CN112737985B - 基于深度学习的大规模mimo信道联合估计和反馈方法 - Google Patents

基于深度学习的大规模mimo信道联合估计和反馈方法 Download PDF

Info

Publication number
CN112737985B
CN112737985B CN202011560128.5A CN202011560128A CN112737985B CN 112737985 B CN112737985 B CN 112737985B CN 202011560128 A CN202011560128 A CN 202011560128A CN 112737985 B CN112737985 B CN 112737985B
Authority
CN
China
Prior art keywords
channel
estimation
feedback
model
channel matrix
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.)
Active
Application number
CN202011560128.5A
Other languages
English (en)
Other versions
CN112737985A (zh
Inventor
金石
陈彤
郭佳佳
陈慕涵
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 CN202011560128.5A priority Critical patent/CN112737985B/zh
Publication of CN112737985A publication Critical patent/CN112737985A/zh
Application granted granted Critical
Publication of CN112737985B publication Critical patent/CN112737985B/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
    • H04L25/0224—Channel estimation using sounding signals
    • H04L25/0228—Channel estimation using sounding signals with direct estimation from sounding signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • 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
    • H04B7/0417—Feedback 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
    • H04L25/024—Channel estimation channel estimation 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
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
    • 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)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Radio Transmission System (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于深度学习的大规模MIMO信道联合估计和反馈方法。首先，在用户端进行初始信道估计。然后，构建信道估计子网CEnet，通过训练使估计误差最小。其次，构建信道反馈子网CFnet。在用户端，将最优化后的信道估计值输入，输出压缩后的码字；在基站端，将码字输入，输出重建的信道矩阵。两个子网共同构成信道估计和反馈联合网络CEFnet。以往的CSI反馈网络均假设已得到完美的信道状态信息，未考虑实际中信道是估计得到的，存在误差和噪声。本发明通过构建信道估计和反馈联合网络CEFnet，实现了完整的下行信道估计和反馈过程，并通过使用全新的网络架构，达到了消除误差和噪声的目的，在减少反馈开销的同时提高了重建精度。

Description

基于深度学习的大规模MIMO信道联合估计和反馈方法
技术领域
本发明涉及一种基于深度学习的大规模MIMO信道联合估计和反馈方法，属于通信技术领域。
背景技术
大规模多输入多输出(Massive Multiple-Input Multiple-Output，MassiveMIMO)系统被广泛认为是5G无线通信系统的一个主要技术。这种系统通过给基站配置数百甚至数千根天线组成天线阵列，可以大大减少多用户干扰，从而在相同的时频资源块上同时服务多个用户，并提供成倍增加的蜂窝小区吞吐量。然而，上述潜在的好处主要是通过利用在基站中的CSI获得的。时分双工(Time-Division Duplexing，TDD)技术虽可从上行链路获得CSI，但需要复杂的校准过程，而频分双工(Frequency-DivisionDuplexing, FDD)技术则是完全需要通过反馈获得CSI。在现今的FDD Massive MIMO系统中，在训练期间，用户设备(User Equipment，UE)作为接收端获取下行链路的CSI，并通过反馈链路将CSI返回给基站(Base Station，BS)。由于大规模MIMO系统中天线数量大大增加，反馈完整的CSI会带来巨大的开销，通常采用矢量量化或基于码本的有限反馈算法，但会出现量化误差增大、码本设计复杂、反馈开销线性增长等问题，因而不适用于大规模MIMO系统的信道反馈。
目前已提出的基于深度学习的大规模MIMO信道状态信息反馈及重建模型CsiNet及其他以它为基础进行结构优化的模型，利用信道状态信息的空时相关性和压缩感知的理论来重建CSI，减小了反馈开销。但是以往所有的模型都是在假设接收端已经获得了理想的信道矩阵的前提下进行的，而在实际通信系统中，一个完整的CSI反馈过程应该包括信道估计和信道反馈两个部分，即要先对下行信道进行估计，然后再将估计得到的不理想的信道矩阵经过压缩等处理后反馈给基站。由于反馈的是估计出的含噪声和估计误差的信道矩阵，因而对基站端的解压缩重构网络提出了更高的要求。因此，需要考虑建立一个完整的具有更好的重建能力的联合信道估计和反馈模型以实现真正的CSI反馈。
发明内容
技术问题：本发明所要解决的技术问题在于克服现有CsiNet及其他以它为基础进行结构优化的模型的不足，通过基站发射导频、用户端接收导频进行信道估计再反馈来提供一种大规模MIMO下行信道联合估计和反馈方法，弥补以往模型中没有考虑信道估计的缺陷，并且由于反馈的是估计出的含噪声和估计误差的信道矩阵，本发明同时也在基站端采用全新的译码器网络结构来提高网络的重建性能。
技术方案：本发明一种基于深度学习的大规模MIMO信道联合估计和反馈方法具体采用以下技术方案解决上述技术问题：
该方法包括以下步骤：
步骤一：在大规模MIMO系统的基站端发射包含导频符号的数据信号，经信道传输后，从在用户端接收到的信号中提取出导频子载波位置的导频符号，通过最小二乘法计算出导频子载波位置的信道频域响应，然后通过插值得到其他子载波位置的信道频域响应，共同构成初始的、含噪的信道估计值；
步骤二：在得到初始的、含噪的信道估计值即信道状态信息在空间-频率域的信道矩阵
Figure BDA0002860293550000021
后，将其转换到可使其稀疏的变换域，得到在该变换域下的新信道矩阵
Figure BDA0002860293550000022
步骤三：构建超分辨信道估计子网模型CEnet；此模型由一个具有超分辨作用的三层卷积神经网络组成，对该模型进行训练，使得估计误差逐渐减小，同时估计出的信道矩阵逐渐接近理想信道矩阵H，以获得CEnet的模型参数；
步骤四：构建信道反馈子网模型CFnet，该网络包括编码器和译码器，其中编码器属于用户端，译码器属于基站端；在用户端，编码器将输入的信道矩阵H压缩成低维度的码字；在基站端，译码器从压缩码字中重建出信道矩阵值
Figure BDA0002860293550000023
步骤五：将信道反馈子网CFnet放置在信道估计子网CEnet之后，与其共同构成信道估计和反馈联合网络模型CEFnet，并进行联合训练。联合训练时，将步骤三中CEnet 训练得到的模型参数导入并固定，对CFnet的模型参数进行更新，使得训练误差逐渐减小，同时重建信道矩阵
Figure BDA0002860293550000024
逐渐接近信道矩阵H，以获得CFnet模型参数，与步骤三中获得的CEnet的模型参数共同构成CEFnet的模型参数；
步骤六：将经信道估计和反馈联合网络模型CEFnet输出的重建矩阵
Figure BDA0002860293550000025
转到初始变换域，恢复出空间-频率域的信道矩阵
Figure BDA0002860293550000026
的重建值；
步骤七：将已训练好的信道估计和反馈联合网络模型CEFnet用于各场景下信道状态信息的估计和反馈，由模型得到下行信道估计值，经网络压缩后得到码字，将其反馈回基站端进行重建，恢复出原始空频域的信道矩阵的重建值。
其中，
所述步骤一中基站端的发射导频为在频域等间隔放置的正交梳状导频，经BPSK调制后与其他子载波位置的数据符号共同形成发射信号。在用户端与之对应地采取基于导频符号的信道估计方法来得到初始信道估计值，选用运算复杂度最低的LS法得到导频子载波位置的信道频域响应，然后通过插值或DFT变换等简单操作得到其他子载波位置的信道频域响应，从而得到所有子载波位置的信道估计值。
所述步骤三中的超分辨信道估计子网模型CEnet为一个轻量级的卷积神经网络，由三层卷积层构成，其三层的轻量级结构充分考虑了用户端的计算能力，未占用用户端太多的存储空间，随机初始化其各层参数，将经LS法和插值估计出的信道矩阵输入该子网，输出具有较低估计误差的信道矩阵
Figure BDA0002860293550000031
所述步骤四中信道反馈子网模型CFnet由编码器和译码器两个模块组成，其中位于用户端的编码器仅包含一个全连接层，随机初始化其参数，将估计出的变换域稀疏的复数信道矩阵
Figure BDA0002860293550000032
的实部和虚部分离后，展平拼接成一个一维高维向量作为编码器的输入，输出为比
Figure BDA0002860293550000033
维度低的一维低维向量，即为压缩编码后的码字s，经上行链路发送到基站端；位于基站端的译码器由一个全连接层，一个Reshape层和一个深层去噪残差神经网络模块Refinement Block组成，随机初始化各层参数，输入接收到的压缩码字
Figure BDA0002860293550000034
输出与信道矩阵H维度相同的重建信道矩阵
Figure BDA0002860293550000035
所述步骤三和步骤五中所述的模型参数主要包括全连接层的权重、偏置和卷积层的卷积核、偏置。
所述步骤三采用Adam优化算法训练信道估计子网CEnet的参数,使代价函数最小，代价函数描述如下：
Figure BDA0002860293550000036
其中，M为训练集的所有样本数，||·||2为欧几里得范数,Hi为理想信道矩阵；
Figure BDA0002860293550000037
为超分辨估计后的信道矩阵。
所述步骤五采用Adam优化算法和端到端的学习方式，联合训练联合信道估计和反馈网络CEFnet的参数，其中CEnet的参数由步骤三训练所得，将其导入并固定，只训练更新信道反馈子网CFnet的参数，使代价函数最小，代价函数描述如下：
Figure BDA0002860293550000041
其中，M为训练集的所有样本数，||·||2为欧几里得范数,Hi为理想信道矩阵；
Figure BDA0002860293550000042
为重建信道矩阵。
所述的超分辨信道估计子网模型CEnet的三层卷积层分别为：第一层为提取含噪信道的特征，第二层是进行非线性映射，将含噪信道的特征映射为理想信道的特征，第三层为将映射出的特征进行加权组合恢复出原始理想信道，实现含噪信道矩阵的超分辨估计。
所述译码器，其中的L层的深层去噪残差神经网络模块RefinementBlock包含一个输入卷积层、一个(L-2)层的残差卷积网络和一个输出卷积层，其中输入层的输出数据与残差网络最后一个卷积层的输出数据相加，再经过最后一个卷积层后输出。
有益效果：本发明采用上述技术方案，能产生如下技术效果：
本发明考虑了下行信道的CSI数据在实际通信系统中的获取方式，弥补了CsiNet及其他以它为基础进行结构优化的模型的不足，形成了完整的下行信道估计和反馈的过程。考虑到用户端的计算能力和存储空间，用户端的信道估计模块采用了一个仅三层卷积层的轻量级网络。另外，由于估计出的下行CSI是含噪声和估计误差的，原本的自动编码器结构转换成了降噪自动编码器结构，其对基站端的译码器的重建性能提出了更高的要求。因而，译码器模块采用了全新的残差网络结构，通过小卷积核的堆叠和网络层数的加深来获得更大的感受野，以确保能充分利用原始信道信息来获得重建性能的提升。
本发明是信道估计和反馈联合网络CEFnet，该网络主要由信道估计和信道反馈两个子网构成，信道估计子网CEnet为全卷积层网络，信道反馈子网CFnet则由卷积层和全连接层构成，通过两步走、端到端和数据驱动的训练方案，从接收导频中估计出信道矩阵，再通过全连接网络学习信道结构，得到有效的压缩码字，并在基站端利用全连接层恢复到初始的信道维度，再由卷积层构成的深层残差网络恢复出原始信道矩阵。该方案在实际信道获取的问题上克服了已有CsiNet及其衍生模型存在的缺陷，使用轻量级网络进行信道估计，较大程度地控制了网络参数的增加，促进了重建精度的提高，且在基站端使用全新的深层残差网络进一步提高了网络的重建性能。
因此，本发明可实现基于深度学习的完整的下行信道估计和反馈过程，具有较高的实际意义，并且信道估计子网极大地减少了了产生的估计误差，促进了重建精度的提高，且全新的降噪自动编码器结构，在减少反馈开销的同时进一步提高了重建精度。
附图说明
图1是本发明方法采用的CEFnet网络架构图；
图2是本发明方法采用的CEnet中的三层轻量级卷积超分辨网络；
图3是本发明方法采用的CFnet中的去噪残差神经网络模块Refinement Block。
具体实施方式
下面结合说明书附图对本发明的实施方式进行描述。
如图1所示，本发明设计了一种基于深度学习的大规模MIMO信道联合估计和反馈方法。为了验证本发明方法可在用户端获得误差较小的下行信道估计，且将估计出的含噪信道反馈回基站进行重建，并保证极高的重建精度，特列举一个验证例进行说明。
本验证例是一种基于深度学习的大规模MIMO信道联合估计和反馈方法，通过轻量级的卷积层结构，在用户端实现信道矩阵的超分辨估计，再通过数据驱动的降噪自动编码器架构，在用户端将待反馈的信道估计值用不同压缩率的编码器压缩编码为低维度码字，经反馈链路传送至基站端，由全新的16层的深层残差网络结构的译码器重建出原始信道矩阵。采用轻量级的信道估计子网和全新的译码器结构，既控制了用户端网络参数的增加，又减小了估计误差，同时减少了信道状态信息反馈开销，提高了信道重建质量，具体包括如下步骤：
步骤一：在一种大规模MIMO的FDD系统中，基站端配置32根发送天线，用户端使用单根接收天线，采用OFDM载波调制方式，使用256个子载波。用COST 2100 模型根据上述条件，在5.3GHz的室内微蜂窝场景和300MHz的室外乡村场景各产生 15000个空频域信道矩阵的样本，将样本集分成训练集、验证集和测试集，分别包含 100000、30000和20000个样本。对样本中每一个空间-频率域的信道矩阵，用维度分别为1024×1024和32×32的DFT矩阵Fd和Fa，对空频域的信道矩阵
Figure BDA0002860293550000051
作二维DFT变换，得到角延迟域上稀疏的信道矩阵H，即
Figure BDA0002860293550000061
因为多径到达时间之间的延迟在有限的时间范围内，所以在时间延迟域上，信道矩阵H只有在前32行上有值，因此保留其前32行元素值，将其修正为32×32的信道矩阵H，最终得到输出目标样本集。
步骤二：构建符合上述发射和接收条件的通信系统，在基站端产生包含导频符号的发射信号，其中发射导频为在频域等间隔放置的正交梳状导频，经BPSK调制后与其他子载波位置的数据符号共同形成发射信号。经COST 2100模型产生的上述样本信道传输后，得到包含接收导频的接受信号。采取基于导频符号的信道估计方法从在用户端接收到的信号中提取出导频子载波位置的导频符号，选用运算复杂度最低最小二乘 (Least Square，LS)法计算出导频子载波位置的信道频域响应，然后通过插值得到其他子载波位置的信道频域响应，从而得到所有子载波位置的信道估计值，形成初始的、含噪的信道估计。并对其作与输出目标样本矩阵相同的二维DFT变换，得到角延迟域上的信道估计
Figure BDA0002860293550000062
步骤三：如图1所示的CEFnet架构中CEnet部分所示设计用户端的信道估计子网。将复数域的信道估计矩阵
Figure BDA0002860293550000063
和理想信道矩阵H的实部和虚部分别拆分为两个32×32大小的实数矩阵，作为两通道的输入和输出目标样本。将初始信道估计输入CEnet的第一层卷积核为64×9×9的卷积层，提取含噪信道矩阵的特征，再通过第二层卷积核32×1 ×1的卷积层形成含噪信道和理想信道的特征之间的非线性映射，然后通过最后一层卷积核为2×5×5的卷积层得到超分辨之后的估计误差极小的信道矩阵估计值
Figure BDA0002860293550000064
步骤四：设计CEnet的代价函数为该网络输出的经超分辨后的信道矩阵
Figure BDA0002860293550000065
与真实信道矩阵H的均方误差，即为
Figure BDA0002860293550000066
其中，M为训练集的所有样本数， ||·||2为欧几里得范数,Hi为理想信道矩阵；
Figure BDA0002860293550000067
为超分辨估计后的信道矩阵。用步骤一、二中产生的输入和输出训练样本，采用Adam优化算法训练CEnet的参数，包括所有卷积层的卷积核和偏置，使得代价函数最小。每次迭代使用将训练集分为200个样本一批来计算梯度，根据Adam优化算法更新参数，以此方法遍历训练集100轮。采用可变的动态学习率，即设置初始学习率为0.01，当代价函数值趋于稳定时学习率减半。训练过程中用验证集调整模型超参数，用测试集测试模型最终性能。
步骤五：如图1所示的CEFnet架构中CFnet部分所示设计信道反馈子网在用户端的编码器。在编码器中，输入的矩阵被展平成一个2048×1的向量后再将其压缩。其中压缩4倍、8倍、16倍和32倍分别对应输出512维、256维、128维和64维的压缩码字。
步骤六：如图1所示的CEFnet架构中CFnet部分所示设计信道反馈子网在基站端的译码器。将反馈的压缩码字作为译码器的输入，先通过一个全连接层恢复到原始的 2048×1的向量，再将其重组为两个32×32大小的矩阵。将这两个矩阵作为两通道的特征图输入，经16层的深层残差网络模块Refinement block不断地提取特征细化后，得到最终重建的信道矩阵
Figure BDA0002860293550000071
的实部和虚部。
步骤六：设计整个CEFnet的代价函数为网络输出的信道矩阵
Figure BDA0002860293550000072
与真实信道矩阵H的均方误差，即为
Figure BDA0002860293550000073
其中，M为训练集的所有样本数，||·||2为欧几里得范数，Hi为原始理想信道矩阵，
Figure BDA0002860293550000074
为重建信道矩阵。用步骤一、二中产生的输入和输出训练样本，采用Adam优化算法和端到端的学习方式进行联合训练，训练时将步骤四中CEnet训练得到的模型参数导入并固定，对CFnet的模型参数进行更新，包括 CFnet所有卷积层的卷积核、全连接层的权重和偏置，使得代价函数最小。每次迭代使用将训练集分为200个样本一批来计算梯度，根据Adam优化算法更新参数，以此方法遍历训练集200轮。采用可变的动态学习率，即设置初始学习率为0.001，当代价函数值趋于稳定时学习率减半。训练过程中用验证集调整模型超参数，用测试集测试模型最终性能。
步骤七：将训练好的CEFnet模型用于FDD大规模MIMO系统的下行信道估计和反馈中。根据步骤二所述根据接收导频进行信道估计后将估计出的信道矩阵变换为角度 -时间延迟域信道矩阵
Figure BDA0002860293550000075
输入CEFnet模型后即可输出重建后的角延迟域信道序列
Figure BDA0002860293550000076
综上，本发明可实现基于深度学习的信道估计和反馈联合网络CEFnet，使其相较于以往的模型考虑了反馈前信道要先通过估计获得，形成了完整的信道估计和反馈的过程，并且通过超分辨信道估计子网，极大地降低了估计误差，促进了重建精度的提升，同时通过全新的降噪自动编码器结构，减小了大规模MIMO信道信息的反馈开销，进一步提高了重建精度，在有限的资源开销下，实现高效且实际可行的信道状态信息的反馈。
上述实施例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，均落入本发明保护范围之内。

Claims (9)

1.一种基于深度学习的大规模MIMO信道联合估计和反馈方法，其特征在于，该方法包括以下步骤：
步骤一：在大规模MIMO系统的基站端发射包含导频符号的数据信号，经信道传输后，从在用户端接收到的信号中提取出导频子载波位置的导频符号，通过最小二乘法计算出导频子载波位置的信道频域响应，然后通过插值得到其他子载波位置的信道频域响应，共同构成初始的、含噪的信道估计值；
步骤二：在得到初始的、含噪的信道估计值即信道状态信息在空间-频率域的信道矩阵
Figure FDA0003951825620000011
后，将其转换到可使其稀疏的变换域，得到在该变换域下的新信道矩阵
Figure FDA0003951825620000012
步骤三：构建超分辨信道估计子网模型CEnet；此模型由一个具有超分辨作用的三层卷积神经网络组成，对该模型进行训练，使得估计误差逐渐减小，同时估计出的信道矩阵逐渐接近理想信道矩阵H，以获得CEnet的模型参数；
步骤四：构建信道反馈子网模型CFnet，该模型包括编码器和译码器，其中编码器属于用户端，译码器属于基站端；在用户端，编码器将输入的理想信道矩阵H压缩成低维度的压缩码字；在基站端，译码器从压缩码字中重建出重建信道矩阵
Figure FDA0003951825620000013
步骤五：将信道反馈子网模型CFnet放置在超分辨信道估计子网模型CEnet之后，与其共同构成信道估计和反馈联合网络模型CEFnet，并进行联合训练；联合训练时，将步骤三中CEnet训练得到的模型参数导入并固定，对CFnet的模型参数进行更新，使得训练误差逐渐减小，同时重建信道矩阵
Figure FDA0003951825620000014
逐渐接近理想信道矩阵H，以获得CFnet模型参数，与步骤三中获得的CEnet的模型参数共同构成CEFnet的模型参数；
步骤六：将经信道估计和反馈联合网络模型CEFnet输出的重建信道矩阵
Figure FDA0003951825620000015
转到初始变换域，恢复出空间-频率域的信道矩阵
Figure FDA0003951825620000016
的重建值；
步骤七：将已训练好的信道估计和反馈联合网络模型CEFnet用于各场景下信道状态信息的估计和反馈，由模型得到下行信道估计值，经网络压缩后得到码字，将其反馈回基站端进行重建，恢复出原始空频域的信道矩阵的重建值。
2.根据权利要求1所述基于深度学习的大规模MIMO信道联合估计和反馈方法，其特征在于，所述步骤一中基站端的发射导频为在频域间隔放置的正交梳状导频，经BPSK调制后与其他子载波位置的数据符号共同形成发射信号；在用户端与之对应地采取基于导频符号的信道估计方法来得到初始信道估计值，选用运算复杂度最低的LS法得到导频子载波位置的信道频域响应，然后通过插值或DFT变换的简单操作得到其他子载波位置的信道频域响应，从而得到所有子载波位置的信道估计值。
3.根据权利要求1所述基于深度学习的大规模MIMO信道联合估计和反馈方法，其特征在于，所述步骤三中的超分辨信道估计子网模型CEnet为一个轻量级的卷积神经网络，由三层卷积层构成，其三层的轻量级结构充分考虑了用户端的计算能力，未占用用户端太多的存储空间，随机初始化其各层参数，将经LS法和插值估计出的信道矩阵输入该子网，输出具有较低估计误差的空间-频率域的信道矩阵
Figure FDA0003951825620000017
4.根据权利要求1所述的基于深度学习的大规模MIMO信道联合估计和反馈方法，其特征在于，所述步骤四中信道反馈子网模型CFnet由编码器和译码器两个模块组成，其中位于用户端的编码器仅包含一个全连接层，随机初始化其参数，将估计出的变换域下的新信道矩阵
Figure FDA0003951825620000021
的实部和虚部分离后，展平拼接成一个一维高维向量作为编码器的输入，输出为比
Figure FDA0003951825620000022
维度低的一维低维向量，即为压缩编码后的码字s，经上行链路发送到基站端；位于基站端的译码器由一个全连接层，一个Reshape层和一个深层去噪残差神经网络模块Refinement Block组成，随机初始化各层参数，输入接收到的压缩码字
Figure FDA0003951825620000023
输出与理想信道矩阵H维度相同的重建信道矩阵
Figure FDA0003951825620000024
5.根据权利要求1所述基于深度学习的大规模MIMO信道联合估计和反馈方法，其特征在于：所述步骤三和步骤五中所述的模型参数主要包括全连接层的权重、偏置和卷积层的卷积核、偏置。
6.根据权利要求1所述的基于深度学习的大规模MIMO信道联合估计和反馈方法，其特征在于：所述步骤三采用Adam优化算法训练超分辨信道估计子网模型CEnet的参数， 使代价函数最小，代价函数描述如下：
Figure FDA0003951825620000025
其中，M为训练集的所有样本数，||·||2为欧几里得范数， Hi为理想信道矩阵；
Figure FDA0003951825620000026
为变换域下的新信道矩阵。
7.根据权利要求1所述的基于深度学习的大规模MIMO信道联合估计和反馈方法，其特征在于：所述步骤五采用Adam优化算法和端到端的学习方式，联合训练信道估计和反馈联合网络模型CEFnet的参数，其中CEnet的参数由步骤三训练所得，将其导入并固定，只训练更新信道反馈子网模型CFnet的参数，使代价函数最小，代价函数描述如下：
Figure FDA0003951825620000027
其中，M为训练集的所有样本数，||·||2为欧几里得范数， Hi为理想信道矩阵；
Figure FDA0003951825620000028
为重建信道矩阵。
8.根据权利要求3所述的基于深度学习的大规模MIMO信道联合估计和反馈方法，其特征在于：所述的超分辨信道估计子网模型CEnet的三层卷积层分别为：第一层为提取含噪信道的特征，第二层是进行非线性映射，将含噪信道的特征映射为理想信道的特征，第三层为将映射出的特征进行加权组合恢复出原始理想信道，实现含噪信道矩阵的超分辨估计。
9.根据权利要求4所述的基于深度学习的大规模MIMO信道联合估计和反馈方法，其特征在于：所述译码器，其中的L层的深层去噪残差神经网络模块RefinementBlock包含一个输入卷积层、一个(L-2)层的残差卷积网络和一个输出卷积层，其中输入卷积层的输出数据与残差卷积网络最后一个卷积层的输出数据相加，再经过最后一个卷积层后输出。
CN202011560128.5A 2020-12-25 2020-12-25 基于深度学习的大规模mimo信道联合估计和反馈方法 Active CN112737985B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011560128.5A CN112737985B (zh) 2020-12-25 2020-12-25 基于深度学习的大规模mimo信道联合估计和反馈方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011560128.5A CN112737985B (zh) 2020-12-25 2020-12-25 基于深度学习的大规模mimo信道联合估计和反馈方法

Publications (2)

Publication Number Publication Date
CN112737985A CN112737985A (zh) 2021-04-30
CN112737985B true CN112737985B (zh) 2023-04-07

Family

ID=75615980

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011560128.5A Active CN112737985B (zh) 2020-12-25 2020-12-25 基于深度学习的大规模mimo信道联合估计和反馈方法

Country Status (1)

Country Link
CN (1) CN112737985B (zh)

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117296257A (zh) * 2021-05-13 2023-12-26 Oppo广东移动通信有限公司 Mbs业务的配置方法及装置、终端设备、网络设备
WO2022236785A1 (zh) * 2021-05-13 2022-11-17 Oppo广东移动通信有限公司 信道信息的反馈方法、收端设备和发端设备
CN113258989B (zh) * 2021-05-17 2022-06-03 东南大学 一种使用强化学习获得无人机中继轨迹的方法
CN113347123B (zh) * 2021-05-31 2023-03-28 北京理工大学 一种基于模型驱动的混合mimo系统信道估计与反馈网络
CN113381790B (zh) * 2021-06-09 2022-07-26 东南大学 一种基于ai的环境知识辅助的无线信道反馈方法
CN115769552A (zh) * 2021-06-22 2023-03-07 北京小米移动软件有限公司 一种信道估计方法、信道估计装置及存储介质
CN113660693A (zh) * 2021-06-25 2021-11-16 陕西尚品信息科技有限公司 一种应用于无线通信系统的信息传输方法
CN113660020A (zh) * 2021-06-25 2021-11-16 陕西尚品信息科技有限公司 一种无线通信信道信息传输方法、系统和解码器
CN113595941A (zh) * 2021-07-08 2021-11-02 武汉大学 深度学习的压缩感知大规模mimo信道估计方法及系统
CN113556158B (zh) * 2021-07-21 2023-06-20 重庆工程学院 一种面向车联网的大规模mimo智能csi反馈方法
CN113890795B (zh) * 2021-09-09 2023-06-23 广州杰赛科技股份有限公司 大规模mimo信道估计模型的构建方法、装置及介质
CN113972939B (zh) * 2021-09-09 2022-07-12 浙江大学 基于双时间尺度和深度学习的天线系统预编码方法和装置
CN114024587A (zh) * 2021-10-29 2022-02-08 北京邮电大学 基于全连接层共用的反馈网络编码器、架构及训练方法
CN117678257A (zh) * 2021-11-23 2024-03-08 Oppo广东移动通信有限公司 信息处理方法、模型生成方法及设备
CN114301742B (zh) * 2021-12-23 2024-01-09 北京邮电大学 信道估计方法及装置
CN116346545A (zh) * 2021-12-23 2023-06-27 华为技术有限公司 一种通信方法及装置
CN114499770B (zh) * 2022-01-20 2023-07-14 西安交通大学 一种基于深度学习的多用户下行csi反馈方法
CN114567399B (zh) * 2022-02-11 2023-01-31 北京航空航天大学 一种空中基站的多天线多径信道状态信息建模与反馈方法
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
CN114866119B (zh) * 2022-04-15 2023-09-26 电子科技大学长三角研究院(湖州) 一种非完美信道状态信息条件下的混合波束成形方法
WO2023221061A1 (zh) * 2022-05-19 2023-11-23 北京小米移动软件有限公司 获取信道质量的方法、装置、存储介质和芯片
CN117411746A (zh) * 2022-07-06 2024-01-16 维沃移动通信有限公司 Ai模型处理方法、装置、终端及网络侧设备
CN115395991B (zh) * 2022-07-13 2023-08-25 北京信息科技大学 一种非线性多输入多输出信道估计方法和估计系统
WO2024016145A1 (en) * 2022-07-19 2024-01-25 Qualcomm Incorporated Indication of channel state information reference signal pattern for machine learning-assisted channel state information schemes
CN115333900B (zh) * 2022-08-09 2023-08-15 北京航空航天大学 一种基于深度学习的无人机协同信道估计与csi反馈方法
CN115499278A (zh) * 2022-08-30 2022-12-20 哈尔滨工程大学 基于轻量级神经网络的mimo信号调制识别方法
CN115694767B (zh) * 2022-10-27 2023-07-14 南通大学 一种基于Transformer的联合导频设计、反馈和信道估计方法
CN116915555B (zh) * 2023-08-28 2023-12-29 中国科学院声学研究所 一种基于自监督学习的水声信道估计方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110311718A (zh) * 2019-07-05 2019-10-08 东南大学 一种大规模mimo信道状态信息反馈中的量化和逆量化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108390706B (zh) * 2018-01-30 2020-10-27 东南大学 一种基于深度学习的大规模mimo信道状态信息反馈方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110311718A (zh) * 2019-07-05 2019-10-08 东南大学 一种大规模mimo信道状态信息反馈中的量化和逆量化方法

Also Published As

Publication number Publication date
CN112737985A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
CN112737985B (zh) 基于深度学习的大规模mimo信道联合估计和反馈方法
CN108390706B (zh) 一种基于深度学习的大规模mimo信道状态信息反馈方法
CN110311718B (zh) 一种大规模mimo信道状态信息反馈中的量化和逆量化方法
CN110350958B (zh) 一种基于神经网络的大规模mimo的csi多倍率压缩反馈方法
CN108847876B (zh) 一种大规模mimo时变信道状态信息压缩反馈及重建方法
CN111698182B (zh) 一种基于压缩感知的时频分块稀疏的信道估计方法
Wang et al. Compressive sampled CSI feedback method based on deep learning for FDD massive MIMO systems
Cai et al. Attention model for massive MIMO CSI compression feedback and recovery
CN109672464A (zh) 基于fcfnn的大规模mimo信道状态信息反馈方法
CN111464220A (zh) 一种基于深度学习的信道状态信息重建方法
CN113748614A (zh) 一种信道估计模型训练方法及设备
CN109474388B (zh) 基于改进梯度投影法的低复杂度mimo-noma系统信号检测方法
CN105978674A (zh) 基于压缩感知的fdd下大规模mimo信道估计的导频优化方法
Guo et al. Deep learning for joint channel estimation and feedback in massive MIMO systems
CN112564757A (zh) 一种深度学习1-bit压缩叠加信道状态信息反馈方法
Liu et al. Overcoming the channel estimation barrier in massive MIMO communication via deep learning
CN115022134B (zh) 基于非迭代重构网络的毫米波大规模mimo系统信道估计方法及系统
Uwaechia et al. Compressed channel estimation for massive MIMO-OFDM systems over doubly selective channels
CN113556158B (zh) 一种面向车联网的大规模mimo智能csi反馈方法
CN114157331B (zh) 基于伪复值输入的大规模mimo信道状态信息反馈方法
CN116248156A (zh) 基于深度学习的大规模mimo信道状态信息反馈及重建方法
CN114884549A (zh) 基于深度学习的大规模mimo信道状态信息反馈方法
CN116192209A (zh) 一种mimo信道下空中计算联邦学习的梯度上传方法
CN114884775A (zh) 一种基于深度学习的大规模mimo系统信道估计方法
CN109802901B (zh) 基于到达角测量的3d mimo信道估计方法及系统

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