CN113783643A - 信道参数生成方法及相关设备 - Google Patents
信道参数生成方法及相关设备 Download PDFInfo
- Publication number
- CN113783643A CN113783643A CN202111069612.2A CN202111069612A CN113783643A CN 113783643 A CN113783643 A CN 113783643A CN 202111069612 A CN202111069612 A CN 202111069612A CN 113783643 A CN113783643 A CN 113783643A
- Authority
- CN
- China
- Prior art keywords
- channel
- target wireless
- channel data
- current
- target
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000004044 response Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 16
- 238000000605 extraction Methods 0.000 abstract description 8
- 210000002569 neuron Anatomy 0.000 description 18
- 230000006870 function Effects 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000005259 measurement Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000005672 electromagnetic field Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000009795 derivation Methods 0.000 description 3
- 238000005562 fading Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开实施例提供了一种信道参数生成方法及相关设备,属于通信技术领域。该方法包括:获取第一目标无线信道的第一当前信道数据;通过所述第一目标无线信道的第一目标信道参数生成模型处理所述第一当前信道数据,生成所述第一目标无线信道的第一当前信道参数;所述第一目标信道参数生成模型是利用所述第一目标无线信道的第一样本信道参数和第一样本信道数据训练信道数据生成器和信道数据判别器获得。应用本公开实施例提供的方案,能够提高信道参数的提取准确性。
Description
技术领域
本公开涉及通信技术领域,具体而言,涉及一种信道参数生成方法、信道参数生成装置、计算机设备和计算机可读存储介质。
背景技术
信道建模需要从大量的实测数据中提取刻画信道衰落特性的各个关键特征参数的随机分布,再根据各信道特征参数的随机分布来量化各个参量,在这些参量的基础上构建的信道模型,才能真正还原真实信道传输的本质。信道参数估计算法是实现提取信道特征的关键技术。
相关技术中,用于信道参数估计的算法主要包括:空间谱估计算法和参数子空间估计算法。但空间谱估计算法对于来波信号的要求较高,当信号质量较低时,其估计能力就会大大降低甚至完全失效。而参数子空间估计算法需要空间平滑处理技术的配合,较为繁琐。
发明内容
本公开实施例提供一种信道参数生成方法、信道参数生成装置、计算机设备和计算机可读存储介质,能够提高信道参数的提取准确性。
本公开实施例提供一种信道参数生成方法,所述方法包括:获取第一目标无线信道的第一当前信道数据;通过所述第一目标无线信道的第一目标信道参数生成模型处理所述第一当前信道数据,生成所述第一目标无线信道的第一当前信道参数;所述第一目标信道参数生成模型是利用所述第一目标无线信道的第一样本信道参数和第一样本信道数据训练信道数据生成器和信道数据判别器获得。
本公开实施例提供一种信道参数生成装置,该装置包括:第一当前信道数据获取单元,用于获取第一目标无线信道的第一当前信道数据;第一当前信道参数生成单元,用于通过所述第一目标无线信道的第一目标信道参数生成模型处理所述第一当前信道数据,生成所述第一目标无线信道的第一当前信道参数;所述第一目标信道参数生成模型是利用所述第一目标无线信道的第一样本信道参数和第一样本信道数据训练信道数据生成器和信道数据判别器获得。该信道参数生成装置包括的第一当前信道数据获取单元和第一当前信道参数生成单元可以通过软件和/或硬件方式实现。
本公开实施例提供一种计算机设备,包括:至少一个处理器;存储装置,用于存储至少一个程序;当所述至少一个程序被所述至少一个处理器执行,实现上述实施例中任意一种可能的实现方式中的方法。
本公开实施例提供了一种计算机可读存储介质,其上存储有用于计算机设备执行的计算机程序,所述程序被处理器执行时实现上述实施例中任意一种可能的实现方式中的方法。
本公开实施例提供了一种包含指令的计算机程序产品。当该计算机程序产品在计算机设备上运行时,使得计算机设备执行上述各方或上述各方中任意一种可能的实现方式中的方法的指令。
本公开实施例提供了一种系统芯片,该系统芯片包括输入输出接口和至少一个处理器,该至少一个处理器用于调用存储器中的指令,以进行上述各方中任意一种可能的实现方式中的方法的操作。
可选地,该系统芯片还可以包括至少一个存储器和总线,该至少一个存储器用于存储处理器执行的指令。
在本公开的一些实施例所提供的技术方案中,获取第一目标无线信道的第一当前信道数据,并通过所述第一目标无线信道的第一目标信道参数生成模型处理所述第一当前信道数据,生成所述第一目标无线信道的第一当前信道参数,其中,该第一目标信道参数生成模型是利用所述第一目标无线信道的第一样本信道参数和第一样本信道数据训练信道数据生成器和信道数据判别器获得。一方面,通过第一样本信道参数和第一样本信道数据作为训练样本来训练信道数据生成器和信道数据判别器,从而使得训练获得的第一目标信道参数生成模型能够逼近实际系统,减少预测的第一当前信道参数的误差,提高提取的第一当前信道参数的准确性;另一方面,利用信道数据生成器和信道数据判别器可以直接从海量的原始的第一样本信道参数和第一样本信道数据中学习其特征,不需要复杂的电磁领域的理论分析、推导以及数据分析,即可从第一当前信道参数中获取关键的第一当前信道参数,降低了提取信道参数的复杂度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示意性示出了根据本公开的一实施例的信道参数生成方法的流程图。
图2示意性示出了根据本公开的一实施例的信道参数生成方法的示意图。
图3示意性示出了根据本公开的一实施例的信道数据生成器和信道数据判别器的网络结构示意图。
图4示意性示出了根据本公开的一实施例的信道数据生成器和信道数据判别器的训练流程图。
图5示意性示出了根据本公开的一实施例的信道参数生成装置的示意性框图。
图6示意性示出了根据本公开的一实施例的计算机设备的示意性框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
在本公开的描述中,除非另有说明,“/”表示“或”的意思,例如,A/B可以表示A或B。本文中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。此外,“至少一个”是指一个或多个,“多个”是指两个或两个以上。“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
本公开实施例的技术方案可以应用于各种通信系统,例如:全球移动通信(globalsystem for mobile communications,GSM)系统、码分多址(code division multipleaccess,CDMA)系统、宽带码分多址(wideband code division multiple access,WCDMA)系统、通用分组无线业务(general packet radio service,GPRS)、长期演进(long termevolution,LTE)系统、LTE频分双工(frequency division duplex,FDD)系统、LTE时分双工(timedivisionduplex,TDD)、通用移动通信系统(universalmobile telecommunicationsystem,UMTS)、全球互联微波接入(worldwide interoperability for microwaveaccess,WiMAX)通信系统、未来的第五代(5th generation,5G)系统或新空口(new radio,NR)等。
本公开提供的技术方案可以应用于多种应用场景,例如,机器对机器(machine tomachine,M2M)、宏微通信、eMBB(Enhanced Mobile Broadband,增强移动宽带)、uRLLC(Ultra reliable and low latency communication,超高可靠和超低时延通信)、以及海量物联网通信(massive machine type communication,mMTC)等场景。
这些场景可以包括但不限于:通信设备与通信设备之间的通信场景,网络设备与网络设备之间的通信场景,网络设备与通信设备之间的通信场景等。下文中均是以应用于网络设备与网络设备通信的场景中为例进行说明的。
本公开实施例中的网络设备可以是无线通信的基站或基站控制器等。例如,所述基站可以包括各种类型的基站,例如:微基站(也称为小站),宏基站,中继站,接入点,传输接收点(Transmission and Receiption Point,TRP)等,本公开实施例对此不作具体限定。本公开实施例中,所述基站可以是全球移动通信(global system for mobilecommunications,GSM)系统或码分多址(code division multiple access,CDMA)中的基站(base transceiver station,BTS),也可以是宽带码分多址(wideband code divisionmultiple access,WCDMA)系统中的基站(NodeB,NB),还可以是LTE系统中的演进型基站(evoled NodeB,eNB或eNodeB),还可以是云无线接入网络(cloud radio access network,CRAN)场景下的无线控制器,或者该网络设备可以为中继站、接入点、车载设备、可穿戴设备以及未来5G网络中的网络设备或者未来演进的PLMN(public land mobile network,公共陆地移动网)网络中的网络设备等,本公开实施例并不限定。
本公开实施例并未对本公开实施例提供的方法的执行主体的具体结构特别限定,只要能够通过运行记录有本公开实施例的提供的方法的代码的程序,以根据本公开实施例提供的方法进行处理即可,例如,本公开实施例提供的方法的执行主体可以是计算机设备,或者,是计算机设备中能够调用程序并执行程序的功能模块。
可以理解的是,本公开实施例描述的网络架构以及业务场景是为了更加清楚的说明本公开实施例的技术方案,并不构成对于本公开实施例提供的技术方案的限定,本领域普通技术人员可知,随着网络架构的演变和新业务场景的出现,本公开实施例提供的技术方案对于类似的技术问题,同样适用。
图1示意性示出了根据本公开的一实施例的信道参数生成方法的流程图。如图1所示,本公开实施例提供的方法可以包括如下步骤。
在步骤S110中,获取第一目标无线信道的第一当前信道数据。
在示例性实施例中,获取第一目标无线信道的第一当前信道数据,可以包括:获得所述第一目标无线信道的当前接收信号;对所述当前接收信号进行下变频与低通滤波处理转变为基带信号;将所述基带信号与所述第一目标无线信道的当前发射信号进行滑动相关处理,获得频域的信道冲击响应;对所述频域的信道冲激响应进行同步、信道估计以及傅里叶逆变换处理,获得时域的信道冲击响应,将所述时域的信道冲击响应作为所述第一当前信道数据。
例如,以第一当前信道数据为CIR(Channel Impulse Response,信道冲击响应)为例进行举例说明,可以采用如下方法获得第一目标无线信道的CIR:第一目标无线信号的当前接收信号为中频信号,进行下变频与低通滤波处理转变为基带信号,处理后的当前接收信号(即基带信号)与当前发射信号(当前接收信号和当前发射信号相对应)进行滑动相关,可以得到频域的信道冲击响应,接着对其进行粗同步、精同步、LS(least squares,最小二乘)信道估计以及傅里叶逆变换,可以得到时域的信道冲击响应,也就是CIR。CIR可以表示为h(t,tau),t为时间,tau为时延。
在步骤S120中,通过所述第一目标无线信道的第一目标信道参数生成模型处理所述第一当前信道数据,生成所述第一目标无线信道的第一当前信道参数。
在示例性实施例中,通过所述第一目标无线信道的第一目标信道参数生成模型处理所述第一当前信道数据,生成所述第一目标无线信道的第一当前信道参数,可以包括:将所述时域的信道冲击响应输入至所述第一目标信道参数生成模型,预测输出所述第一当前信道参数;所述第一当前信道参数可以包括时域、频域和空域的信道参数。
例如,可以将上述生成的第一目标无线信道的原始信息—信道冲击响应(CIR),输入至训练获得的第一目标信道参数生成模型,以输出第一目标无线信道的第一当前信道参数。
在示例性实施例中,所述第一当前信道参数可以包括所述第一目标无线信道的时延扩展、水平维度的到达方位角、水平维度的离开方位角、垂直维度的到达俯仰角和垂直维度的离开俯仰角。
本公开实施例中,用于训练信道数据生成器和信道数据判别器以生成第一目标信道参数生成模型的第一样本信道参数可以包括时延扩展(Delay Spread,DS)、水平维度的到达方位角(Azimuth of Arrival,AOA)、水平维度的离开方位角(Azimuth of Departure,AOD)、垂直维度的到达俯仰角(Elevation of Arrival,EOA)以及垂直维度的离开俯仰角(Elevation of Departure,EOD)等5个信道参数,从而使得利用训练完成的第一目标信道参数生成模型预测输出的第一当前信道参数也可以包括第一目标无线信道的时延扩展、水平维度的到达方位角、水平维度的离开方位角、垂直维度的到达俯仰角和垂直维度的离开俯仰角等5个信道参数,即采用本公开实施例提供的第一目标信道参数生成模型,可以用于提取时域、频域和空域的三维的信道参数。
在示例性实施例中,所述第一目标信道参数生成模型可以是利用所述第一目标无线信道的第一样本信道参数和第一样本信道数据训练信道数据生成器和信道数据判别器获得。
在示例性实施例中,所述方法还可以包括:获得所述第一目标无线信道的第一样本信道数据;根据所述第一样本信道数据获得所述第一目标无线信道的第一样本信道参数;将所述第一样本信道数据输入至所述信道数据生成器,获得所述第一目标无线信道的第一预测信道参数;将所述第一样本信道参数和所述第一预测信道参数输入至所述信道数据判别器,获得所述第一预测结果;根据所述第一预测结果获得第一损失函数;根据所述第一损失函数训练所述信道数据生成器,将收敛的信道数据生成器作为所述第一目标信道参数生成模型。
在示例性实施例中,所述方法还可以包括:获得第二目标无线信道的第二样本信道数据;根据所述第二样本信道数据获得所述第二目标无线信道的第二样本信道参数;将所述第二样本信道数据输入至所述信道数据生成器,获得所述第二目标无线信道的第二预测信道参数;将所述第二样本信道参数和所述第二预测信道参数输入至所述信道数据判别器,获得第二预测结果;根据所述第二预测结果获得第二损失函数;根据所述第二损失函数训练所述信道数据生成器,将收敛的信道数据生成器作为第二目标信道参数生成模型;获取所述第二目标无线信道的第二当前信道数据;通过所述第二目标信道参数生成模型处理所述第二当前信道数据,生成所述第二目标无线信道的第二当前信道参数。
本公开实施例中,利用相同结构的信道数据生成器和信道数据判别器,信道数据生成器和信道数据判别器是GAN(Generative Adversarial Networks,生成式对抗网络)模型的组成部分,即GAN模型的结构是固定,当需要对一个新场景(例如,不同于第一目标无线信道的第二目标无线信道)重新进行信道参数预测时,只需要用不同的样本数据(例如第二样本信道数据和第二样本信道参数)训练该GAN模型即可。结构具有普适性的优点是可以减少重新建模的代价,在大数据量或数据类型多样时,可以很大地减少计算量。
在示例性实施例中,所述第一目标无线信道可以为多输入多输出(multi-inputmulti-output,多输入多输出)信道。在其他实施例中,第二目标无线信道也可以是MIMO信道,但本公开并不限定于此。
本公开实施方式提供的信道参数生成方法,获取第一目标无线信道的第一当前信道数据,并通过所述第一目标无线信道的第一目标信道参数生成模型处理所述第一当前信道数据,生成所述第一目标无线信道的第一当前信道参数,其中,该第一目标信道参数生成模型是利用所述第一目标无线信道的第一样本信道参数和第一样本信道数据训练信道数据生成器和信道数据判别器获得。一方面,通过第一样本信道参数和第一样本信道数据作为训练样本来训练信道数据生成器和信道数据判别器,从而使得训练获得的第一目标信道参数生成模型能够逼近实际系统,减少预测的第一当前信道参数的误差,提高提取的第一当前信道参数的准确性;另一方面,利用信道数据生成器和信道数据判别器可以直接从海量的原始的第一样本信道参数和第一样本信道数据中学习其特征,不需要复杂的电磁领域的理论分析、推导以及数据分析,即可从第一当前信道参数中获取关键的第一当前信道参数,降低了提取信道参数的复杂度。
下面参照图2至图4对本公开实施例中的技术方案作进一步的详细说明。应该理解,此处所描述的实施示例仅用于说明和解释本公开,并不用于限制本公开。
随着无线通信的发展,对无线信道特征的认知和利用也从单一的大尺度衰落层面的功率距离关系逐步发展到了空-时-频多维的小尺度衰落层面,对MPC(multipathcomponent,多径分量)的描述也从幅度-延时-多普勒的三维精确到幅度-延时-水平离开角(Azimuth-Angle of Departure,AAOD)和到达角(Azimuth Angle of Arrival,AAOA)-垂直离开角(Elevation-Angle of Departure,EAOD)和达到角(Elevation-Angle of Arrival,EAOA)-多普勒的七维特性。如果考虑极化特性,信道特征维度会再增加,而且延时域分辨率的提高(1ns或者更低)带来的必然结果是可分辨多径的增多,比如对于一个采样点其所提取的MPC可能从50条增加到200多条,而每条MPC至少有7个参数需要估计,这样每个采样点的信道数据要提取的信道参数扩大到1400个,那么处于不同位置的采样的参数总和可以扩大到以万为单位来计算。面对信道的大数据量,寻找高速、精确的多维无线信道特征提取算法显得尤为迫切。
相关技术的性能较差,或者需要空间平滑处理技术的配合,较为繁琐,或者仅能对水平维度的参数进行估计,不能很好地拟合实际三维系统模型。
此外,在动态应用场景中,对大规模MIMO系统进行大范围精确的信道测量是非常困难、耗时和昂贵的。同时,对庞大的测量数据进行全面分析,快速估计出一套完整的信道参数,这需要复杂的科学理论以及在电磁领域的广泛实践经验。
为了提高信道参数生成的准确性,并减少信道测量以及参数估计的工作量,本公开实施例提出了一种如图2所示的智能且通用的信道参数生成方法,其利用了生成式对抗网络GAN模型中的两个神经网络:信道数据生成器和信道数据鉴别器(也可称为信道数据判别器),这两个神经网络都可以采用反向传播神经网络(Back Propagation NeuralNetwork,BPNN),利用GAN模型中的神经网络,从而能够对非线性系统具有极强的自学习和自适应能力。
下面以MIMO系统信道参数提取为例进行举例说明。
如图2所示,利用原始测量数据即实际测量的信道数据或估计的信道参数作为第一样本信道参数来训练GAN,目标是达到信道数据生成器和数据鉴别器之间的最小博弈那什均衡,一旦这个过程收敛,就表示信道数据生成器已经学习到了特定应用场景例如第一目标无线信道中原始数据的特征,那么此时信道数据生成器就是第一目标信道参数生成模型。因此,GAN网络主要包括:
1、真实的信道数据:作为第一样本信道数据,可以来源于信道测量或者是仿真。
2、信道数据生成器:与从无线信道(例如第一目标无线信道)采集的真实样本(例如根据第一样本信道数据获得的第一样本信道参数)相比,信道数据生成器通过使用潜在随机变量,尽量生成尽可能真实的假样本或者虚假样本或者假数据作为第一预测信道参数。它可以直接学习第一样本信道参数的分布,并能捕获第一目标无线信道的关键特性。
本公开实施例可以采用BPNN来表示信道数据生成器,BPNN具有强大的函数逼近能力,它能被训练作为生成假样本的信道样本生成器。
3、信道数据鉴别器:通过使用另一个BPNN,信道数据鉴别器被训练来区分真实样本(或者称之为真数据,可以来自第一目标无线信道)和虚假样本(来自信道数据生成器)。两个神经网络通过博弈共同完成复杂的信道参数预测任务,该博弈以最小损失为优化目标,与信道数据生成器一起努力使信道数据鉴别器通过对敌训练做出正确决策的概率最小,这就说明此时信道数据生成器生成的假数据已经十分接近真数据了。
本公开实施例中,信道数据生成器和信道数据鉴别器采用的BPNN网络结构可以如图3所示,包括输入层、隐含层和输出层。
本公开实施例中,信道数据生成器和信道数据鉴别器的具体的输入层、隐含层以及输出层神经元的个数是不同的。
例如,信道数据生成器的输入层的输入为CIR,神经元的个数与CIR的参数维数有关;为了避免过拟合,可以选择隐含层层数为2,神经网络中隐藏层神经元数目可可以根据如下公式(1)或公式(2)确定:
上述公式中,NH1为信道数据生成器的隐含层神经元个数,NI1为信道数据生成器的隐藏层神经元数;NO1为信道数据生成器的输出层神经元数;α1是1~10之间的任意整数;Ntraining1为信道数据生成器的训练样本数。信道数据生成器的输出层的神经元个数为1,对应信道参数,例如第一当前信道参数。
信道数据鉴别器的输入层对应真的信道参数(例如第一样本信道参数)和假的信道参数(例如第一预测信道参数),神经元个数为2;隐含层:为了避免过拟合,可以选择隐含层层数为2,神经网络中隐藏层神经元数目可可以根据如下公式(3)或公式(4)确定:
上述公式中,NH2为信道数据鉴别器的隐含层神经元个数,NI2为信道数据鉴别器的隐藏层神经元数;NO2为信道数据鉴别器的输出层神经元数;α2是1~10之间的任意整数;Ntraining2为信道数据鉴别器的训练样本数,Ntraining1可以等于Ntraining2。信道数据鉴别器的输出层的神经元个数为1,判别为真即第一预测结果将假数据判别为真数据,则输出1,判别为假即第一预测结果将假数据判别为不是真数据,则输出0。
图4示意性示出了信道数据生成器和信道数据鉴别器中BPNN的训练过程。结合图3对其训练过程进行说明。
在步骤S401中,网络初始化,例如随机初始化BPNN中的网络参数。
在步骤S402中,计算BPNN中的隐含层和输出层的输出值。
上述公式中,表示第l层的第j个神经元的线性输出结果;表示第l-1层的第k个神经元激活函数的输出值;为第l-1层的第k个神经元指向第l层的第j个神经元的连接权重;为第l层的第j个神经元的偏置,l为大于1的正整数,j和k均为大于或等于1的正整数。
本公开实施例中,可以选择sigmod函数作为激活函数:
在步骤S403中,根据输出层的输出值计算误差。
上述公式中,tj为输出层第j个节点的训练值;oj为输出层第j个节点的输出值;c为输出层节点的数目,c为大于或等于1的正整数。信道数据生成器的训练样本的训练值为真实的信道参数(例如第一样本信道参数),信道数据判别器的训练样本的训练值就是对应的标签0和1。
在步骤S404中,根据计算获得的误差更新权值、偏置,并增加冲量项。反向传播是通过计算输出层与期望值之间的误差来调整网络参数,从而使得误差变小。此外,为了避免陷入局部极小值,增加了冲量项。此时,权值和偏置的更新公式例如为:
上述公式中,Δw(n)、Δb(n)分别表示第n次迭代时权值和偏置的变化量;η表示步长;α为冲量系数;Δw(n-1)、Δb(n-1)分别表示上一次(第n-1次)迭代时权值和偏置的变化量。n为大于1的正整数。
在步骤S405中,判断是否已迭代到设定的次数;若没有迭代到设定的次数(即图示中的“N”),则继续执行步骤S406;若已迭代到设定的次数(即图示中的“Y”),则进入步骤S407。
在步骤S406中,判断计算的误差是否小于预设的精度;若计算的误差小于预设的精度,则进入步骤S407;若计算的误差大于或等于预设的精度,则继续回到上述步骤S404,继续更新权值和偏置,并迭代执行上述步骤S404-S406,直至已迭代到设定的次数或者计算的误差小于预设的精度,再进入步骤S407。
在步骤S407中,停止本次训练过程。
如图2所示,基于GAN的MIMO信道参数提取的具体工作流程可以包括以下步骤:
步骤一:使用例如QuaDriGa仿真平台/信道测量生成市区场景的CIR(channelimpulse response,信道冲击响应),作为第一样本信道数据。
步骤二:通过例如SAGE(Space Alternating Generalized ExpectationMaximization,空间交替广义期望最大化)算法处理第一样本信道数据,对时延扩展、水平维度的到达方位角(Azimuth of Arrival,AOA)、离开方位角(Azimuth of Departure,AOD)及垂直维度的到达俯仰角(Elevation of Arrival,EOA)和离开俯仰角(Elevation ofDeparture,EOD)等信道参数进行估计,获得第一样本信道参数。
这里以SAGE估计获得第一样本信道参数为例,但本公开并不限定于此,也可以通过信道测量直接获得真实的信道数据作为第一样本信道参数。
步骤三:将生成的第一样本信道参数作为真实数据或者真数据输入到GAN网络当中去,作为信道数据判别器判决的依据。
步骤四:将第一样本信道数据输入至信道数据生成器,信道数据生成器从生成随机数据开始,生成相应的信道特征参数,作为第一预测信道参数。
步骤五:将信道数据生成器生成的信道特征参数即第一预测信道参数作为假数据输入到信道数据鉴别器中,信道数据鉴别器判断它与真实数据之间的差异。
步骤六:判别模型循环反馈第一预测信道参数与真实数据之间的差异。
步骤七:生成模型持续接受判别模型的反馈,不断优化信道数据生成器,以最小损失为优化目标,与信道数据生成器一起努力使信道数据鉴别器通过对敌训练做出正确决策的概率最小,这就说明此时信道数据生成器生成的假数据已经十分接近真数据了。
步骤八:将训练好的第一目标信道参数生成模型用于预测第一当前信道参数。
本公开实施方式提供的信道参数生成方法,一方面,设计了一种基于GAN的无线信道参数预测的框架,不同于传统的方法,需要复杂的电磁领域的理论分析、推导以及数据分析,才能从实际测量数据中获取关键的信道参数,本公开实施例利用GAN直接从海量的原始信道数据中学习其特征,只要训练GAN中的神经网络,实现信道数据生成器和信道数据鉴别器之间的纳什博弈均衡,就可以直接获得目标信道参数例如第一当前信道参数;另一方面,将BPNN应用到了信道数据生成器和信道数据判别器,对于线性信道模型,通过对应模型生成的样本对训练网络,就能让模型更加逼近实际系统,并能取得最小均方误差,相较于传统方法误差更小;对于非线性信道模型,只要给足训练样本,模型就能在复杂情况下逼近非线性系统,从而生成实际的信道参数。此外,实验表明本公开实施例提供的方案可以适用于MIMO系统中三维信道参数(时域、频域、空域)的提取,利用SAGE算法提取出信道的多径数和到达角等参数来训练GAN中的BPNN,从而对时延扩展以及垂直和水平维度的到达角、离开角等参数进行预测,用实际的信道参数和信道数据生成的参数的均方根误差来验证模型,例如可以利用GAN对基于26GHz频带的5G毫米波MIMO信道进行参数预测,而不仅限于传统的时域和频域的信道参数,因此能够实现对信道参数的完整提取。
还应理解,上述只是为了帮助本领域技术人员更好地理解本公开实施例,而非要限制本公开实施例的范围。本领域技术人员根据所给出的上述示例,显然可以进行各种等价的修改或变化,例如,上述方法中某些步骤可以是不必须的,或者可以新加入某些步骤等。或者上述任意两种或者任意多种实施例的组合。这样的修改、变化或者组合后的方案也落入本公开实施例的范围内。
还应理解,上文对本公开实施例的描述着重于强调各个实施例之间的不同之处,未提到的相同或相似之处可以互相参考,为了简洁,这里不再赘述。
还应理解,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本公开实施例的实施过程构成任何限定。
还应理解,本公开实施例中,“预先设定”、“预先定义”可以通过在设备(例如,包括终端设备和网络设备)中预先保存相应的代码、表格或其他可用于指示相关信息的方式来实现,本公开对于其具体的实现方式不做限定。
还应理解,在本公开的各个实施例中,如果没有特殊说明以及逻辑冲突,不同的实施例之间的术语和/或描述具有一致性、且可以相互引用,不同的实施例中的技术特征根据其内在的逻辑关系可以组合形成新的实施例。
上文详细介绍了本公开提供的信道参数生成方法示例。可以理解的是,计算机设备为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本公开能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本公开的范围。
下面将介绍本公开提供的信道参数生成装置。
图5示意性示出了根据本公开的一实施例的信道参数生成装置的示意性框图。
如图5所示,本公开实施例提供的信道参数生成装置500可以包括第一当前信道数据获取单元510和第一当前信道参数生成单元520。
第一当前信道数据获取单元510可以用于获取第一目标无线信道的第一当前信道数据。
第一当前信道参数生成单元520可以用于通过所述第一目标无线信道的第一目标信道参数生成模型处理所述第一当前信道数据,生成所述第一目标无线信道的第一当前信道参数。
所述第一目标信道参数生成模型是利用所述第一目标无线信道的第一样本信道参数和第一样本信道数据训练信道数据生成器和信道数据判别器获得。
可选的,第一当前信道数据获取单元510可以包括第一接收单元(模块),用于执行上述方法实施例中信道参数生成装置500接收信息的步骤。
可选的,信道参数生成装置500还可以包括存储单元,用于存储第一当前信道数据获取单元510和第一当前信道参数生成单元520执行的指令。
应理解,第一当前信道数据获取单元510可以由收发器实现,第一当前信道参数生成单元520可由处理器实现。存储单元可以由存储器实现。如图6所示的信道参数生成装置600可以包括处理器610、存储器620以及收发器630。
应理解,上述各个单元的划分仅仅是功能上的划分,实际实现时可能会有其它的划分方法。
本公开实施例还提供了一种处理装置,包括处理器和接口;该处理器,用于执行上述任一方法实施例中的信道参数生成方法。
应理解,上述处理装置可以是一个芯片。例如,该处理装置可以是现场可编程门阵列(Field-Programmable Gate Array,FPGA),可以是专用集成芯片(ApplicationSpecific Integrated Circuit,ASIC),还可以是系统芯片(System on Chip,SoC),还可以是中央处理器(Central Processor Unit,CPU),还可以是网络处理器(NetworkProcessor,NP),还可以是数字信号处理电路(Digital Signal Processor,DSP),还可以是微控制器(Micro Controller Unit,MCU),还可以是可编程控制器(Programmable LogicDevice,PLD)或其他集成芯片。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本公开实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
应注意,本公开实施例中的处理器可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(digitalsignal processor,DSP)、专用集成电路(application specific integratedcrcuit,ASIC)、现成可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
本公开实施例还提供了一种计算机可读介质,其上存储有计算机程序,该计算机程序被计算机执行时实现上述任一方法实施例中的信道参数生成方法。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品被计算机执行时实现上述任一方法实施例中的信道参数生成方法。
本公开实施例还提供了一种系统芯片,该系统芯片包括:处理单元和通信单元,该处理单元,例如可以是处理器,该通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行计算机指令,以使该信道参数生成装置内的芯片执行上述本公开实施例提供的任一种信道参数生成方法。
可选地,该计算机指令被存储在存储单元中。
可选地,该存储单元为该芯片内的存储单元,如寄存器、缓存等,该存储单元还可以是该终端内的位于该芯片外部的存储单元,如只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random accessmemory,RAM)等。其中,上述任一处提到的处理器,可以是一个CPU,微处理器,ASIC,或一个或多个用于控制上述的信道参数生成方法的程序执行的集成电路。该处理单元和该存储单元可以解耦,分别设置在不同的物理设备上,通过有线或者无线的方式连接来实现该处理单元和该存储单元的各自的功能,以支持该系统芯片实现上述实施例中的各种功能。或者,该处理单元和该存储器也可以耦合在同一个设备上。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机指令时,全部或部分地产生按照本公开实施例的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digitalsubscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,高密度数字视频光盘(digitalvideo disc,DVD))、或者半导体介质(例如,固态硬盘(solid state disk,SSD))等。
在本公开所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,该单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本公开各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
在本公开中可能出现的对各种消息/信息/设备/网元/系统/装置/动作/操作/流程/概念等各类客体进行了赋名,可以理解的是,这些具体的名称并不构成对相关客体的限定,所赋名称可随着场景,语境或者使用习惯等因素而变更,对本公开中技术术语的技术含义的理解,应主要从其在技术方案中所体现/执行的功能和技术效果来确定。
在本公开的各个实施例中,如果没有特殊说明以及逻辑冲突,不同的实施例之间的术语和/或描述具有一致性、且可以相互引用,不同的实施例中的技术特征根据其内在的逻辑关系可以组合形成新的实施例。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种信道参数生成方法,其特征在于,包括:
获取第一目标无线信道的第一当前信道数据;
通过所述第一目标无线信道的第一目标信道参数生成模型处理所述第一当前信道数据,生成所述第一目标无线信道的第一当前信道参数;
所述第一目标信道参数生成模型是利用所述第一目标无线信道的第一样本信道参数和第一样本信道数据训练信道数据生成器和信道数据判别器获得。
2.根据权利要求1所述的方法,其特征在于,获取第一目标无线信道的第一当前信道数据,包括:
获得所述第一目标无线信道的当前接收信号;
对所述当前接收信号进行下变频与低通滤波处理转变为基带信号;
将所述基带信号与所述第一目标无线信道的当前发射信号进行滑动相关处理,获得频域的信道冲击响应;
对所述频域的信道冲激响应进行同步、信道估计以及傅里叶逆变换处理,获得时域的信道冲击响应,将所述时域的信道冲击响应作为所述第一当前信道数据。
3.根据权利要求2所述的方法,其特征在于,通过所述第一目标无线信道的第一目标信道参数生成模型处理所述第一当前信道数据,生成所述第一目标无线信道的第一当前信道参数,包括:
将所述时域的信道冲击响应输入至所述第一目标信道参数生成模型,预测输出所述第一当前信道参数;
所述第一当前信道参数包括时域、频域和空域的信道参数。
4.根据权利要求3所述的方法,其特征在于,所述第一当前信道参数包括所述第一目标无线信道的时延扩展、水平维度的到达方位角、水平维度的离开方位角、垂直维度的到达俯仰角和垂直维度的离开俯仰角。
5.根据权利要求1所述的方法,其特征在于,还包括:
获得所述第一目标无线信道的第一样本信道数据;
根据所述第一样本信道数据获得所述第一目标无线信道的第一样本信道参数;
将所述第一样本信道数据输入至所述信道数据生成器,获得所述第一目标无线信道的第一预测信道参数;
将所述第一样本信道参数和所述第一预测信道参数输入至所述信道数据判别器,获得所述第一预测结果;
根据所述第一预测结果获得第一损失函数;
根据所述第一损失函数训练所述信道数据生成器,将收敛的信道数据生成器作为所述第一目标信道参数生成模型。
6.根据权利要求1所述的方法,其特征在于,还包括:
获得第二目标无线信道的第二样本信道数据;
根据所述第二样本信道数据获得所述第二目标无线信道的第二样本信道参数;
将所述第二样本信道数据输入至所述信道数据生成器,获得所述第二目标无线信道的第二预测信道参数;
将所述第二样本信道参数和所述第二预测信道参数输入至所述信道数据判别器,获得第二预测结果;
根据所述第二预测结果获得第二损失函数;
根据所述第二损失函数训练所述信道数据生成器,将收敛的信道数据生成器作为第二目标信道参数生成模型;
获取所述第二目标无线信道的第二当前信道数据;
通过所述第二目标信道参数生成模型处理所述第二当前信道数据,生成所述第二目标无线信道的第二当前信道参数。
7.根据权利要求1所述的方法,其特征在于,所述第一目标无线信道为多输入多输出信道。
8.一种信道参数生成装置,其特征在于,包括:
第一当前信道数据获取单元,用于获取第一目标无线信道的第一当前信道数据;
第一当前信道参数生成单元,用于通过所述第一目标无线信道的第一目标信道参数生成模型处理所述第一当前信道数据,生成所述第一目标无线信道的第一当前信道参数;
所述第一目标信道参数生成模型是利用所述第一目标无线信道的第一样本信道参数和第一样本信道数据训练信道数据生成器和信道数据判别器获得。
9.一种计算机设备,其特征在于,包括:
至少一个处理器;
存储装置,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法或者如权利要求8至9任一项所述的方法或者如权利要求10所述的方法或者如权利要求11所述的方法或者如权利要求12至14任一项所述的方法或者如权利要求15至17任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111069612.2A CN113783643A (zh) | 2021-09-13 | 2021-09-13 | 信道参数生成方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111069612.2A CN113783643A (zh) | 2021-09-13 | 2021-09-13 | 信道参数生成方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113783643A true CN113783643A (zh) | 2021-12-10 |
Family
ID=78843145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111069612.2A Pending CN113783643A (zh) | 2021-09-13 | 2021-09-13 | 信道参数生成方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113783643A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101924725A (zh) * | 2009-06-17 | 2010-12-22 | 国民技术股份有限公司 | 一种ofdm系统的帧同步方法与装置 |
CN104717173A (zh) * | 2015-03-16 | 2015-06-17 | 电子科技大学 | 基于信道去耦的子载波复数均衡tmo无线通信方法 |
CN109639614A (zh) * | 2018-12-03 | 2019-04-16 | 上海创远仪器技术股份有限公司 | 针对NB_IoT广播信道进行矢量幅度误差测量的系统及方法 |
US20210133925A1 (en) * | 2019-11-05 | 2021-05-06 | Moxa Inc. | Device and Method of Handling Image Super-Resolution |
CN112787966A (zh) * | 2020-12-28 | 2021-05-11 | 杭州电子科技大学 | 基于端到端的级联生成对抗网络信号解调方法 |
CN112887252A (zh) * | 2021-03-18 | 2021-06-01 | 湖南国科微电子股份有限公司 | 一种导航系统信号同步方法、装置、设备及介质 |
-
2021
- 2021-09-13 CN CN202111069612.2A patent/CN113783643A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101924725A (zh) * | 2009-06-17 | 2010-12-22 | 国民技术股份有限公司 | 一种ofdm系统的帧同步方法与装置 |
CN104717173A (zh) * | 2015-03-16 | 2015-06-17 | 电子科技大学 | 基于信道去耦的子载波复数均衡tmo无线通信方法 |
CN109639614A (zh) * | 2018-12-03 | 2019-04-16 | 上海创远仪器技术股份有限公司 | 针对NB_IoT广播信道进行矢量幅度误差测量的系统及方法 |
US20210133925A1 (en) * | 2019-11-05 | 2021-05-06 | Moxa Inc. | Device and Method of Handling Image Super-Resolution |
CN112787966A (zh) * | 2020-12-28 | 2021-05-11 | 杭州电子科技大学 | 基于端到端的级联生成对抗网络信号解调方法 |
CN112887252A (zh) * | 2021-03-18 | 2021-06-01 | 湖南国科微电子股份有限公司 | 一种导航系统信号同步方法、装置、设备及介质 |
Non-Patent Citations (3)
Title |
---|
任秋洁 等: "多载波通信系统信道参数提取的研究" * |
刘留等: "机器学习在信道建模中的应用综述", 《通信学报》 * |
樊圆圆等: "基于神经网络的无线信道场景识别", 《电波科学学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112911608B (zh) | 一种面向边缘智能网络的大规模接入方法 | |
Safari et al. | Deep UL2DL: Data-driven channel knowledge transfer from uplink to downlink | |
CN114268388B (zh) | 一种在大规模mimo中基于改进gan网络的信道估计方法 | |
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 | |
Safari et al. | Deep UL2DL: Channel knowledge transfer from uplink to downlink | |
TWI530116B (zh) | 用於無線網路中通道估計的方法與設備 | |
CN113783643A (zh) | 信道参数生成方法及相关设备 | |
CN113273106A (zh) | 上行链路数据流的处理 | |
CN107346985B (zh) | 一种结合发射天线选择技术的干扰对齐方法 | |
WO2022083619A1 (zh) | 通信信息的发送、接收方法及通信设备 | |
CN115685054A (zh) | 定位估计方法、装置及终端 | |
CN116996142A (zh) | 无线信道参数预测方法、装置、电子设备及存储介质 | |
CN114764610A (zh) | 一种基于神经网络的信道估计方法及通信装置 | |
CN108199755B (zh) | 一种无线通信的码本和数据导频功率比的检测方法及系统 | |
Yang et al. | Deep-learning-based bouncing-order prediction for propagation channel characterization using graph modeling | |
CN114915522B (zh) | 一种基于cfista-net的毫米波大规模mimo信道估计方法 | |
CN115085775B (zh) | 赋形信息确定方法、通信设备和存储介质 | |
WO2023070675A1 (zh) | 数据处理的方法及装置 | |
WO2022104725A1 (en) | Method and apparatus for detection of radio signal | |
WO2023092307A1 (zh) | 通信方法、模型训练方法和设备 | |
Zhang et al. | Compressed Sensing OFDM Time Delay Estimation Based on Atomic Evolution and Elimination | |
WO2024094273A1 (en) | Channel prediction | |
WO2023163693A1 (en) | Method for machine-learning-based uplink channel estimation in reflective intelligent systems | |
CN116743285A (zh) | 信道预测方法、设备、装置及存储介质 | |
CN117220729A (zh) | 网络优化中的码本生成方法、系统、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211210 |
|
RJ01 | Rejection of invention patent application after publication |