CN111935037A - 基于深度学习的大规模多天线系统信道估计方法 - Google Patents

基于深度学习的大规模多天线系统信道估计方法 Download PDF

Info

Publication number
CN111935037A
CN111935037A CN202010520822.8A CN202010520822A CN111935037A CN 111935037 A CN111935037 A CN 111935037A CN 202010520822 A CN202010520822 A CN 202010520822A CN 111935037 A CN111935037 A CN 111935037A
Authority
CN
China
Prior art keywords
dnn
antenna
ref
training
pilot signal
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
CN202010520822.8A
Other languages
English (en)
Other versions
CN111935037B (zh
Inventor
刘楠
金子程
潘志文
尤肖虎
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202010520822.8A priority Critical patent/CN111935037B/zh
Publication of CN111935037A publication Critical patent/CN111935037A/zh
Application granted granted Critical
Publication of CN111935037B publication Critical patent/CN111935037B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Power Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明提供了一种基于深度学习的大规模多天线系统信道估计方法。本发明的方法为：首先在基站处根据系统模型和信道模型产生训练用信道和接收并量化的导频信号，构建RC‑DNN的训练样本进行RC‑DNN训练；然后将接收并量化的导频信号输入训练完成后的RC‑DNN获得RC‑DNN的输出，并将其同对应的高精度ADC天线接收并量化后的导频信号合并成Ref‑DNN的训练样本进行Ref‑DNN训练；用户向基站发送导频信号，将由用户发送且经基站天线接收并量化的导频信号ru输入RC‑DNN得到低精度ADC天线处的估计信道
Figure DDA0002531633680000011
将其与高精度ADC天线接收并量化后的导频信号rH,u合并为Ref‑DNN的输入su，将su输入Ref‑DNN，获得用户到所有天线的估计信道
Figure DDA0002531633680000012
本发明可有效降低估计的NMSE。

Description

基于深度学习的大规模多天线系统信道估计方法
技术领域
本发明涉及一种基于深度学习的大规模多天线系统信道估计方法，属于无线通信当中的信道估计领域。
背景技术
大规模多天线(Multiple-Input-Multiple-Output，MIMO)技术是5G和未来通信当中的关键技术。在大规模MIMO系统当中，由于基站处天线数量大，若在基站处为每根天线配备高精度模拟数字转换器(Analog-to-Digital Converter，ADC)，基站的能耗和成本都会相当高。若每根天线均使用低精度ADC，则会带来系统整体性能的降低。配备混合精度ADC(即小部分天线配备高精度ADC，其余的配备低精度ADC)是解决这一问题的策略。
信道估计是在接收机处对无线信道进行估计的技术，是实现无线通信系统的一项关键技术。然而现有的针对配备混合精度ADC的大规模MIMO系统的上行信道估计技术并不完善。现有的轮循方法(即将高精度ADC作为一个组，分次连接到不同的天线上，每一次只对配备高精度ADC的天线进行信道估计，直到遍历所有的天线)所需要的估计时延和导频长度较长，难以应用。
深度学习(Deep Learning,DL)已经在无线通信中应用。由于其利用海量数据中内部相关性的出色能力，深度学习方法相较于传统方法在估计和检测方面取得了很大的性能提升。已有研究将深度神经网络(Deep Neural Networks,DNN)应用至配备混合精度ADC的大规模MIMO系统中，仅利用配备高精度ADC天线处的接收并量化后的导频信号进行信道估计。但由于低精度ADC量化后的信号会出现严重的非线性失真，包括此研究的现有研究并未于估计中充分利用低精度ADC天线接收的导频信号，仍有很大的改善空间。本发明基于深度学习方法，将低精度ADC天线接收的导频信号也运用到估计中，较先前的深度学习方法能有效降低估计的归一化均方误差(normalized mean square error,NMSE)。
发明内容
发明目的：为了解决上述问题，本发明提供了一种基于深度学习的大规模多天线系统信道估计方法，适用于估计上行多径信道。本发明基于深度学习方法，设计了由两个DNN串联组成的二阶段估计网络。恢复DNN(recovery DNN，RC-DNN)利用基站所有天线接收并量化的导频信号估计低精度ADC天线处的信道。随后RC-DNN输出的低精度ADC天线处的估计信道和高精度ADC天线处接收并量化的导频信号合并后输入细化DNN(refine DNN，Ref-DNN)，获得对基站所有天线处的估计信道。本发明的信道估计方法与已有的针对配备混合精度ADC的大规模MIMO系统中的上行信道估计方法相比，可有效降低估计的NMSE。
技术方案：为实现本发明的目的，本发明所采用的技术方案是：
基于深度学习的大规模多天线系统信道估计方法，该方法基于配备混合精度ADC的大规模MIMO系统，设该系统的基站配备M根天线，分为高精度ADC天线集合
Figure BDA0002531633660000021
和低精度ADC天线集合
Figure BDA0002531633660000022
两个集合，
Figure BDA0002531633660000023
和
Figure BDA0002531633660000024
满足
Figure BDA0002531633660000025
和
Figure BDA0002531633660000026
式中
Figure BDA0002531633660000027
为空集，每根天线配备两个ADC，分别量化接收到的信号的实部(Re)与虚部(Im)，对其进行信道估计的方法包括如下步骤：
S1.在基站处根据系统模型和信道模型产生训练用信道和接收并量化的导频信号，构建RC-DNN的训练样本；
S2.将步骤S1中构建的训练样本输入RC-DNN进行训练；
S3.将接收并量化的导频信号输入步骤S2中训练完成后的RC-DNN获得RC-DNN的输出
Figure BDA0002531633660000028
并将
Figure BDA0002531633660000029
同第n个训练样本对应的高精度ADC天线接收并量化后的导频信号rH,n合并成Ref-DNN的第n个训练样本的输入sn，并生成Ref-DNN的第n个训练样本；
S4.将步骤S3中构建的训练样本输入Ref-DNN进行训练；
S5.将步骤S2中训练完成后的RC-DNN与步骤S4中训练完成后的Ref-DNN储存于基站处，用于在线阶段的信道估计；
S6.用户向基站发送导频信号，将由用户发送且经基站天线接收并量化的导频信号ru输入RC-DNN得到低精度ADC天线处的估计信道
Figure BDA00025316336600000210
S7.将步骤S6中得到的低精度ADC天线处的估计信道
Figure BDA00025316336600000211
与高精度ADC天线接收并量化后的导频信号rH,u合并为Ref-DNN的输入su，将su输入Ref-DNN，获得用户到所有天线的估计信道
Figure BDA00025316336600000212
所述的基于深度学习的大规模多天线系统信道估计方法，步骤S1的具体方法为：
信道模型如下：
Figure BDA00025316336600000213
式中，h为用户到基站的信道，L为信道多径数目，βl为第l条传播路径的增益，
Figure BDA00025316336600000214
为第l条传播路径的到达角，
Figure BDA00025316336600000215
为第l条传播路径的导向矢量；
根据信道模型，产生Ntr个独立的信道，
Figure BDA00025316336600000216
第n个信道hn对应产生第n个RC-DNN和Ref-DNN的训练样本，为生成训练样本，还需要产生接收的导频信号，第n个训练样本对应的接收的导频信号如下：
Figure BDA0002531633660000031
其中P为用户发射功率，zn为第n个信道的高斯白噪声；
设第n个训练样本的量化后的导频信号为rn，设基站处有M根天线，
Figure BDA0002531633660000032
[rn]m第m根基站天线对应的rn的元素，则有：
Figure BDA0002531633660000033
其中
Figure BDA0002531633660000034
和
Figure BDA0002531633660000035
分别为高精度和低精度ADC的量化函数，[yn]m为第m根基站天线对应的yn的元素；
RC-DNN的第n个训练样本形式为
Figure BDA0002531633660000036
其中
Figure BDA0002531633660000037
为输入rn时RC-DNN的输出试图接近的目标数据，hL,n为第n个训练样本中用户设备到配备低精度ADC的天线的信道，c为一比例常数。
所述的基于深度学习的大规模多天线系统信道估计方法，比例常数c的确定规则为，对于所有训练样本，计算所有天线对应信道的功率，通过调整c，确保所有天线对应信道的功率不超出RC-DNN和Ref-DNN的输出层激活函数的范围。
所述的基于深度学习的大规模多天线系统信道估计方法，步骤S2的具体方法是：
对于第n个训练样本的量化后的导频信号rn，有：
Figure BDA0002531633660000038
其中
Figure BDA0002531633660000039
为输入rn后RC-DNN的输出数据，
Figure BDA00025316336600000310
为对hL,n的估计，T≥2，
Figure BDA00025316336600000311
为RC-DNN总共的神经网络层数量，对于t∈{2,…,T}，bRC,t为RC-DNN的第t层的偏置向量，Wt为第(t-1)层和第t层之间的权重矩阵，gRC,t(·)表示第t层所用的激活函数；
训练的损失函数costRC为
Figure BDA00025316336600000312
训练的目的为减小RC-DNN的输出和目标数据间的均方误差，即减小损失函数。
所述的基于深度学习的大规模多天线系统信道估计方法，步骤S4的具体方法是：
对于Ref-DNN的第n个训练样本的输入sn，Ref-DNN输出的估计信道
Figure BDA00025316336600000313
为：
Figure BDA0002531633660000041
其中，K≥2，
Figure BDA0002531633660000042
为Ref-DNN总的神经网络层数量，对于k∈{2,…,K}，bRef,k和Pk为经过训练后的Ref-DNN的第k层的偏置向量和权重矩阵，gRef,k(·)表示Ref-DNN的第k层所用的激活函数；
训练的损失函数costRef为
Figure BDA0002531633660000043
训练的目的为减小Ref-DNN输出和目标数据间的均方误差，即减小损失函数。
所述的基于深度学习的大规模多天线系统信道估计方法，步骤S2中和步骤S4中均采用Adam优化器和批量梯度下降法进行多轮训练，直至达到设定的总迭代次数后训练完成。
所述的基于深度学习的大规模多天线系统信道估计方法，步骤S6的具体方法是：
用户向基站发送导频信号，设导频信号为x，用户到基站天线的信道为hu，则基站天线接收的导频信号yu为
Figure BDA0002531633660000044
其中zu为高斯白噪声；
接收到的导频信号需经ADC量化，设基站天线接收并量化的导频信号为ru，[ru]m表示ru的第m个元素，即第m根基站天线对应的rn的元素，则[ru]m表示如下：
Figure BDA0002531633660000045
其中[yu]m为yu的第m个元素，即第m根基站天线对应的yu的元素；
将基站天线接收并量化的导频信号ru输入RC-DNN得到低精度ADC天线处的估计信道
Figure BDA0002531633660000046
Figure BDA0002531633660000047
所述的基于深度学习的大规模多天线系统信道估计方法，步骤S7中所述获得用户到所有天线的估计信道
Figure BDA0002531633660000048
的方式为：
Figure BDA0002531633660000049
所述的基于深度学习的大规模多天线系统信道估计方法，步骤S1中对于第n个训练样本，若第m根天线属于集合
Figure BDA00025316336600000410
且为集合
Figure BDA00025316336600000411
中的第um个元素，则sn的第m个元素[sn]m为rH,n的第um个元素
Figure BDA0002531633660000051
若第m根天线属于集合
Figure BDA0002531633660000052
且在集合
Figure BDA0002531633660000053
中为第vm个元素，则sn的第m个元素为
Figure BDA0002531633660000054
的第vm个元素
Figure BDA0002531633660000055
即：
Figure BDA0002531633660000056
所述的基于深度学习的大规模多天线系统信道估计方法，步骤S7中所述将步骤S6中得到的低精度ADC天线处的估计信道
Figure BDA0002531633660000057
与高精度ADC天线接收并量化后的导频信号rH,u合并为Ref-DNN的输入su，在合并的过程中，合并规则如下：
若第m根天线属于集合
Figure BDA0002531633660000058
且为集合
Figure BDA0002531633660000059
的第um个元素，那么su的第m个元素[su]m为rH,u的第um个元素
Figure BDA00025316336600000510
若第m根天线属于集合
Figure BDA00025316336600000511
且在集合
Figure BDA00025316336600000512
中为第vm个元素，那么su的第m个元素为
Figure BDA00025316336600000513
的第vm个元素
Figure BDA00025316336600000514
即：
Figure BDA00025316336600000515
有益效果：
本发明的基于深度学习的大规模多天线系统信道估计方法，设计了一种由两个深度神经网络串联组成的二阶段估计网络。二阶段估计网络的RC-DNN，能够利用高精度ADC天线和低精度ADC天线接收的导频信号，估计用户到低精度ADC天线的信道。Ref-DNN能够充分利用RC-DNN输出的低精度ADC天线处的估计信道和高精度ADC天线接收的导频信号进行信道估计，提升估计的准确性，降低估计的NMSE。相比已有的针对配备混合精度ADC的大规模多天线系统中的上行信道估计方法，在基站处配备高精度ADC的天线数量占比小于30％时，本发明的估计方法能够在常见的0～30dB信噪比下使NMSE降低至少50％，且配备高精度ADC的天线数量越少，本发明的估计方法的性能优势越明显。同时本发明的估计网络在计算复杂度方面与现有的深度学习估计方法相似，说明本发明的估计方法能够以较少的计算复杂度为代价获得估计准确性上的提升。
附图说明
图1为配备混合分辨率ADC的大规模MIMO系统的信道估计模型。
图2为本发明设计的二阶段估计网络。
图3为本方法流程图
具体实施方式
以下结合具体实施例进一步说明本发明的基于深度学习的大规模多天线系统信道估计方法，图1为配备混合分辨率ADC的大规模MIMO系统的信道估计模型，如图1所示，本发明的方法基于的系统为：基站配备M根天线，分为高精度ADC天线
Figure BDA0002531633660000061
和低精度ADC天线
Figure BDA0002531633660000062
两个集合。
Figure BDA0002531633660000063
和
Figure BDA0002531633660000064
满足
Figure BDA0002531633660000065
和
Figure BDA0002531633660000066
每根天线配备两个ADC，分别量化接收到的信号的实部(Re)与虚部(Im)。图2为本发明设计的二阶段估计网络。图3为本方法流程图，进行信道估计的方法包括如下步骤：
S1.在基站处根据系统模型和信道模型产生训练用信道和接收并量化的导频信号，构建RC-DNN的训练样本；
S2.将步骤S1中构建的训练样本输入RC-DNN进行训练；
S3.将接收并量化的导频信号输入步骤S2中训练完成后的RC-DNN获得RC-DNN的输出
Figure BDA0002531633660000067
并将
Figure BDA0002531633660000068
同第n个训练样本对应的高精度ADC天线接收并量化后的导频信号rH,n合并成Ref-DNN的第n个训练样本的输入sn，并生成Ref-DNN的第n个训练样本；
S4.将步骤S3中构建的训练样本输入Ref-DNN进行训练；
S5.将步骤S2中训练完成后的RC-DNN与步骤S4中训练完成后的Ref-DNN储存于基站处，用于在线阶段的信道估计；
S6.用户向基站发送导频信号，将由用户发送且经基站天线接收并量化的导频信号ru输入RC-DNN得到低精度ADC天线处的估计信道
Figure BDA0002531633660000069
S7.将步骤S6中得到的低精度ADC天线处的估计信道
Figure BDA00025316336600000610
与高精度ADC天线接收并量化后的导频信号rH,u合并为Ref-DNN的输入su，将su输入Ref-DNN，获得用户到所有天线的估计信道
Figure BDA00025316336600000611
所述的基于深度学习的大规模多天线系统信道估计方法，步骤S1的具体方法为：
信道模型如下：
Figure BDA00025316336600000612
式中，h为用户到基站的信道，L为信道多径数目，βl为第l条传播路径的增益，
Figure BDA00025316336600000613
为第l条传播路径的到达角，
Figure BDA00025316336600000614
为第l条传播路径的导向矢量；
根据信道模型，产生90000个独立的信道，
Figure BDA00025316336600000615
第n个信道hn对应产生第n个RC-DNN和Ref-DNN的训练样本，为生成训练样本，还需要产生接收的导频信号，第n个训练样本对应的接收的导频信号如下：
Figure BDA0002531633660000071
其中P为用户发射功率，zn为第n个信道的高斯白噪声；
设第n个训练样本的量化后的导频信号为rn，设基站处有M根天线，
Figure BDA0002531633660000072
[rn]m第m根基站天线对应的rn的元素，则有：
Figure BDA0002531633660000073
其中
Figure BDA0002531633660000074
和
Figure BDA0002531633660000075
分别为高精度和低精度ADC的量化函数，[yn]m为第m根基站天线对应的yn的元素；
RC-DNN的第n个训练样本形式为
Figure BDA0002531633660000076
其中
Figure BDA0002531633660000077
为输入rn时RC-DNN的输出试图接近的目标数据，hL,n为第n个训练样本中用户设备到配备低精度ADC的天线的信道，c为一比例常数。
所述的基于深度学习的大规模多天线系统信道估计方法，比例常数c的确定规则为，对于所有训练样本，计算所有天线对应信道的功率，通过调整c，确保所有天线对应信道的功率不超出RC-DNN和Ref-DNN的输出层激活函数的范围。
所述的基于深度学习的大规模多天线系统信道估计方法，步骤S2的具体方法是：
对于第n个训练样本的量化后的导频信号rn，有：
Figure BDA0002531633660000078
其中
Figure BDA0002531633660000079
为输入rn后RC-DNN的输出数据，
Figure BDA00025316336600000710
为对hL,n的估计，T≥2，
Figure BDA00025316336600000711
为RC-DNN总共的神经网络层数量，对于t∈{2,…,T}，bRC,t为RC-DNN的第t层的偏置向量，Wt为第(t-1)层和第t层之间的权重矩阵，gRC,t(·)表示第t层所用的激活函数；
训练的损失函数costRC为
Figure BDA00025316336600000712
训练的目的为减小RC-DNN的输出和目标数据间的均方误差，即减小损失函数。
所述的基于深度学习的大规模多天线系统信道估计方法，步骤S4的具体方法是：
对于Ref-DNN的第n个训练样本的输入sn，Ref-DNN输出的估计信道
Figure BDA00025316336600000713
为：
Figure BDA0002531633660000081
其中，K≥2，
Figure BDA0002531633660000082
为Ref-DNN总的神经网络层数量，对于k∈{2,…,K}，bRef,k和Pk为经过训练后的Ref-DNN的第k层的偏置向量和权重矩阵，gRef,k(·)表示Ref-DNN的第k层所用的激活函数；
训练的损失函数costRef为
Figure BDA0002531633660000083
训练的目的为减小Ref-DNN输出和目标数据间的均方误差，即减小损失函数。
所述的基于深度学习的大规模多天线系统信道估计方法，步骤S2中和步骤S4中均采用Adam优化器和批量梯度下降法进行多轮训练，训练采用的平台为Keras，训练学习率设为0.001。每个批量的大小设为128。训练总迭代次数为100次。达到设定的总迭代次数后训练完成。
所述的基于深度学习的大规模多天线系统信道估计方法，步骤S6的具体方法是：
用户向基站发送导频信号，设导频信号为x，用户到基站天线的信道为hu，则基站天线接收的导频信号yu为
Figure BDA0002531633660000084
其中zu为高斯白噪声；
接收到的导频信号需经ADC量化，设基站天线接收并量化的导频信号为ru，[ru]m表示ru的第m个元素，即第m根基站天线对应的rn的元素，则[ru]m表示如下：
Figure BDA0002531633660000085
其中[yu]m为yu的第m个元素，即第m根基站天线对应的yu的元素；
将基站天线接收并量化的导频信号ru输入RC-DNN得到低精度ADC天线处的估计信道
Figure BDA0002531633660000086
Figure BDA0002531633660000087
所述的基于深度学习的大规模多天线系统信道估计方法，步骤S7中所述获得用户到所有天线的估计信道
Figure BDA0002531633660000088
的方法为：
Figure BDA0002531633660000089
所述的基于深度学习的大规模多天线系统信道估计方法，步骤S1中对于第n个训练样本，若第m根天线属于集合
Figure BDA0002531633660000091
且为集合
Figure BDA0002531633660000092
中的第um个元素，则sn的第m个元素[sn]m为rH,n的第um个元素
Figure BDA0002531633660000093
若第m根天线属于集合
Figure BDA0002531633660000094
且在集合
Figure BDA0002531633660000095
中为第vm个元素，则sn的第m个元素为
Figure BDA0002531633660000096
的第vm个元素
Figure BDA0002531633660000097
即：
Figure BDA0002531633660000098
所述的基于深度学习的大规模多天线系统信道估计方法，步骤S7中所述将步骤S6中得到的低精度ADC天线处的估计信道
Figure BDA0002531633660000099
与高精度ADC天线接收并量化后的导频信号rH,u合并为Ref-DNN的输入su，在合并的过程中，合并规则如下：
若第m根天线属于集合
Figure BDA00025316336600000910
且为集合
Figure BDA00025316336600000911
的第um个元素，那么su的第m个元素[su]m为rH,u的第um个元素
Figure BDA00025316336600000912
若第m根天线属于集合
Figure BDA00025316336600000913
且在集合
Figure BDA00025316336600000914
中为第vm个元素，那么su的第m个元素为
Figure BDA00025316336600000915
的第vm个元素
Figure BDA00025316336600000916
即：
Figure BDA00025316336600000917
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.一种基于深度学习的大规模多天线系统信道估计方法，该方法基于配备混合精度ADC的大规模MIMO系统，设该系统的基站配备M根天线，分为高精度ADC天线集合
Figure FDA0002531633650000011
和低精度ADC天线集合
Figure FDA0002531633650000012
两个集合，
Figure FDA0002531633650000013
和
Figure FDA0002531633650000014
满足
Figure FDA0002531633650000015
和
Figure FDA0002531633650000016
式中
Figure FDA0002531633650000017
为空集，每根天线配备两个ADC，分别量化接收到的信号的实部(Re)与虚部(Im)，其特征在于：对其进行信道估计的方法包括如下步骤：
S1.在基站处根据系统模型和信道模型产生训练用信道和接收并量化的导频信号，构建RC-DNN的训练样本；
S2.将步骤S1中构建的训练样本输入RC-DNN进行训练；
S3.将接收并量化的导频信号输入步骤S2中训练完成后的RC-DNN获得RC-DNN的输出
Figure FDA0002531633650000018
并将
Figure FDA0002531633650000019
同第n个训练样本对应的高精度ADC天线接收并量化后的导频信号rH,n合并成Ref-DNN的第n个训练样本的输入sn，并生成Ref-DNN的第n个训练样本；
S4.将步骤S3中构建的训练样本输入Ref-DNN进行训练；
S5.将步骤S2中训练完成后的RC-DNN与步骤S4中训练完成后的Ref-DNN储存于基站处，用于在线阶段的信道估计；
S6.用户向基站发送导频信号，将由用户发送且经基站天线接收并量化的导频信号ru输入RC-DNN得到低精度ADC天线处的估计信道
Figure FDA00025316336500000110
S7.将步骤S6中得到的低精度ADC天线处的估计信道
Figure FDA00025316336500000111
与高精度ADC天线接收并量化后的导频信号rH,u合并为Ref-DNN的输入su，将su输入Ref-DNN，获得用户到所有天线的估计信道
Figure FDA00025316336500000112
2.根据权利要求1所述的基于深度学习的大规模多天线系统信道估计方法，其特征在于：步骤S1的具体方法为：
信道模型如下：
Figure FDA00025316336500000113
式中，h为用户到基站的信道，L为信道多径数目，βl为第l条传播路径的增益，
Figure FDA00025316336500000114
为第l条传播路径的到达角，
Figure FDA00025316336500000115
为第l条传播路径的导向矢量；
根据信道模型，产生Ntr个独立的信道，
Figure FDA0002531633650000021
第n个信道hn对应产生第n个RC-DNN和Ref-DNN的训练样本，为生成训练样本，还需要产生接收的导频信号，第n个训练样本对应的接收的导频信号如下：
Figure FDA0002531633650000022
其中P为用户发射功率，zn为第n个信道的高斯白噪声；
设第n个训练样本的量化后的导频信号为rn，设基站处有M根天线，
Figure FDA0002531633650000023
[rn]m第m根基站天线对应的rn的元素，则有：
Figure FDA0002531633650000024
其中
Figure FDA0002531633650000025
和
Figure FDA0002531633650000026
分别为高精度和低精度ADC的量化函数，[yn]m为第m根基站天线对应的yn的元素；
RC-DNN的第n个训练样本形式为
Figure FDA0002531633650000027
其中
Figure FDA0002531633650000028
为输入rn时RC-DNN的输出试图接近的目标数据，hL,n为第n个训练样本中用户设备到配备低精度ADC的天线的信道，c为一比例常数。
3.根据权利要求2所述的基于深度学习的大规模多天线系统信道估计方法，其特征在于：所述的基于深度学习的大规模多天线系统信道估计方法，比例常数c的确定规则为，对于所有训练样本，计算所有天线对应信道的功率，通过调整c，确保所有天线对应信道的功率不超出RC-DNN和Ref-DNN的输出层激活函数的范围。
4.根据权利要求1所述的基于深度学习的大规模多天线系统信道估计方法，其特征在于：所述的基于深度学习的大规模多天线系统信道估计方法，步骤S2的具体方法是：
对于第n个训练样本的量化后的导频信号rn，有：
Figure FDA0002531633650000029
其中
Figure FDA00025316336500000210
为输入rn后RC-DNN的输出数据，
Figure FDA00025316336500000211
为对hL,n的估计，
Figure FDA00025316336500000212
为RC-DNN总共的神经网络层数量，对于t∈{2,…,T}，bRC,t为RC-DNN的第t层的偏置向量，Wt为第(t-1)层和第t层之间的权重矩阵，gRC,t(·)表示第t层所用的激活函数；
训练的损失函数costRC为
Figure FDA0002531633650000031
训练的目的为减小RC-DNN的输出和目标数据间的均方误差，即减小损失函数。
5.根据权利要求1所述的基于深度学习的大规模多天线系统信道估计方法，其特征在于：步骤S4的具体方法是：
对于Ref-DNN的第n个训练样本的输入sn，Ref-DNN输出的估计信道
Figure FDA0002531633650000032
为：
Figure FDA0002531633650000033
其中，
Figure FDA0002531633650000034
为Ref-DNN总的神经网络层数量，对于k∈{2,…,K}，bRef,k和Pk为经过训练后的Ref-DNN的第k层的偏置向量和权重矩阵，gRef,k(·)表示Ref-DNN的第k层所用的激活函数；
训练的损失函数costRef为
Figure FDA0002531633650000035
训练的目的为减小Ref-DNN输出和目标数据间的均方误差，即减小损失函数。
6.根据权利要求1所述的基于深度学习的大规模多天线系统信道估计方法，其特征在于：所述的基于深度学习的大规模多天线系统信道估计方法，步骤S2中和步骤S4中均采用Adam优化器和批量梯度下降法进行多轮训练，直至达到设定的总迭代次数后训练完成。
7.根据权利要求1所述的基于深度学习的大规模多天线系统信道估计方法，其特征在于：所述的基于深度学习的大规模多天线系统信道估计方法，步骤S6的具体方法是：
用户向基站发送导频信号，设导频信号为x，用户到基站天线的信道为hu，则基站天线接收的导频信号yu为
Figure FDA0002531633650000036
其中zu为高斯白噪声；
接收到的导频信号需经ADC量化，设基站天线接收并量化的导频信号为ru，[ru]m表示ru的第m个元素，即第m根基站天线对应的rn的元素，则[ru]m表示如下：
Figure FDA0002531633650000037
其中[yu]m为yu的第m个元素，即第m根基站天线对应的yu的元素；
将基站天线接收并量化的导频信号ru输入RC-DNN得到低精度ADC天线处的估计信道
Figure FDA0002531633650000041
Figure FDA0002531633650000042
8.根据权利要求1所述的基于深度学习的大规模多天线系统信道估计方法，其特征在于：所述的基于深度学习的大规模多天线系统信道估计方法，步骤S7中所述获得用户到所有天线的估计信道
Figure FDA0002531633650000043
的方式为：
Figure FDA0002531633650000044
9.根据权利要求1所述的基于深度学习的大规模多天线系统信道估计方法，其特征在于：所述的基于深度学习的大规模多天线系统信道估计方法，步骤S1中对于第n个训练样本，若第m根天线属于集合
Figure FDA0002531633650000045
且为集合
Figure FDA0002531633650000046
中的第um个元素，则sn的第m个元素[sn]m为rH,n的第um个元素
Figure FDA0002531633650000047
若第m根天线属于集合
Figure FDA0002531633650000048
且在集合
Figure FDA0002531633650000049
中为第vm个元素，则sn的第m个元素为
Figure FDA00025316336500000410
的第vm个元素
Figure FDA00025316336500000411
即：
Figure FDA00025316336500000412
10.根据权利要求1所述的基于深度学习的大规模多天线系统信道估计方法，其特征在于：所述的基于深度学习的大规模多天线系统信道估计方法，步骤S7中所述将步骤S6中得到的低精度ADC天线处的估计信道
Figure FDA00025316336500000413
与高精度ADC天线接收并量化后的导频信号rH,u合并为Ref-DNN的输入su，在合并的过程中，合并规则如下：
若第m根天线属于集合
Figure FDA00025316336500000414
且为集合
Figure FDA00025316336500000415
的第um个元素，那么su的第m个元素[su]m为rH,u的第um个元素
Figure FDA00025316336500000416
若第m根天线属于集合
Figure FDA00025316336500000417
且在集合
Figure FDA00025316336500000418
中为第vm个元素，那么su的第m个元素为
Figure FDA00025316336500000419
的第vm个元素
Figure FDA00025316336500000420
即：
Figure FDA00025316336500000421
CN202010520822.8A 2020-06-09 2020-06-09 基于深度学习的大规模多天线系统信道估计方法 Active CN111935037B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010520822.8A CN111935037B (zh) 2020-06-09 2020-06-09 基于深度学习的大规模多天线系统信道估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010520822.8A CN111935037B (zh) 2020-06-09 2020-06-09 基于深度学习的大规模多天线系统信道估计方法

Publications (2)

Publication Number Publication Date
CN111935037A true CN111935037A (zh) 2020-11-13
CN111935037B CN111935037B (zh) 2022-07-12

Family

ID=73317302

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010520822.8A Active CN111935037B (zh) 2020-06-09 2020-06-09 基于深度学习的大规模多天线系统信道估计方法

Country Status (1)

Country Link
CN (1) CN111935037B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112865841A (zh) * 2021-01-18 2021-05-28 重庆邮电大学 基于残差dnn的1-比特大规模mimo信道估计方法
CN113381952A (zh) * 2021-06-09 2021-09-10 东南大学 基于深度学习的多天线系统信道估计方法
CN114598574A (zh) * 2022-03-03 2022-06-07 重庆邮电大学 一种基于深度学习的毫米波信道估计方法
CN114828021A (zh) * 2021-01-28 2022-07-29 诺基亚通信公司 无线电装置和系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110855585A (zh) * 2019-09-30 2020-02-28 北京交通大学 一种毫米波大规模mimo系统的信道估计方法
CN111224906A (zh) * 2020-02-21 2020-06-02 重庆邮电大学 基于深度神经网络的近似消息传递大规模mimo信号检测算法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110855585A (zh) * 2019-09-30 2020-02-28 北京交通大学 一种毫米波大规模mimo系统的信道估计方法
CN111224906A (zh) * 2020-02-21 2020-06-02 重庆邮电大学 基于深度神经网络的近似消息传递大规模mimo信号检测算法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112865841A (zh) * 2021-01-18 2021-05-28 重庆邮电大学 基于残差dnn的1-比特大规模mimo信道估计方法
CN114828021A (zh) * 2021-01-28 2022-07-29 诺基亚通信公司 无线电装置和系统
CN113381952A (zh) * 2021-06-09 2021-09-10 东南大学 基于深度学习的多天线系统信道估计方法
CN113381952B (zh) * 2021-06-09 2022-06-24 东南大学 基于深度学习的多天线系统信道估计方法
CN114598574A (zh) * 2022-03-03 2022-06-07 重庆邮电大学 一种基于深度学习的毫米波信道估计方法

Also Published As

Publication number Publication date
CN111935037B (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN111935037B (zh) 基于深度学习的大规模多天线系统信道估计方法
CN110099017B (zh) 基于深度神经网络的混合量化系统的信道估计方法
CN107018099B (zh) 一种针对毫米波多用户mimo系统的时变信道估计方法
CN113381952B (zh) 基于深度学习的多天线系统信道估计方法
CN107332598B (zh) 一种基于深度学习的mimo系统联合预编码和天线选择方法
CN110099016B (zh) 一种基于深度学习网络的毫米波稀疏阵面信道估计方法
CN111277312B (zh) 基于深度复数网络的固定子阵空基毫米波波束成形方法
CN110971279A (zh) 一种毫米波通信系统中智能波束训练方法及预编码系统
CN108881074B (zh) 一种低精度混合架构下宽带毫米波信道估计方法
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
CN109088664B (zh) 基于块对角化和三角分解的自干扰抑制方法
CN112782652A (zh) 一种ris辅助的雷达通信一体化系统波形设计方法
CN110505643B (zh) 基于模拟退火算法的大规模mimo系统上行能效优化方法
CN113364501A (zh) 一种莱斯信道下基于低精度adc去蜂窝大规模mimo系统的功率控制方法
CN110212951B (zh) 一种基于Butler矩阵的大规模MIMO信道估计方法
CN112865841B (zh) 基于残差dnn的1-比特大规模mimo信道估计方法
CN113765567B (zh) 基于深度学习的大规模mimo收发联合波束成形方法
CN113242195B (zh) 一种低精度全数字架构下窄带毫米波mimo信道估计方法
CN115208442A (zh) 一种超大规模阵列通信系统的两阶段波束训练方法
Chary et al. Accurate channel estimation and hybrid beamforming using Artificial Intelligence for massive MIMO 5G systems
CN115052297B (zh) 一种用于地海通信网络的功率分配及中继设计方法
CN114760647A (zh) 一种去蜂窝大规模mimo上行总速率一阶优化方法
CN112165347B (zh) 一种毫米波纯模拟波束成形用户调度方法
CN115021779A (zh) Ris辅助的mimo系统的离散相移设计方法和装置
CN114598574A (zh) 一种基于深度学习的毫米波信道估计方法

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