CN113347123B - 一种基于模型驱动的混合mimo系统信道估计与反馈网络 - Google Patents

Abstract

本公开的基于模型驱动的混合MIMO系统信道估计与反馈网络，该网络包括：上行信道压缩网络、上行信道重构网络、下行信道压缩网络、下行信道重构网络，反馈压缩网络、反馈信道重构网络；其中，所述上行信道压缩网络和上行信道重构网络组成上行信道估计模块，用于基站获取上行链路空间‑频率域信道矩阵；所述下行信道压缩网络和下行信道重构网络组成下行信道估计模块，用于用户获取下行链路空间‑频率域信道矩阵；所述下行信道压缩网络、反馈压缩网络和反馈信道重构网络组成下行信道反馈模块，用于基站获取下行链路空间‑频率域反馈信道矩阵。能够准确获取混合MIMO系统的信道估计，降低信道估计与反馈的系统开销。能够准确获取混合MIMO系统的信道估计，降低信道估计和反馈的系统开销。

Description

一种基于模型驱动的混合MIMO系统信道估计与反馈网络

技术领域

本发明属于无线通信中的信道估计技术领域，具体涉及一种基于模型驱动的混合MIMO系统信道估计与反馈网络。

背景技术

在下一代(5G)移动通信系统中，毫米波大规模MIMO(Multiple-Input Multiple-Output，多输入多输出)技术被广泛认为是通信系统物理层关键技术之一。首先，毫米波频段(30-300GHz)可以提供丰富的带宽频谱资源和超高的数据速率，从而可以极大地增加系统吞吐量。其次，毫米波频段波长短，更有利于实际通信系统中大规模天线阵列的密集封装。最后，大规模天线阵列又可以为毫米波频段通信提供足够大的阵列增益。为了更充分利用毫米波大规模MIMO的技术优势，如何获取准确的信道估计是一项重要的挑战。此外，为了降低系统硬件结构的成本开销和功率消耗，通信系统的收发机通常采用更为实际的基于移相器网络的模拟/数字混合预编码架构，射频链路的数量远小于天线数量，这将会使得通信系统的信道估计问题研究更具有挑战性。具体而言，对于TDD(time-division duplexing，时分双工)系统，基站利用有限数量的射频链路所接收到的信号来估计高维的上行链路信道所需要极大的信道估计导频开销；对于FDD(frequency-division duplexing，频分双工)系统，高维下行链路信道首先在用户处被估计，然后进一步反馈到基站，但是整体的信道估计和反馈开销同样是严重的。

随着深度学习在计算机科学领域的大放异彩，越来越多的研究者开始考虑利用深度学习来解决通信和信号处理问题，进一步构建智能化通信系统。目前，在物理层无线传输和深度学习的融合方向大致分为两种：数据驱动模式和模型驱动模式。数据驱动模式的深度学习方法将DNN(Deep neural network，深度神经网络)看作是一个黑盒子，其中包括CNN(Convolutional neural network，卷积神经网络)和全连接神经网络，以及大量的带有标签的样本数据来设计通信信号处理模块；模型驱动模式的深度学习方法通过利用已知的实际通信系统先验知识(例如成熟的信道模型和通信传输协议等)来构建网络结构。相较于数据驱动，模型驱动的方法需要更少的网络参数以及更少的样本数据，更具有网络可解释性和可信性。

发明内容

本发明克服了现有技术的不足之一，提供了一种基于模型驱动的混合MIMO系统信道估计与反馈网络，能够准确获取混合MIMO系统的信道估计，降低信道估计和反馈的系统开销。

根据本公开的一方面，本发明提供一种基于模型驱动的混合MIMO系统信道估计与反馈网络，所述网络包括：上行信道压缩网络、上行信道重构网络、下行信道压缩网络、下行信道重构网络、反馈压缩网络、反馈信道重构网络；

其中，所述上行信道压缩网络和上行信道重构网络组成上行信道估计模块，用于基站获取上行链路空间-频率域信道矩阵；

所述下行信道压缩网络和下行信道重构网络组成下行信道估计模块，用于用户获取下行链路空间-频率域信道矩阵；

所述下行信道压缩网络、反馈压缩网络和反馈信道重构网络组成下行信道反馈模块，用于基站获取下行链路空间-频率域反馈信道矩阵。

在一种可能的实现方式中，所述上行信道压缩网络和下行信道压缩网络为全连接网络CCN，用于满足上行合并器矩阵和下行预编码矩阵的恒模约束。

在一种可能的实现方式中，所述上行信道重构网络和下行信道重构网络均包括MMP-LAMP网络和冗余字典D，用于对接收的导频信号进行重构得到空间-频率域信道矩阵。

在一种可能的实现方式中，所述反馈压缩网络对所述导频信号进行延时域的维度压缩得到反馈导频信号。

在一种可能的实现方式中，所述反馈信道重构网络，用于对反馈导频信号进行重构得到下行链路空间-频率域反馈信道矩阵。

在一种可能的实现方式中，所述反馈信道重构网络包括反馈重构子网络FRSN和信道重构网络CRN；

所述反馈重构子网络FRSN，用于对反馈导频信号进行重构，得到角度-频率域信道反馈矩阵；

所述信道重构网络CRN，用于将重构出的角度-频率域信道矩阵再次重构为空间-频率域信道矩阵。

在一种可能的实现方式中，所述反馈重构子网络FRSN包括MMV-LAMP网络和DFT矩阵；

其中，所述MMV-LAMP网络用于对反馈导频信号进行重构，得到延时域信道矩阵；

所述DFT矩阵用于对延时域信道矩阵进行转换得到频域信道矩阵。

本公开的基于模型驱动的混合MIMO系统信道估计与反馈网络，该网络包括：上行信道压缩网络、上行信道重构网络、下行信道压缩网络、下行信道重构网络、反馈压缩网络、反馈信道重构网络；其中，所述上行信道压缩网络和上行信道重构网络组成上行信道估计模块，用于基站获取上行链路空间-频率域信道矩阵；所述下行信道压缩网络和下行信道重构网络组成下行信道估计模块，用于用户获取下行链路空间-频率域信道矩阵；所述下行信道压缩网络、反馈压缩网络和反馈信道重构网络组成下行信道反馈模块，用于基站获取下行链路空间-频率域反馈信道矩阵。能够准确获取混合MIMO系统的信道估计，降低信道估计和反馈的系统开销。

附图说明

附图用来提供对本申请的技术方案或现有技术的进一步理解，并且构成说明书的一部分。其中，表达本申请实施例的附图与本申请的实施例一起用于解释本申请的技术方案，但并不构成对本申请技术方案的限制。

图1示出了根据本公开一实施例的基于模型驱动的混合MIMO系统信道估计与反馈网络示意图；

图2示出了根据本公开另一实施例的基于模型驱动的混合MIMO系统信道估计与反馈网络示意图；

图3示出了根据本公开一实施例的上行信道估计模块示意图；

图4示出了根据本公开一实施例的全连接的CCN结构；

图5示出了根据本公开一实施例的基于MMV-LAMP网络设计的CRN；

图6示出了根据本公开一实施例的下行信道估计模块和反馈模块的框架示意图；

图7示出了根据本公开一实施例的基于MMV-LAMP网络设计的FRSN结构。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达到相应技术效果的实现过程能充分理解并据以实施。本申请实施例以及实施例中的各个特征，在不相冲突前提下可以相互结合，所形成的技术方案均在本发明的保护范围之内。

另外，附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本发明主要是利用毫米波大规模MIMO信道的结构化稀疏性的先验模型，通过展开传统MMV-AMP算法的迭代过程，人为加入可训练参数，设计一种MMV-LAMP(Multiple-measurement-vectors learned approximate message passing，多测量矢量-可学习的近似消息传递)网络。具体而言，首先，在PSN(Phase shift network，移相器网络)的硬件结构的限制下，利用全连接CCN(Channel compression network，信道压缩网络)网络解决深度学习框架输出复数值矩阵和恒模约束的问题。其次，对于TDD系统，利用角度域信道的稀疏性，提出基于MMV-LAMP网络的CRN(Channel reconstruction network，信道重构网络)网络准确获取高维的空间-频率域信道。对于FDD系统，利用延时域稀疏性，提出基于MMV-LAMP网络的FCRN(Feedback based channel reconstruction network，基于反馈的信道重构网络)网络，在以低反馈开销获取的反馈信号中准确获取反馈信道矩阵。并利用深度学习技术中端到端的训练方式来联合获取导频信号和信道估计器训练网络参数，从而有效地解决混合架构下毫米波大规模MIMO信道估计和反馈问题。

图1示出了根据本公开一实施例的基于模型驱动的混合MIMO系统信道估计与反馈网络示意图。如图1所示，该信道估计网络40可以包括：上行信道压缩网络、上行信道重构网络、下行信道压缩网络、下行信道重构网络、反馈压缩网络、反馈信道重构网络；

其中，上行信道压缩网络和上行信道重构网络组成上行信道估计模块41，用于基站获取上行链路空间-频率域信道矩阵；

下行信道压缩网络和下行信道重构网络组成下行信道估计模块42，用于用户获取下行链路空间-频率域信道矩阵；

下行信道压缩网络、反馈压缩网络和反馈信道重构网络组成下行信道反馈模块4用于基站获取下行链路空间-频率域反馈信道矩阵。

图2示出了根据本公开另一实施例的基于模型驱动的混合MIMO系统的信道估计与反馈网络示意图；图3示出了根据本公开一实施例的上行信道估计模块示意图。

如图3所示，上行信道压缩网络可以为CCN网络，上行信道重构网络CRN包括MMV-LAMP网络和冗余字典D。

其中上行信道网络结构对应于图2和图3所示的合并器矩阵

可训练参数为{Ξ_UL}，得到基站接收导频信号Y_UL。如图4所示的全连接的CCN结构，包含训练参数为{Ξ_UL}可以定义为混合架构下PSN的实数相位值，可以表示为

其中[Ξ_UL]_m,n∈[0,2π)。

图5示出了根据本公开一实施例的基于MMV-LAMP网络设计的CRN。

上行信道重构网络CRN对应于图2和图3所示的信道估计器，可训练参数为{B_UL,θ_UL}，可以对接收导频信号进行重构，得到信道空间-频率域信道矩阵。为了从低维度的导频信号Y_UL中准确地重构角度-频率域信道矩阵

如图5所示，基于MMV-LAMP网络的CRN共有T层，输入接受的导频信号Y_UL，对应的第t层输出是估计的角度-频率域信道矩阵/>

此外，初始值/>

和V₀分别被定义为0和Y_UL。对于第t层网络，训练参数B_UL可以表示为B_UL＝Re{B_UL}+j Im{B_UL}，其中Re(·)和Im(·)分别表示实部和虚部。最后，估计到的空间-频率域信道矩阵可以表示为/>

冗余字典D能够对抗空间-角度变换导致的功率泄漏问题，提升毫米波信道在角度域的稀疏特性。空间-频率域信道和角度-频率域信道的关系可以表示为H^sf＝D^HH^af，其中，冗余字典D包含G个列向量a(φ_g)，1≤g≤G，sin(φ_g)＝-1+2(g-1)/G表示第g个量化角度格点。上行信道接收的导频信号可以为

上行信道接收的导频信号可以为：/>

对于/>

来说(/>

同理)，第k个列向量/>

是一个稀疏列向量，且/>

具有公共稀疏支撑集，因此毫米波大规模MIMO信道估计问题可以看作为MMV稀疏矩阵恢复问题。可以利用结构化稀疏性的先验模型，将MMV-AMP算法迭代步骤进行展开，引入可训练参数，构建MMV-LAMP网络，以解决MMV稀疏矩阵恢复问题。

另外，可以利用端到端的方式联合训练整体参数{Ξ_UL,B_UL,θ_UL}，得到估计到的上行信道空间-频率域信道矩阵

对于上述整体可训练参数{Ξ_UL,B_UL,θ_UL}，可以利用一种端到端的方式联合训练。例如，首先根据信道模型生成训练集合

其中，N_train表示训练集合中上行信道样本的数量，/>

不仅是CCN的输入，还是CNN网络训练过程中的目标数据。为了整体优化，定义在目标值/>

和第t层MMV-LAMP网络估计空间-频率域信道矩阵/>

之间的NMSE(Normalized mean square error，归一化均方误差)作为第t层网络的损失函数，可以表示为/>

其中，N是一次训练过程中的子样本数量，

表示第t层MMV-LAMP网络的输出，f_t(·,·)表示本发明提出的模型驱动上行链路信道估计方法。

对于第t层MMV-LAMP网络，1≤t≤T，输入是目标数据

对应是输出是/>

可以通过最小化公式(1)中的第t层损失函数L_UL,t({Ξ_UL,B_UL,θ_UL}_t)优化整体的可训练参数，学习率定义为0.001。对于第t+1层，输入为目标数据/>

对应的输出是/>

因此，可以将可训练参数{Ξ_UL,B_UL,θ_UL}_t+1初始化为{Ξ_UL,B_UL,θ_UL}_t，通过最小化第t+1层的损失函数L_UL,t+1({Ξ_UL,B_UL,θ_UL}_t+1)来联合优化当前可训练参数。最后，当第T层参数训练完成，可同时获取复数PSN以及MMV-LAMP网络，用于联合设计合并器矩阵/>

和信道估计器。

图6示出了根据本公开一实施例的下行信道估计模块和反馈模块的框架示意图。

如图2和图6所示，下行信道重构网络可以为CCN全连接网络，对应于预编码矩阵，下行信道重构网络CRN对应于信道估计器，包括MMP-LAMP网络和冗余字典D，能够同时恢复多个子载波信道。由下行信道压缩网络和下行信道重构网络组成的下行信道估计模块，用于用户获取下行链路空间-频率域信道矩阵。具体地，基站端CCN网络输入下行链路空间-频率域信道

输出用户端的接收信号Y_DL。CCN网络的可训练参数被定义为PSN的实数相位值，可表示为/>

用户端的CRN网络，与上行链路信道估计相比，将初始的输入值Y_UL和A_UL分别替代为Y_DL和A_DL，其他过程和原理不变，且可以直接采用上行链路信道估计方法的训练策略优化可训练参数{Ξ_DL,B_DL,θ_DL}。

在一示例中，如图6所示，反馈压缩网络(FCN)可以对导频信号进行延时域的维度压缩得到反馈导频信号。

为了降低用户端的信道反馈开销，利用延时域信道的稀疏性，设计反馈压缩网络FCN压缩接收信号的维度。例如，FCN网络的接收信号为

其中/>

是频率-空间域信道矩阵，/>

为经过空间域变换后的频域信道矩阵。再利用一个DFT矩阵将频率-空间域信道矩阵/>

变换到延时-空间域信道/>

即

其中/>

表示经过空间域变换后的延时域信道。则反馈到基站的压缩后的反馈导频信号可以表示为/>

其中U＝U|_Ω表示按照集合Ω选取DFT矩阵的行组成的部分DFT矩阵。

如图6所示，反馈信道重构网络(FCRN)可以用于对反馈导频信号进行重构得到下行信道空间-频率域反馈信道矩阵。反馈信道重构网络可以包括反馈重构子网络FRSN和反馈信道重构子网络CRN，能够利用延时域信道的稀疏性，有效地降低信道反馈开销。反馈重构子网络FRSN可以对反馈导频信号进行重构为角度-频率域信道反馈矩阵；反馈信道重构网络，用于将重构的角度-频率域信道矩阵再次重构为空间-频率域信道反馈矩阵。

反馈重构子网络FRSN包括MMV-LAMP网络和DFT矩阵；其中，MMV-LAMP网络用于对反馈导频信号进行重构，得到延时域信道矩阵；DFT矩阵用于对延时域信道矩阵进行转换得到频域信道矩阵。

图7示出了根据本公开一实施例的基于MMV-LAMP网络设计的FRSN结构。

可以将经FCN压缩得到反馈导频信号Y_DL输入到反馈重构子网络FRSN得到

可以利用DFT矩阵U得到/>

且/>

则/>

(转置操作)，则可以利用CRN得到空间-频率域反馈信道/>

具体为，为了基站端能够准确重构出反馈信道，反馈信道重构网络FCRN包含一个基于T′层MMV-LAMP网络的反馈重构子网络FRSN和一个反馈信道重构子网络CRN。如图7所示，反馈重构子网络FRSN输入反馈导频信号Y_DL，初始值

和V₀分别定义为/>

和V₀＝Y_DL，反馈重构子网络FRSN的可训练参数定义为{B′,θ′}。当基站接收到压缩后的反馈导频信号，可以先利用反馈重构子网络FRSN重构/>

其中，

因此可以利用CRN直接重构空间-频率域信道矩阵/>

例如，采用端对端的训练策略优化FRSN的可训练参数{B′,θ′}，首先生成训练集合

采用与上行链路信道估计阶段相似的损失函数，下行链路信道反馈阶段的第t层(1≤t≤T′)的损失函数可以表示为：

其中，N′是一次训练过程中的子样本数量，f_t′(·,·)表示反馈重构子网络FRSN。当第T′层的可训练参数{B′,θ′}_T′优化完成，基站端可以得到

进一步估计出空间-频率域754321信道矩阵/>

应用示例

如图2所示，在基于混合架构下毫米波大规模MIMO系统中，基站装备有N_BS根天线和N_RF根射频链路，其中，射频链路数量远少于天线数，射频链路和天线之间用PSN(Phaseshift network，移相器网络)连接，同时考虑U个用户，每个用户装备单天线。采用K个子载波的OFDM(Orthogonal Frequency Division Multiplexing，正交频分复用技术)技术对抗毫米波信道的频率选择性衰落。

针对TDD系统上行链路信道估计，上行链路信道估计阶段一共包含Q个OFDM符号(即Q个时隙)。假设U个用户采用相互正交的导频符号，对于不同用户的导频符号可以分别进行处理。例如，对于某个特定用户来说，为了估计第k个子载波信道，基站端在第q个时隙接收的基带信号向量可以表示为

基站端用发送信号x[k,q]的共轭与接收信号相乘，假设x[k,q]x^*[k,q]＝1，可以得到：

其中，(·)^H和(·)^*分别表示共轭转置和共轭，F_UL[q]是上行链路基站端的合并器，h_UL[k]是上行链路第k个子载波信道，

为处理后的噪声项。合并器矩阵/>

可以由PSN实现，每一项都需要满足恒模约束条件，即对于F_UL[q]的第(m,n)项，有/>

其中[Ξ_UL]_m,n表示连接第m根天线和第n根射频链路的相位值。对于累积接收信号y_UL[k,q]，1≤q≤Q，1≤k≤K，可以得到/>

其中/>

是上行链路空间-频率域信道矩阵。

针对FDD系统下行链路信道估计和反馈。基站端发射的导频信号可以表示为f_DL[q]s[k,q]，f_DL[q]是射频导频信号，s[k,q]是基带导频信号，对于第k个子载波上的接收信号在第q个时隙可以表示为

同样的，用户端用基站导频信号的共轭与接收信号相乘，并且假设s[k,q]s^*[k,q]＝1，可以得到：

其中，h_DL[k]是下行链路第k个子载波信道，

表示处理后的噪声项。对于射频导频信号f_DL[q]的第m项，有/>

其中，[Ξ_DL]_m表示连接第m根天线和特定一个激活的射频链路的相位值。则累积接收信号y_DL[k,q]，1≤q≤Q，1≤k≤K，可以表示为/>

是下行链路空间-频率域信道矩阵。

本公开的基于模型驱动的混合MIMO系统信道估计与反馈网络，该网络包括：上行信道压缩网络、上行信道重构网络、下行信道压缩网络、下行链路重构网络、反馈压缩网络、反馈信道重构网络；其中，所述上行信道压缩网络和上行信道重构网络组成上行信道估计模块，用于基站获取上行链路空间-频率域信道矩阵；所述下行信道压缩网络和下行信道重构网络组成下行信道估计模块，用于用户获取下行链路空间-频率域信道矩阵；所述下行信道压缩网络、反馈压缩网络和反馈信道重构网络组成下行信道反馈模块，用于基站获取下行链路空间-频率域反馈信道矩阵。能够准确获取混合MIMO系统的信道估计，降低信道估计与反馈的系统开销。

虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (5)

1.一种基于模型驱动的混合MIMO系统信道估计与反馈网络，其特征在于，所述信道估计与反馈网络包括：上行信道压缩网络、上行信道重构网络、下行信道重构网络、下行信道压缩网络、反馈压缩网络、反馈信道重构网络；

其中，所述上行信道压缩网络和上行信道重构网络组成上行信道估计模块，用于基站获取上行链路空间-频率域信道矩阵；

所述下行信道压缩网络和下行信道重构网络组成下行信道估计模块，用于用户获取下行链路空间-频率域信道矩阵；

所述下行信道压缩网络、反馈压缩网络和反馈信道重构网络组成下行信道反馈模块，用于基站获取下行链路空间-频率域反馈信道矩阵；

所述上行信道压缩网络和下行信道压缩网络为全连接网络CCN，用于满足上行合并器矩阵和下行预编码矩阵的恒模约束；

所述上行信道重构网络和下行信道重构网络均包括MMP-LAMP网络和冗余字典D，用于对接收的导频信号进行重构得到空间-频率域信道矩阵；

上行信道重构网络CRN对应的信道估计器，可训练参数为{B_UL,θ_UL}，对接收导频信号进行重构，得到信道空间-频率域信道矩阵；为了从低维度的导频信号Y_UL中准确地重构角度-频率域信道矩阵

基于MMV-LAMP网络的CRN共有T层，输入接受的导频信号Y_UL，对应的第t层输出是估计的角度-频率域信道矩阵/>

此外，初始值/>

和V₀分别被定义为0和Y_UL；对于第t层网络，训练参数B_UL表示为B_UL＝Re{B_UL}+j Im{B_UL}，其中Re(·)和Im(·)分别表示实部和虚部；最后，估计到的空间-频率域信道矩阵表示为/>

冗余字典D能够对抗空间-角度变换导致的功率泄漏问题，提升毫米波信道在角度域的稀疏特性；空间-频率域信道和角度-频率域信道的关系表示为H^sf＝D^HH^af，其中，冗余字典D包含G个列向量a(φ_g)，1≤g≤G，sin(φ_g)＝-1+2(g-1)/G表示第g个量化角度格点；上行信道接收的导频信号为/>

上行信道接收的导频信号为：

对于/>

来说，第k个列向量/>

是一个稀疏列向量，且/>

具有公共稀疏支撑集，因此毫米波大规模MIMO信道估计问题看作为MMV稀疏矩阵恢复问题；利用结构化稀疏性的先验模型，将MMV-AMP算法迭代步骤进行展开，引入可训练参数，构建MMV-LAMP网络，以解决MMV稀疏矩阵恢复问题。

2.根据权利要求1所述的一种基于模型驱动的混合MIMO系统信道估计与反馈网络，其特征在于，所述反馈压缩网络对所述导频信号进行延时域的维度压缩得到反馈导频信号。

3.根据权利要求2所述的一种基于模型驱动的混合MIMO系统信道估计与反馈网络，其特征在于，所述反馈信道重构网络，用于对反馈导频信号进行重构，得到下行链路空间-频率域反馈信道矩阵。

4.根据权利要求3所述的一种基于模型驱动的混合MIMO系统信道估计与反馈网络，其特征在于，所述反馈信道重构网络包括反馈重构子网络FRSN和信道重构网络CRN；

所述反馈重构子网络FRSN，用于对反馈导频信号进行重构为角度-频率域信道矩阵；

所述信道重构网络CRN，用于将重构出的角度-频率域信道矩阵再次重构为空间-频率域信道矩阵。

5.根据权利要求4所述的一种基于模型驱动的混合MIMO系统信道估计与反馈网络，其特征在于，所述反馈重构子网络FRSN包括MMV-LAMP网络和DFT矩阵；

其中，所述MMV-LAMP网络用于对反馈导频信号进行重构，得到延时域信道矩阵；

所述DFT矩阵用于将延时域信道矩阵转换得到频域信道矩阵。

Images