CN113676226B - 导频信息符号发送方法、信道估计方法、通信设备及介质 - Google Patents

导频信息符号发送方法、信道估计方法、通信设备及介质 Download PDF

Info

Publication number
CN113676226B
CN113676226B CN202010414538.2A CN202010414538A CN113676226B CN 113676226 B CN113676226 B CN 113676226B CN 202010414538 A CN202010414538 A CN 202010414538A CN 113676226 B CN113676226 B CN 113676226B
Authority
CN
China
Prior art keywords
pilot
matrix
channel estimation
information
training
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
CN202010414538.2A
Other languages
English (en)
Other versions
CN113676226A (zh
Inventor
李建军
宋扬
秦飞
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.)
Vivo Mobile Communication Co Ltd
Original Assignee
Vivo Mobile Communication Co Ltd
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
Priority to CN202010414538.2A priority Critical patent/CN113676226B/zh
Application filed by Vivo Mobile Communication Co Ltd filed Critical Vivo Mobile Communication Co Ltd
Priority to PCT/CN2021/093013 priority patent/WO2021228075A1/zh
Priority to AU2021271387A priority patent/AU2021271387A1/en
Priority to JP2022569197A priority patent/JP2023525845A/ja
Priority to EP21803363.7A priority patent/EP4152630A4/en
Priority to CA3182360A priority patent/CA3182360A1/en
Priority to KR1020227040081A priority patent/KR20230004660A/ko
Publication of CN113676226A publication Critical patent/CN113676226A/zh
Priority to US17/985,956 priority patent/US11722339B2/en
Application granted granted Critical
Publication of CN113676226B publication Critical patent/CN113676226B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2602—Signal structure
    • H04L27/261—Details of reference signals
    • 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
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2602—Signal structure
    • H04L27/26025—Numerology, i.e. varying one or more of symbol duration, subcarrier spacing, Fourier transform size, sampling rate or down-clocking
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2626—Arrangements specific to the transmitter only
    • H04L27/2627—Modulators
    • H04L27/2634—Inverse fast Fourier transform [IFFT] or inverse discrete Fourier transform [IDFT] modulators in combination with other circuits for modulation
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Discrete Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请提供一种导频信息符号发送方法、信道估计方法及通信设备，该方法包括：根据离散傅里叶变换DFT矩阵和感知矩阵，确定每一天线在每一导频资源上对应的导频信息符号；针对每一所述天线，在每一所述导频资源上发送对应的导频信息符号；其中，所述感知矩阵是经过信道信息的训练确定的。本申请实施例解决了大规模MIMO通信网络的信道估计的问题。

Description

导频信息符号发送方法、信道估计方法、通信设备及介质
技术领域
本申请涉及通信技术领域，尤其涉及一种导频信息符号发送方法、信道估计方法、通信设备及介质。
背景技术
5G的目标是在传输速率，用户接入密度和低延迟等方面，实现性能的极大提高。大规模(Massive)多输入多输出(Multiple-Input Multiple-Output，MIMO)系统凭借其高频谱效率和高能量效率的优势，已成为5G移动通信的关键技术之一。5G网络利用大规模MIMO技术形成大规模天线阵列，可以同时向更多用户发送和接收信号，从而将移动网络的信道容量以及数据流量提升数十倍或更大，同时能实现多用户之间干扰的急剧降低。由于大规模MIMO技术在容量和性能上的巨大潜能，因此从它被提出就一直受到广大研究人员的持续高度关注。
然而在大规模MIMO系统中，随着天线规模的急剧增加，导频的开销和信道状态信息的反馈开销成为制约大规模MIMO技术走向大规模商用的关键瓶颈问题之一。在基于大规模MIMO的5G通信网络中，由5G基站支持的上百根天线组成的大规模天线阵列产生的导频开销、信道的反馈量以及信道估计的复杂度，相对于以往的MIMO网络都有数量级的增加。因此，如何解决大规模MIMO通信网络的信道估计是当前亟待解决的问题。
发明内容
本申请实施例提供一种导频信息符号发送方法、信道估计方法、通信设备及介质，以解决大规模MIMO通信网络的信道估计的问题。
第一方面，本申请实施例提供一种导频信息符号发送方法，应用于发送端，包括：
根据离散傅里叶变换(Discrete Fourier Transform，DFT)矩阵和感知矩阵，确定每一天线在每一导频资源上对应的导频信息符号；
针对每一所述天线，在每一所述导频资源上发送对应的导频信息符号；
其中，所述感知矩阵是经过信道信息的训练确定的。
第二方面，本申请实施例提供一种信道估计方法，应用于接收端，包括：
接收在每一导频资源上的导频信号，所述导频信号包括发送端的每一天线在所述导频资源上对应发送的导频信息符号；
基于学习的近似消息传递(Learned Approximate Message Passing，LAMP)网络和所述导频信息符号进行信道估计；
其中，所述导频信息符号根据离散傅里叶变换DFT矩阵和感知矩阵确定，所述感知矩阵经过信道信息的训练确定，所述LAMP网络用于信道估计的LAMP参数基于所述感知矩阵和AMP算法的迭代求解过程展开的神经网络训练得到。
第三方面，本申请实施例提供一种通信设备，所述通信设备为导频信息符号的发送端，包括：
第一确定模块，用于根据离散傅里叶变换DFT矩阵和感知矩阵，确定每一天线在每一导频资源上对应的导频信息符号；
发送模块，用于针对每一所述天线，在每一所述导频资源上发送对应的导频信息符号；
其中，所述感知矩阵是经过信道信息的训练确定的。
第四方面，本申请实施例提供一种通信设备，所述通信设备为导频信息符号的接收端，包括：
接收模块，用于接收在每一导频资源上的导频信号，所述导频信号包括发送端的每一天线在所述导频资源上对应发送的导频信息符号；
处理模块，用于基于学习的近似消息传递LAMP网络和所述导频信息符号进行信道估计；
其中，所述导频信息符号根据离散傅里叶变换DFT矩阵和感知矩阵确定，所述感知矩阵经过信道信息的训练确定，所述LAMP网络用于信道估计的LAMP参数基于所述感知矩阵和AMP算法的迭代求解过程展开的神经网络训练得到。
第五方面，本申请实施例提供一种通信设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现上述导频信息符号发送方法中的步骤，或者所述程序或指令被所述处理器执行时实现上述信道估计方法中的步骤。
第六方面，本申请实施例提供一种计算机可读存储介质，所述可读存储介质上存储有程序或指令，所述程序或指令被处理器执行时实现上述导频信息符号发送方法的步骤，或者所述程序或指令被处理器执行时实现上述信道估计方法的步骤。
第七方面，本申请实施例提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的方法。
本申请实施例通过DFT矩阵和感知矩阵，确定每一天线在每一导频资源上对应的导频信息符号；针对每一所述天线，在每一所述导频资源上发送对应的导频信息符号；其中，所述感知矩阵是经过信道信息的训练确定的。这样，可以使用少数非正交导频来降低导频开销，使得导频数量要远远小于天线数量，接收端可以基于导频信息符号进行信道估计，解决了大规模MIMO通信网络的信道估计的问题。与此同时，由于采用感知矩阵确定的导频信息符号，从而可以保证确定的导频信息符号是适配当前信道最优的线性映射，进而可以提高信道估计的性能。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例可应用的一种网络系统的结构图；
图2是本申请实施例提供的一种导频信息符号发送方法的流程图；
图3是本申请实施例提供的一种导频信息符号发送方法中感知网络的学习原理图；
图4是本申请实施例提供的一种导频信息符号发送方法中LAMP网络的结构图；
图5是本申请实施例提供的一种导频信息符号发送方法中LAMP网络的第t层结构图；
图6是本申请实施例提供的一种导频信息符号发送方法中大规模MIMO信道估计系统框图；
图7是信道估计性能对比图；
图8是本申请实施例提供的一种信道估计方法的流程图；
图9是本申请实施例提供的一种网络设备的结构图；
图10是本申请实施例提供的一种终端的结构图；
图11是本申请实施例提供的另一种网络设备的结构图；
图12是本申请实施例提供的另一种终端的结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“包括”以及它的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。此外，说明书以及权利要求中使用“和/或”表示所连接对象的至少其中之一，例如A和/或B，表示包含单独A，单独B，以及A和B都存在三种情况。
在本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
下面结合附图介绍本申请的实施例。本申请实施例提供的一种导频信息符号发送方法、信道估计方法及通信设备可以应用于无线通信系统中。该无线通信系统可以为5G系统，或者演进型长期演进(Evolved Long Term Evolution，eLTE)系统，或者后续演进通信系统。
请参见图1，图1是本申请实施例可应用的一种网络系统的结构图，如图1所示，包括终端11和网络设备12，其中，终端11可以是用户终端或者其他终端侧设备，例如：手机、平板电脑(Tablet Personal Computer)、膝上型电脑(Laptop Computer)、个人数字助理(personal digital assistant，简称PDA)、移动上网装置(Mobile Internet Device，MID)或可穿戴式设备(Wearable Device)等终端侧设备，需要说明的是，在本申请实施例中并不限定终端11的具体类型。上述网络设备12可以是5G基站，或者以后版本的基站，或者其他通信系统中的基站，或者称之为节点B，演进节点B，或者发送接收点(TransmissionReception Point，TRP)，或者接入点(Access Point，AP)，或者所述领域中其他词汇，只要达到相同的技术效果，所述网络设备不限于特定技术词汇。另外，上述网络设备12可以是主节点(Master Node，MN)，或者辅节点(Secondary Node，SN)。需要说明的是，在本申请实施例中仅以5G基站为例，但是并不限定网络设备的具体类型。
为了方便理解，以下对本申请实施例涉及的一些内容进行说明：
大规模MIMO系统中，由于天线数量巨大，信道估计与反馈所需的导频开销和反馈开销巨大。为了降低导频开销和反馈开销，利用大规模MIMO信道在空间角度域的稀疏特性，可以基于压缩感知(Compressed sensing，CS)理论的信道估计。该方案利用大规模MIMO信道的有限散射特性和基站天线阵列紧密排列的特性，分析得到不同天线空间角度域信道之间具有结构化稀疏特性。利用这一特性，把大规模MIMO信道估计转化为结构化压缩感知的系数信号恢复问题。具体而言，基站发送的少数非正交导频来降低导频开销。导频数量要远远小于天线数量。移动用户接收到导频信号后，然后利用正交匹配跟踪(OrthogonalMatching Pursuit，OMP)、块迭代支撑集检测(Block Iterative support detection，Block ISD)、近似消息传递(Approximate Message Passing，AMP)等压缩感知的稀疏信号恢复算法来解决这一问题。理论分析和仿真结果都表明，在空间稀疏性明显的情况下，基于结构化压缩感知的信道估计与反馈方法能够以较低的导频开销准确获取大规模MIMO信道状态信息。
压缩感知被视为较有潜力的CSI开销降低方法，但是这一类的解决方案本身具有一些固有的问题。
其一，CS类解决方案强烈依赖于空间信道在某些基上的稀疏性假设，而实际上实际场景中的很多真实信道并不是在任何基向量上都具有绝对的稀疏性。因而基于CS的信道反馈方案依赖于对信道状态信息(Channel State Information，CSI)矩阵完美稀疏的先验假设，在只满足近似稀疏条件的大规模MIMO信道上表现不佳，性能难以达到要求。
其二，CS类方法采用的是随机映射，因而并不能很好地利用信道固有结构特征。也就是说压缩感知方法在进行信号压缩处理时，感知矩阵是随机产生的。一般常用的有随机高斯矩阵和随机贝努利矩阵。显然这样的矩阵没有考虑信号的统计特性，虽然可以工作，但不是最优的选择。最后，CS类虽然可以降低导频开销，当该方法本身存在估计误差，即使在信噪比很高的情况下，信道估计的性能仍然难以达到很高，及存在估计误差的平底效应。基于上述情况，压缩感知很难在实际系统中应用。因此，如何改进压缩感知信道估计的性能，使其实用化，是非常值得研究的一个问题。基于此，提出了本申请的方案。
请参见图2，图2是本申请实施例提供的一种导频信息符号发送方法的流程图，该方法应用于发送端，如图2所示，包括以下步骤：
步骤201，根据离散傅里叶变换DFT矩阵和感知矩阵，确定每一天线在每一导频资源上对应的导频信息符号；
步骤202，针对每一所述天线，在每一所述导频资源上发送对应的导频信息符号；
其中，所述感知矩阵是经过信道信息的训练确定的。
本申请中，可以基于导频信息符号进行上行信道估计，也可以进行下行信道估计，即上述发送端可以为网络设备，也可以为终端。当发送端为网络设备时，可以基于导频信息符号进行下行信道估计；当发送端为终端时，可以基于导频信息符号进行上行信道估计。以下各实施例中，以下行信道估计为例进行说明。
具体的，网络设备可以包括多个天线，所述天线的数量大于所述导频资源的数量。该导频资源的数量至少为两个，可选的，导频资源的数量远远小于天线的数量，例如天线的数量为64个时，导频资源的数量可以为32个。其中，网络设备需要针对每一天线，在每一导频资源上发送对应的导频信息符号。例如针对上述64个天线，每一天线都需要在32个导频资源上发送对应的导频信息符号。
可选的，在本实施例中，所述根据离散傅里叶变换DFT矩阵和感知矩阵，确定每一天线在每一导频资源上对应的导频信息符号包括：
根据F*W＝A，确定每一天线在每一导频资源上对应的导频信息符号，其中，A为所有的导频信息符号组成的观测矩阵A，W为感知矩阵，F为N维DFT矩阵，N为所述天线的数量。
应理解，本实施例中，上述感知矩阵是预先通过深度学习训练得到的神经网络。如果第i个发送天线在第j个导频资源上发送的导频信息符号用ai,j表示，则所有ai,j可以组合成一个观测矩阵A。其维度为N*NP，N为网络设备的天线数量，NP为导频资源的数量。每一列的N个元素，分别在N个发送天线进行发送。本申请实施例中，A＝F*W，其中，W为感知矩阵，F为N维DFT矩阵，这样通过深度学习的方法和可以获得W，该W可以理解为一层神经网络，经过信道信息的训练来确定。这样，可以保证确定的导频信息符号是适配当前信道最优的线性映射。可选的，可以先固定接收端的信道估计算法和AMP参数的情况下，进行深度学习训练，其中，该AMP参数可以理解为AMP算法对应的参数。
可选的，在一实施例中，为了通过神经网络的方法寻找最优的感知矩阵，将感知矩阵看成是一层线性的神经网络，和传统的神经网络相比，它没有偏移量和激活函数。进行训练时，可以将发送端感知矩阵、接收端AMP算法、大规模MIMO信道以及引入噪声整体看成是一个神经网络进行训练。如图3所示，接收端采用的是原始的AMP算法，其参数使用的是经验值。训练数据来自于不同的信道，训练优化的目标(代价函数cost function)为AMP算法输出端输出的
Figure DA00037983899555725647
和实际信道h0 h1...hN-1之间的均方误差最小。即：
Figure DA00037983899555747146
本申请实施例通过DFT矩阵和感知矩阵，确定每一天线在每一导频资源上对应的导频信息符号；针对每一所述天线，在每一所述导频资源上发送对应的导频信息符号；其中，所述感知矩阵是经过信道信息的训练确定的。这样，可以使用少数非正交导频来降低导频开销，使得导频数量要远远小于天线数量，接收端可以基于导频信息符号进行信道估计，解决了大规模MIMO通信网络的信道估计的问题。与此同时，由于采用感知矩阵确定的导频信息符号，从而可以保证确定的导频信息符号是适配当前信道最优的线性映射，进而可以提高信道估计的性能。
例如，在一实施例中，上述方法还包括：
训练所述感知矩阵；其中训练所述感知矩阵包括以下步骤：
获取接收端根据预设的信道估计算法和近似消息传递AMP参数进行信道估计得到的多组实际信道信息；
基于所述信道估计算法、AMP参数、多组实际信道信息和DFT矩阵对预设的神经网络模型进行迭代训练，得到所述感知矩阵；
可选的，对预设的神经网络模型进行迭代训练的步骤，包括：
在第L次迭代过程中，根据第L次迭代获得的信道估计信息与所述第L次迭代对应的第L组信道信息，调整所述神经网络模型的变量；其中，所述信道估计信息根据所述信道估计算法和所述AMP参数对目标结果进行信道估计获得，所述目标结果为所述神经网络模型的输出与所述DFT矩阵和第L次迭代对应的第L组信道信息相乘的结果，L为正整数。
其中，上述多组实际信道信息可以作为训练数据，在第一次迭代过程中神经网络模型可以根据预先设置的变量值输出相应的结果与DFT矩阵相乘后，再与第一次迭代过程使用的一组实际信道信息进行相乘，得到中间结果，然后将该中间结果通过预先固定的信道估计算法和AMP参数进行信道估计，从而得到第一次迭代获得的信道估计信息，基于第一次迭代后，可以根据信道估计信息和第一次迭代使用的一组实际信道信息进行比较，从而调整神经网络模型的变量，然后基于调整后的变量进行下一次迭代，直到完成所有训练数据的训练，得到上述感知矩阵。上述变量可以理解为代价函数cost function中的变量。
本申请实施例中，训练感知矩阵的过程可以理解为一阶段深度学习，第一阶段深度学习是为了得到适配当前信道最优的线性映射来替代随机映射，对应于压缩感知算法，也就是得到了信道估计最优的感知矩阵。
需要说明的是，由于接收端的每个接收天线都是独立进行信道估计的，因此可以只考虑一个接收天线来进行信道估计的情况。具体的，接收端接收到每一所述导频资源上的导频信号后，所述导频信号包括发送端的每一天线在所述导频资源上对应发送的导频信息符号，可以基于学习的近似消息传递LAMP网络和所述导频信息符号进行信道估计。
本实施例中，导频信号由天线阵列发送后，经过信道，接收天线在NP个导频资源上的接收信号，可以采用H＝h*F表示信道阵列的DFT变换。最终基带处理模块观测到的信号为y：y＝h*A+n＝h*F*W+n＝H*W+n。此时，可以从已知的(y,W)中恢复原始信号H。由于原始信号H的维度大于观测信号y的维度，且原始信号是稀疏的，因此可以采用上述LAMP网络恢复原始信号，进行信道估计。LAMP网络是将AMP算法的迭代求解过程展开为神经网络，可以通过深度神经网络的训练过程将其线性操作系数与非线性收缩参数进行联合优化，得到这些分布LAMP参数的取值。这些LAMP参数的训练是在发送端感知矩阵W训练完成后获得的，也就是说是基于优化的W，利用信道信息对LAMP网络进行优化。本申请实施例中可以通过LAMP参数优化后的LAMP网络进行信道估计，从而提高基于压缩感知的信道估计的性能，实现在低导频开销下实现高性能大规模MIMO信道估计。
例如，在一实施例中，上述LAMP参数的训练方法包括以下步骤：
获取接收端根据预设的信道估计算法和近似消息传递AMP参数进行信道估计得到的多组实际信道信息；
基于训练好的所述感知矩阵、多组实际信道信息和DFT矩阵对预设的LAMP网络进行迭代训练，得到LAMP参数；
可选的，对预设的LAMP网络进行迭代训练的步骤，包括：在第L次迭代过程中，根据第L次迭代获得的信道估计信息与所述第L次迭代对应的第L组信道信息，调整所述LAMP网络中的LAMP参数；其中，所述信道估计信息根据所述LAMP网络对目标结果进行信道估计获得，所述目标结果为所述感知矩阵的输出与所述DFT矩阵和第L次迭代对应的第L组信道信息相乘的结果，L为正整数。
需要说明的是，上述LAMP网络(即深度神经网络)的训练过程，可以理解为第二阶段深度学习，第二阶段深度学习是在获得最优的感知矩阵之后，用来获得AMP算法最优的参数(即LAMP参数)。以此改进压缩感知信道估计的性能。
进一步的，在不同天线上发送的导频信息符号不同，且同一天线在不同的导频资源上发送的导频信息符号不同。换句话说，本实施例中，针对第i个发送天线在第j个导频资源上发送的导频信息符号是唯一的。
可选的，在一实施例中，LAMP网络是基于传统的压缩感知算法构建的，即基于AMP构建的，将AMP算法的迭代求解过程展开为神经网络，将其线性操作系数与非线性收缩参数联合优化。可以通过深度神经网络的训练过程得到这些分布参数的取值。在进行LAMP网络训练时，发送端用的是已经训练好的优化的感知矩阵。可选的，该LAMP网络的网络结构如图4所示。
在图4中，对于压缩感知应用的场景为y＝Ax+n，从已知的(y,A)中估计x稀疏信号恢复，用
Figure GDA0003798389950000101
表示原始稀疏信号的一个估计矢量，y是观测矢量，v是残差矢量。观测矢量y作为所有层的共同输入，前一层对估计矢量
Figure GDA0003798389950000102
和残差矢量v的输出分别作为后一层估计矢量
Figure GDA0003798389950000103
和残差矢量v的输入。在经过T层神经网络后，输出对原始稀疏信号的最终估计
Figure GDA0003798389950000104
第t层的网络结构如图5所示。该结构与AMP算法中的迭代过程完全对应，逐步实现了估计矢量
Figure GDA0003798389950000105
和残差矢量v的更新。其中，Bt和
Figure GDA0003798389950000106
分别对应神经网络中的线性加权矩阵与非线性激活函数。该
Figure GDA0003798389950000107
其中，rt＝xt+Btvt，θt表示非线性参数，
Figure GDA0003798389950000108
表示噪声参数。
需要说明的是，本申请实施例采用的LAMP网络结构中粗实线对应的支路，对应于AMP算法中加快收敛的Onsager校正项。其次，LAMP算法中的非线性函数是由具体的信号估计问题推导出的收缩函数，而不是一般神经网络中为了引入非线性功能而无明确物理意义的激活函数。再者收缩函数中的噪声参数
Figure GDA0003798389950000109
与残差有关，可以逐层更新。因此，本申请实施例采用的LAMP网络可以比一般的神经网络更适合稀疏信号恢复问题。
应理解，在本申请实施例中，LAMP算法将深度学习和AMP算法相结合，取两者之优势，既利用了深度神经网络强大的学习能力又保留了AMP算法实现稀疏信号恢复的功能。
在本申请实施例中，可以采用监督学习方式，通过输入数据集
Figure GDA0003798389950000111
进行网络参数训练，其中yi表示低维的观测信号，xi表示高维的稀疏信号。为了进一步提高算法性能，充分利用神经网络强大的学习能力，在每层中，除了非线性参数θt逐层更新之外，线性算子B也可以逐层更新(在AMP算法中B＝AT)。因此，在LAMP网络中，需要训练的参数集为
Figure GDA0003798389950000112
由于LAMP网络是在AMP迭代算法的基础上构建的，在训练网络过程中我们也受迭代训练启发，采用逐层训练的方式训练该网络，实现线性操作系数和非线性收缩参数的联合优化。不同于一般神经网络中仅仅定义一个损失函数，在LAMP网络中，为实现逐层训练，每一层都分别定义了损失函数Lt(Φ)，具体定义如下：
Figure GDA0003798389950000113
应理解，为了避免网络过拟合，线性操作系数矩阵Bt和非线性收缩参数θt在每层中采取先分别优化再联合优化的方式训练。
需要说明的是，在一实施例中，还可以考虑信噪比对信道估计的影响，换句话说，在训练感知矩阵和LAMP网络时，可以在特定的信噪比范围进行训练。以下针对感知矩阵和LAMP网络的训练进行详细说明。
本实施例中，上述感知矩阵W可以在第二信噪比范围内进行训练，即感知矩阵W适用于第二信噪比范围。该第二信噪比范围可以理解为宽的信噪比范围，由于网络设备不知道接收端的信噪比，因此，在宽的信噪比范围训练感知矩阵W，可以提高感知矩阵W的适用范围。
上述LAMP网络的训练可以在几个不同的第一信噪比范围进行训练，得到不同第一信噪比范围对应的LAMP参数。例如，可以针对低信噪比范围(0-10dB)、中信噪比范围(10-20dB)和高信噪比范围(20-30dB)分别进行训练得到三组LAMP参数。这样，接收端可以根据当前的信噪比范围选取相应的LAMP参数优化LAMP网络进行信道估计。
需要说明的是，在对感知矩阵和LAMP网络训练完成后，可以利用训练的感知矩阵和LAMP网络对原始信号H进行估计，进而得到原来多天线的信道h。整个系统导频信息符号发送和信道估计的工作过程如下：
网络设备基于优化的感知矩阵利和N维DFT矩阵用各个发送天线在各个导频资源上的发送导频信息符号；在终端，终端首先利用接收天线在各个导频资源上接收导频信号，基于这些导频信号，利用参数优化后的LAMP网络进行信道估计，从而在低导频开销下实现高性能大规模MIMO信道估计。其中整个系统的实现架构如图6所示。
如图7所示，在一实施例中，若64天线MIMO在只用32个导频资源，若采用传统的APM方法在不同信噪比下信道估计的性能如701所示，若采用本申请的方案在不同信噪比下信道估计的性能如702所示，若采用正交导频方法在不同信噪比下信道估计的性能如703所示。在图中可以看出，利用本申请的方案进行信道估计，信道估计的精度有明显的提高。
在本申请实施例中，基于双阶段深度学习的导频设计和信道估计，与所有天线单独发送正交导频的方法相比，可以降低导频开销。与以往的压缩感知进行导频开销的方法相比，由于获得适配当前信道最优的线性映射，因此在导频开销相同的情况下，性能得到大幅提升。本申请提出的两阶段深度学习方法、传统的压缩感知AMP算法以及正交导频方法，在不同信噪比下信道估计的性能。从图上可以看出，采用本申请的方案，信道估计的精度有明显的提高。因此，本申请实施例提高了信道估计的性能。
请参见图8，图8是本申请实施例提供的一种信道估计方法的流程图，该方法应用于接收端，如图8所示，包括以下步骤：
步骤801，接收在每一导频资源上的导频信号，所述导频信号包括发送端的每一天线在所述导频资源上对应发送的导频信息符号；
步骤802，基于学习的近似消息传递LAMP网络和所述导频信息符号进行信道估计；
其中，所述导频信息符号根据离散傅里叶变换DFT矩阵和感知矩阵确定，所述感知矩阵经过信道信息的训练确定，所述LAMP网络用于信道估计的LAMP参数基于所述感知矩阵和AMP算法的迭代求解过程展开的神经网络训练得到。
可选的，所述导频信息符号根据F*W＝A确定，其中，A为所有的导频信息符号组成的观测矩阵A，W为感知矩阵，F为N维DFT矩阵，N为所述天线的数量。
可选的，所述方法还包括：
训练所述感知矩阵；其中，训练所述感知矩阵包括以下步骤：
获取接收端根据预设的信道估计算法和近似消息传递AMP参数进行信道估计得到的多组实际信道信息；
基于所述信道估计算法、AMP参数、多组实际信道信息和DFT矩阵对预设的神经网络模型进行迭代训练，得到所述感知矩阵。
可选的，对预设的神经网络模型进行迭代训练的步骤，包括：
在第L次迭代过程中，根据第L次迭代获得的信道估计信息与所述第L次迭代对应的第L组信道信息，调整所述神经网络模型的变量；其中，所述信道估计信息根据所述信道估计算法和所述AMP参数对目标结果进行信道估计获得，所述目标结果为所述神经网络模型的输出与所述DFT矩阵和第L次迭代对应的第L组信道信息相乘的结果，L为正整数。
可选的，所述基于学习的近似消息传递LAMP网络和所述导频信息符号进行信道估计之前，所述方法还包括：
确定所述接收端的信噪比；
将目标信噪比范围对应的LAMP参数确定为所述LAMP网络用于信道估计LAMP参数，所述目标信噪比范围为至少两个第一信噪比范围中与所述信噪比对应的第一信噪比范围。
可选的，所述第一信噪比范围为用于训练得到所述LAMP参数的信噪比范围，且所述第一信噪比范围与所述LAMP参数一一对应。
可选的，所述至少两个第一信噪比范围包含于第二信噪比范围内，所述第二信噪比范围为用于经过信道信息训练得到所述感知矩阵的信噪比范围。
可选的，所述天线的数量大于所述导频资源的数量。
需要说明的是，本实施例作为图2所示的实施例对应的接收端的实施方式，其具体的实施方式可以参见图2所示的实施例相关说明，以及达到相同的有益效果，为了避免重复说明，此处不再赘述。
请参见图9，图9是本申请实施例提供的一种通信设备的结构图，所述通信设备为导频信息符号的发送端，如图9所示，发送端900包括：
第一确定模块901，用于根据离散傅里叶变换DFT矩阵和感知矩阵，确定每一天线在每一导频资源上对应的导频信息符号；
发送模块902，用于针对每一所述天线，在每一所述导频资源上发送对应的导频信息符号；
其中，所述感知矩阵是经过信道信息的训练确定的。
可选的，所述第一确定模块901具体用于：根据F*W＝A，确定每一天线在每一导频资源上对应的导频信息符号，其中，A为所有的导频信息符号组成的观测矩阵A，W为感知矩阵，F为N维DFT矩阵，N为所述天线的数量。
可选的，在不同天线上发送的导频信息符号不同，且同一天线在不同的导频资源上发送的导频信息符号不同。
可选的，所述天线的数量大于所述导频资源的数量。
本申请实施例提供的发送端能够实现图2的方法实施例中发送端实现的各个过程，为避免重复，这里不再赘述。
请参见图10，图10是本申请实施例提供的一种通信设备的结构图，所述通信设备为导频信息符号的接收端，如图10所示，接收端1000包括：
接收模块1001，用于接收在每一导频资源上的导频信号，所述导频信号包括发送端的每一天线在所述导频资源上对应发送的导频信息符号；
处理模块1002，用于基于学习的近似消息传递LAMP网络和所述导频信息符号进行信道估计；
其中，所述导频信息符号根据离散傅里叶变换DFT矩阵和感知矩阵确定，所述感知矩阵经过信道信息的训练确定，所述LAMP网络用于信道估计的LAMP参数基于所述感知矩阵和AMP算法的迭代求解过程展开的神经网络训练得到。
可选的，所述导频信息符号根据F*W＝A确定，其中，A为所有的导频信息符号组成的观测矩阵A，W为感知矩阵，F为N维DFT矩阵，N为所述天线的数量。
可选的，在不同天线上发送的导频信息符号不同，且同一天线在不同的导频资源上发送的导频信息符号不同。
可选的，所述通信设备还包括：
第二确定模块，用于确定所述接收端的信噪比；
第三确定模块，用于将目标信噪比范围对应的LAMP参数确定为所述LAMP网络用于信道估计LAMP参数，所述目标信噪比范围为至少两个第一信噪比范围中与所述信噪比对应的第一信噪比范围。
可选的，所述第一信噪比范围为用于训练得到所述LAMP参数的信噪比范围，且所述第一信噪比范围与所述LAMP参数一一对应。
可选的，所述至少两个第一信噪比范围包含于第二信噪比范围内，所述第二信噪比范围为用于经过信道信息训练得到所述感知矩阵的信噪比范围。
可选的，所述天线的数量大于所述导频资源的数量。
本申请实施例提供的终端能够实现图8的方法实施例中终端实现的各个过程，为避免重复，这里不再赘述。
参见图11，图11是本申请实施例提供的另一种网络设备的结构图，如图11所示，该网络设备1100包括：处理器1101、收发机1102、存储器1103和总线接口，其中：
处理器1101，用于根据离散傅里叶变换DFT矩阵和感知矩阵，确定每一天线在每一导频资源上对应的导频信息符号；
收发机1102，用于针对每一所述天线，在每一所述导频资源上发送对应的导频信息符号；
其中，所述感知矩阵是经过信道信息的训练确定的。
应理解，本实施例中，上述处理器1101和收发机1102能够实现图2的方法实施例中网络设备实现的各个过程，为避免重复，这里不再赘述。
在图11中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器1101代表的一个或多个处理器和存储器1103代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机1102可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。针对不同的用户设备，用户接口1104还可以是能够外接内接需要设备的接口，连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。
处理器1101负责管理总线架构和通常的处理，存储器1103可以存储处理器1101在执行操作时所使用的数据。
优选的，本申请实施例还提供一种网络设备，包括处理器1101，存储器1103，存储在存储器1103上并可在所述处理器1101上运行的程序或指令，该程序或指令被处理器1101执行时实现上述导频信息符号发送方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
图12为实现本申请各个实施例的一种终端的硬件结构示意图，
该终端1200包括但不限于：射频单元1201、网络模块1202、音频输出单元1203、输入单元1204、传感器1205、显示单元1206、用户输入单元1207、接口单元1208、存储器1209、处理器1210、以及电源1211等部件。本领域技术人员可以理解，图12中示出的终端结构并不构成对终端的限定，终端可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
射频单元1201，用于接收在每一导频资源上的导频信号，所述导频信号包括发送端的每一天线在所述导频资源上对应发送的导频信息符号；
处理器1210，用于基于学习的近似消息传递LAMP网络和所述导频信息符号进行信道估计；
其中，所述导频信息符号根据离散傅里叶变换DFT矩阵和感知矩阵确定，所述感知矩阵经过信道信息的训练确定，所述LAMP网络用于信道估计的LAMP参数基于所述感知矩阵和AMP算法的迭代求解过程展开的神经网络训练得到。
应理解，本实施例中，上述处理器1210和射频单元1201能够实现图8的方法实施例中终端实现的各个过程，为避免重复，这里不再赘述。
应理解的是，本申请实施例中，射频单元1201可用于收发信息或通话过程中，信号的接收和发送，具体的，将来自基站的下行数据接收后，给处理器1210处理；另外，将上行的数据发送给基站。通常，射频单元1201包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，射频单元1201还可以通过无线通信系统与网络和其他设备通信。
终端通过网络模块1202为用户提供了无线的宽带互联网访问，如帮助用户收发电子邮件、浏览网页和访问流式媒体等。
音频输出单元1203可以将射频单元1201或网络模块1202接收的或者在存储器1209中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元1203还可以提供与终端1200执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元1203包括扬声器、蜂鸣器以及受话器等。
输入单元1204用于接收音频或视频信号。输入单元1204可以包括图形处理器(Graphics Processing Unit，GPU)12041和麦克风12042，图形处理器12041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元1206上。经图形处理器12041处理后的图像帧可以存储在存储器1209(或其它存储介质)中或者经由射频单元1201或网络模块1202进行发送。麦克风12042可以接收声音，并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元1201发送到移动通信基站的格式输出。
终端1200还包括至少一种传感器1205，比如光传感器、运动传感器以及其他传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板12061的亮度，接近传感器可在终端1200移动到耳边时，关闭显示面板12061和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别终端姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；传感器1205还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等，在此不再赘述。
显示单元1206用于显示由用户输入的信息或提供给用户的信息。显示单元1206可包括显示面板12061，可以采用液晶显示器(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板12061。
用户输入单元1207可用于接收输入的数字或字符信息，以及产生与终端的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元1207包括触控面板12071以及其他输入设备12072。触控面板12071，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板12071上或在触控面板12071附近的操作)。触控面板12071可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器1210，接收处理器1210发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板12071。除了触控面板12071，用户输入单元1207还可以包括其他输入设备12072。具体地，其他输入设备12072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。
进一步的，触控面板12071可覆盖在显示面板12061上，当触控面板12071检测到在其上或附近的触摸操作后，传送给处理器1210以确定触摸事件的类型，随后处理器1210根据触摸事件的类型在显示面板12061上提供相应的视觉输出。虽然在图12中，触控面板12071与显示面板12061是作为两个独立的部件来实现终端的输入和输出功能，但是在某些实施例中，可以将触控面板12071与显示面板12061集成而实现终端的输入和输出功能，具体此处不做限定。
接口单元1208为外部装置与终端1200连接的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元1208可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到终端1200内的一个或多个元件或者可以用于在终端1200和外部装置之间传输数据。
存储器1209可用于存储软件程序以及各种数据。存储器1209可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器1209可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器1210是终端的控制中心，利用各种接口和线路连接整个终端的各个部分，通过运行或执行存储在存储器1209内的软件程序和/或模块，以及调用存储在存储器1209内的数据，执行终端的各种功能和处理数据，从而对终端进行整体监控。处理器1210可包括一个或多个处理单元；优选的，处理器1210可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1210中。
终端1200还可以包括给各个部件供电的电源1211(比如电池)，优选的，电源1211可以通过电源管理系统与处理器1210逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
另外，终端1200包括一些未示出的功能模块，在此不再赘述。
优选的，本申请实施例还提供一种终端，包括处理器1210，存储器1209，存储在存储器1209上并可在所述处理器1210上运行的程序或指令，该程序或指令被处理器1210执行时实现上述信道估计方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例还提供一种可读存储介质，可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现本申请实施例提供的发送端的导频信息符号发送方法实施例的各个过程，或者该程序或指令被处理器执行时实现本申请实施例提供的接收端的信道估计方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述导频信息符号发送方法或信道估计方法法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者基站等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (22)

1.一种导频信息符号发送方法，应用于发送端，其特征在于，包括：
根据离散傅里叶变换DFT矩阵和感知矩阵，确定每一天线在每一导频资源上对应的导频信息符号；
针对每一所述天线，在每一所述导频资源上发送对应的导频信息符号；
其中，所述感知矩阵是经过信道信息的训练确定的；
其中训练所述感知矩阵包括以下步骤：
获取接收端根据预设的信道估计算法和近似消息传递AMP参数进行信道估计得到的多组实际信道信息；
基于所述信道估计算法、AMP参数、多组实际信道信息和DFT矩阵，对预设的神经网络模型进行迭代训练，得到所述感知矩阵。
2.根据权利要求1所述的方法，其特征在于，所述根据离散傅里叶变换DFT矩阵和感知矩阵，确定每一天线在每一导频资源上对应的导频信息符号包括：
根据F*W＝A，确定每一天线在每一导频资源上对应的导频信息符号，其中，A为所有的导频信息符号组成的观测矩阵A，W为感知矩阵，F为N维DFT矩阵，N为所述天线的数量。
3.根据权利要求1所述的方法，其特征在于，对预设的神经网络模型进行迭代训练的步骤，包括：
在第L次迭代过程中，根据第L次迭代获得的信道估计信息与所述第L次迭代对应的第L组信道信息，调整所述神经网络模型的变量；其中，所述信道估计信息根据所述信道估计算法和所述AMP参数对目标结果进行信道估计获得，所述目标结果为所述神经网络模型的输出与所述DFT矩阵和第L次迭代对应的第L组信道信息相乘的结果，L为正整数。
4.根据权利要求1所述的方法，其特征在于，在不同天线上发送的导频信息符号不同，且同一天线在不同的导频资源上发送的导频信息符号不同。
5.根据权利要求1所述的方法，其特征在于，所述天线的数量大于所述导频资源的数量。
6.一种信道估计方法，应用于接收端，其特征在于，包括：
接收在每一导频资源上的导频信号，所述导频信号包括发送端的每一天线在所述导频资源上对应发送的导频信息符号；
基于学习的近似消息传递LAMP网络和所述导频信息符号进行信道估计；
其中，所述导频信息符号根据离散傅里叶变换DFT矩阵和感知矩阵确定，所述感知矩阵经过信道信息的训练确定，所述LAMP网络用于信道估计的LAMP参数基于所述感知矩阵和AMP算法的迭代求解过程展开的神经网络训练得到；
其中训练所述感知矩阵包括以下步骤：
获取接收端根据预设的信道估计算法和近似消息传递AMP参数进行信道估计得到的多组实际信道信息；
基于所述信道估计算法、AMP参数、多组实际信道信息和DFT矩阵，对预设的神经网络模型进行迭代训练，得到所述感知矩阵。
7.根据权利要求6所述的方法，其特征在于，所述导频信息符号根据F*W＝A确定，其中，A为所有的导频信息符号组成的观测矩阵A，W为感知矩阵，F为N维DFT矩阵，N为所述天线的数量。
8.根据权利要求6所述的方法，其特征在于，对预设的神经网络模型进行迭代训练的步骤，包括：
在第L次迭代过程中，根据第L次迭代获得的信道估计信息与所述第L次迭代对应的第L组信道信息，调整所述神经网络模型的变量；其中，所述信道估计信息根据所述信道估计算法和所述AMP参数对目标结果进行信道估计获得，所述目标结果为所述神经网络模型的输出与所述DFT矩阵和第L次迭代对应的第L组信道信息相乘的结果，L为正整数。
9.根据权利要求6所述的方法，其特征在于，在不同天线上发送的导频信息符号不同，且同一天线在不同的导频资源上发送的导频信息符号不同。
10.根据权利要求6所述的方法，其特征在于，所述基于学习的近似消息传递LAMP网络和所述导频信息符号进行信道估计之前，所述方法还包括：
确定所述接收端的信噪比；
将目标信噪比范围对应的LAMP参数确定为所述LAMP网络用于信道估计LAMP参数，所述目标信噪比范围为至少两个第一信噪比范围中与所述信噪比对应的第一信噪比范围。
11.根据权利要求10所述的方法，其特征在于，所述第一信噪比范围为用于训练得到所述LAMP参数的信噪比范围，且所述第一信噪比范围与所述LAMP参数一一对应。
12.根据权利要求11所述的方法，其特征在于，所述至少两个第一信噪比范围包含于第二信噪比范围内，所述第二信噪比范围为用于经过信道信息训练得到所述感知矩阵的信噪比范围。
13.根据权利要求6所述的方法，其特征在于，所述天线的数量大于所述导频资源的数量。
14.一种通信设备，所述通信设备为导频信息符号的发送端，其特征在于，包括：
第一确定模块，用于根据离散傅里叶变换DFT矩阵和感知矩阵，确定每一天线在每一导频资源上对应的导频信息符号；
发送模块，用于针对每一所述天线，在每一所述导频资源上发送对应的导频信息符号；
其中，所述感知矩阵是经过信道信息的训练确定的；
其中训练所述感知矩阵包括以下步骤：
获取接收端根据预设的信道估计算法和近似消息传递AMP参数进行信道估计得到的多组实际信道信息；
基于所述信道估计算法、AMP参数、多组实际信道信息和DFT矩阵，对预设的神经网络模型进行迭代训练，得到所述感知矩阵。
15.根据权利要求14所述的通信设备，其特征在于，所述第一确定模块具体用于：根据F*W＝A，确定每一天线在每一导频资源上对应的导频信息符号，其中，A为所有的导频信息符号组成的观测矩阵A，W为感知矩阵，F为N维DFT矩阵，N为所述天线的数量。
16.根据权利要求14所述的通信设备，其特征在于，在不同天线上发送的导频信息符号不同，且同一天线在不同的导频资源上发送的导频信息符号不同。
17.一种通信设备，所述通信设备为导频信息符号的接收端，其特征在于，包括：
接收模块，用于接收在每一导频资源上的导频信号，所述导频信号包括发送端的每一天线在所述导频资源上对应发送的导频信息符号；
处理模块，用于基于学习的近似消息传递LAMP网络和所述导频信息符号进行信道估计；
其中，所述导频信息符号根据离散傅里叶变换DFT矩阵和感知矩阵确定，所述感知矩阵经过信道信息的训练确定，所述LAMP网络用于信道估计的LAMP参数基于所述感知矩阵和AMP算法的迭代求解过程展开的神经网络训练得到；
其中训练所述感知矩阵包括以下步骤：
获取接收端根据预设的信道估计算法和近似消息传递AMP参数进行信道估计得到的多组实际信道信息；
基于所述信道估计算法、AMP参数、多组实际信道信息和DFT矩阵，对预设的神经网络模型进行迭代训练，得到所述感知矩阵。
18.根据权利要求17所述的通信设备，其特征在于，所述导频信息符号根据F*W＝A确定，其中，A为所有的导频信息符号组成的观测矩阵A，W为感知矩阵，F为N维DFT矩阵，N为所述天线的数量。
19.根据权利要求17所述的通信设备，其特征在于，在不同天线上发送的导频信息符号不同，且同一天线在不同的导频资源上发送的导频信息符号不同。
20.根据权利要求17所述的通信设备，其特征在于，所述通信设备还包括：
第二确定模块，用于确定所述接收端的信噪比；
第三确定模块，用于将目标信噪比范围对应的LAMP参数确定为所述LAMP网络用于信道估计LAMP参数，所述目标信噪比范围为至少两个第一信噪比范围中与所述信噪比对应的第一信噪比范围。
21.一种通信设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如权利要求1至5中任一项所述的导频信息符号发送方法中的步骤，或者所述程序被所述处理器执行时实现如权利要求6至13中任一项所述的信道估计方法中的步骤。
22.一种计算机可读存储介质，其特征在于，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如权利要求1至5中任一项所述的导频信息符号发送方法的步骤，或者所述程序被处理器执行时实现如权利要求6至13中任一项所述的信道估计方法的步骤。
CN202010414538.2A 2020-05-15 2020-05-15 导频信息符号发送方法、信道估计方法、通信设备及介质 Active CN113676226B (zh)

Priority Applications (8)

Application Number Priority Date Filing Date Title
CN202010414538.2A CN113676226B (zh) 2020-05-15 2020-05-15 导频信息符号发送方法、信道估计方法、通信设备及介质
AU2021271387A AU2021271387A1 (en) 2020-05-15 2021-05-11 Pilot information symbol sending method, channel estimation method, and communication device
JP2022569197A JP2023525845A (ja) 2020-05-15 2021-05-11 パイロット情報シンボル送信方法、チャネル推定方法及び通信機器
EP21803363.7A EP4152630A4 (en) 2020-05-15 2021-05-11 METHOD FOR SENDING PILOT INFORMATION SYMBOLS, CHANNEL ESTIMATION METHOD AND COMMUNICATION DEVICE
PCT/CN2021/093013 WO2021228075A1 (zh) 2020-05-15 2021-05-11 导频信息符号发送方法、信道估计方法及通信设备
CA3182360A CA3182360A1 (en) 2020-05-15 2021-05-11 Pilot information symbol sending method, channel estimation method, and communication device
KR1020227040081A KR20230004660A (ko) 2020-05-15 2021-05-11 파일럿 정보 심볼 송신 방법, 채널 추정 방법 및 통신 장비
US17/985,956 US11722339B2 (en) 2020-05-15 2022-11-14 Pilot information system sending method, channel estimation method, and communications device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010414538.2A CN113676226B (zh) 2020-05-15 2020-05-15 导频信息符号发送方法、信道估计方法、通信设备及介质

Publications (2)

Publication Number Publication Date
CN113676226A CN113676226A (zh) 2021-11-19
CN113676226B true CN113676226B (zh) 2023-03-14

Family

ID=78525310

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010414538.2A Active CN113676226B (zh) 2020-05-15 2020-05-15 导频信息符号发送方法、信道估计方法、通信设备及介质

Country Status (8)

Country Link
US (1) US11722339B2 (zh)
EP (1) EP4152630A4 (zh)
JP (1) JP2023525845A (zh)
KR (1) KR20230004660A (zh)
CN (1) CN113676226B (zh)
AU (1) AU2021271387A1 (zh)
CA (1) CA3182360A1 (zh)
WO (1) WO2021228075A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115967593A (zh) * 2021-10-12 2023-04-14 维沃移动通信有限公司 导频信号发送方法、信道估计方法、装置及设备
CN114915522B (zh) * 2021-12-24 2024-03-01 天翼数字生活科技有限公司 一种基于cfista-net的毫米波大规模mimo信道估计方法
CN114696878B (zh) * 2022-02-23 2023-10-17 浙江大学 一种基于混合预编码和信道估计的联合设计方法和装置
WO2023216126A1 (en) * 2022-05-11 2023-11-16 Qualcomm Incorporated Channel state information prediction based on multi-segment doppler-domain spectrum distribution
CN115189990B (zh) * 2022-06-29 2023-05-30 南京邮电大学 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
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
CN116015372B (zh) * 2022-12-29 2023-09-12 国家工业信息安全发展研究中心 大规模mimo数字信息传输方法、系统、设备及介质
CN116319195B (zh) * 2023-04-04 2023-10-20 上海交通大学 基于剪枝卷积神经网络的毫米波和太赫兹信道估计方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105978674A (zh) * 2016-05-12 2016-09-28 南京邮电大学 基于压缩感知的fdd下大规模mimo信道估计的导频优化方法
CN108259397A (zh) * 2018-01-12 2018-07-06 东北大学 基于自适应正则化子空间追踪压缩感知算法的大规模mimo系统信道估计
CN108322409A (zh) * 2018-01-25 2018-07-24 杭州电子科技大学 基于广义正交匹配追踪算法的稀疏ofdm信道估计方法
CN109743268A (zh) * 2018-12-06 2019-05-10 东南大学 基于深度神经网络的毫米波信道估计和压缩方法
CN110365612A (zh) * 2019-06-17 2019-10-22 浙江大学 一种基于近似消息传递算法的深度学习波束域信道估计方法
WO2020034394A1 (zh) * 2018-08-13 2020-02-20 南京邮电大学 基于压缩感知的大规模mimo信道反馈重构算法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8750917B2 (en) * 2007-05-18 2014-06-10 Qualcomm Incorporated Multiplexing and power control of uplink control channels in a wireless communication system
US8644402B2 (en) * 2009-11-24 2014-02-04 Qualcomm, Incorporated Apparatus and method for compressive sensing tap identification for channel estimation
US8942321B2 (en) * 2010-09-22 2015-01-27 Qualcomm Incorporated Efficient compressed sensing channel estimation for single-carrier communication systems
CN102571666B (zh) * 2011-08-12 2015-02-25 哈尔滨工程大学 基于mmse的水声ofdm判决迭代信道均衡方法
CN103873111B (zh) * 2014-03-25 2015-10-21 山东大学 压缩感知的脉冲超宽带接收机的窄带干扰抑制系统及方法
KR102172208B1 (ko) * 2018-07-09 2020-10-30 건국대학교 산학협력단 블라인드 선택 매핑 방법 및 그 수행 장치
CN109450830B (zh) * 2018-12-26 2021-09-21 重庆大学 一种高速移动环境下基于深度学习的信道估计方法
WO2021092746A1 (zh) * 2019-11-12 2021-05-20 华为技术有限公司 一种信道信息获取的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105978674A (zh) * 2016-05-12 2016-09-28 南京邮电大学 基于压缩感知的fdd下大规模mimo信道估计的导频优化方法
CN108259397A (zh) * 2018-01-12 2018-07-06 东北大学 基于自适应正则化子空间追踪压缩感知算法的大规模mimo系统信道估计
CN108322409A (zh) * 2018-01-25 2018-07-24 杭州电子科技大学 基于广义正交匹配追踪算法的稀疏ofdm信道估计方法
WO2020034394A1 (zh) * 2018-08-13 2020-02-20 南京邮电大学 基于压缩感知的大规模mimo信道反馈重构算法
CN109743268A (zh) * 2018-12-06 2019-05-10 东南大学 基于深度神经网络的毫米波信道估计和压缩方法
CN110365612A (zh) * 2019-06-17 2019-10-22 浙江大学 一种基于近似消息传递算法的深度学习波束域信道估计方法

Also Published As

Publication number Publication date
CN113676226A (zh) 2021-11-19
AU2021271387A1 (en) 2022-12-08
WO2021228075A1 (zh) 2021-11-18
US20230073228A1 (en) 2023-03-09
EP4152630A4 (en) 2024-03-06
US11722339B2 (en) 2023-08-08
CA3182360A1 (en) 2021-11-18
EP4152630A1 (en) 2023-03-22
JP2023525845A (ja) 2023-06-19
KR20230004660A (ko) 2023-01-06

Similar Documents

Publication Publication Date Title
CN113676226B (zh) 导频信息符号发送方法、信道估计方法、通信设备及介质
CN110162799B (zh) 模型训练方法、机器翻译方法以及相关装置和设备
US11711181B2 (en) Terminal and storage medium
CN110611627B (zh) 一种信号检测方法和接收端
US20220247472A1 (en) Coding method, decoding method, and device
CN110474667B (zh) 一种信息处理方法、装置、终端及通信设备
WO2021129525A1 (zh) 天线电路、电子设备及天线性能的调整方法
CN109525999B (zh) Dmrs确定方法、配置方法、终端和基站
US20210076342A1 (en) Uplink data transmission indication method, terminal, and network side device
WO2021013007A1 (zh) 测量方法、资源配置方法、终端和网络侧设备
US20220045810A1 (en) Method for indicating antenna panel information of terminal, network side device, and terminal
US20220352969A1 (en) Beam information determining method, terminal, and network device
CN111435855A (zh) 信道状态信息csi报告的传输方法、终端及网络设备
CN111182636B (zh) 下行控制信息检测方法、网络侧设备及终端设备
WO2021190446A1 (zh) 信道状态信息反馈方法、接收方法、终端及网络侧设备
CN111181609B (zh) 码本信息反馈方法、终端和网络设备
CN109660323B (zh) 一种配置csi-rs的时域位置的方法、基站和用户终端
WO2023061277A1 (zh) 导频信号发送方法、信道估计方法、装置及设备
CN111263400B (zh) Csi报告的丢弃方法和终端
WO2024027246A1 (zh) 声音信号处理方法、装置、电子设备和存储介质
JP7139441B2 (ja) 測定結果の指示方法、端末及び基地局
CN111278005B (zh) 能力信息上报方法、预编码矩阵指示反馈方法和相关设备

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