CN113595666A - 大规模mimo系统基于时频联合相关性的信道预测方法和系统 - Google Patents

大规模mimo系统基于时频联合相关性的信道预测方法和系统 Download PDF

Info

Publication number
CN113595666A
CN113595666A CN202110788681.2A CN202110788681A CN113595666A CN 113595666 A CN113595666 A CN 113595666A CN 202110788681 A CN202110788681 A CN 202110788681A CN 113595666 A CN113595666 A CN 113595666A
Authority
CN
China
Prior art keywords
channel
time
frequency
training
prediction
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.)
Granted
Application number
CN202110788681.2A
Other languages
English (en)
Other versions
CN113595666B (zh
Inventor
彭薇
徐康
谢一梅
江涛
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202110788681.2A priority Critical patent/CN113595666B/zh
Publication of CN113595666A publication Critical patent/CN113595666A/zh
Application granted granted Critical
Publication of CN113595666B publication Critical patent/CN113595666B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04B17/3913—Predictive models, e.g. based on neural network models
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • 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)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Electromagnetism (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明公开大规模MIMO系统基于时频联合相关性的信道预测方法和系统，属于大规模MIMO无线通信领域。本发明根据实测数据的弱时域相关性和强频域相关性特点，提出了一种基于卷积长短期记忆网络的时频结合信道预测方法，Convolutional LSTM是一种能够同时提取时域和频域特征的深度学习模型，它通过输入的卷积结构提取信道的频域特征，同时利用内部LSTM结构来提取信道的时域特征，将频域上的信道特征应用于时域上的信道预测，从而达到时频联合的信道预测的效果。该方法同时结合时域和频域的特性来对信道进行预测，利用频域的强自相关性来提升时域预测的精度。与现有的仅利用时域相关性进行信道预测的方法相比，所提出的方法具有较高的信道预测的精度。

Description

大规模MIMO系统基于时频联合相关性的信道预测方法和系统
技术领域
本发明属于大规模多入多出(multi-input multi-output，MIMO)无线通信领域，更具体地，涉及大规模MIMO系统基于时频联合相关性的信道预测方法和系统。
背景技术
大规模MIMO技术作为5G中的一项关键技术，近年来得到了广泛的研究。大规模MIMO技术通过在基站(base station,BS)端放置更多的天线，通常是成百上千根，同时服务多个用户，获得了更大的空间分集增益，进一步的提升了数据传输速率和链路的可靠性。为了充分发挥大规模MIMO系统的优势，准确信道状态信息(channel state information,CSI)的获取是必不可少的。一般都是通过导频估计的方法进行CSI的估计，但在大规模MIMO系统下这种导频估计的方法会存在CSI过时的问题。目前主要采用信道预测的方案来解决CSI过时的问题。
信道预测是通过了解过去和当前时刻的CSI来预测未来时刻的CSI，为此需要一个模型来表示衰落信道的动态变化过程。在获得信道的估计之后，可以估计信道模型的参数，从而借助于这些估计的信道模型的参数来完成对未来时刻CSI的预测。传统的关于信道预测的方法主要可以分为三类:(1)基于参数无线电信道模型(parametric radio channelmodel,PRC)的信道预测，基于自回归(autoregressive，AR)模型的信道预测以及基于带限基础扩展技术的信道预测。在大规模MIMO系统中，由于实际信道环境变得越来越复杂，信道的不确定性增加，实际信道中具有快变和非平稳的特性。对于传统的基于参数模型的信道预测方法来说，由于天线数的增加，参数估计所需计算的复杂度也就随之增大。对于AR模型，虽说其计算复杂度相较于基于参数的信道估计小很多，但是它将信道的变化建模为一个自回归的过程，仅仅考虑了信道在时间上的相关性。然而根据对实测信道数据的探索发现，在大规模MIMO系统中，信道中CSI随着时间的变化较快，时间上的相关性较低，若是单纯的利用时间上的相关性去进行信道预测难以取得理想的效果。
综上，现有的信道预测的方案可能不再适用于大规模MIMO系统，因此本发明提出一种基于时频联合相关性的信道预测方法，该方法同时结合时域和频域的相关性来对信道进行预测，利用频域的高自相关性来提升时域预测的精度。
发明内容
针对现有技术的缺陷和改进需求，本发明提供了大规模MIMO系统基于时频联合相关性的信道预测方法和系统，其目的在于同时结合信道的时域和频域相关性来进行信道预测，有效提高了信道预测的精度。
为实现上述目的，按照本发明的第一方面，提供了一种大规模MIMO系统基于时频联合相关性的信道预测方法，移动端任一天线A向基站端任一天线B发送OFDM信号，所述OFDM信号同时包含OFDM导频和OFDM数据，基站端接收到OFDM信号后，对天线A和B之间的信道采用以下方法进行信道状态预测：
准备阶段：
移动端天线A在t时刻向基站端天线B发送OFDM导频信号st；基站端根据接收到导频信号
Figure BDA0003160172740000021
估计当前信道在t时刻上各频点的信道状态信息Ht；重复n次传递，得到当前信道的信道状态信息矩阵H＝[H1,H2,…,Hn]；
对于每个Ht，取前k个时刻的信道状态信息[Ht-k,Ht-k+1,…,Ht-1]作为输入和Ht作为输出构成训练模型的一个样本，从而得到n-k对训练样本构成的训练集；
构建基于Convolutional LSTM的深度学习模型；
训练阶段：采用训练集训练深度学习模型，使模型通过不断迭代训练学习当前信道的时频域相关性特征；
应用阶段：将已知的k个连续时刻所有频点上的信道状态信息输入至训练好的模型，输出下一时刻所有频点上信道状态信息的预测值。
优选地，所述根据接收到导频信号
Figure BDA0003160172740000031
估计当前信道在t时刻上各频点的信道状态信息
Figure BDA0003160172740000032
其中，
Figure BDA0003160172740000033
表示导频信号
Figure BDA0003160172740000034
的第i个子载波上的导频信号，st(i)表示导频信号st的第i个子载波上的导频信号，m表示子载波个数。
优选地，所述基于Convolutional LSTM的深度学习模型为5层结构串联：第一层为输入层，最后一层为输出层，中间三层为Convolutional LSTM层，其中，
输入层的输入为3维张量，第一个维度为时间维度，后两个为频率维度；输出层的输出为2维向量，代表下一个时刻所有频点的CSI预测值；3层Convolutional LSTM层中的第一层和第二层用于提取信道的时频特征，第三层用于做出预测，每一层所用的过滤器数目分别为32、16和1，卷积核的尺寸分别为7*7、7*7和1*1。
有益效果：使用两层Convolutional LSTM的目的是为了增加模型的拟合能力，使其能够提取尽可能多的信道的时频特征。
优选地，训练阶段的损失函数如下：
Figure BDA0003160172740000035
其中，V表示训练时批量的大小，Nf表示向量h的长度，
Figure BDA0003160172740000036
表示预测的CSI，h(·)表示真实的CSI，上标(v)表示当前批量的第v个训练样本，θ表示需要通过训练来优化的网络参数。
优选地，在训练的过程中通过梯度下降结合Adam优化算法对网络模型中的参数进行调整更新，使其达到最优，优化的目标即为使损失函数最小。
优选地，将信道状态信息分为实虚部分别进行训练和预测。
有益效果：由于复值神经网络的计算复杂度较大，因此将CSI分为实虚部分别进行训练和预测，以保证效率。
为实现上述目的，按照本发明的第二方面，提供了一种大规模MIMO系统基于时频联合相关性的信道预测系统，包括：计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行第一方面所述的大规模MIMO系统基于时频联合相关性的信道预测方法。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
本发明根据实测数据的弱时域相关性和强频域相关性特点，提出了一种基于卷积长短期记忆网络的时频结合信道预测方法，Convolutional LSTM是一种能够同时提取时域和频域特征的深度学习模型，它通过输入的卷积结构提取信道的频域特征，同时利用内部LSTM结构来提取信道的时域特征，将频域上的信道特征应用于时域上的信道预测，从而达到时频联合的信道预测的效果。该方法同时结合时域和频域的特性来对信道进行预测，利用频域的强自相关性来提升时域预测的精度。与现有的仅利用时域相关性进行信道预测的方法相比，所提出的方法具有较高的信道预测的精度。
附图说明
图1为本发明提供的一种大规模MIMO系统基于时频联合相关性的信道预测方法流程图；
图2为本发明实施例提供的采用的基于Convolutional LSTM的深度学习模型的系统框图；
图3为本发明实施例提供的预测CSI与真实CSI的对比图；
图4为本发明实施例提供的与基于AR模型和基于LSTM模型在不同频点上信道预测的归一化均方误差的对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明提供了一种大规模MIMO系统基于时频联合相关性的信道预测方法，具体包括以下步骤：
(1)获取信道状态信息矩阵
(1-1)基站端向接收端发送OFDM导频信号st＝[st(1),st(2),…,st(m)]T，一个OFDM导频符号上包含m个子载波上的导频信号，其中m为子载波个数。
(1-2)信号接收端根据接收到的导频信号
Figure BDA0003160172740000051
估计信道在t时刻上各个子载波的信道状态信息为
Figure BDA0003160172740000052
Ht包含N个子载波上的频域信道状态信息；
(1-3)重复上述两个步骤n次，即可得到信道状态信息矩阵
Figure BDA0003160172740000061
其中，Ht代表时刻t上所有频点的信道状态信息。
(2)根据信道状态信息矩阵构建训练集和验证集；
(2-1)取前k个时刻的信道状态信息[Ht-k,Ht-k+1,…,Ht-1]作为输入和当前时刻的信道状态信息Ht作为输出构成训练模型的一个样本，对于包含n个时刻的信道状态信息矩阵可以构建n-k对这样的训练样本。
(2-2)将步骤(2-1)得到的训练样本按照5：1的比例拆分为训练集和验证集，其中训练集用于模型训练，验证集用于模型训练过程中的交叉验证。
(3)构建基于Convolutional LSTM的深度学习模型，模型的系统框图如图2所示，该模型包含5层，第一层为输入层，最后一层为输出层，中间三层为Convolutional LSTM层，模型的输入层输入一个3维张量，其第一个维度为时间维度，后两个为频率维度，输入类似于多张图片堆叠起来的一个长方体，其中每张图片代表的是某一时刻下所有频点的CSI，输出层输出一个2维向量，代表下一个时刻所有频点的CSI预测值，中间的ConvolutionalLSTM是一种能够同时提取时域和频域特征的深度学习模型，它通过输入的卷积结构提取信道的频域特征，同时利用内部LSTM结构来提取信道的时域特征，将频域上的信道特征应用于时域上的信道预测，从而达到时频联合的信道预测的效果。
(4)将步骤(2)构建的训练集和验证集用于步骤(3)构建的深度学习模型进行模型训练，模型训练采用的损失函数如下：
Figure BDA0003160172740000071
其中，V表示训练时批量的大小，Nf表示向量h的长度，
Figure BDA0003160172740000072
表示预测的CSI，h(·)表示真实的CSI，上标(v)表示当前批量的第v个训练样本，θ表示需要通过训练来优化的网络参数，||·||2表示二范数。
训练阶段采用的是Adam优化算法来不断迭代优化网络参数θ，从而使得Loss(θ)趋于最小。模型在迭代训练的过程中自动的学习信道特征，训练完成后将模型的参数保存下来。
(5)利用训练好的模型进行信道预测，模型的输入为前k个时刻所有频点上的信道状态信息，经过模型的运算即可得到当前时刻所有频点上信道状态信息的预测值。
不同于本发明基于时频联合相关性进行信道预测，现有信道预测的方法仅仅利用时间上的相关性进行预测，如：基于AR模型的信道预测方法和基于LSTM模型的信道预测方法，即利用模型学习信道随时间变化的规律，并据此对信道进行预测。然而在大规模MIMO系统下，信道存在快变和非平稳的特性，CSI随时间变化较快，表现出的规律性较差。若是仅仅靠时间上的相关性进行信道预测效果不佳，预测值与真实值之间相差较大，这样就会严重影响大规模MIMO系统的性能。
图3为本发明实施例预测模型在100个时间点上预测值与真实值的对比效果图，可以看出预测的CSI的变化趋势基本与真实CSI重合，其中预测值与真实值之间的归一化均方误差(normalized mean squared error,NMSE)仅为0.1157，证明本发明实施例能很好的学习到CSI随时间的变化趋势，依此做出准确的预测。
图4为本发明实施例预测模型，AR模型以及LSTM模型在各个频点上的预测值与真实值之间的NMSE的对比，由图中可以看出基于Convolutional LSTM模型的预测效果明显优于AR模型和LSTM模型的预测效果，最下方曲线为Convolutional LSTM模型在所有频点上的预测值与真实值之间的NMSE的曲线，其平均的NMSE为0.1928，而另外两个模型预测的平均NMSE分别为0.4353和0.3679。可见本发明基于时频联合相关性的信道预测方法对大规模MIMO快变非平稳信道的预测效果要优于传统的仅仅基于时间相关性的信道预测方法，证明频域上的相关性能够提升信道预测的准确性。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种大规模MIMO系统基于时频联合相关性的信道预测方法，其特征在于，移动端任一天线A向基站端任一天线B发送OFDM信号，所述OFDM信号同时包含OFDM导频和OFDM数据，基站端接收到OFDM信号后，对天线A和B之间的信道采用以下方法进行信道状态预测：
准备阶段：
移动端天线A在t时刻向基站端天线B发送OFDM导频信号st；基站端根据接收到导频信号
Figure FDA0003160172730000014
估计当前信道在t时刻上各频点的信道状态信息Ht；重复n次传递，得到当前信道的信道状态信息矩阵H＝[H1,H2,…,Hn]；
对于每个Ht，取前k个时刻的信道状态信息[Ht-k,Ht-k+1,…,Ht-1]作为输入和Ht作为输出构成训练模型的一个样本，从而得到n-k对训练样本构成的训练集；
构建基于Convolutional LSTM的深度学习模型；
训练阶段：采用训练集训练深度学习模型，使模型通过不断迭代训练学习当前信道的时频域相关性特征；
应用阶段：将已知的k个连续时刻所有频点上的信道状态信息输入至训练好的模型，输出下一时刻所有频点上信道状态信息的预测值。
2.如权利要求1所述的方法，其特征在于，所述根据接收到导频信号
Figure FDA0003160172730000015
估计当前信道在t时刻上各频点的信道状态信息
Figure FDA0003160172730000011
其中，
Figure FDA0003160172730000012
表示导频信号
Figure FDA0003160172730000013
的第i个子载波上的导频信号，st(i)表示导频信号st的第i个子载波上的导频信号，m表示子载波个数。
3.如权利要求1或2所述的方法，其特征在于，所述基于Convolutional LSTM的深度学习模型为5层结构串联：第一层为输入层，最后一层为输出层，中间三层为ConvolutionalLSTM层，其中，
输入层的输入为3维张量，第一个维度为时间维度，后两个为频率维度；输出层的输出为2维向量，代表下一个时刻所有频点的CSI预测值；3层Convolutional LSTM层中的第一层和第二层用于提取信道的时频特征，第三层用于做出预测，每一层所用的过滤器数目分别为32、16和1，卷积核的尺寸分别为7*7、7*7和1*1。
4.如权利要求1或2所述的方法，其特征在于，训练阶段的损失函数如下：
Figure FDA0003160172730000021
其中，V表示训练时批量的大小，Nf表示向量h的长度，
Figure FDA0003160172730000022
表示预测的CSI，h(·)表示真实的CSI，上标(v)表示当前批量的第v个训练样本，θ表示需要通过训练来优化的网络参数。
5.如权利要求4所述的方法，其特征在于，在训练的过程中通过梯度下降结合Adam优化算法对网络模型中的参数进行调整更新，使其达到最优，优化的目标即为使损失函数最小。
6.如权利要求1所述的方法，其特征在于，将信道状态信息分为实虚部分别进行训练和预测。
7.一种大规模MIMO系统基于时频联合相关性的信道预测系统，其特征在于，包括：计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行权利要求1至6任一项所述的大规模MIMO系统基于时频联合相关性的信道预测方法。
CN202110788681.2A 2021-07-13 2021-07-13 大规模mimo系统基于时频联合相关性的信道预测方法和系统 Active CN113595666B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110788681.2A CN113595666B (zh) 2021-07-13 2021-07-13 大规模mimo系统基于时频联合相关性的信道预测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110788681.2A CN113595666B (zh) 2021-07-13 2021-07-13 大规模mimo系统基于时频联合相关性的信道预测方法和系统

Publications (2)

Publication Number Publication Date
CN113595666A true CN113595666A (zh) 2021-11-02
CN113595666B CN113595666B (zh) 2022-05-20

Family

ID=78247542

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110788681.2A Active CN113595666B (zh) 2021-07-13 2021-07-13 大规模mimo系统基于时频联合相关性的信道预测方法和系统

Country Status (1)

Country Link
CN (1) CN113595666B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114666236A (zh) * 2022-03-29 2022-06-24 北京扬铭科技发展有限责任公司 一种全自动信号检测识别报警方法
CN115913423A (zh) * 2022-10-31 2023-04-04 华中科技大学 非平稳大规模mimo信道的多步预测模型训练方法及预测方法
WO2023093725A1 (zh) * 2021-11-24 2023-06-01 华为技术有限公司 一种校准方法及装置
WO2024032694A1 (zh) * 2022-08-10 2024-02-15 维沃移动通信有限公司 Csi预测处理方法、装置、通信设备及可读存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017000752A1 (zh) * 2015-07-01 2017-01-05 东南大学 一种fdd大规模mimo系统下行链路训练序列设计方法
CN107483091A (zh) * 2017-07-06 2017-12-15 重庆邮电大学 一种fdd大规模mimo‑ofdm系统下的信道信息反馈算法
CN108494449A (zh) * 2018-03-23 2018-09-04 中国人民解放军陆军工程大学 大规模mimo高速移动场景下角度域信道追踪方法
WO2019157230A1 (en) * 2018-02-08 2019-08-15 Cohere Technologies, Inc. Aspects of channel estimation for orthogonal time frequency space modulation for wireless communications
CN110691049A (zh) * 2019-10-31 2020-01-14 华中科技大学 一种频分双工模式下的大规模mimo系统信道预测方法
CN110995379A (zh) * 2019-12-06 2020-04-10 武汉大学 一种面向ofdm无线通信系统的信道预测系统及方法
CN111786923A (zh) * 2020-06-05 2020-10-16 中国电子科技集团公司第七研究所 一种正交频分复用系统时频双选信道的信道估计方法
WO2020219690A1 (en) * 2019-04-23 2020-10-29 DeepSig Inc. Processing communications signals using a machine-learning network
CN112311706A (zh) * 2020-11-03 2021-02-02 南京大学 基于贝叶斯神经网络信道预测的频分双工下行传输方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017000752A1 (zh) * 2015-07-01 2017-01-05 东南大学 一种fdd大规模mimo系统下行链路训练序列设计方法
CN107483091A (zh) * 2017-07-06 2017-12-15 重庆邮电大学 一种fdd大规模mimo‑ofdm系统下的信道信息反馈算法
WO2019157230A1 (en) * 2018-02-08 2019-08-15 Cohere Technologies, Inc. Aspects of channel estimation for orthogonal time frequency space modulation for wireless communications
CN108494449A (zh) * 2018-03-23 2018-09-04 中国人民解放军陆军工程大学 大规模mimo高速移动场景下角度域信道追踪方法
WO2020219690A1 (en) * 2019-04-23 2020-10-29 DeepSig Inc. Processing communications signals using a machine-learning network
CN110691049A (zh) * 2019-10-31 2020-01-14 华中科技大学 一种频分双工模式下的大规模mimo系统信道预测方法
CN110995379A (zh) * 2019-12-06 2020-04-10 武汉大学 一种面向ofdm无线通信系统的信道预测系统及方法
CN111786923A (zh) * 2020-06-05 2020-10-16 中国电子科技集团公司第七研究所 一种正交频分复用系统时频双选信道的信道估计方法
CN112311706A (zh) * 2020-11-03 2021-02-02 南京大学 基于贝叶斯神经网络信道预测的频分双工下行传输方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
WEI PENG: "Channel Prediction in Time-Varying Massive MIMO Environments", 《IEEE》 *
WEI PENG: "Downlink Channel Prediction for Time-Varying FDD Massive MIMO Systems", 《IEEE》 *
XIAO WEI: "Joint Channel Parameter Estimation in Multi-Cell Massive MIMO System", 《IEEE》 *
廖勇等: "一种基于深度学习的FDD大规模MIMO系统CSI反馈方法", 《电子学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023093725A1 (zh) * 2021-11-24 2023-06-01 华为技术有限公司 一种校准方法及装置
CN114666236A (zh) * 2022-03-29 2022-06-24 北京扬铭科技发展有限责任公司 一种全自动信号检测识别报警方法
CN114666236B (zh) * 2022-03-29 2024-05-14 北京扬铭科技发展有限责任公司 一种全自动信号检测识别报警方法
WO2024032694A1 (zh) * 2022-08-10 2024-02-15 维沃移动通信有限公司 Csi预测处理方法、装置、通信设备及可读存储介质
CN115913423A (zh) * 2022-10-31 2023-04-04 华中科技大学 非平稳大规模mimo信道的多步预测模型训练方法及预测方法
CN115913423B (zh) * 2022-10-31 2024-05-14 华中科技大学 非平稳大规模mimo信道的多步预测模型训练方法及预测方法

Also Published As

Publication number Publication date
CN113595666B (zh) 2022-05-20

Similar Documents

Publication Publication Date Title
CN113595666B (zh) 大规模mimo系统基于时频联合相关性的信道预测方法和系统
Studer et al. Channel charting: Locating users within the radio environment using channel state information
Taha et al. Deep reinforcement learning for intelligent reflecting surfaces: Towards standalone operation
CN105790813B (zh) 一种大规模mimo下基于深度学习的码本选择方法
CN107135041B (zh) 一种基于相空间重构的rbf神经网络信道预测方法
Safari et al. Deep UL2DL: Data-driven channel knowledge transfer from uplink to downlink
CN114124623B (zh) 一种无线通信信道估计方法和装置
CN108964725B (zh) 时变大规模mimo网络中信道参数的稀疏估计方法
Elbir et al. Federated learning for physical layer design
CN114268388B (zh) 一种在大规模mimo中基于改进gan网络的信道估计方法
CN113422745B (zh) 一种基于深度学习的空海无线信道估计方法
CN109995403A (zh) 大规模mimo系统中基于模拟退火思想改进的las检测算法
CN113595941A (zh) 深度学习的压缩感知大规模mimo信道估计方法及系统
KR20240073014A (ko) 무선 감지를 위한 도메인 적응
Safari et al. Deep UL2DL: Channel knowledge transfer from uplink to downlink
KR20210128841A (ko) Mimo를 지원하는 무선 통신 시스템에서 채널 추정 방법 및 장치
Marinberg et al. A study on MIMO channel estimation by 2D and 3D convolutional neural networks
Kim et al. Massive MIMO channel prediction via meta-learning and deep denoising: Is a small dataset enough?
CN108566227B (zh) 一种多用户检测方法
Chen et al. Attention-Aided Autoencoder-Based Channel Prediction for Intelligent Reflecting Surface-Assisted Millimeter-Wave Communications
Boas et al. Two-step machine learning approach for channel estimation with mixed resolution RF chains
CN107346985B (zh) 一种结合发射天线选择技术的干扰对齐方法
Li et al. DCSaNet: Dilated Convolution and Self-Attention-Based Neural Network for Channel Estimation in IRS-Aided Multi-User Communication System
Shahabodini et al. Recurrent neural network and federated learning based channel estimation approach in mmWave massive MIMO systems
CN115189990A (zh) 一种基于循环储蓄学习网络的ofdm时域信道预测方法及系统

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