CN113472706A - 一种基于深度神经网络的mimo-ofdm系统信道估计方法 - Google Patents

Abstract

本发明公开了一种基于深度神经网络的MIMO‑OFDM系统信道估计方法，首先基于深度神经网络的信道估计方法，建立MIMO‑OFDM系统模型，获取深度神经网络的所需要的训练序列数据，采用迭代方法优化的最小均方误差信道估计算法MMSE得到信道导频处频域响应CFR矢量数据，作为深度神经网络的输入；采用多层深度神经网络DNN，引入Sigmoid激活函数，通过训练数据来迭代训练估计网络，获得各隐藏层神经元的最优输出；根据各隐藏层的输出来计算出最后的实际输出与目标值之间的差值，用交叉熵损失函数处理所述各差值，调整神经网络的权值与阈值，最后提取输出的符号频域响应矢量，完成信道估计；本发明可以有效提升CSI精度，解决传统深度学习算法单一训练导致的时间浪费及精度问题。

Description

一种基于深度神经网络的MIMO-OFDM系统信道估计方法

技术领域

本发明涉及无线通信技术领域，主要涉及一种基于深度神经网络的MIMO-OFDM系统信道估计方法。

背景技术

随着通信技术的不断发展和5G时代的到来，高新技术产业和民商用上都对通信速率及通信可靠有效性都有着越来越高的要求，而多输入多输出(Multiple-InputMultiple-Out-put，MIMO)技术可以有效提高空间维度的利用率并且可以有效降低能源消耗，提高频谱利用率和提高通信速率，正交频分复用(Orthogonal Frequency DivisionMultiplexing，OFDM)技术能够提高带宽利用率及有效减低多径衰落的影响，两者的结合MIMO-OFDM系统可以充分发挥各自的优势，被认为是第五代移动通信的核心技术。在MIMO-OFDM系统中进行通信中，信道估计算法得到的信道状态信息(Channel StateInformation，CSI)对通信质量的好坏起着关键的作用，但是传统的信道估计算法如最小二乘(Least Squares，LS)算法、对去噪的信道冲击响应矢量补零后做离散傅里叶变换(Discrete Fourier Transform，DFT)得到估计的频域信道估计算法和线性最小均方误差(Linear Minimum Mean Square Error，LMMSE)等算法，都是基于导频辅助估计方法来计算出导频处的CSI进而求出符号数据处CSI，这些算法都存在着需要有先验信道统计特性信息、鲁棒性差、导频开销大等问题并且在MIMO-OFDM系统下，需要估计的信道参数随着天线数量的增加而不断提高其估计难度，导致算法复杂度加大，因此传统的信道估计算法已经很难满足现有的通信速率极大提高及对通信质量的严格要求。近年来有利用信号的稀疏特性进而结合压缩感知技术来压缩导频开销，从有限个的采样数值中精准的提取出重构信号，但是该算法计算复杂度高，并且在信噪比较低的时候，其性能就会下降严重；有的提出基于信道相关矩阵和空间分解的信道估计算法，以此来减少导频的使用，但是该算法使用大量的矩阵计算，导致算法收敛慢，复杂度高等问题。

针对上述算法所面临的挑战及问题，在机器学习快速发展下而有了新的信道估计算法的提出，尤其在深度学习框架下，将基于导频的信道估计方法所得到的导频处的信道特性和内插估计所得到的全部CSI的过程由深度学习算法所代替。利用传统算法得到的导频处频域响应矢量数据作为神经网络的输入层输入，以此对神经网络进行训练并提出受干扰导频处信号与初始信号之间的非线性关系，建立深度神经网络模型，通过不断迭代，能够使得模型接近真实的信道场景，因此得到了较好信道估计信息。但深度学习现在处于早期研究阶段，深度学习算法都是将插值过程用深度学习所代替，其数据往往都是单一数据，并不能很好的及时反馈各个神经元的输出并且存在着单次训练和开销大量时间的问题；大多数深度神经网络算法都没有考虑多个通信场景的使用，尤其在MIMO-OFDM系统中，由于天线数量增加，导致估计参数增加，参数维度提高，因而使得神经网络变得复杂且不能有效的得到训练数据进行训练迭代，这就会让算法复杂度提高，性能因此受到限制。

发明内容

发明目的：针对上述传统信道估计算法在MIMO-OFDM系统中的不足以及深度学习未能很好使用到信道估计中，本发明提出一种基于深度神经网络的MIMO-OFDM系统信道估计方法，即使用深度神经网络(Deep Neural Network，DNN)进行迭代训练，利用MIMO-OFDM系统下多根发射天线间信道相关性，建立相关信道模型并产生训练序列数据和基于迭代优化的最小均方误差算法得到的导频处频域响应(Channel Frequency Response，CFR)矢量数据作为迭代训练的数据输入，利用激活函数提取出受干扰导频处信号与初始信号之间的非线性关系，建立深度神经网络模型，不断得到各层神经元的输出并最终获得神经网络的最终输出预测值与目标值之间的差值，使用损失函数的反向传播算法反过来对神经网络的权值及阈值进行修改，使该模型无限接近真实的信道场景，以此准确模拟信道状态信息。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于深度神经网络的MIMO-OFDM系统信道估计方法，其特征在于，包括以下步骤：

步骤S1、在多输入多输出系统MIMO中，在进行多层深度神经网络DNN的训练序列数据生成时，采用相关信道模型，将信道模型进行建模处理，得到所需的训练序列，相关信道模型建模如下：

其中H表示小尺度衰落，L为大尺度衰落，C为互耦矩阵，G为导向矩阵，互耦矩阵和导向矩阵表示了在MIMO系统中发射天线的相关性，将互耦矩阵C的表达式进一步展开：

其中C∈C^N×N；ρ为矩阵：

X_L表示负载阻抗，X_T为互阻抗，X_W为天线阻抗，X_W和X_L在同一个基站中数值为常数，通过矩阵变换以及X_L求解，X_L表示为：X_L＝R_M+Z_M：

其中ω为空间阻抗，l为天线长度，k为欧拉常数，d为天线间的距离；C_i(x)和Y_i(x)求解如下：

步骤S2、采用迭代方法优化的最小均方误差信道估计算法MMSE得到信道导频处频域响应CFR矢量数据，作为深度神经网络的输入；

步骤S3、采用多层深度神经网络DNN，引入Sigmoid激活函数，拟合线性及非线性函数，使DNN神经网络具有非线性特性；将训练序列数据和初步的频域响应矢量输入到深度神经网络，通过训练数据来迭代训练估计网络，获得各隐藏层神经元的最优输出；

步骤S4、根据各隐藏层的输出来计算出最后的实际输出与目标值之间的差值，用交叉熵损失函数处理所述各差值，调整神经网络的权值与阈值；

步骤S5、提取输出的符号频域响应矢量；

步骤S6、信道估计。

进一步地，所述步骤S2具体包括：

通过最小均方误差信道估计算法估计得到的导频处信道频域响应矢量结果作为深度神经网络的输入，把接收导频算得的信道状态信息和干扰噪声项的信道传输矩阵传入神经网络，进行迭代训练及隐藏层权值阈值的最优化赋值，所述信道估计算法如下：

其中X为接收信号，Y为发射信号，

为噪声的功率，R_HH为信道的自相关矩阵；将(XX^H)^-1替代为

其中SNR为信噪比；经过迭代后如下：

其中θ为常数。

进一步地，步骤S3中，引入Sigmoid激活函数，拟合线性及非线性函数具体如下：

深度神经网络中神经元对输入数据进行训练加权求和并加入Sigmoid激活函数，每一层神经元的输出都是上一层神经元的加权求和后的非线性函数，具体如下：

σ(z)＝(1+e^-z)^-1

σ′(z)＝(1-σ(z))*σ(z)＝e^-z(1+e^-z)^-2

其中σ(z)为Sigmoid激活函数，z为输入变量；

将训练序列数据和初步的频域响应矢量输入到深度神经网络，通过训练数据来迭代训练估计网络，具体如下：

所述深度神经网络包络4层隐藏层和输入输出层，输入X为MMSE估计算法得到的导频处CFR向量，

代表一个正交频分复用OFDM符号中有N个子载波和N_M个导频子载波；隐藏层的各神经元的输出是上一层所有数据的加权和的非线性变换，具体如下：

其中f_a，i表示第a个隐藏层中第i个神经元，w_a，j和b表示第a层隐藏网络层的第j个深度神经网络中神经元的权值和阈值，σ_z为激活函数，第m层隐藏层的变换公式为：

f_m＝σ_z(W_mf_m-1+b_m)

其式中，f_m-1为第m-1隐藏层输出，W_m是第m隐藏层的权重矩阵，神经网络的输出

为输入数据x的非线性变换的映射，其式为：

式中δ表示神经网络中的所有参数，x表述输入，n为神经网络的层数。

进一步地，所述步骤S4具体方法包括：

深度神经网络的中每一个神经元输出为另一个神经元的输入，根据上述每层神经元的输出权值w和阈值b，进而求出每一个神经元的输出，最终获得整个神经网络的预测值，此时得到预测值与目标值之间的差值，利用交叉熵损失函数反过来对神经网络参数进行更改，所述交叉熵损失函数表达式具体如下：

式中y_z表示预测值输出，h_z为目标值，N为训练序列数据个数，其输出值为交叉熵计算而来，因此输出值y＝(y₁,y₂,y₃,…y_z)^T为概率值，且满足

有益效果：本系统具备以下优点：

本发明基于深度神经网络的MIMO-OFDM系统的信道估计方法，能有效的提高信道估计的信道状态信息、降低算法复杂度和充分发挥多天线发射端相关性的用处，有效利用传统算法得到的初步信道状态信息和时间轴上多天线相关性产生的训练序列数据共同作为数据对来进行神经网络的络迭代训练，有效使用Sigmoid激活函数及交叉熵损失函数来最终得到经过神经网络增强后的信道状态信息CSI，因此提高了CSI精度，改善了以往深度学习算法的单一训练而导致的时间花销太大及精度不够问题。

附图说明

图1是本发明提供的于深度神经网络的MIMO-OFDM系统信道估计方法流程图；

图2是本发明提供的于深度神经网络的MIMO-OFDM系统信道估计方法中多层深度神经网络模型结构图；

图3是本发明提供的导频分布方式图；

图4是本发明提供的DNN学习网络结构图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

本发明提供的基于深度神经网络的MIMO-OFDM系统信道估计方法如图1所示，包括以下步骤：

(1)基于深度神经网络的信道估计方法，建立MIMO-OFDM系统模型

(2)相关信道模型生成DNN所需训练序列数据集

(3)最小均方误差算法获取导频处CFR矢量

(4)Sigmoid函数获取非线性特征、交叉熵函数反向调整CNN神经元权值和阈值。

在MIMO-OFDM系统中，将导频符号离散的放置在时域和频域的资源网格上，并采用等间隔的插入方式，其时域位置在收发中都是相互已知。在该通信系统中，接收方通过解析导频符号来估计得到CFR，然后利用CFR做信道均衡处理，以便更好地来提取出发送方的符号数据，其中信道估计过程在接收端进行，接收信号为：

式中g_n(z)为信道传输过程中的加性高斯白噪声的响应，h_m，n(z)为该通信系统的冲激响应，对y_n(z)进行傅里叶变换如下：

获得信号如下：

其中A_T和A_R分别为该系统中发射接收天线的个数，其最终的发射端的OFDM符号是信号在发射端经过编码器编码后以数据比特流的形式进行传输并调制映射为相应的数据符号，依次插入导频序列和循环前缀而产生的，设一个OFDM符号内有N个子载波和N_M个导频子载波，导频按照二维导频分布插入，将该系统的冲击响应序列进行N点的傅里叶变换，此时能够获取第i个子载波上的信道频域响应：

f(n)为离散化的冲激响应，因此便可得到MIMO-OFDM系统的接收信号及一个OFDM符号内的信道频域响应。

在多输入多输出系统MIMO中，在进行多层深度神经网络DNN的训练序列数据生成时，采用相关信道模型，将信道模型进行建模处理，得到所需的训练序列，相关信道模型建模如下：

其中H表示小尺度衰落，L为大尺度衰落，C为互耦矩阵，G为导向矩阵，互耦矩阵和导向矩阵表示了在MIMO系统中发射天线的相关性，将互耦矩阵C的表达式进一步展开：

其中C∈C^N×N；ρ为矩阵：

X_L表示负载阻抗，X_T为互阻抗，X_W为天线阻抗，X_W和X_L在同一个基站中数值为常数，通过矩阵变换以及X_L求解，X_L表示为：X_L＝R_M+Z_M：

其中ω为空间阻抗，l为天线长度，k为欧拉常数，d为天线间的距离；C_i(x)和Y_i(x)求解如下：

采用迭代方法优化的最小均方误差信道估计算法MMSE得到信道导频处频域响应CFR矢量数据，作为深度神经网络的输入。具体地，

通过最小均方误差信道估计算法估计得到的导频处信道频域响应矢量结果作为深度神经网络的输入，把接收导频算得的信道状态信息和干扰噪声项的信道传输矩阵传入神经网络，进行迭代训练及隐藏层权值阈值的最优化赋值，所述信道估计算法如下：

其中X为接收信号，Y为发射信号，

为噪声的功率，R_HH为信道的自相关矩阵；将(XX^H)^-1替代为

其中SNR为信噪比；经过迭代后如下：

其中θ为常数。

DNN的学习网络结构如图4，输入之后便神经网络的迭代训练过程，当只有一个神经元时，其输入输出关系为：

但此时不能学习复杂的非线性模型，因此引入多个神经元及多个隐藏层，隐藏层能够增强学习网络的表达能力，并且拥有多个输入输出，以此来求解最优的权值及阈值，本发明的使用四层隐藏层和输入输出，如图4，来解决该问题。具体地，

深度神经网络中神经元对输入数据进行训练加权求和并加入Sigmoid激活函数，每一层神经元的输出都是上一层神经元的加权求和后的非线性函数，具体如下：

σ(z)＝(1+e^-z)^-1

σ′(z)＝(1-σ(z))*σ(z)＝e^-z(1+e^-z)^-2

其中σ(z)为Sigmoid激活函数，z为输入变量；

将训练序列数据和初步的频域响应矢量输入到深度神经网络，通过训练数据来迭代训练估计网络，具体如下：

深度神经网络包络4层隐藏层和输入输出层，输入X为MMSE估计算法得到的导频处CFR向量，

代表一个正交频分复用OFDM符号中有N个子载波和N_M个导频子载波；隐藏层的各神经元的输出是上一层所有数据的加权和的非线性变换，具体如下：

其中f_a，i表示第a个隐藏层中第i个神经元，w_a，j和b表示第a层隐藏网络层的第j个深度神经网络中神经元的权值和阈值，σ_z为激活函数，第m层隐藏层的变换公式为：

f_m＝σ_z(W_mf_m-1+b_m)

其式中，f_m-1为第m-1隐藏层输出，W_m是第m隐藏层的权重矩阵，神经网络的输出

为输入数据x的非线性变换的映射，其式为：

式中δ表示神经网络中的所有参数，x表述输入，n为神经网络的层数。因此可以求解L₁＝σ_z(W₁x+b₁)，L₂＝σ_z(W₂x₁+b₂)，L₃＝σ_z(W₃x₂+b₃)，L₄＝σ_z(W₄x₃+b₄)，

根据各隐藏层的输出来计算出最后的实际输出与目标值之间的差值，用交叉熵损失函数处理所述各差值，调整神经网络的权值与阈值。

深度神经网络的中每一个神经元输出为另一个神经元的输入，根据上述每层神经元的输出权值w和阈值b，进而求出每一个神经元的输出，最终获得整个神经网络的预测值，此时得到预测值与目标值之间的差值，利用交叉熵损失函数反过来对神经网络参数进行更改，所述交叉熵损失函数表达式具体如下：

式中y_z表示预测值输出，h_z为目标值，N为训练序列数据个数，其输出值为交叉熵计算而来，因此输出值y＝(y₁,y₂,y₃,…y_z)^T为概率值，且满足

最后提取输出的符号频域响应矢量，进行信道估计。

本发明通过最小均方误差信道估计算法估计得到的导频处信道频域响应矢量结果作为深度神经网络的输入，把接收导频算得的信道状态信息和干扰噪声项的信道传输矩阵传入神经网络，但此输入只有少量的天线信息和导频处的CSI，需要利用深度学习来增强提高CSI精度，因此在进行信道估计和插值算法时，把插值算法用深度学习所代替，利用多根天线下的信道服从特定分布，采用信道相关模型建模来仿真生成训练序列数据，把该数据和最小均方误差算法所得到的初步信道频域响应矢量一起作为DNN的输入。导频插入及分布方式如图3，导频序列离散的放置在时域和频域的资源网格上，并采用等间隔的插入方式，其时域位置在收发中都是相互已知，形成二维分布。导频处CFR向量为X，

代表一个OFDM符号中有N个子载波和N_M个导频子载波，训练序列为相关信道建模通过MATLAB数据仿真所得到。DNN的学习网络结构如图4，输入之后便神经网络的迭代训练过程，当只有一个神经元时，其输入输出关系为：

但此时不能学习复杂的非线性模型，因此引入多个神经元及多个隐藏层，隐藏层能够增强学习网络的表达能力，并且拥有多个输入输出，以此来求解最优的权值及阈值。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种基于深度神经网络的MIMO-OFDM系统信道估计方法，其特征在于，包括以下步骤：

步骤S1、在多输入多输出系统MIMO中，在进行多层深度神经网络DNN的训练序列数据生成时，采用相关信道模型，将信道模型进行建模处理，得到所需的训练序列，相关信道模型建模如下：

其中H表示小尺度衰落，L为大尺度衰落，C为互耦矩阵，G为导向矩阵，互耦矩阵和导向矩阵表示了在MIMO系统中发射天线的相关性，将互耦矩阵C的表达式进一步展开：

其中C∈C^N×N；ρ为矩阵：

X_L表示负载阻抗，X_T为互阻抗，X_W为天线阻抗，X_W和X_L在同一个基站中数值为常数，通过矩阵变换以及X_L求解，X_L表示为：X_L＝R_M+Z_M

其中ω为空间阻抗，l为天线长度，k为欧拉常数，d为天线间的距离；C_i(x)和Y_i(x)求解如下：

步骤S2、采用迭代方法优化的最小均方误差信道估计算法MMSE得到信道导频处频域响应CFR矢量数据，作为深度神经网络的输入；

步骤S3、采用多层深度神经网络DNN，引入Sigmoid激活函数，拟合线性及非线性函数，使DNN神经网络具有非线性特性；将训练序列数据和初步的频域响应矢量输入到深度神经网络，通过训练数据来迭代训练估计网络，获得各隐藏层神经元的最优输出；

步骤S4、根据各隐藏层的输出来计算出最后的实际输出与目标值之间的差值，用交叉熵损失函数处理所述各差值，调整神经网络的权值与阈值；

步骤S5、提取输出的符号频域响应矢量；

步骤S6、信道估计。

2.根据权利要求1所述的一种基于深度神经网络的MIMO-OFDM系统信道估计方法，其特征在于，所述步骤S2具体包括：

通过最小均方误差信道估计算法估计得到的导频处信道频域响应矢量结果作为深度神经网络的输入，把接收导频算得的信道状态信息和干扰噪声项的信道传输矩阵传入神经网络，进行迭代训练及隐藏层权值阈值的最优化赋值，所述信道估计算法如下：

其中X为接收信号，Y为发射信号，

为噪声的功率，R_HH为信道的自相关矩阵；将(XX^H)^-1替代为

其中SNR为信噪比；经过迭代后如下：

其中θ为常数。

3.根据权利要求1所述的一种基于深度神经网络的MIMO-OFDM系统信道估计方法，其特征在于，步骤S3中，引入Sigmoid激活函数，拟合线性及非线性函数具体如下：

深度神经网络中神经元对输入数据进行训练加权求和并加入Sigmoid激活函数，每一层神经元的输出都是上一层神经元的加权求和后的非线性函数，具体如下：

σ(z)＝(1+e^-z)^-1

σ′(z)＝(1-σ(z))*σ(z)＝e^-z(1+e^-z)^-2

其中σ(z)为Sigmoid激活函数，z为输入变量；

将训练序列数据和初步的频域响应矢量输入到深度神经网络，通过训练数据来迭代训练估计网络，具体如下：

所述深度神经网络包络4层隐藏层和输入输出层，输入X为MMSE估计算法得到的导频处CFR向量，

代表一个正交频分复用OFDM符号中有N个子载波和N_M个导频子载波；隐藏层的各神经元的输出是上一层所有数据的加权和的非线性变换，具体如下：

其中f_a,i表示第a个隐藏层中第i个神经元，w_a,j和b表示第a层隐藏网络层的第j个深度神经网络中神经元的权值和阈值，σ_z为激活函数，第m层隐藏层的变换公式为：

f_m＝σ_z(W_mf_m-1+b_m)

其式中，f_m-1为第m-1隐藏层输出，W_m是第m隐藏层的权重矩阵，神经网络的输出

为输入数据x的非线性变换的映射，其式为：

式中δ表示神经网络中的所有参数，x表述输入，n为神经网络的层数。

4.根据权利要求1所述的一种基于深度神经网络的MIMO-OFDM系统信道估计方法，其特征在于，所述步骤S4具体方法包括：

深度神经网络的中每一个神经元输出为另一个神经元的输入，根据上述每层神经元的输出权值w和阈值b，进而求出每一个神经元的输出，最终获得整个神经网络的预测值，此时得到预测值与目标值之间的差值，利用交叉熵损失函数反过来对神经网络参数进行更改，所述交叉熵损失函数表达式具体如下：

式中y_z表示预测值输出，h_z为目标值，N为训练序列数据个数，其输出值为交叉熵计算而来，因此输出值y＝(y₁,y₂,y₃,…y_z)^T为概率值，且满足

Images