CN112865841B - 基于残差dnn的1-比特大规模mimo信道估计方法 - Google Patents
基于残差dnn的1-比特大规模mimo信道估计方法 Download PDFInfo
- Publication number
- CN112865841B CN112865841B CN202110064947.9A CN202110064947A CN112865841B CN 112865841 B CN112865841 B CN 112865841B CN 202110064947 A CN202110064947 A CN 202110064947A CN 112865841 B CN112865841 B CN 112865841B
- Authority
- CN
- China
- Prior art keywords
- base station
- neural network
- training
- channel estimation
- 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.)
- Active
Links
Images
Classifications
-
- 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
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3911—Fading models or fading generators
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Radio Transmission System (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于无线通信技术领域,具体涉及基于残差DNN的1‑比特大规模MIMO信道估计方法,用户端所有天线向基站发送导频信号,基站端天线接收到信号矩阵,将接收的信号矩阵向量化处理,分别对其实部和虚部进行量化,根据量化信号以及信道模型生成用于训练深度残差神经网络的样本集;将训练样本集送入深度残差神经网络进行离线阶段训练;再将训练好的深度残差神经网络配置在基站端,用于在线阶段的信道估计;本发明通过将残差网络的思想引入到深度神经网络中,解决了直接使用深度神经网络进行信道估计时梯度爆炸和梯度消失的问题,且由于残差深度神经网络具有强大的学习能力,使得1‑比特大规模MIMO系统信道估计的性能得到了显著提升。
Description
技术领域
本发明属于无线通信技术领域,尤其涉及基于残差DNN的1-比特大规模MIMO信道估计方法。
背景技术
大规模MIMO是第五代通信系统的核心技术,大规模MIMO技术可以提供极高的空间分辨率和阵列增益,实现非常密集的空间复用,从而满足快速增长的无线连接需求和高能效需求。然而,大量的天线也带来了一系列新的问题。在大多数大规模MIMO的工作中,都假设了具有无限分辨率的模数转换器(ADC)的完美硬件结构,其成本和功耗是非常庞大的,在大规模MIMO系统中使用1-比特ADC能在保持良好的可实现速率性能的同时降低功耗。
在1-比特MIMO系统中一个亟待解决的重要问题就是如何进行信道估计,现有的大多数1-比特MIMO系统信道估计方法,都是基于某种线性近似来进行估计,估计性能一般而且复杂度高,因此很难运用于实际系统。随着算力的提升,深度学习方法由于在海量数据中的强大学习能力,在无线通信领域得到了广泛的应用。现有技术人员通常将深度神经网络简称为“DNN”,由于深度神经网络的非线性和泛化特性,已有相关研究将深度神经网络应用于1-比特ADC大规模MIMO系统信道估计。如中国发明专利【公开号CN110661734A】公布的一种基于深度神经网络的信道估计方法、设备和可读存储介质,通过深度神经网络训练得到基于导频的信道估计系数后,再进行数据的信道估计,得到基于数据的信道估计系数,将二者的平均作为最终的信道估计系数,极大的提高了信道估计精度。
但该专利的深度神经网络随着网络层数的增加会出现梯度消失和梯度爆炸等问题,这就限制了深度神经网络在1-比特ADC大规模MIMO系统的广泛应用。
发明内容
有鉴于此,本发明的目的是提供基于残差DNN的1-比特大规模MIMO信道估计方法,解决现有技术中深度神经网络随着网络层数的增加会出现梯度消失和梯度爆炸等问题的问题。
本发明通过以下技术手段解决上述技术问题:
基于残差DNN的1-比特大规模MIMO信道估计方法,该方法基于单小区点对点大规模MIMO通信场景,考虑信道为平坦快衰落模型,基站端配备M根天线,用户端配备N根天线,基站端的每根天线配备有一个1-比特ADC,分别量化接收到的信号的实部(Re)与虚部(Im),其特征在于,所述方法包括以下步骤:
S1.用户端所有天线向基站发送导频信号,基站端天线接收到信号矩阵,将接收的信号矩阵向量化处理,得到向量化后的接收信号;
S2.对向量化后的接收信号进行1-比特ADC处理,分别对其实部和虚部进行量化,得到量化信号;
S3.根据量化信号以及信道模型生成用于训练深度残差神经网络的样本集;
S4.将S3中构建的训练样本集送入深度残差神经网络进行离线阶段训练;
S5.将S4中训练好的深度残差神经网络配置在基站端,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输入配置在基站端的深度残差神经网络,获得用户到基站端的所有天线的估计信道。
进一步,所述骤S1的具体方法为:第n根发射天线与第m根接收天线之间的信道响应表达式为其中λ为波长,l为路径索引数,αl为第l条路径增益,P为总的路径数,表示第n(n=1,2,...,N)根发射天线与第m(m=1,2,...,M)根接收天线沿着第l条路径的距离;根据信道模型和发送长度为τ的导频信号,得到对应的接收信号矩阵Yp=HS+Np,其中为接收信号,为导频矩阵,满足SSH=τIN,为已知高斯噪声矩阵;将接收信号矩阵Yp向量化,得到向量化后的接收信号yp,yp=vec(Yp)=Φh+np,其中np=vec(Np)。
进一步,所述步骤S2的具体方法为:将向量化后的接收信号yp经过1-比特ADC进行量化处理,分别对其实部和虚部进行量化,得到量化信号rp,
进一步,步骤S3的具体方法为:根据每个随机信道h,生成一个对应的1-比特ADC量化结果rp,得出深度残差神经网络对应的训练样本为(h,rp),按此方式生成所需的训练集、验证集,以及在线训练所需的测试集。
进一步,所述步骤S4的具体方法为:S4步骤基于tensorflow平台,训练过程中按照步骤S3中的生成训练样本方法,总共生成训练集70000个,验证集30000个,将初始学习率设置为0.001,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,对于第p个1-比特ADC量化信号rp,输入本发明提出的残差深度神经网络后,得到输出
进一步,所述S6的具体方法为:用户通过信道H向基站发送导频信号X,基站端的接收信号矩阵的向量化形式为yn=vec(Yn)=Φh+nn,经过1-比特ADC量化处理后得到预测样本
将预测样本输入深度残差神经网络进行在线估计,得到h的估计
本发明的有益效果:
本发明设计了一种监督式的深度神经网络,将残差网络的思想引入深度神经网络模型,用来估计低精度ADC大规模MIMO系统的信道,一方面,通过在深度残差神经网络的每两层之间添加一个快捷方式连接,大大降低了学习的难度,而且避免了深度神经网络中的梯度爆炸和梯度消失等问题,还能够延缓深度神经网络的性能退化,使深度神经网络适用于天线数成百上千的超大规模MIMO信道估计;另一方面,通过增加残差结构中第一层神经元的数量,可以在控制残差结构参数数量的情况下,使网络达到更好的训练效果,而且残差网络模型具有强大的学习能力,能够显著提高信道估计性能。
附图说明
图1是本发明基于残差DNN的1-比特大规模MIMO信道估计方法的方法流程图;
图2是本发明基于残差DNN的1-比特大规模MIMO信道估计方法配备1-比特ADC大规模MIMO系统的信道估计模型;
图3是本发明基于残差DNN的1-比特大规模MIMO信道估计方法中垂直检测机构的深度残差神经网络框图。
具体实施方式
以下将结合附图和具体实施例对本发明进行详细说明:
如图1-图3所示,本发明的基于残差DNN的1-比特大规模MIMO信道估计方法,该方法以单小区点对点大规模MIMO通信场景为例,考虑信道为平坦快衰落模型,基站端配备M根天线,用户端配备N根天线,基站端的每根天线配备有一个1-比特ADC,分别量化接收到的信号的实部(Re)与虚部(Im),现有技术人员通常将深度神经网络简称为“DNN”。
首先,用户端所有天线向基站发送导频信号,基站端天线接收到信号矩阵,并将接收的信号矩阵向量化处理,得到向量化后的接收信号;其中:第n根发射天线与第m根接收天线之间的信道响应表达式为其中λ为波长,l为路径索引数,αl为第l条路径增益,P为总的路径数,表示第n(n=1,2,...,N)根发射天线与第m(m=1,2,...,M)根接收天线沿着第l条路径的距离;根据信道模型和发送长度为τ的导频信号,得到对应的接收信号矩阵Yp=HS+Np,其中为接收信号,为导频矩阵,满足SSH=τIN,为已知高斯噪声矩阵;将接收信号矩阵Yp向量化,得到向量化后的接收信号yp,yp=vec(Yp)=Φh+np,其中np=vec(Np)。
然后,对向量化后的接收信号进行1-比特ADC处理,分别对其实部和虚部进行量化,得到量化信号;其中:将向量化后的接收信号yp经过1-比特ADC进行量化处理,分别对其实部和虚部进行量化,得到量化信号rp,
随后,根据每个随机信道h,生成一个对应的1-比特ADC量化结果rp,得出深度残差神经网络对应的训练样本为(h,rp),按此方式生成所需的训练集、验证集,以及在线训练所需的测试集;
将构建的训练样本集送入基于tensorflow平台的深度残差神经网络进行离线阶段训练,训练过程中按照上述的生成训练样本方法,总共生成训练集70000个,验证集30000个,将初始学习率设置为0.001,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,对于第p个1-比特ADC量化信号rp,输入本发明提出的残差深度神经网络后,得到输出
将训练好的深度残差神经网络配置在基站端,用于在线阶段的信道估计,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输入配置在基站端的深度残差神经网络,获得用户到基站端的所有天线的估计信道。
用户通过信道H向基站发送导频信号X,基站端的接收信号矩阵的向量化形式为yn=vec(Yn)=Φh+nn,经过1-比特ADC量化处理后得到预测样本
将预测样本输入深度残差神经网络进行在线估计,得到h的估计
发明的基于残差DNN的1-比特大规模MIMO信道估计方法,将残差网络的思想引入深度神经网络模型,用来估计低精度ADC大规模MIMO系统的信道,通过在深度残差神经网络的每两层之间添加一个快捷方式连接,大大降低了学习的难度,而且避免了深度神经网络中的梯度爆炸和梯度消失等问题,还能够延缓深度神经网络的性能退化,使深度神经网络适用于天线数成百上千的超大规模MIMO信道估计;通过增加残差结构中第一层神经元的数量,可以在控制残差结构参数数量的情况下,使网络达到更好的训练效果,而且残差网络模型具有强大的学习能力,能够显著提高信道估计性能。
以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。本发明未详细描述的技术、形状、构造部分均为公知技术。
Claims (2)
1.基于残差DNN的1-比特大规模MIMO信道估计方法,该方法基于单小区点对点大规模MIMO通信场景,考虑信道为平坦快衰落模型,基站端配备M根天线,用户端配备N根天线,基站端的每根天线配备有一个1-比特ADC,分别量化接收到的信号的实部(Re)与虚部(Im),其特征在于,所述方法包括以下步骤:
S1.用户端所有天线向基站发送导频信号,第n根发射天线与第m根接收天线之间的信道响应表达式为其中λ为波长,l为路径索引数,αl为第l条路径增益,P为总的路径数,表示第n根发射天线与第m根接收天线沿着第l条路径的距离;根据信道模型和发送长度为τ的导频信号,基站端天线接收到信号矩阵,得到对应的接收信号矩阵Yp=HS+Np,其中为接收信号,为导频矩阵,满足SSH=τIN,为已知高斯噪声矩阵;将接收信号矩阵Yp向量化,得到向量化后的接收信号yp,yp=vec(Yp)=Φh+np,其中np=vec(Np);
S3.根据每个随机信道h,生成一个对应的1-比特ADC量化结果rp,得出深度残差神经网络对应的训练样本为(h,rp),按此方式生成所需的训练集、验证集,以及在线训练所需的测试集;
S4.基于tensorflow平台,训练过程中按照步骤S3中的生成训练样本方法,总共生成训练集70000个,验证集30000个,将初始学习率设置为0.001,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,对于第p个1-比特ADC量化信号rp,输入提出的残差深度神经网络(DNN)后,得到输出
S5.将S4中训练好的深度残差神经网络配置在基站端,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输入配置在基站端的深度残差神经网络,获得用户到基站端的所有天线的估计信道。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110064947.9A CN112865841B (zh) | 2021-01-18 | 2021-01-18 | 基于残差dnn的1-比特大规模mimo信道估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110064947.9A CN112865841B (zh) | 2021-01-18 | 2021-01-18 | 基于残差dnn的1-比特大规模mimo信道估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112865841A CN112865841A (zh) | 2021-05-28 |
CN112865841B true CN112865841B (zh) | 2022-04-19 |
Family
ID=76006801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110064947.9A Active CN112865841B (zh) | 2021-01-18 | 2021-01-18 | 基于残差dnn的1-比特大规模mimo信道估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112865841B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114362884B (zh) * | 2022-01-06 | 2024-03-12 | 东南大学 | 一种利用软信息反馈的单比特大规模mimo接收方法 |
CN114363129B (zh) * | 2022-01-10 | 2023-06-16 | 嘉兴学院 | 一种基于深度密集残差网络的无线衰落信道估计方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109714086A (zh) * | 2019-01-23 | 2019-05-03 | 上海大学 | 基于深度学习的优化mimo检测方法 |
CN110460359A (zh) * | 2019-07-08 | 2019-11-15 | 南京邮电大学 | 一种基于神经网络的mimo系统信号接收方法 |
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 |
CN111817768A (zh) * | 2020-06-03 | 2020-10-23 | 北京交通大学 | 一种用于智能反射表面无线通信的信道估计方法 |
CN112217545A (zh) * | 2020-10-09 | 2021-01-12 | 哈尔滨工程大学 | 一种大规模mimo系统检测模型构建方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102184763B1 (ko) * | 2019-02-08 | 2020-11-30 | 금오공과대학교 산학협력단 | 신경망이 적용된 통신 시스템 및 방법 |
CN110661734B (zh) * | 2019-09-20 | 2020-07-28 | 西安交通大学 | 基于深度神经网络的信道估计方法、设备和可读存储介质 |
CN111935037B (zh) * | 2020-06-09 | 2022-07-12 | 东南大学 | 基于深度学习的大规模多天线系统信道估计方法 |
-
2021
- 2021-01-18 CN CN202110064947.9A patent/CN112865841B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109714086A (zh) * | 2019-01-23 | 2019-05-03 | 上海大学 | 基于深度学习的优化mimo检测方法 |
CN110460359A (zh) * | 2019-07-08 | 2019-11-15 | 南京邮电大学 | 一种基于神经网络的mimo系统信号接收方法 |
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 |
CN111817768A (zh) * | 2020-06-03 | 2020-10-23 | 北京交通大学 | 一种用于智能反射表面无线通信的信道估计方法 |
CN112217545A (zh) * | 2020-10-09 | 2021-01-12 | 哈尔滨工程大学 | 一种大规模mimo系统检测模型构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112865841A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110099017B (zh) | 基于深度神经网络的混合量化系统的信道估计方法 | |
CN109743268B (zh) | 基于深度神经网络的毫米波信道估计和压缩方法 | |
CN110912598A (zh) | 基于长短时注意力机制的大规模mimo系统csi反馈方法 | |
CN111181619B (zh) | 基于深度强化学习的毫米波混合波束成形设计方法 | |
Liao et al. | CSI feedback based on deep learning for massive MIMO systems | |
CN112865841B (zh) | 基于残差dnn的1-比特大规模mimo信道估计方法 | |
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 | |
CN111630787A (zh) | 基于深度学习的mimo多天线信号传输与检测技术 | |
CN113381952B (zh) | 基于深度学习的多天线系统信道估计方法 | |
WO2020253691A1 (zh) | 一种基于共轭梯度下降法的深度学习信号检测方法 | |
CN111935037B (zh) | 基于深度学习的大规模多天线系统信道估计方法 | |
CN107566305A (zh) | 一种低复杂度的毫米波系统信道估计方法 | |
CN112260737A (zh) | 总能效与最小能效权衡的多波束卫星通信鲁棒预编码方法 | |
CN111010222B (zh) | 一种基于深度学习的大规模mimo下行用户调度方法 | |
CN114422059A (zh) | 信道预测方法、装置、电子设备及存储介质 | |
CN108199990B (zh) | 一种非高斯噪声3d-mimo信道估计方法 | |
CN110768704B (zh) | 基于残差神经网络的混合波束赋形矩阵优化方法 | |
CN113162665A (zh) | 一种基于深度学习信道预测的预编码方法 | |
Wu et al. | Compressed CSI feedback with learned measurement matrix for mmWave massive MIMO | |
CN117240331A (zh) | 一种基于图神经网络的无蜂窝网络下行预编码设计方法 | |
CN114844541B (zh) | 一种基于深度学习的混合预编码和反馈方法 | |
CN112165347B (zh) | 一种毫米波纯模拟波束成形用户调度方法 | |
CN114598574A (zh) | 一种基于深度学习的毫米波信道估计方法 | |
CN111314250B (zh) | 大规模多输入多输出系统的量化设计与信道估计方法 | |
CN117856848B (zh) | 一种基于自动编码器结构的csi反馈方法 |
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 |