所述的新型的基于深度学习技术的多用户大规模MIMO全双工中继系统信道估计方法系统流程图。
图2为本发明另一实施例所述的新型的基于深度学习技术的多用户大规模MIMO全双工中继系统信道估计方法系统流程图。
图3为多用户大规模MIMO全双工中继网络的示意图；
图4为本发明实施例中自编码器学习方案设计框图的示意图；
图5为自编码器学习方案具体结构模型的示意图；
图6为本发明实施例中的部分信道样本的示意图；
图7为本发明的多用户大规模多输入多输出MIMO全双工中继系统信道估计装置的连接示意图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
如图1所示，一种多用户大规模多输入多输出MIMO全双工中继系统信道估计方法，包括：
获取符合莱斯信道模型的原始信道矩阵作为待测试数据；
根据所述待测试数据，计算K源到中继R发送天线阵列的第一导频传输矩阵
Figure BDA0002515724310000061
以及K目的到中继R发送天线阵列的第二导频传输矩阵
Figure BDA0002515724310000062
将所述待测试数据和所述第一导频传输矩阵
Figure BDA0002515724310000063
和所述第二导频传输矩阵
Figure BDA0002515724310000064
分别输入训练好的自编码器和前馈降噪卷积神经网络，以进行网络性能测试。
在将所述获取符合莱斯信道模型的原始信道矩阵作为待测试数据的步骤之前，所述方法包括：
建立多用户大规模MIMO全双工中继系统，获取K源到中继R接收天线阵列的第一信道矩阵HS,R和K目的到中继R接收天线阵列的第二信道矩阵
Figure BDA0002515724310000071
分别提取所述第一信道矩阵HS，R的第一随机成份
Figure BDA00025157243100000714
以及所述第二信道矩阵
Figure BDA0002515724310000072
的第二随机成份
Figure BDA0002515724310000073
基于所述第一随机成份
Figure BDA00025157243100000715
得到第一随机成份等效矩阵
Figure BDA0002515724310000074
以及基于所述第二随机成份
Figure BDA0002515724310000075
得到第二随机成份等效矩阵
Figure BDA0002515724310000076
基于所述第一随机成份等效矩阵
Figure BDA00025157243100000716
和所述第二随机成份等效矩阵
Figure BDA0002515724310000077
分别计算第三导频传输矩阵
Figure BDA00025157243100000717
以及第四导频传输矩阵
Figure BDA00025157243100000718
根据所述第三导频传输矩阵
Figure BDA00025157243100000719
和所述第四导频传输模型
Figure BDA00025157243100000720
设计自编码器学习方案，用来得到K源到中继R接收天线阵列的第一信道矩阵HS,R的第一随机成份等效矩阵
Figure BDA00025157243100000721
的第一估计信道矩阵
Figure BDA00025157243100000722
K目的到中继R接收天线阵列的第二信道矩阵
Figure BDA0002515724310000078
的第二随机成份等效矩阵
Figure BDA0002515724310000079
的第二估计信道矩阵
Figure BDA00025157243100000710
并得到从所有用户发送天线传输的第一导频序列ΦS和从所有用户接收天线传输的第二导频序列ΦD；
根据得到的所述从所有用户发送天线传输的第一导频序列ΦS和从所有用户接收天线传输的第二导频序列ΦD以及K源到中继发送天线阵列的所述第一导频传输矩阵YtpSR和K目的到中继发送天线阵列的所述第二导频传输矩阵
Figure BDA00025157243100000723
设计前馈降噪卷积神经网络学习方案，用来获得中继R发送天线阵列到K目的的第三信道矩阵HR,D的第三随机成份等效矩阵
Figure BDA00025157243100000724
的第三估计信道矩阵
Figure BDA00025157243100000725
以及K源到中继R发送天线阵列的第四信道矩阵
Figure BDA00025157243100000711
的第四随机成份等效矩阵
Figure BDA00025157243100000712
的第四估计信道矩阵
Figure BDA00025157243100000713
所述多用户大规模MIMO全双工中继系统具体包括：
一个中继R和k个用户对(Sk,Dk)，k＝1,...K，其中Sk表示K源处的k个用户，Dk表示K目的处的k个用户，每个用户配备单根天线，中继节点处配有NR根接收天线和NT根发送天线，并且中继节点采用放大转发中继传输协议；中继节点R在全双工模式下进行工作，即在同一时隙或频率内，中继节点R同时进行来自K源，即用户S1,...,SK信号的接收和把信号发送至K目的，即用户D1,...,DK；
在莱斯信道模型中，K源到中继R接收天线阵列的第一信道矩阵HS,R和K目的到中继R接收天线阵列的第二信道矩阵
Figure BDA0002515724310000081
分别表示为
Figure BDA0002515724310000082
Figure BDA0002515724310000083
其中，ΩS,R∈CK×K,
Figure BDA0002515724310000084
表示对应莱斯信道K-factor矩阵，其为对角阵；IK表示K阶单位阵；
Figure BDA00025157243100000822
表示K源到中继R接收天线阵列的第一信道矩阵HS,R的第一随机成份；
Figure BDA0002515724310000085
表示K目的到中继R接收天线阵列的第二信道矩阵
Figure BDA0002515724310000086
的第二随机成份，
Figure BDA0002515724310000087
表示K源到中继R接收天线阵列的第一信道矩阵HS,R的第一固定成份，
Figure BDA0002515724310000088
表示K目的到中继R接收天线阵列的第二信道矩阵
Figure BDA0002515724310000089
的第二固定成份，其中
Figure BDA00025157243100000810
Figure BDA00025157243100000811
和
Figure BDA00025157243100000812
表示与视线路径相关的确定成份，被认为是秩-1的，DS,R和DR,D表示大尺度衰落对角阵。
另外，中继R发送天线阵列到K目的的第三信道矩阵HR,D和K源到中继R发送天阵列的第四信道矩阵
Figure BDA00025157243100000813
分别表示为
Figure BDA00025157243100000814
Figure BDA00025157243100000815
其中，ΩR,D∈CK×K,
Figure BDA00025157243100000816
表示莱斯信道K-factor矩阵，其为对角阵；
Figure BDA00025157243100000823
表示中继R发送天线阵列到K目的的第三信道矩阵HR,D的第三随机成份；
Figure BDA00025157243100000817
表示K源到中继R发送天线阵列的第四信道矩阵
Figure BDA00025157243100000818
的第四随机成份；
Figure BDA00025157243100000819
表示中继R发送天线阵列到K目的的第三信道矩阵HR,D的第三固定成份；
Figure BDA00025157243100000820
表示K源到中继R发送天线阵列的第四信道矩阵
Figure BDA00025157243100000821
的第四固定成份；
只考虑第一信道矩阵HS，R的第一随机成份
Figure BDA00025157243100000914
第二信道矩阵
Figure BDA0002515724310000091
的第二随机成份
Figure BDA0002515724310000092
第三信道矩阵HR,D的第三随机成份
Figure BDA00025157243100000915
以及第四信道矩阵
Figure BDA0002515724310000093
的第四随机成份
Figure BDA0002515724310000094
并假设导频符号数为τ，在相干时间的训练阶段，K源和K目的同时向中继发送τ符号的正交导频序列，则在中继R接收天线阵列处接收到的总第一导频传输矩阵Yrp和在发送天线阵列处接收到的总第二导频传输矩阵Ytp分别表示为
Figure BDA00025157243100000916
Figure BDA00025157243100000917
其中，
Figure BDA0002515724310000095
Figure BDA0002515724310000096
Figure BDA0002515724310000097
和
Figure BDA0002515724310000098
均为等效矩阵，分别表示为
Figure BDA0002515724310000099
Figure BDA00025157243100000910
和
Figure BDA00025157243100000919
Figure BDA00025157243100000911
ΦS,ΦD分别表示从所有用户发送天线和所有用户接收天线传输的第一导频序列和第二导频序列；
Figure BDA00025157243100000918
分别表示优化好的K源发送的第一导频序列和优化好的K目的发送的第二导频序列；C,D,E,F均是与莱斯信道K-factor矩阵相关的常数矩阵；Nrp表示中继R接收天线处的噪声；Ntp表示中继R发送天线处的噪声。
所述自编码器具体为：
自编码器的结构包括：编码器
Figure BDA00025157243100000912
和解码器
Figure BDA00025157243100000913
在编码器采用输入层和输出层2NR×K大小的复卷积神经网络；以导频传输矩阵作为复卷积神经网络的权值参数X，以及将噪声序列作为复卷积神经网络的偏置；
在解码器中采用多个2NR×K×channel大小的复-RefineNet单元，channel表示通道数。
通过自编码器同时得到第一估计信道矩阵
Figure BDA0002515724310000108
和第二估计信道矩阵
Figure BDA0002515724310000101
以及设计相应的所述从所有用户发送天线传输的第一导频序列ΦS和所述从所有用户接收天线传输的第二导频序列ΦD，在编码器中采用两套并行的复卷积神经网络单元，在解码器中采用两套并行的复-RefineNet-4单元。
所述前馈降噪卷积神经网络具体为：
网络输入为所述第一导频传输矩阵
Figure BDA0002515724310000109
和所述第二导频传输矩阵
Figure BDA00025157243100001010
输出为移除了干净信道矩阵的第一噪声矩阵
Figure BDA00025157243100001011
和第二噪声矩阵
Figure BDA00025157243100001012
利用残差学习策略进行去噪，输出第三估计信道矩阵
Figure BDA00025157243100001013
的第三等效估计信道矩阵
Figure BDA00025157243100001014
以及第四估计信道矩阵
Figure BDA0002515724310000102
的第四等效估计信道矩阵
Figure BDA0002515724310000103
其中
Figure BDA0002515724310000104
与
Figure BDA0002515724310000105
通过除以所述优化好的K源发送的第一导频序列
Figure BDA00025157243100001015
和所述优化好的K目发送的第二导频序列
Figure BDA00025157243100001016
得到所需要的所述第三估计信道矩阵
Figure BDA00025157243100001017
和第四估计信道矩阵
Figure BDA0002515724310000106
训练所述自编码器设计的导频序列和训练所述前馈降噪卷积神经网络的步骤包括：
根据所建立问题的目标函数，即实现在中继R处的信道估计H的均方误差最小，确定网络的损失函数；
基于所产生的训练集，并将其作为自编码器或前馈降噪卷积神经网络的输入，通过选取相应的激活函数，调整网络超参数，以及用优化算法不断优化自编码器和前馈降噪卷积神经网络中的模型参数，最终使得网络损失函数最小的同时获得最佳的导频序列，以得到优化好的导频序列、估计好的等效信道矩阵以及训练好的自编码器和前馈降噪卷积神经网络。
所述自编码器的损失函数定义为平均均方误差，即
Figure BDA0002515724310000107
其中，T表示训练集样本总数；Hk表示Gm信道中第k个信道矩阵样本，其中，m＝1,2，
Figure BDA0002515724310000111
Hk具体为所述第一随机成份等效矩阵
Figure BDA00025157243100001113
的第k个信道矩阵样本
Figure BDA00025157243100001114
或所述第二随机成份等效矩阵
Figure BDA0002515724310000112
的第k个信道矩阵样本
Figure BDA0002515724310000113
·||表示任意范数。
所述前馈降噪卷积神经网络的损失函数定义为残差平均均方误差，即
Figure BDA0002515724310000114
其中，Θ表示在前馈降噪卷积神经网络中可训练的参数集；
Figure BDA0002515724310000115
表示残差映射；Ytp具体表示为K源到中继R发送天线阵列的所述第一导频传输矩阵
Figure BDA00025157243100001115
或K目的到中继R发送天线阵列的所述第二导频传输矩阵
Figure BDA00025157243100001116
Figure BDA0002515724310000116
为输出的Zb第k个等效估计信道矩阵，b＝1,2，
Figure BDA0002515724310000117
Figure BDA0002515724310000118
具体表示为所述第三等效估计信道矩阵
Figure BDA0002515724310000119
的第k个等效估计信道矩阵
Figure BDA00025157243100001110
和所述第四等效估计信道矩阵
Figure BDA00025157243100001111
的第k个等效估计信道矩阵
Figure BDA00025157243100001112
本发明可以解决现有技术中存在的4个问题。
1、高计算复杂度限制。基于多用户大规模MIMO全双工中继系统，高计算复杂度是信道估计的关键限制。而深度学习技术是处理大数据和解决复杂非线性问题的有力工具。本发明中，将深度学习技术引入信道估计，由于深度神经网络具有很强的识别和表示能力，通过训练过程可以获得复杂的大规模MIMO系统的稀疏特性；并且，利用多层深度神经网络结构可以处理非线性运算和传播。鉴于这两个优势，本发明利用深度学技术进行信道估计可以解决导频序列算法中的高计算复杂度挑战。
2、无法获得实时信道状态信息的问题。本发明中，利用深度学习技术可以通过离线训练获得准确、实时的信道状态信息。
本发明设计的基于深度学习技术的多用户大规模MIMO全双工中继系统信道估计方法的总系统流程图如图2所示。
步骤1、系统模型与导频传输模型建立。
本发明采用的是一个多用户大规模MIMO全双工中继网络，如图3所示。
该系统包括一个中继R和k个用户对(Sk,Dk)，k＝1,...K，其中Sk表示K源处k个用户，Dk表示K目的处的k个用户，每个用户配备单根天线，中继节点处配有NR根接收天线和NT根发送天线，并且中继节点采用放大转发中继传输协议。中继节点R在全双工模式下进行工作，即在同一时隙或频率内，中继节点R同时进行来自K源，即用户S1,...,SK信号的接收和把信号发送至K目的，即用户D1,...,DK。另外，因为莱斯衰落信道模型是用于表示包括漫散射成份和视线的接收信号的重要模型，并且这种类型的通信信道在微/宏蜂窝通信、高海拔平台通信以及室内无线信道中是非常典型的信道。因此本发明考虑基于莱斯信道模型来进行估计算法的建立以及进行相关分析。并且不考虑自干扰信道HR,R的估计。本发明，以K源到中继R接收天线阵列的信道矩阵HS,R和中继R发送天线阵列到K目的的信道矩阵HR,D为例，进行导频传输模型建立。
在莱斯信道模型中，K源到中继R接收天线阵列的信道矩阵HS,R和中继R发送天线阵列到K目的的信道矩阵HR,D可分别表示为
Figure BDA0002515724310000121
Figure BDA0002515724310000122
其中，ΩS,R∈CK×K,ΩR,D∈CK×K表示对应莱斯信道K-factor矩阵，其为对角阵；IK表示K阶单位阵；
Figure BDA0002515724310000123
分别表示信道矩阵HS,R和信道矩阵HR,D的随机成份；
Figure BDA0002515724310000124
和
Figure BDA0002515724310000125
分别表示HS,R和HR,D的固定成分，其中
Figure BDA0002515724310000126
Figure BDA0002515724310000127
Figure BDA0002515724310000128
表示与视线路径相关的确定成份，通常被认为是秩-1的，DS,R和DR,D均为大尺度衰落对角阵。
因为在信道估计中，需要估计的是各信道矩阵的随机成份，因此假设信道矩阵HS，R和HR，D的估计表达式可以表示为
Figure BDA0002515724310000131
Figure BDA0002515724310000132
其中，A，B为常数矩阵，分别有关系
Figure BDA00025157243100001325
和
Figure BDA00025157243100001326
遵循以上推导过程，K源到中继R发送天阵列的信道矩阵
Figure BDA0002515724310000133
和K目的到中继R接收天线阵列的信道矩阵
Figure BDA0002515724310000134
可分别表示为
Figure BDA0002515724310000135
Figure BDA0002515724310000136
其中，
Figure BDA0002515724310000137
表示莱斯信道K-factor矩阵，其为对角阵；
Figure BDA0002515724310000138
分别表示信道
Figure BDA0002515724310000139
和
Figure BDA00025157243100001310
的固定成分；
Figure BDA00025157243100001311
分别表示信道
Figure BDA00025157243100001312
和
Figure BDA00025157243100001313
的随机成分。
只考虑信道矩阵HS,R，HR,D，
Figure BDA00025157243100001314
和
Figure BDA00025157243100001315
的随机成份
Figure BDA00025157243100001316
并假设导频符号数为τ，在相干时间的训练阶段，K源和K目的同时向中继发送τ符号的正交导频序列。则在中继R接收天线阵列处接收到的总第一导频传输矩阵Yrp和在发送天线阵列处接收到的总第二导频传输矩阵Ytp分别表示为
Figure BDA00025157243100001317
Figure BDA00025157243100001318
其中，
Figure BDA00025157243100001319
Figure BDA00025157243100001320
Figure BDA00025157243100001321
和
Figure BDA00025157243100001322
均为等效矩阵，分别表示为
Figure BDA00025157243100001323
和
Figure BDA00025157243100001327
Figure BDA00025157243100001324
Figure BDA0002515724310000141
ΦS,ΦD分别表示从所有用户发送天线和所用用户接收天线传输的导频序列；
Figure BDA00025157243100001411
分别表示优化好的K源和K目的发送的导频序列；C,D,E,F均是与莱斯信道K-factor矩阵相关的常数矩阵；Nrp表示中继R接收天线出的噪声；Ntp表示中继R发送天线处的噪声。
步骤2、基于深度学习的信道估计方法设计。
本发明重点是基于所采用的多用户大规模MIMO全双工中继系统设计新型的基于深度学习技术的信道估计方法。该方法基于自编码器学习方案与前馈降噪卷积神经网络学习方案的结合，其具体可分为两个阶段。第一个阶段是对于K源到中继R接收天线阵列信道矩阵HS,R的随机成份等效信道矩阵
Figure BDA00025157243100001412
以及K目的到中继R接收天线阵列的信道矩阵
Figure BDA0002515724310000142
的随机成份等效矩阵
Figure BDA0002515724310000143
的估计。在此阶段中，本发明采用自编码器学习方案。第二个阶段是K源到中继R发送天阵列的信道矩阵
Figure BDA0002515724310000144
的随机成份等效矩阵
Figure BDA0002515724310000145
以及中继R发送天线阵列到K目的的信道矩阵HR,D的随机成份等效矩阵
Figure BDA00025157243100001413
的估计。在此阶段中，导频序列ΦS,ΦD已经在第一阶段优化完成，因此可以看作已知，因此信道估计可看做信道去噪，于是本发明采用前馈降噪卷积神经网络学习方案。
1)自编码器学习方案设计。
本发明中，自编码器学习方案设计框图如图4所示。
自编码器的结构包括编码器
Figure BDA0002515724310000146
和解码器
Figure BDA0002515724310000147
两部分，其中X和θ为编、解码器中运用的深度卷积神经网络单元模型参数；H为原始信道矩阵，本发明中包括
Figure BDA0002515724310000148
和
Figure BDA0002515724310000149
两部分；Yrp为中继R接收天线阵列处接收到的总导频传输矩阵，包括K源到中继R接收天线阵列的导频传输矩阵
Figure BDA00025157243100001414
和K目的到中继R接收天线阵列的导频矩阵
Figure BDA00025157243100001415
两部分。编码器是以K源到中继K接收天线阵列的导频传输关系式
Figure BDA00025157243100001416
和K目的到中继R接收天线阵列的导频传输关系式
Figure BDA00025157243100001417
(即
Figure BDA00025157243100001410
)为基础建立的，其目的是学习如何设计导频序列ΦS和ΦD以及学习如何基于已知的随机成份等效矩阵
Figure BDA0002515724310000158
和
Figure BDA0002515724310000151
以及噪声样本
Figure BDA0002515724310000159
和
Figure BDA00025157243100001510
预测中继R处接收到的导频传输矩阵
Figure BDA00025157243100001511
和
Figure BDA00025157243100001512
解码器是基于在编码器中预测好的
Figure BDA00025157243100001513
和
Figure BDA00025157243100001514
最终得到估计信道矩阵
Figure BDA0002515724310000152
和
Figure BDA0002515724310000153
因为需要得到两个估计信道矩阵(
Figure BDA0002515724310000154
和
Figure BDA0002515724310000155
)以及得到相应的两对导频序列(ΦS和ΦD)。因此本发明中，编码器和解码器中分别具有多个并行的深度卷积神经网络单元。
对于自动编码器学习方案中的解码器部分，本发明中设计复-RefineNet-4作为自编码器中的深度卷积神经网络模型。首先，RefineNet-4原本为用于图像处理领域的深度卷积神经网络，但是因为无线信道所表现处的稀疏性与二维自然图像的特性非常相似，因此可以将用于图像处理的深度卷积神经网络用于信道估计中。另外，信道矩阵与图像矩阵最大的不同点在于，信道矩阵中的每一个元素为复数，而传统的RefineNet不能处理复数，因此本发明中设计复-RefineNet-4模型用于处理实际情况的复数信道矩阵。
本发明中的自编码器学习方案具体结构模型如图5所示。
本发明考虑到信号的复数特征，在编码器采用两层(输入层和输出层)2NR×K大小的复卷积神经网络。另外，为了在实现信道估计的同时进行导频设计，本发明以导频传输矩阵作为复卷积神经网络的权值参数X以及将噪声序列作为复卷积神经网络的偏置，而非使用传统复卷积神经网络中的任意权值和偏置。
本发明在解码器中采用多个2NR×K×channel大小的复-RefineNet单元，channel表示通道数，图中的“-4”表示本发明使用4层复-RefineNet单元。因为在本发明中，通过自编码器同时得到两个估计信道矩阵
Figure BDA0002515724310000156
和
Figure BDA0002515724310000157
以及设计相应的两对导频序列(ΦS和ΦD)，因此在编码器中采用两套并行的复卷积神经网络单元，在解码器中采用两套并行的复-RefineNet-4单元。
2)前馈降噪卷积神经网络学习方案设计。
前馈降噪卷积神经网络采用残差学习策略，在网络的隐层隐式的移出干净“图片”，即输入为带噪的观测“图片”，输出为移除了干净图片的残差(噪声)“图片”。理论研究证明，用残差学习刻画恒等映射或近似的恒等映射，效果要比直接学习干净“图片”要相对好。并且用前馈降噪卷积神经网络去噪器能够处理噪声水平未知的高斯去噪问题，而且更精确、更快。
本发明中，对于K源到中继R发送天阵列的信道矩阵
Figure BDA0002515724310000161
的随机成份等效矩阵
Figure BDA0002515724310000162
以及中继R发送天线阵列到K目的的信道矩阵HR,D的随机成份等效矩阵
Figure BDA0002515724310000163
的估计，因为通过自编码器得到了优化好的
Figure BDA00025157243100001611
和
Figure BDA00025157243100001612
因此根据关系式
Figure BDA0002515724310000164
以及关系式
Figure BDA00025157243100001613
可以将K源到中继R发送天线阵列的传输矩阵
Figure BDA00025157243100001614
和K目的到中继R发送天线阵列的导频传输矩阵
Figure BDA00025157243100001615
看做是受到噪声污染的信道矩阵。又根据信道矩阵与二维图片的相似特性，因此采用前馈降噪卷积神经网络。
网络输入为导频传输矩阵
Figure BDA00025157243100001616
和
Figure BDA00025157243100001617
输出为移除了干净信道矩阵的噪声矩阵
Figure BDA00025157243100001618
和
Figure BDA00025157243100001619
利用残差学习策略进行去噪，输出随机成份等效矩阵
Figure BDA0002515724310000165
的估计信道矩阵
Figure BDA0002515724310000166
的等效估计信道矩阵
Figure BDA0002515724310000167
和随机成份等效矩阵
Figure BDA00025157243100001620
的信道估计矩阵
Figure BDA00025157243100001621
的等效信道估计矩阵
Figure BDA00025157243100001622
其中
Figure BDA0002515724310000168
与
Figure BDA00025157243100001623
最后通过除以优化好的导频序列
Figure BDA00025157243100001624
和
Figure BDA00025157243100001625
最终得到所需要的信道估计矩阵
Figure BDA0002515724310000169
和
Figure BDA00025157243100001610
3)基于设计的自编码器学习方案与前馈降噪卷积神经网络学习方案的信道估计方法。
本发明中的信道估计方法，在建立系统模型以及设计好两个学习方案后，首先根据信道模型(1)、(2)、(5)、(6)式产生一系列信道样本，以及根据噪声分布模型产生一系列噪声样本。在本发明中噪声为高斯白噪声。
设置用户数K＝10，中继R收发天线数NR＝NT＝50，基于莱斯信道模型(1)式，产生数目为10000的训练样本，部分信道样本如图6所示。
然后将产生的每一种信道样本以8:2的比例分成训练集和测试集用以分别进行自编码器以及前馈降噪卷积神经网络的训练。
·训练阶段：
本发明中先训练自编码器，然后基于设计好的导频序列再训练前馈降噪卷积神经网络。
首先根据所建立问题的目标函数，即实现在中继R处的信道估计H的均方误差最小，确定网络的损失函数。本发明中，自编码器的损失函数定义为平均均方误差，即
Figure BDA0002515724310000171
其中，T表示训练集样本总数；Hk表示Gm信道中第k个信道矩阵样本，其中，m＝1,2，
Figure BDA0002515724310000172
Hk具体为所述第一随机成份等效矩阵
Figure BDA00025157243100001710
的第k个信道矩阵样本
Figure BDA00025157243100001711
或第二随机成份等效矩阵
Figure BDA0002515724310000173
的第k个信道矩阵样本
Figure BDA0002515724310000174
||·||表示任意范数。
前馈降噪卷积神经网络的损失函数定义为残差平均均方误差，即
Figure BDA0002515724310000175
其中，Θ表示在前馈降噪卷积神经网络中可训练的参数集；
Figure BDA0002515724310000176
表示残差映射；总等效第二导频传输矩阵Y′tp具体表示为K源到中继R发送天线阵列的第一导频传输矩阵
Figure BDA00025157243100001712
或K目的到中继R发送天线阵列的第二导频传输矩阵
Figure BDA00025157243100001713
Figure BDA0002515724310000177
为输出的Zb第k个等效估计信道矩阵，b＝1,2，
Figure BDA0002515724310000178
Figure BDA0002515724310000179
具体表示为所述第三等效估计信道矩阵
Figure BDA0002515724310000183
的第k个等效估计信道矩阵和所述第四等效估计信道矩阵
Figure BDA0002515724310000181
的第k个等效估计信道矩阵
Figure BDA0002515724310000182
然后基于所产生的训练集，并将其作为自编码器或前馈降噪卷积神经网络的输入，通过选取适合的激活函数，调整网络超参数，以及用优化算法不断优化自编码器和前馈降噪卷积神经网络中的模型参数，最终使得网络损失函数最小的同时获得最佳的导频序列。值得注意的是，由于本发明中存在导频发送功率的约束，因此需要在自动编码器的复-RefineNet-4中需要利用投影梯度下降法优化网络中各权重参数和偏置参数。而在前馈降噪卷积神经网络采用的是随机梯度下降法优化算法。
最终得到优化好的导频序列、估计好的等效信道矩阵以及训练好的自编码器和前馈降噪卷积神经网络，用以做测试使用。
·测试阶段：
将新产生的符合莱斯信道模型的原始信道矩阵作为测试数据，根据测试数据计算新的K源到中继R发送天线阵列的第一导频传输矩阵
Figure BDA0002515724310000184
以及K目的到中继R发送天线阵列的第二导频传输矩阵
Figure BDA0002515724310000185
将测试数据以及计算出的
Figure BDA0002515724310000186
和
Figure BDA0002515724310000187
分别输入进训练好的自编码器和前馈降噪卷积神经网络中进行网络性能测试。本发明具有以下有益效果：
1、计算复杂度问题。由于本发明采用深度学习技术进行信道估计，而由于深度神经网络通过训练过程可以获得复杂的大规模MIMO系统的稀疏特性，而且通过利用多层深度神经网络结构可以快速的处理非线性运算和传播。因此相比于传统的基于导频的信道估计算法(尤其是最小均方误差算法)，本发明可使基于多用户大规模MIMO全双工中继系统的信道估计问题的计算复杂度大大降低。
2、实时信道状态信息获取问题。由于本发明利用深度学习技术，因此相比于相关最小均方误差算法，可以通过离线训练获得准确、实时的信道状态信息。
4、重构速度、处理速度慢问题。由于本发明利用深度学习技术，其可以在离线训练后，非常有效地进行信道估计，而无需迭代，大大提高重构速度；且本发明中利用GPU进行并行计算，可进一步使深度学习能够在毫秒内做出推断，大大提高信道估计完成速度。
5、本发明在自编码器中设计复卷积神经网络结构和复-RefineNet-4结构可符合实际信道特点，更切合实际信道估计的需求。
6、本发明是将深度学习技术引入于信道估计中，设计出一种新型的基于深度学习技术的多用户大规模MIMO全双工中继系统信道估计算法，通过自编码器学习模式的设计、深度卷积神经网络学习框架的设计、前馈降噪卷积神经网络框架的设计以及网络训练，用以快速、高效、精确地进行信道估计。并且提出在自编码器学习方案中使用复卷积神经网络和复-RefineNet-4用以更好的满足无线信道本身的特性。
如图7所示，为本发明所述的一种多用户大规模多输入多输出MIMO全双工中继系统信道估计装置，包括：
获取单元，用于获取符合莱斯信道模型的原始信道矩阵作为待测试数据；
计算单元，根据所述待测试数据计算K源到中继R发送天线阵列的第一导频传输矩阵
Figure BDA0002515724310000191
以及K目的到中继R发送天线阵列的第二导频传输矩阵
Figure BDA0002515724310000192
测试单元，用于将所述待测试数据和计算出的所述第一导频传输矩阵
Figure BDA0002515724310000193
和所述第二导频传输矩阵
Figure BDA0002515724310000194
分别输入训练好的自编码器和前馈降噪卷积神经网络，以进行网络性能测试。
以下描述本发明的具体实施例。本发明提供一种基于深度学习的多用户大规模MIMO全双工中继系统信道估计方法。建立联合信道学习和导频设计方案，通过自编码器学习模式的设计、深度卷积神经网络学习框架的设计、前馈降噪卷积神经网络框架的设计以及网络训练，以实现精确的信道估计和相应的导频传输矩阵设计。该方法可在无需迭代的情况下，进行快速、高效地信道估计。
以上所述，仅为本发明较佳的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (9)

1.一种多用户大规模多输入多输出MIMO全双工中继系统信道估计方法，其特征在于，包括：
获取符合莱斯信道模型的原始信道矩阵作为待测试数据；
根据所述待测试数据，计算K源到中继发送天线阵列的第一导频传输矩阵
Figure FDA0002515724300000011
以及K目的到中继发送天线阵列的第二导频传输矩阵
Figure FDA0002515724300000012
将所述待测试数据和所述第一导频传输矩阵和所述第二导频传输矩阵，分别输入训练好的自编码器和前馈降噪卷积神经网络，以进行网络性能测试。
2.根据权利要求1所述的方法，其特征在于，所述获取符合莱斯信道模型的原始信道矩阵作为待测试数据的步骤之前，所述方法包括：
建立多用户大规模MIMO全双工中继系统，获取K源到中继R接收天线阵列的第一信道矩阵HS,R和K目的到中继R接收天线阵列的第二信道矩阵
Figure FDA0002515724300000013
分别提取所述第一信道矩阵HS,R的第一随机成份
Figure FDA0002515724300000014
以及所述第二信道矩阵
Figure FDA0002515724300000015
的第二随机成份
Figure FDA0002515724300000016
基于所述第一随机成份
Figure FDA0002515724300000017
得到第一随机成份等效矩阵
Figure FDA0002515724300000018
以及基于所述第二随机成份
Figure FDA0002515724300000019
得到第二随机成份等效矩阵
Figure FDA00025157243000000110
基于所述第一随机成份等效矩阵
Figure FDA00025157243000000111
和所述第二随机成份等效矩阵
Figure FDA00025157243000000112
计算第三导频传输矩阵
Figure FDA00025157243000000113
以及第四导频传输矩阵
Figure FDA00025157243000000114
根据所述第三导频传输矩阵
Figure FDA00025157243000000115
和所述第四导频传输矩阵
Figure FDA00025157243000000116
设计自编码器学习方案，用来得到K源到中继R接收天线阵列的第一信道矩阵HS,R的第一随机成份等效矩阵
Figure FDA00025157243000000117
的第一估计信道矩阵
Figure FDA00025157243000000118
K目的到中继R接收天线阵列的第二信道矩阵
Figure FDA00025157243000000119
的第二随机成份等效矩阵
Figure FDA00025157243000000120
的第二估计信道矩阵
Figure FDA00025157243000000121
并得到从所有用户发送天线传输的第一导频序列ΦS和从所有用户接收天线传输的第二导频序列ΦD；
根据得到的从所有用户发送天线传输的所述第一导频序列ΦS和从所有用户接收天线传输的所述第二导频序列ΦD以及K源到中继R发送天线阵列的所述第一导频传输矩阵
Figure FDA0002515724300000021
和K目的到中继R发送天线阵列的所述第二导频传输矩阵
Figure FDA0002515724300000022
设计前馈降噪卷积神经网络学习方案，用来获得中继R发送天线阵列到K目的的第三信道矩阵HR,D的第三随机成份等效矩阵
Figure FDA0002515724300000023
的第三估计信道矩阵
Figure FDA0002515724300000024
以及K源到中继R发送天线阵列的第四信道矩阵
Figure FDA0002515724300000025
的第四随机成份等效矩阵
Figure FDA0002515724300000026
的第四估计信道矩阵
Figure FDA0002515724300000027
3.根据权利要求2所述的方法，其特征在于，所述多用户大规模MIMO全双工中继系统具体包括：
一个中继R和k个用户对(Sk,Dk)，k＝1,...K，其中Sk表示K源处的k个用户，Dk表示K目的处的k个用户，每个用户配备单根天线，中继节点处配有NR根接收天线和NT根发送天线，并且中继节点采用放大转发中继传输协议；中继节点R在全双工模式下进行工作，即在同一时隙或频率内，中继节点R同时进行来自K源，即用户S1,...,SK信号的接收和把信号发送至K目的，即用户D1,...,DK；
在莱斯信道模型中，K源到中继R接收天线阵列的信道矩阵第一信道矩阵HS,R和K目的到中继R接收天线阵列的第二信道矩阵
Figure FDA0002515724300000028
分别表示为
Figure FDA0002515724300000029
Figure FDA00025157243000000210
其中，ΩS,R∈CK×K,
Figure FDA00025157243000000211
表示对应莱斯信道K-factor矩阵，其为对角阵；IK表示K阶单位阵；
Figure FDA00025157243000000212
表示K源到中继R接收天线阵列的第一信道矩阵HS,R的第一随机成份；
Figure FDA00025157243000000213
表示K目的到中继R接收天线阵列的第二信道矩阵
Figure FDA00025157243000000214
的第二随机成份，
Figure FDA00025157243000000215
表示K源到中继R接收天线阵列的第一信道矩阵HS,R的第一固定成份，
Figure FDA0002515724300000031
表示K目的到中继R接收天线阵列的第二信道矩阵
Figure FDA0002515724300000032
的第二固定成份，其中
Figure FDA0002515724300000033
Figure FDA0002515724300000034
和
Figure FDA0002515724300000035
表示与视线路径相关的确定成份，被认为是秩-1的，DS,R和DR,D表示大尺度衰落对角阵；
另外，中继R发送天线阵列到K目的的第三信道矩阵HR,D和K源到中继R发送天阵列的第四信道矩阵
Figure FDA0002515724300000036
分别表示为
Figure FDA0002515724300000037
Figure FDA0002515724300000038
其中，ΩR,D∈CK×K,
Figure FDA0002515724300000039
表示莱斯信道K-factor矩阵，其为对角阵；
Figure FDA00025157243000000310
表示中继R发送天线阵列到K目的的第三信道矩阵HR,D的第三随机成份；
Figure FDA00025157243000000311
表示K源到中继R发送天线阵列的第四信道矩阵
Figure FDA00025157243000000312
的第四随机成份；
Figure FDA00025157243000000313
表示中继R发送天线阵列到K目的的第三信道矩阵HR,D的第三固定成份；
Figure FDA00025157243000000314
表示K源到中继K发送天线阵列的第四信道矩阵
Figure FDA00025157243000000315
的第四固定成份；
只考虑第一信道矩阵HS,R的第一随机成份
Figure FDA00025157243000000316
第二信道矩阵
Figure FDA00025157243000000317
的第二随机成份
Figure FDA00025157243000000318
第三信道矩阵HR,D的第三随机成份
Figure FDA00025157243000000319
以及第四信道矩阵
Figure FDA00025157243000000320
的第四随机成份
Figure FDA00025157243000000321
并假设导频符号数为τ，在相干时间的训练阶段，K源和K目的同时向中继发送τ符号的正交导频序列，则在中继R接收天线阵列处接收到的总第一导频传输矩阵Yrp和在发送天线阵列处接收到的总第二导频传输矩阵Ytp分别表示为
Figure FDA00025157243000000322
Figure FDA00025157243000000323
其中，
Figure FDA00025157243000000324
Figure FDA00025157243000000325
Figure FDA00025157243000000326
和
Figure FDA00025157243000000327
均为等效矩阵，分别表示为
Figure FDA00025157243000000328
Figure FDA0002515724300000041
和
Figure FDA0002515724300000042
ΦS,ΦD分别表示所述从所有用户发送天线和所有用户接收天线传输的第一导频序列和第二导频序列；
Figure FDA0002515724300000043
分别表示优化好的K源发送的第一导频序列和优化好的K目的发送的第二导频序列；C,D,E,F均是与莱斯信道K-factor矩阵相关的常数矩阵；Nrp表示中继R接收天线处的噪声；Ntp表示中继R发送天线处的噪声。
4.根据权利要求2所述的方法，其特征在于，所述自编码器具体为：
自编码器的结构包括：编码器
Figure FDA0002515724300000044
和解码器
Figure FDA0002515724300000045
在编码器采用输入层和输出层2NR×K大小的复卷积神经网络；以导频传输矩阵作为复卷积神经网络的权值参数X，以及将噪声序列作为复卷积神经网络的偏置；
在解码器中采用多个2NR×K×channel大小的复-RefineNet单元，channel表示通道数；
通过自编码器同时得到第一估计信道矩阵
Figure FDA0002515724300000046
和第二估计信道矩阵
Figure FDA0002515724300000047
以及设计相应的所述从所有用户发送天线传输的第一导频序列ΦS和所述从所有用户接收天线传输的第二导频序列ΦD，在编码器中采用两套并行的复卷积神经网络单元，在解码器中采用两套并行的复-RefineNet-4单元。
5.根据权利要求2所述的方法，其特征在于，所述前馈降噪卷积神经网络具体为：
网络输入为所述第一导频传输矩阵
Figure FDA0002515724300000048
和所述第二导频传输矩阵
Figure FDA0002515724300000049
输出为移除了干净信道矩阵的第一噪声矩阵
Figure FDA00025157243000000410
和第二噪声矩阵
Figure FDA00025157243000000411
利用残差学习策略进行去噪，输出第三估计信道矩阵
Figure FDA00025157243000000412
的第三等效估计信道矩阵
Figure FDA00025157243000000413
以及第四估计信道矩阵
Figure FDA00025157243000000414
的第四等效估计信道矩阵
Figure FDA00025157243000000415
其中
Figure FDA00025157243000000416
与
Figure FDA00025157243000000417
通过除以所述优化好的K源发送的第一导频序列
Figure FDA0002515724300000051
和所述优化好的K目发送的第二导频序列
Figure FDA0002515724300000052
得到所需要的所述第三估计信道矩阵
Figure FDA0002515724300000053
和第四估计信道矩阵
Figure FDA0002515724300000054
6.根据权利要求2所述的方法，其特征在于，训练所述自编码器设计的导频序列和训练所述前馈降噪卷积神经网络的步骤包括：
根据所建立问题的目标函数，即实现在中继R处的信道估计H的均方误差最小，确定网络的损失函数；
基于所产生的训练集，并将其作为自编码器或前馈降噪卷积神经网络的输入，通过选取相应的激活函数，调整网络超参数，以及用优化算法不断优化自编码器和前馈降噪卷积神经网络中的模型参数，最终使得网络损失函数最小的同时获得最佳的导频序列，以得到优化好的导频序列、估计好的等效信道矩阵以及训练好的自编码器和前馈降噪卷积神经网络。
7.根据权利要求6所述的方法，其特征在于，
所述自编码器的损失函数定义为平均均方误差，即
Figure FDA0002515724300000055
其中，T表示训练集样本总数；Hk表示Gm信道中第k个信道矩阵样本，其中，m＝1,2，
Figure FDA0002515724300000056
Hk具体为所述第一随机成份等效矩阵
Figure FDA0002515724300000057
的第k个信道矩阵样本
Figure FDA0002515724300000058
或所述第二随机成份等效矩阵
Figure FDA0002515724300000059
的第k个信道矩阵样本
Figure FDA00025157243000000510
||·||表示任意范数。
8.根据权利要求6所述的方法，其特征在于，
所述前馈降噪卷积神经网络的损失函数定义为残差平均均方误差，即
Figure FDA00025157243000000511
其中，Θ表示在前馈降噪卷积神经网络中可训练的参数集；
Figure FDA00025157243000000512
表示残差映射；总等效第二导频传输矩阵Yt′p具体表示为K源到中继R发送天线阵列的第一导频传输矩阵
Figure FDA0002515724300000061
或K目的到中继R发送天线阵列的第二导频传输矩阵
Figure FDA0002515724300000062
Figure FDA0002515724300000063
为输出的Zb第k个等效估计信道矩阵，b＝1,2，
Figure FDA0002515724300000064
Figure FDA0002515724300000065
具体表示为所述第三等效估计信道矩阵
Figure FDA0002515724300000066
的第k个等效估计信道矩阵和所述第四等效估计信道矩阵
Figure FDA0002515724300000067
的第k个等效估计信道矩阵
Figure FDA0002515724300000068
9.一种多用户大规模多输入多输出MIMO全双工中继系统信道估计装置，其特征在于，包括：
获取单元，用于获取符合莱斯信道模型的原始信道矩阵作为待测试数据；
计算单元，根据所述待测试数据计算K源到中继R发送天线阵列的第一导频传输矩阵
Figure FDA0002515724300000069
以及K目的到中继R发送天线阵列的第二导频传输矩阵
Figure FDA00025157243000000610
测试单元，用于将所述待测试数据和计算出的所述第一导频传输矩阵
Figure FDA00025157243000000611
和所述第二导频传输矩阵
Figure FDA00025157243000000612
分别输入训练好的自编码器和前馈降噪卷积神经网络，以进行网络性能测试。
CN202010475415.XA 2020-05-29 2020-05-29 大规模mimo全双工中继系统信道估计方法和装置 Active CN111865844B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010475415.XA CN111865844B (zh) 2020-05-29 2020-05-29 大规模mimo全双工中继系统信道估计方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010475415.XA CN111865844B (zh) 2020-05-29 2020-05-29 大规模mimo全双工中继系统信道估计方法和装置

Publications (2)

Publication Number Publication Date
CN111865844A true CN111865844A (zh) 2020-10-30
CN111865844B CN111865844B (zh) 2023-06-06

Family

ID=72985929

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010475415.XA Active CN111865844B (zh) 2020-05-29 2020-05-29 大规模mimo全双工中继系统信道估计方法和装置

Country Status (1)

Country Link
CN (1) CN111865844B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112929977A (zh) * 2021-02-10 2021-06-08 山西大学 一种深度学习的放大转发协作网络能效性资源分配方法
WO2022151067A1 (zh) * 2021-01-13 2022-07-21 Oppo广东移动通信有限公司 无线信号降噪方法、装置、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090180404A1 (en) * 2008-01-14 2009-07-16 Samsung Electronics Co., Ltd. Apparatus and method for interference cancellation and synchronization maintenance over interference channel estimation in communication system based on full-duplex relay
US20100027721A1 (en) * 2008-07-31 2010-02-04 Fujitsu Microelectronics Limited Method and System for Implementing a Multiple-Input Multiple-Output (MIMO) Decoder Scheme
US20100158142A1 (en) * 2008-12-19 2010-06-24 Research In Motion Corporation Multiple-Input Multiple-Output (MIMO) with Relay Nodes
CN105493416A (zh) * 2013-08-29 2016-04-13 库姆网络公司 全双工中继装置
CN105897319A (zh) * 2016-05-27 2016-08-24 浙江理工大学 一种mimo全双工中继系统信源中继联合预编码方法
CN107863998A (zh) * 2017-11-02 2018-03-30 中国传媒大学 一种基于多用户mimo中继系统的联合信号检测与信道估计方法
CN109547139A (zh) * 2018-12-29 2019-03-29 南京邮电大学 一种基于Rician信道的上行链路模型构建和性能分析方法
CN110808764A (zh) * 2019-10-14 2020-02-18 中国传媒大学 大规模mimo中继系统中一种联合信息估计方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090180404A1 (en) * 2008-01-14 2009-07-16 Samsung Electronics Co., Ltd. Apparatus and method for interference cancellation and synchronization maintenance over interference channel estimation in communication system based on full-duplex relay
US20100027721A1 (en) * 2008-07-31 2010-02-04 Fujitsu Microelectronics Limited Method and System for Implementing a Multiple-Input Multiple-Output (MIMO) Decoder Scheme
US20100158142A1 (en) * 2008-12-19 2010-06-24 Research In Motion Corporation Multiple-Input Multiple-Output (MIMO) with Relay Nodes
CN105493416A (zh) * 2013-08-29 2016-04-13 库姆网络公司 全双工中继装置
CN105897319A (zh) * 2016-05-27 2016-08-24 浙江理工大学 一种mimo全双工中继系统信源中继联合预编码方法
CN107863998A (zh) * 2017-11-02 2018-03-30 中国传媒大学 一种基于多用户mimo中继系统的联合信号检测与信道估计方法
CN109547139A (zh) * 2018-12-29 2019-03-29 南京邮电大学 一种基于Rician信道的上行链路模型构建和性能分析方法
CN110808764A (zh) * 2019-10-14 2020-02-18 中国传媒大学 大规模mimo中继系统中一种联合信息估计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SIYUAN ZHANG: "Achievable Rates of Full-Duplex Massive MIMO Relay System Over Rician Fading Channels", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 *
刘忠胜: "全双工通信系统关键技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
孙小丽: "莱斯信道下多对双向大规模MIMO AF中继系统性能分析", 《应用科学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022151067A1 (zh) * 2021-01-13 2022-07-21 Oppo广东移动通信有限公司 无线信号降噪方法、装置、设备及存储介质
CN112929977A (zh) * 2021-02-10 2021-06-08 山西大学 一种深度学习的放大转发协作网络能效性资源分配方法

Also Published As

Publication number Publication date
CN111865844B (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
Zheng et al. A survey on channel estimation and practical passive beamforming design for intelligent reflecting surface aided wireless communications
CN107483088B (zh) 大规模mimo鲁棒预编码传输方法
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
Chen et al. Reconfigurable-intelligent-surface-assisted B5G/6G wireless communications: Challenges, solution, and future opportunities
CN109194595B (zh) 一种基于神经网络的信道环境自适应ofdm接收方法
KR20100057879A (ko) 다중 사용자 프리코딩 및 스케줄링 방법 및 이를 구현하는 기지국
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
CN111865844B (zh) 大规模mimo全双工中继系统信道估计方法和装置
JP2009153139A (ja) Ｍｉｍｏ下りリンクにおけるプリコーディング処理方法、装置及び基地局
Guo et al. Relay technology for multi-carrier systems: A research overview
Liu et al. HyperRNN: Deep learning-aided downlink CSI acquisition via partial channel reciprocity for FDD massive MIMO
Sheemar Hybrid beamforming techniques for massive mimo full duplex radio systems
CN114665930A (zh) 去蜂窝大规模mimo系统的下行链路盲信道估计方法
Mutlu et al. Deep learning aided channel estimation approach for 5G communication systems
Ma et al. Time-reversal tunneling effects for cloud radio access network
CN107733487B (zh) 一种大规模多输入多输出系统的信号检测方法及装置
CN114430590B (zh) 一种实现上行大规模urllc的无线传输方法
CN107017930B (zh) 一种存在信道反馈延迟与估计误差的mimo双向中继系统的预编码方法
Gong et al. Compressive subspace learning with antenna cross-correlations for wideband spectrum sensing
JP5339865B2 (ja) 無線受信方法、及び無線受信装置
Chen A channel estimation algorithm for large-scale MIMO system using block sparsity adaptive matching pursuit
CN104796360B (zh) 一种基于ica滤波方法的信道估计方法
Du et al. Joint channel estimation techniques for muti-user massive MIMO relay networks
Komulainen et al. CSI acquisition concepts for advanced antenna schemes in the WINNER+ project

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