CN112615801A - 基于压缩感知和深度学习的信道估计方法、介质及设备 - Google Patents

Abstract

本发明公开了一种基于压缩感知和深度学习的信道估计方法、介质及设备，正交频分复用系统的基站端采用梳状导频形式向下行链路中的用户端发送信号；下行链路中的用户端获得发送的导频接收信号y，并反馈回基站端；正交频分复用系统的基站端根据得到的接收导频信号y，利用时延域稀疏信道的结构化稀疏特性，进行基于压缩感知的AS‑JOMP算法进行信道估计，得到初始估计信道

搭建基于深度学习的降噪神经网络，利用已有的样本训练DnNet网络，得到网络参数Θ；根据DnNet网络对获得的初始估计信道进行去噪，得到最终估计的信道状态信息

Description

基于压缩感知和深度学习的信道估计方法、介质及设备

技术领域

本发明属于通信技术领域，具体涉及一种基于压缩感知和深度学习的信道估计方法、介质及设备。

背景技术

在频分双工(Frequency Division Duplexing，FDD)系统中，由于信道不具有互易性，不能通过上行估计直接得到下行信道信息。为了得到下行信道状态信息(channelstate information，CSI)，必须进行下行导频训练下行信道。这种场景下，基站发送导频给用户，用户接收到导频后估计信道信息并反馈给基站，或者用户直接将接收到的导频信息反馈给基站，基站再联合进行信道估计。在这种情况下，为了获得较准确的信道信息，传统的信道信息获取方法需要导频信号的长度与基站天线数有关，且不能小于基站天线数。在大规模多输入多输出(Multiple-input Multiple-output,MIMO)系统中，基站天线数是几十到几百根，若按照传统的信道信息获取方法，导频长度将会很大，甚至超过信道的相干时间。这就表明，在大规模MIMO系统中，采用传统的方法如最小二乘(Least Square，LS)或最小均方误差(Minimum Mean Square Error，MMSE)进行信道信息获取，不仅导频训练开销大，而且很可能根本无法在相干时间内估计有效的信道信息。

很多研究表明，大规模MIMO信道在时延域具有稀疏性。在实际的场景中，由于散射体数目有限，且在基站与用户之间随机分布，最早到达接收端的多径信号的到达时间和最后到达接收端的多径信号的到达时间的时间差很大，即产生了很大的信道时延扩展。同时，由于基站与用户之间的散射体数目有限，而能产生较强多径信号的有效散射体的数目则是更少，故收发天线之间的时域信道的抽头值大部分比较小，或者为零，只有少数几个抽头处的抽头值较大，使得收发天线之间的信道具有稀疏特性。利用时延域信道的稀疏性，采用基于压缩感知的方法，利用信息在信号内的结构和内容，在远低于奈奎斯特频率的采样频率下，仍可精确的恢复原始信号，从而能大大减少FDD系统进行下行信道训练时所需的导频长度。采用基于压缩感知技术，在减少系统的CSI获取开销的同时，所获取的CSI的质量也比较好。

传统的基于压缩感知的方法如正交匹配追踪(Orthogonal Matching Pursuit，OMP)和压缩采样匹配追踪算法(Compressive Sampling Matching Pursuit，CoSaMP)等方法，需要已知信道的先验知识，如信道稀疏度等，同时估计得到的信道仍包含大量噪声。而在实际场景下，基站端并不容易获知信道的先验知识，因此需要一种不需要已知信道先验知识的基于压缩感知的信道估计算法，同时结合深度学习方法对初步得到的估计结果进行去噪，提升CSI估计的精度。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于压缩感知和深度学习的信道估计方法、介质及设备，用于实现提升基站端估计信道状态信息的精度的目的。

本发明采用以下技术方案：

一种基于压缩感知和深度学习的信道估计方法，包括以下步骤：

S1、正交频分复用系统的基站端采用梳状导频形式向下行链路中的用户端发送信号；

S2、下行链路中的用户端获得步骤S1发送的导频接收信号y，并反馈回基站端；

S3、正交频分复用系统的基站端根据步骤S2得到的接收导频信号y，利用时延域稀疏信道的结构化稀疏特性，进行基于压缩感知的AS-JOMP算法进行信道估计，得到初始估计信道

S4、搭建基于深度学习的降噪神经网络，利用已有的样本训练DnNet网络，得到网络参数Θ；

S5、根据步骤S4训练得到的DnNet网络，对步骤S3中获得的初始估计信道进行去噪，得到最终估计的信道状态信息

具体的，步骤S1中，从第i跟发射天线到第用户的导频为

P为导频数量，导频序列c_i的元素具有随机相位和随机幅度。

具体的，步骤S2中，用户端的接收导频信号表示为压缩感知模型：

y＝Xh+n

其中，X＝[C₁(F_L)_Ω,C₂(F_L)_Ω,…,C_M(F_L)_Ω]，

为压缩感知模型中的感知矩阵，

n为噪声。

具体的，步骤S3中，从感知矩阵X中找到与观测向量y最相关的S_BS列向量，S为稀疏信道的实际稀疏度，根据阈值ξ₁和ξ₂作为高低信噪比下迭代的停止条件，在不同信噪比条件下，当迭代次数等于真实稀疏度且信噪比高时，连续两次迭代的最后相对残差的改善幅度大于当前残差的改善幅度，当信噪比低时，两个连续迭代之间的最后相对残差改进小于当前残差的大小；最后得到待恢复稀疏信道中非零元素的位置集合Λ，采用LS算法估计出非零元素的值，恢复初始估计稀疏信道

具体的，步骤S4中，DnNet网络的均方误差损失函数计算如下：

其中，||·||为欧几里得范数，Θ为参数集，T为训练集的样本数，f(Y；Θ)为训练模型的输出。

具体的，步骤S5中，定义S1×S2×S3分别为特征图的长度，宽度和数量，根据步骤S3得到初始信道估计值

大小为LN_BS×1的复向量，将维度变换为2LN_BS×1的实向量，然后进行归一化；将归一化后的实向量维度变换为两个大小为

的矩阵，可视为两通道图片，

将维度变换后的初始估计CSI输入到多个基于残差学习的网络模块中；将最后一个基于残差学习的网络模块输出结果输入到最后的卷积层，使用sigmoid函数将数值缩放到[0,1]；最后对DnNet网络的输出进行维度变换，并进行逆归一化，得到最终的CSI估计结果

进一步的，每个基于残差学习的网络模块包含四层，第一层为输入层，第二层、第三层、第四层使用大小为3×3的卷积核分别生成16、32、2个特征图，在卷积层和LeakeyReLU激活函数层之间加入批处理归一化层；每个基于残差学习的网络模块的输出均为输入和第四个层的输出之和。

本发明的另一个技术方案是，一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述的方法中的任一方法。

本发明的另一个技术方案是，一种计算设备，包括：

一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。

与现有技术相比，本发明至少具有以下有益效果：

本发明提出一种基于压缩感知和深度学习的信道估计方法，与传统的信道估计方案相比较，本发明能够在利用压缩感知理论的条件下，显著的降低导频训练过程中的导频数量，提升频谱利用率。与传统的基于压缩感知的方法相比，本发明不需要借助信道的先验知识，直接在基站端根据接收导频信号和导频估计出CSI，从而更加适合实际场景。与其他利用深度神经网络的方案相比，本发明采用了一种轻量级的网络，使得训练过程更加快速，减小计算量。

进一步的，采用梳状导频设计形式，导频序列的元素具有随机相位和单位幅度，使得导频序列能够保证稀疏信道的可靠恢复，在用户端将得到的接收导频信号直接反馈回基站端，在基站处完成信道的估计。

进一步的，利用CSI的结构化稀疏特性来进行基于压缩感知的信道估计，提高稀疏向量的恢复精度。

进一步的，根据提出的基于压缩感知AS-JOMP信道估计方案，从感知矩阵中找到与观测向量最相关的SN_BS列向量，即可到待恢复稀疏信道中非零元素的位置，然后采用LS算法估计出这些非零元素的值。

进一步的，采用均方误差损失函数来训练深度神经网络，该过程为监督学习，故采用均方误差损失函数来测度模型的输出值和真实因值之间的差异。

进一步的，采用利用训练集和验证集训练过的深度神经网络，对上一步中得到的初始估计的CSI进行去噪，得到更加精确的CSI，从而完成对信道的估计。

进一步的，残差神经网络可解决深度CNN模型难训练的问题，在网络层数较多时仍可以保证较好的效果，有效解决网络退化问题，故本发明采取基于残差学习的网络设置。

综上所述，本发明不需要借助信道的先验知识，直接在基站端估计出初始CSI，更加适合实际场景；与其他利用深度神经网络的方案相比，本发明采用了一种轻量级的网络，使得训练过程更加快速，减小计算量，最终得到准确的CSI估计值。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明方法所应用的场景示意图；

图2为信道链路示意图；

图3为实现模块流程图；

图4为用于CSI去噪的DnNet网络模型；

图5为固定信噪比下，归一化均方误差随训练开销的变化曲线图，将AS-JOMP算法和不同的基于压缩感知的的重构算法进行对比的示意图；

图6为固定训练开销下，归一化均方误差随信噪比的变化曲线图，将AS-JOMP算法和不同的基于压缩感知的的重构算法进行对比的示意图；

图7为使用DnNet网络前后，归一化均方误差随信噪比的变化曲线图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。

请参阅图1和图2，本发明提供了一种基于压缩感知和深度学习的信道估计方法、介质及设备，单用户FDD模式下的大规模MIMO正交频分复用系统，在基站端设置了N_BS根天线，在远场假设下。

采用梳状导频设计形式，导频序列的元素具有随机相位和单位幅度，使得导频序列能够保证稀疏信道的可靠恢复。在用户端将得到的接收导频信号直接反馈回基站端，在基站处完成信道的估计。根据提出的基于压缩感知AS-JOMP信道估计方案，利用CSI的结构化稀疏特性，从感知矩阵中找到与观测向量最相关的S_BS列向量，得到待恢复稀疏信道中非零元素的位置，然后采用LS算法估计出这些非零元素的值。

采用利用训练集和验证集训练过的深度神经网络，对上一步中得到的初始估计的CSI进行去噪，得到更加精确的CSI，从而完成对信道的估计。与传统的信道估计方案相比较，本发明能够在利用压缩感知理论的条件下，显著的降低导频训练过程中的导频数量，提升频谱利用率。与传统的基于压缩感知的方法相比，本发明不需要借助信道的先验知识，直接在基站端根据接收导频信号和导频估计出CSI，从而更加适合实际场景。与其他利用深度神经网络的方案相比，本发明采用了一种轻量级的网络，使得训练过程更加快速，减小计算量。

请参阅图3，本发明一种基于压缩感知和深度学习的信道估计方法，包括以下步骤：

S1、正交频分复用系统中，在基站端采用梳状导频形式向用户端发送信号，从第i跟发射天线到第用户的导频为

其中i＝1,2...,N_BS，P为导频数量，导频序列c_i的元素具有随机相位和随机幅度；

S2、根据步骤S1，下行链路中用户端获得导频接收信号y后，直接将其反馈回基站。在频域中，用户接收到的导频信号表示为：

其中，C_i＝diag{c_i}，

是由离散傅里叶变换矩阵的前L列组成的大小为N_c×N_c的子矩阵，N_c是子载波的数量，L是信道长度。(F_L)_Ω是由F_L的特定行中选择出的子矩阵，这些行对应于索引集合Ω，从子载波中按照梳状导频形式选择出分配给导频。h_i＝[h_i(1),h_i(2),…,h_i(L)]^T是第i个发射天线到用户的CSI，n_Ω＝[n₁,…,n_P]^T表示加在导频上的均值为0方差为

的独立同分布加性白复高斯噪声。

用户端的接收导频信号进一步表示为压缩感知模型：

y＝Xh+n

其中，X＝[C₁(F_L)_Ω,C₂(F_L)_Ω,…,C_M(F_L)_Ω]，

为压缩感知模型中的感知矩阵，

n为噪声。

S3、大规模MIMO信道模型，在远场假设的条件下，信号从用户发射天线到基站不同的接收天线经历近似相同的路径，因此与多个基站天线相关的CSI

具有相同的支撑集

请参阅图3，在基站端根据步骤S2中得到的接收导频信号y，利用该时延域稀疏信道的结构化稀疏特性，进行基于压缩感知的AS-JOMP算法进行信道估计，根据步骤S2中的X和y恢复出初始估计稀疏信道

首先从感知矩阵X中找到与观测向量y最相关的SN_BS列向量，其中S为稀疏信道的实际稀疏度，根据阈值ξ₁和ξ₂作为高低信噪比下迭代的停止条件，由于采用阈值作为终止条件，在不同信噪比条件下，连续迭代的相对残差改进幅度是不同的。当迭代次数等于真实稀疏度且信噪比较高时，连续两次迭代的最后相对残差的改善幅度大于当前残差的改善幅度，当信噪比较低时，两个连续迭代之间的最后相对残差改进小于当前残差的大小。最后得到待恢复稀疏信道中非零元素的位置集合Λ，采用LS算法估计出这些非零元素的值。

S4、请参阅图4，搭建基于深度学习的降噪神经网络，利用已有的样本训练网络，得到网络参数Θ。其中，S1×S2×S3分别定义为特征图的长度，宽度和数量，根据步骤S3得到初始信道估计值

大小为LN_BS×1的复向量，将其维度变换为2LN_BS×1的实向量，然后进行归一化。接着将该归一化后的实向量维度变换为两个大小为

的矩阵，可视为两通道图片，其中

将维度变换后的初始估计CSI输入到多个名为Resblock的基于残差学习的网络模块中。每个Resblock模块都包含四层。其中第一层为输入层，第二层、第三层、第四层使用大小为3×3的卷积核分别生成16、32、2个特征图，在卷积层和LeakeyReLU激活函数层之间加入批处理归一化层；每个Resblock的输出都为其输入和第四个层的输出之和。将最后一个Resblock输出结果输入到最后的卷积层，使用sigmoid函数将数值缩放到[0,1]。最后对网络的输出进行维度变换，并进行逆归一化，得到最终的CSI估计结果

经过多次测试证明5个Resblock可以获得最好的性能，增加更多的Resblock并没有显著提高CSI估计质量，但增加了计算复杂度和训练时间。该过程利用自适应矩估计算法(adaptive moment estimation algorithm,ADAM)和均方误差损失函数(mean-squarederror，MSE)。其中MSE的计算方法如下：

其中，||·||为欧几里得范数，Θ为参数集，T为训练集的样本数，f(Y；Θ)为训练模型的输出。

S5、根据S4训练得到的DnNet网络，对步骤S3中获得的初始估计的信道进行去噪，得到最终估计的信道状态信息

本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于基于压缩感知和深度学习的信道估计方法、介质及设备的操作，包括：正交频分复用系统的基站端采用梳状导频形式向下行链路中的用户端发送信号；下行链路中的用户端获得发送的导频接收信号y，并反馈回基站端；正交频分复用系统的基站端根据得到的接收导频信号y，利用时延域稀疏信道的结构化稀疏特性，进行基于压缩感知的AS-JOMP算法进行信道估计，得到初始估计信道

搭建基于深度学习的降噪神经网络，利用已有的样本训练DnNet网络，得到网络参数Θ；根据训练得到的DnNet网络，对初始估计信道进行去噪，得到最终估计的信道状态信息

本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。

可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关电网中长期检修计划的校核方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：正交频分复用系统的基站端采用梳状导频形式向下行链路中的用户端发送信号；下行链路中的用户端获得发送的导频接收信号y，并反馈回基站端；正交频分复用系统的基站端根据得到的接收导频信号y，利用时延域稀疏信道的结构化稀疏特性，进行基于压缩感知的AS-JOMP算法进行信道估计，得到初始估计信道

搭建基于深度学习的降噪神经网络，利用已有的样本训练DnNet网络，得到网络参数Θ；根据训练得到的DnNet网络，对初始估计信道进行去噪，得到最终估计的信道状态信息

AS-JOMP为算法伪代码如下：

输入：接收导频信号y；测量矩阵Φ；迭代停止值M；阈值₁，ξ₂

输出：CIR稀疏估计

步骤1(初始化)：r_i＝y；i＝1；flag＝0；

步骤2(获取高信噪比下的支撑集和低信噪比下的稀疏度)：

While～stop do

inx＝supp(Γ(z,1))；

J₀＝{mL+l},m＝0,1,2,…,M-1,l＝inx

Λ＝Λ∪J₀；

i＝i+1；

if i>1&‖r_i-1‖₂＞ξ₁‖r_i‖₂then

s＝i-1

break；

else if i>＝M then

do initial again

flag＝1；s＝j-1

end if

end while

步骤3(获得高低信噪比下的稀疏估计)：

While flag＝1 do

e＝Φ^Hr_i；

inx＝supp(Γ(z,1))；

J₀＝{mL+l},m＝0,1,2,…,N_BS-1,l＝inx

Λ＝Λ∪J₀；

i＝i+1；

if i>＝s then

flag＝0；

end if

end while

本发明参数设置如下：

在大规模MIMO系统中，子载波个数设置为N_C＝1024，基站端天线个数为N_BS＝16，信道长度L＝64。训练开销定义为：η＝P/N。在训练过程中的批量大小为200，每次训练最多迭代200轮。数据集分别为84000个训练集，18000个测试集和18000个验证集。使用归一化均方误差(Normalized Mean Square Error，NMSE)用作信道CSI估计性能的评估。归一化均方误差和余弦相似性的表达表示为：

其中，h和

分别表示原始CSI和估计得到的CSI。

后续图中J-OMP代表联合正交匹配追踪(Joint orthogonal matching pursuit，J-OMP)算法，S-CoSaMP代表结构压缩采样匹配追(Structured compressive samplingmatching pursuit，S-CoSaMP)算法，SP代表(Subspace pursuit，SP)子空间追踪算法，SAMP代表稀疏度自适应匹配追踪(Sparsity adaptive matching pursuit，SAMP)算法，Oracle-LS方法是一种已知支撑集的LS方法，其假设非零元素的位置是已知的，直接用LS算法估计非零元素的值，以此作为评价信道估计质量的基准，该方法可看做是压缩感知算法的性能上限。

请参阅图5，图中给出了AS-JOMP算法的NMSE性能随导频开销的变化，其中基站天线数量为16，SNR设置为15dB。可以看到，随着导频开销增大，提出的AS-JOMP算法和不同的基于压缩感知的的重构算法均变好。因为当训练开销增大的时候，导频数量也随之增大，感知矩阵的尺寸也随之增大，压缩测量值y包含更多关于信道的信息，在测量值向量中捕捉到的信道特征越多，重构效果越好，并且提出的AS-JOMP算法性能明显优于其他传统算法。另一方面，与传统的方案相比，在BS端实现相同的CSI估计性能的前提下，该AS-JOMP方案的信道训练和反馈开销降低的更多。同时，图中当导频开销为20％时，AS-JOMP的NMSE值为0.0287，Oracle-LS的值为0.0279，所提AS-JOMP从开销为20％逐渐逼近性能上界。

请参阅图6，图中给出了AS-JOMP算法的NMSE性能随SNR的变化，其中基站天线数量为16，导频开销设置为30％。从图中可以看出，随着SNR增大，提出的AS-JOMP算法优于传统的算法，这是因为提出的AS-JOMP算法利用了大规模MIMO信道在时延域的结构化稀疏特性，同时设置了两个阈值使得在高低信噪比下均保证了恢复的性能。除此之外，对于传统的LS和MMSE方法，因为信道长度为64，基站端天线个数为16，因此需要的导频个数至少为64×16＝1024，而提出的AS-JOMP算法在导频个数1024×0.3＝307，SNR为20dB时获得低于小于10^-2的NMSE性能，并接近性能上界，即，提出的AS-JOMP算法可以准确的恢复出稀疏信号的非零元素的位置索引，取得与已知支撑集信息的LS方法相同的性能。同时，在NMSE性能相同的前提下，相比于其他传统方法，AS-JOMP算法可以大幅度减小导频和反馈开销。

请参阅图7，图中给出了为使用DnNet网络前后，归一化均方误差随SNR的变化，其中其中基站天线数量为16，导频开销设置为30％。可以观察到，在基于AS-JOMP的算法之后加入DnNet，特别是在信噪比较低的情况下，估计性能有了很大提高。这是因为当信噪比较低时，包含噪声的CSI和原始CSI之间的特征相差更多，因此这两种方法在低信噪比上有明显的区别。当信噪比较高时，噪声能量非常小，基于AS-JOMP的算法精度已经很低，所以这两种方法相差不大。

综上所述，本发明一种基于压缩感知和深度学习的信道估计方法、介质及设备，首先设计出一种梳状的，元素具有随机相位和单位幅度的导频序列，便于保证基于压缩感知AS-JOMP信道估计方案中的稀疏信道可靠恢复。为了在未知信道先验信息的条件下仍可以准确恢复出稀疏信道，设计了AS-JOMP方案，在该方案中利用信道的结构化稀疏特性，提升稀疏向量的恢复精度，完成信道的初步估计。为了减小初步估计信道中的噪声，设计了一种轻量级的深度神经网络，在去除噪声的同时保证了较小的计算量。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (9)

1.基于压缩感知和深度学习的信道估计方法，其特征在于，包括以下步骤：

S1、正交频分复用系统的基站端采用梳状导频形式向下行链路中的用户端发送信号；

S2、下行链路中的用户端获得步骤S1发送的导频接收信号y，并反馈回基站端；

S3、正交频分复用系统的基站端根据步骤S2得到的接收导频信号y，利用时延域稀疏信道的结构化稀疏特性，进行基于压缩感知的AS-JOMP算法进行信道估计，得到初始估计信道

S4、搭建基于深度学习的降噪神经网络，利用已有的样本训练DnNet网络，得到网络参数Θ；

S5、根据步骤S4训练得到的DnNet网络，对步骤S3中获得的初始估计信道进行去噪，得到最终估计的信道状态信息

2.根据权利要求1所述的方法，其特征在于，步骤S1中，从第i跟发射天线到第用户的导频为

i＝1,2...,N_BS，P为导频数量，导频序列c_i的元素具有随机相位和随机幅度。

3.根据权利要求1所述的方法，其特征在于，步骤S2中，用户端的接收导频信号表示为压缩感知模型：

y＝Xh+n

其中，X＝[C₁(F_L)_Ω,C₂(F_L)_Ω,...,C_M(F_L)_Ω]，

为压缩感知模型中的感知矩阵，

n为噪声。

4.根据权利要求1所述的方法，其特征在于，步骤S3中，从感知矩阵X中找到与观测向量y最相关的SN_BS列向量，S为稀疏信道的实际稀疏度，根据阈值ξ₁和ξ₂作为高低信噪比下迭代的停止条件，在不同信噪比条件下，当迭代次数等于真实稀疏度且信噪比高时，连续两次迭代的最后相对残差的改善幅度大于当前残差的改善幅度，当信噪比低时，两个连续迭代之间的最后相对残差改进小于当前残差的大小；最后得到待恢复稀疏信道中非零元素的位置集合Λ，采用LS算法估计出非零元素的值，恢复初始估计稀疏信道

5.根据权利要求1所述的方法，其特征在于，步骤S4中，DnNet网络的均方误差损失函数计算如下：

其中，||·||为欧几里得范数，Θ为参数集，T为训练集的样本数，f(Y；Θ)为训练模型的输出。

6.根据权利要求1所述的方法，其特征在于，步骤S5中，定义S1×S2×S3分别为特征图的长度，宽度和数量，根据步骤S3得到初始信道估计值

大小为LN_BS×1的复向量，将维度变换为2LN_BS×1的实向量，然后进行归一化；将归一化后的实向量维度变换为两个大小为

的矩阵，可视为两通道图片，

将维度变换后的初始估计CSI输入到多个基于残差学习的网络模块中；将最后一个基于残差学习的网络模块输出结果输入到最后的卷积层，使用sigmoid函数将数值缩放到[0,1]；最后对DnNet网络的输出进行维度变换，并进行逆归一化，得到最终的CSI估计结果

7.根据权利要求6所述的方法，其特征在于，每个基于残差学习的网络模块包含四层，第一层为输入层，第二层、第三层、第四层使用大小为3×3的卷积核分别生成16、32、2个特征图，在卷积层和LeakeyReLU激活函数层之间加入批处理归一化层；每个基于残差学习的网络模块的输出均为输入和第四个层的输出之和。

8.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至7所述的方法中的任一方法。

9.一种计算设备，其特征在于，包括：

一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至7所述的方法中的任一方法的指令。

Images