CN113890795B - 大规模mimo信道估计模型的构建方法、装置及介质 - Google Patents
大规模mimo信道估计模型的构建方法、装置及介质 Download PDFInfo
- Publication number
- CN113890795B CN113890795B CN202111057350.8A CN202111057350A CN113890795B CN 113890795 B CN113890795 B CN 113890795B CN 202111057350 A CN202111057350 A CN 202111057350A CN 113890795 B CN113890795 B CN 113890795B
- Authority
- CN
- China
- Prior art keywords
- channel estimation
- online
- signal data
- semantic features
- offline
- 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
Links
Images
Classifications
-
- 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
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Radio Transmission System (AREA)
Abstract
本发明公开了一种大规模MIMO信道估计模型的构建方法、装置及介质,首先,接收n组在线信号数据;其次,通过深度学习提取预先获取的离线信号数据的高层语义特征和n组所述在线信号数据的高层语义特征,得到离线高层语义特征和n组在线高层语义特征;然后,将所述离线高层语义特征和n组所述在线高层语义特征分别输入至预先构建的n+1个神经网络中进行训练,得到初始信道估计模型和n个在线信道估计模型;最后,基于所述离线信号数据的误码率和n个所述在线信号数据的误码率,对所述初始信道估计模型和n个所述在线信道估计模型进行集成学习,得到最优信道估计模型。本发明能够减小系统开销,降低计算复杂度,实现自适应更新模型。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种大规模MIMO信道估计模型的构建方法、装置、计算机存储介质及终端设备。
背景技术
导频是目前进行信道估计最普遍的方法,该方法简单,复杂度低,但存在导频污染和噪音等影响。因此,很多学者采用导频设计和估计算法来实现信道的高精度估计。传统的导频设计和估计算法都是基于小规模MIMO-OFDM或者SISO-OFDM信道系统进行设计的,并未考虑大规模多天线系统中环境的动态变化、系统开销和计算复杂度的影响,导致无法直接扩展到大规模MIMO系统中。
发明内容
本发明实施例提供一种大规模MIMO信道估计模型的构建方法、装置、计算机存储介质及终端设备,能够减小系统开销,降低计算复杂度,实现自适应更新模型。
为实现上述目的,本发明实施例提供了一种大规模MIMO信道估计模型的构建方法,包括:
接收n组在线信号数据;其中,所述在线信号数据包含所述在线信号数据的误码率;n为大于等于1的自然数;
通过深度学习提取预先获取的离线信号数据的高层语义特征和n组所述在线信号数据的高层语义特征,得到离线高层语义特征和n组在线高层语义特征;其中,所述离线信号数据包含所述离线信号数据的误码率;
将所述离线高层语义特征和n组所述在线高层语义特征分别输入至预先构建的n+1个神经网络中进行训练,得到初始信道估计模型和n个在线信道估计模型;
基于所述离线信号数据的误码率和n个所述在线信号数据的误码率,对所述初始信道估计模型和n个所述在线信道估计模型进行集成学习,得到最优信道估计模型。
作为上述方案的改进,所述通过深度学习提取预先获取的离线信号数据的高层语义特征和n组所述在线信号数据的高层语义特征,得到离线高层语义特征和n组在线高层语义特征,具体为:
通过深度学习提取预先获取的所述离线信号数据在发送端的离线语义特征和在接收端的离线语义特征,将所述发送端的离线语义特征和所述接收端的离线语义特征进行拼接,得到所述离线信号数据的离线高层语义特征;
通过深度学习提取n组所述在线信号数据在发送端的在线语义特征和接收端的在线语义特征,将所述发送端的在线语义特征和所述接收端的在线语义特征进行拼接,得到n组所述在线信号数据的在线高层语义特征。
作为上述方案的改进,所述将所述离线高层语义特征和n组所述在线高层语义特征分别输入至预先构建的n+1个神经网络中进行训练,得到初始信道估计模型和n个在线信道估计模型,具体为:
将所述离线高层语义特征输入至一个预先构建的神经网络中,以所述离线信号数据的信道状态信息为标签,对所述神经网络进行训练,得到初始信道估计模型;
将n组所述在线高层语义特征分别输入至其他预先构建的n个神经网络中,分别以n组所述在线信号数据的信道状态信息为标签,对n个所述神经网络进行训练,得到n个在线信道估计模型。
作为上述方案的改进,所述基于所述离线信号数据的误码率和n个所述在线信号数据的误码率,对所述初始信道估计模型和n个所述在线信道估计模型进行集成学习,得到最优信道估计模型,具体为:
基于所述离线信号数据的误码率和n个所述在线信号数据的误码率,计算所述初始信道估计模型的准确率和n个所述在线信道估计模型的准确率;
基于所述初始信道估计模型的准确率和n个所述在线信道估计模型的准确率,通过加权平均的方式计算所述初始信道估计模型的权重和n个所述在线信道估计模型的权重;
根据所述初始信道估计模型的权重和n个所述在线信道估计模型的权重,对所述初始信道估计模型和n个所述在线信道估计模型进行集成学习,得到最优信道估计模型。
为实现上述目的,本发明实施例对应提供了一种大规模MIMO信道估计模型的构建装置,包括:
信号接收模块,用于接收n组在线信号数据;其中,所述在线信号数据包含所述在线信号数据的误码率;n为大于等于1的自然数;
高层语义提取模块,用于通过深度学习提取预先获取的离线信号数据的高层语义特征和n组所述在线信号数据的高层语义特征,得到离线高层语义特征和n组在线高层语义特征;其中,所述离线信号数据包含所述离线信号数据的误码率;
信道模型构建模块,用于将所述离线高层语义特征和n组所述在线高层语义特征分别输入至预先构建的n+1个神经网络中进行训练,得到初始信道估计模型和n个在线信道估计模型;
模型优化模块,用于基于所述离线信号数据的误码率和n个所述在线信号数据的误码率,对所述初始信道估计模型和n个所述在线信道估计模型进行集成学习,得到最优信道估计模型。
作为上述方案的改进,所述高层语义提取模块,包括:
离线高层语义提取单元,用于通过深度学习提取预先获取的所述离线信号数据在发送端的离线语义特征和在接收端的离线语义特征,将所述发送端的离线语义特征和所述接收端的离线语义特征进行拼接,得到所述离线信号数据的离线高层语义特征;
在线高层语义提取单元,用于通过深度学习提取n组所述在线信号数据在发送端的在线语义特征和接收端的在线语义特征,将所述发送端的在线语义特征和所述接收端的在线语义特征进行拼接,得到n组所述在线信号数据的在线高层语义特征。
作为上述方案的改进,所述信道模型构建模块,包括:
初始模型构建单元,用于将所述离线高层语义特征输入至一个预先构建的神经网络中,以所述离线信号数据的信道状态信息为标签,对所述神经网络进行训练,构建初始信道估计模型;
在线模型构建单元,用于将n组所述在线高层语义特征分别输入至其他预先构建的n个神经网络中,分别以n组所述在线信号数据的信道状态信息为标签,对n个所述神经网络进行训练,构建n个在线信道估计模型。
作为上述方案的改进,所述模型优化模块,包括:
准确率计算单元,基于所述离线信号数据的误码率和n个所述在线信号数据的误码率,计算所述初始信道估计模型的准确率和n个所述在线信道估计模型的准确率;
权重更新单元,用于基于所述初始信道估计模型的准确率和n个所述在线信道估计模型的准确率,通过加权平均的方式计算所述初始信道估计模型的权重和n个所述在线信道估计模型的权重;
集成优化单元,用于根据所述初始信道估计模型的权重和n个所述在线信道估计模型的权重,对所述初始信道估计模型和n个所述在线信道估计模型进行集成学习,得到最优信道估计模型。
为实现上述目的,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的大规模MIMO信道估计模型的构建方法。
为实现上述目的,本发明实施例还提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述发明实施例所述的大规模MIMO信道估计模型的构建方法。
与现有技术相比,本发明实施例公开的大规模MIMO信道估计模型的构建方法、装置、计算机存储介质和终端设备,首先,通过接收n组在线信号数据;其中,所述在线信号数据包含所述在线信号数据的误码率;其次,通过深度学习提取预先获取的离线信号数据的高层语义特征和n组所述在线信号数据的高层语义特征,得到离线高层语义特征和n组在线高层语义特征;然后,将所述离线高层语义特征和n组所述在线高层语义特征分别输入至预先构建的n+1个神经网络中进行训练,得到初始信道估计模型和n个在线信道估计模型;最后,基于所述离线信号数据的误码率和n个所述在线信号数据的误码率,对所述初始信道估计模型和n个所述在线信道估计模型进行集成学习,得到最优信道估计模型,从而能够减小系统开销,降低计算复杂度,实现自适应更新模型。
附图说明
图1是本发明一实施例提供的一种大规模MIMO信道估计模型的构建方法的流程示意图;
图2是本发明一具体实施例提供的一种卷积神经网络提取高层语义特征的流程示意图;
图3是本发明一实施例提供的一种大规模MIMO信道估计模型的构建装置的结构示意图;
图4是本发明一实施例提供的一种终端设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,是本发明一实施例提供的一种大规模MIMO信道估计模型的构建方法的流程示意图。
本发明实施例提供的大规模MIMO信道估计模型的构建方法,包括步骤:
S11、接收n组在线信号数据;其中,所述在线信号数据包含所述在线信号数据的误码率;n为大于等于1的自然数;
S12、通过深度学习提取预先获取的离线信号数据的高层语义特征和n组所述在线信号数据的高层语义特征,得到离线高层语义特征和n组在线高层语义特征;其中,所述离线信号数据包含所述离线信号数据的误码率;
S13、将所述离线高层语义特征和n组所述在线高层语义特征分别输入至预先构建的n+1个神经网络中进行训练,得到初始信道估计模型和n个在线信道估计模型;
S14、基于所述离线信号数据的误码率和n个所述在线信号数据的误码率,对所述初始信道估计模型和n个所述在线信道估计模型进行集成学习,得到最优信道估计模型。
优选地,步骤S12中,所述通过深度学习提取预先获取的离线信号数据的高层语义特征和n组所述在线信号数据的高层语义特征,具体为:通过预先构建的n+1个卷积神经网络提取预先获取的离线信号数据的高层语义特征和n组所述在线信号数据的高层语义特征。
在一个优选的实施方式中,所述步骤S12,具体为:
通过深度学习提取预先获取的所述离线信号数据在发送端的离线语义特征和在接收端的离线语义特征,将所述发送端的离线语义特征和所述接收端的离线语义特征进行拼接,得到所述离线信号数据的离线高层语义特征;
通过深度学习提取n组所述在线信号数据在发送端的在线语义特征和接收端的在线语义特征,将所述发送端的在线语义特征和所述接收端的在线语义特征进行拼接,得到n组所述在线信号数据的在线高层语义特征。
参见图2,图2是本发明一具体实施例提供的一种卷积神经网络提取高层语义特征的流程示意图。
为了方便本领域技术更好地理解高层语义特征提取的过程,下面通过一个具体实施方式来描述通过卷积神经网络提取信号数据的高层语义特征的具体流程:
发送端的信号数据:
1、第一个卷积过程:首先,发送端的信号数据利用3×3的卷积核进行卷积后,采用2×2的池化层进行池化,以完成第一次特征提取;然后,采用3×3的卷积核进行卷积,以完成第二次特征提取;最后,采用3×3的卷积核进行卷积,以实现第三次特征提取,得到第一语义特征S1。
2、第二个卷积过程:首先,发送端的信号数据利用3×3的卷积核进行卷积后,采用3×3的池化层进行池化,以完成第一次特征提取;然后,采用3×3的卷积核进行卷积,和采用3×3的池化层进行池化,以完成第二次特征提取;最后,采用2×2的卷积核进行卷积,以实现第三次特征提取,得到第二语义特征S2。
3、第三个卷积过程:首先,发送端的信号数据利用3×3的卷积核进行卷积后,采用2×2的池化层进行池化,以完成第一次特征提取;然后,采用3×3的卷积核进行卷积,和采用2×2的池化层进行池化,以完成第二次特征提取;接着采用3×3的卷积核进行卷积后,再采用2×2的池化层进行池化,以完成第三次特征提取;最后,采用2×2的卷积核进行卷积完成第四次特征提取,得到第三语义特征S3。
接收端的信号数据:
1、第一个卷积过程:首先,接收端的信号数据利用3×3的卷积核进行卷积后,采用2×2的池化层进行池化,以完成第一次特征提取;然后,采用3×3的卷积核进行卷积,以完成第二次特征提取;最后,采用3×3的卷积核进行卷积,以实现第三次特征提取,得到第四语义特征S4。
2、第二个卷积过程:首先,接收端的信号数据利用3×3的卷积核进行卷积后,采用3×3的池化层进行池化,以完成第一次特征提取;然后,采用3×3的卷积核进行卷积,和采用3×3的池化层进行池化,以完成第二次特征提取;最后,采用2×2的卷积核进行卷积,以实现第三次特征提取,得到第五语义特征S5。
3、第三个卷积过程:首先,接收端的信号数据利用3×3的卷积核进行卷积后,采用2×2的池化层进行池化,以完成第一次特征提取;然后,采用3×3的卷积核进行卷积,和采用2×2的池化层进行池化,以完成第二次特征提取;接着采用3×3的卷积核进行卷积后,再采用2×2的池化层进行池化,以完成第三次特征提取;最后,采用2×2的卷积核进行卷积完成第四次特征提取,得到第六语义特征S6。
对发送端的信号数据的第一语义特征S1、第二语义特征S2、第三语义特征S3分别进行平铺,将平铺后的第一语义特征S1、第二语义特征S2和第三语义特征S3进行拼接,实现发送端的信号数据的语义特征融合,得到发送端的信号数据的高层语义特征S7。
对接收端的信号数据的第四语义特征S4、第五语义特征S5、第六语义特征S6分别进行平铺,将平铺后的第四语义特征S4、第五语义特征S5和第六语义特征S6进行拼接,实现接收端的信号数据的语义特征融合,得到接收端的信号数据的高层语义特征S8。
对发送端的信号数据的高层语义特征S7和接收端的信号数据的高层语义特征S8进行拼接,得到所述信号数据的融合后的高层语义特征S9。
在一个具体的实施方式中,所述步骤S13,具体为:
将所述离线高层语义特征输入至一个预先构建的神经网络中,以所述离线信号数据的信道状态信息为标签,对n个所述神经网络进行训练,得到初始信道估计模型;
将n组所述在线高层语义特征分别输入至其他预先构建的n个神经网络中,分别以n组所述在线信号数据的信道状态信息为标签,对n个所述神经网络进行训练,得到n个在线信道估计模型。
优选地,所述神经网络为BP(back propagation)神经网络。
可以理解地,假设在大规模MIMO-OFDM系统中,发射天线个数为Nt,接收天线个数为Nr,则第n个发射天线的一个OFDM符号表示为:其中,/>为第L个子载波在第n个发射天线上发射的信号,那么第m个接收天线接收到的第k个子载波上的符号可以表示为:/>其中,/>表示第n个发射天线和第m个接收天线之间对应的第k个子载波的信道状态信息,/>表示第m个接收天线之间对应的第k个子载波的高斯白噪音,那么Nr个接收天线接收到的第k个子载波的符号可以表示为:yk=Hkxk+wk;其中,/>第k个子载波发射的信号第k个子载波的高斯白噪音/>第k个子载波的信道状态信息/>为了对Hk进行有效估计,所以采用BP神经网络对海量的预先获取的离线数据进行训练,以学习无线信道的状态特征,尽可能获取传输信道的频域变化特征。
具体地,在所述步骤S13中,当以所述离线信号数据的信道状态信息为标签时,所述初始信道估计模型由相应的神经网络输出的所有子载波的信道状态矩阵构成;
当以n组所述在线信号数据的信道状态信息为标签时,n个所述在线信道估计模型由相应的神经网络输出的所有子载波的信道状态矩阵构成。
在一些更优的实施例中,所述步骤S15,具体为:
基于所述离线信号数据的误码率和n个所述在线信号数据的误码率,计算所述初始信道估计模型的准确率和n个所述在线信道估计模型的准确率;
基于所述初始信道估计模型的准确率和n个所述在线信道估计模型的准确率,通过加权平均的方式计算所述初始信道估计模型的权重和n个所述在线信道估计模型的权重;
根据所述初始信道估计模型的权重和n个所述在线信道估计模型的权重,对所述初始信道估计模型和n个所述在线信道估计模型进行集成学习,得到最优信道估计模型。
值得说明的是,由于通过海量的离线信号数据学习得到的初始信道估计模型,不适用于新环境、新区域和不同时间段的信道估计,而且考虑到信道估计受到环境的动态影响,所以必须根据新的信号数据对所述初始信道模型进行持续更新,以保证信号的还原质量。同时,为了避免单次线下训练开销过大,所以采用少量的n组在线信号数据训练神经网络得到n个在线信道估计模型,通过集成学习的方式实现对初始信道估计模型的优化,得到当前时刻最优信道估计模型,即以数据驱动的方式实现模型的自适应更新,具有较高的应用性。
可以理解的,在信道反馈过程中,误码率越低则准确率越高,所以可以根据误码率来评价所述所述初始信道估计模型和n组所述在线信道估计模型的准确率,并根据准确率来更新所述初始信道估计模型和n组所述在线信道估计模型在集成学习中的权重,准确率越高则该模型在集成学习中占的权重越大。作为举例的,离线信号数据的准确率为80%,第一组在线信号数据的准确率为70%,第二组在线信号数据的准确率为50%,第四组在线信号数据的准确率为60%,第五组在线信号数据的准确率为80%,则初始信道估计模型的权重为第一个在线信道估计模型的权重为0.205,第二个在线信道估计模型的权重为0.147,第三个在线信道估计模型的权重为0.176,第四个在线信道估计模型的权重为0.235。
相应地,本发明实施例还提供了一种大规模MIMO信道估计模型的构建装置,能够实现上述大规模MIMO信道估计模型的构建方法的所有流程。
参见图3,是本发明一实施例提供的一种大规模MIMO信道估计模型的构建装置的结构示意图。
本发明实施例提供的大规模MIMO信道估计模型的构建装置,包括:
信号接收模块21,用于接收n组在线信号数据;其中,所述在线信号数据包含所述在线信号数据的误码率;n为大于等于1的自然数;
高层语义提取模块22,用于通过深度学习提取预先获取的离线信号数据的高层语义特征和n组所述在线信号数据的高层语义特征,得到离线高层语义特征和n组在线高层语义特征;其中,所述离线信号数据包含所述离线信号数据的误码率;
信道模型构建模块23,用于将所述离线高层语义特征和n组所述在线高层语义特征分别输入至预先构建的n+1个神经网络中进行训练,得到初始信道估计模型和n个在线信道估计模型;
模型优化模块24,用于基于所述离线信号数据的误码率和n个所述在线信号数据的误码率,对所述初始信道估计模型和n个所述在线信道估计模型进行集成学习,得到最优信道估计模型。
作为其中一个可选的实施方式,所述高层语义提取模块22,包括:
离线高层语义提取单元,用于通过深度学习提取预先获取的所述离线信号数据在发送端的离线语义特征和在接收端的离线语义特征,将所述发送端的离线语义特征和所述接收端的离线语义特征进行拼接,得到所述离线信号数据的离线高层语义特征;
在线高层语义提取单元,用于通过深度学习提取n组所述在线信号数据在发送端的在线语义特征和接收端的在线语义特征,将所述发送端的在线语义特征和所述接收端的在线语义特征进行拼接,得到n组所述在线信号数据的在线高层语义特征。
作为其中一个可选的实施方式,所述信道模型构建模块23,包括:
初始模型构建单元,用于将所述离线高层语义特征输入至一个预先构建的神经网络中,以所述离线信号数据的信道状态信息为标签,对所述神经网络进行训练,构建初始信道估计模型;
在线模型构建单元,用于将n组所述在线高层语义特征分别输入至其他预先构建的n个神经网络中,分别以n组所述在线信号数据的信道状态信息为标签,对n个所述神经网络进行训练,构建n个在线信道估计模型。
在一些更优的实施方式中,所述模型优化模块24,包括:
准确率计算单元,基于所述离线信号数据的误码率和n个所述在线信号数据的误码率,计算所述初始信道估计模型的准确率和n个所述在线信道估计模型的准确率;
权重更新单元,用于基于所述初始信道估计模型的准确率和n个所述在线信道估计模型的准确率,通过加权平均的方式计算所述初始信道估计模型的权重和n个所述在线信道估计模型的权重;
集成优化单元,用于根据所述初始信道估计模型的权重和n个所述在线信道估计模型的权重,对所述初始信道估计模型和n个所述在线信道估计模型进行集成学习,得到最优信道估计模型。
需要说明的是,本实施例的大规模MIMO信道估计模型的构建装置的各实施例的相关具体描述和有益效果可以参考上述的大规模MIMO信道估计模型的构建方法的各实施例的相关具体描述和有益效果,在此不再赘述。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
相应地,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的大规模MIMO信道估计模型的构建方法。
本发明实施例还提供了一种终端设备,参见图3,是本是本发明一实施例提供的一种终端设备的结构框图,包括处理器10、存储器20以及存储在所述存储器20中且被配置为由所述处理器10执行的计算机程序,所述处理器10在执行所述计算机程序时实现上述任一实施例所述的大规模MIMO信道估计模型的构建方法。
优选地,所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序1、计算机程序2、……),所述一个或者多个模块/单元被存储在所述存储器20中,并由所述处理器10执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述处理器10可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,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、分立硬件组件等,通用处理器可以是微处理器,或者所述处理器10也可以是任何常规的处理器,所述处理器10是所述终端设备的控制中心,利用各种接口和线路连接所述终端设备的各个部分。
所述存储器20主要包括程序存储区和数据存储区,其中,程序存储区可存储操作系统、至少一个功能所需的应用程序等,数据存储区可存储相关数据等。此外,所述存储器20可以是高速随机存取存储器,还可以是非易失性存储器,例如插接式硬盘,智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡和闪存卡(Flash Card)等,或所述存储器20也可以是其他易失性固态存储器件。
需要说明的是,上述终端设备可包括,但不仅限于,处理器、存储器,本领域技术人员可以理解,图3结构框图仅仅是终端设备的示例,并不构成对终端设备的限定,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。
综上,本发明实施例所提供的一种大规模MIMO信道估计模型的构建方法、装置、计算机可读存储介质及终端设备,首先,通过接收n组在线信号数据;其中,所述在线信号数据包含所述在线信号数据的误码率;其次,通过深度学习提取预先获取的离线信号数据的高层语义特征和n组所述在线信号数据的高层语义特征,得到离线高层语义特征和n组在线高层语义特征;然后,将所述离线高层语义特征和n组所述在线高层语义特征分别输入至预先构建的n+1个神经网络中进行训练,得到初始信道估计模型和n个在线信道估计模型;最后,基于所述离线信号数据的误码率和n个所述在线信号数据的误码率,对所述初始信道估计模型和n个所述在线信道估计模型进行集成学习,得到最优信道估计模型,从而能够减小系统开销,降低计算复杂度,实现自适应更新模型。
以上所述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,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种大规模MIMO信道估计模型的构建方法,其特征在于,包括:
接收n组在线信号数据;其中,所述在线信号数据包含所述在线信号数据的误码率;n为大于等于1的自然数;
通过深度学习提取预先获取的离线信号数据的高层语义特征和n组所述在线信号数据的高层语义特征,得到离线高层语义特征和n组在线高层语义特征;其中,所述离线信号数据包含所述离线信号数据的误码率;
将所述离线高层语义特征和n组所述在线高层语义特征分别输入至预先构建的n+1个神经网络中进行训练,得到初始信道估计模型和n个在线信道估计模型;
基于所述离线信号数据的误码率和n个所述在线信号数据的误码率,对所述初始信道估计模型和n个所述在线信道估计模型进行集成学习,得到最优信道估计模型。
2.如权利要求1所述的大规模MIMO信道估计模型的构建方法,其特征在于,所述通过深度学习提取预先获取的离线信号数据的高层语义特征和n组所述在线信号数据的高层语义特征,得到离线高层语义特征和n组在线高层语义特征,具体为:
通过深度学习提取预先获取的所述离线信号数据在发送端的离线语义特征和在接收端的离线语义特征,将所述发送端的离线语义特征和所述接收端的离线语义特征进行拼接,得到所述离线信号数据的离线高层语义特征;
通过深度学习提取n组所述在线信号数据在发送端的在线语义特征和接收端的在线语义特征,将所述发送端的在线语义特征和所述接收端的在线语义特征进行拼接,得到n组所述在线信号数据的在线高层语义特征。
3.如权利要求1所述的大规模MIMO信道估计模型的构建方法,其特征在于,所述将所述离线高层语义特征和n组所述在线高层语义特征分别输入至预先构建的n+1个神经网络中进行训练,得到初始信道估计模型和n个在线信道估计模型,具体为:
将所述离线高层语义特征输入至一个预先构建的神经网络中,以所述离线信号数据的信道状态信息为标签,对所述神经网络进行训练,得到初始信道估计模型;
将n组所述在线高层语义特征分别输入至其他预先构建的n个神经网络中,分别以n组所述在线信号数据的信道状态信息为标签,对n个所述神经网络进行训练,得到n个在线信道估计模型。
4.如权利要求1所述的大规模MIMO信道估计模型的构建方法,其特征在于,所述基于所述离线信号数据的误码率和n个所述在线信号数据的误码率,对所述初始信道估计模型和n个所述在线信道估计模型进行集成学习,得到最优信道估计模型,具体为:
基于所述离线信号数据的误码率和n个所述在线信号数据的误码率,计算所述初始信道估计模型的准确率和n个所述在线信道估计模型的准确率;
基于所述初始信道估计模型的准确率和n个所述在线信道估计模型的准确率,通过加权平均的方式计算所述初始信道估计模型的权重和n个所述在线信道估计模型的权重;
根据所述初始信道估计模型的权重和n个所述在线信道估计模型的权重,对所述初始信道估计模型和n个所述在线信道估计模型进行集成学习,得到最优信道估计模型。
5.一种大规模MIMO信道估计模型的构建装置,其特征在于,包括:
信号接收模块,用于接收n组在线信号数据;其中,所述在线信号数据包含所述在线信号数据的误码率;n为大于等于1的自然数;
高层语义提取模块,用于通过深度学习提取预先获取的离线信号数据的高层语义特征和n组所述在线信号数据的高层语义特征,得到离线高层语义特征和n组在线高层语义特征;其中,所述离线信号数据包含所述离线信号数据的误码率;
信道模型构建模块,用于将所述离线高层语义特征和n组所述在线高层语义特征分别输入至预先构建的n+1个神经网络中进行训练,得到初始信道估计模型和n个在线信道估计模型;
模型优化模块,用于基于所述离线信号数据的误码率和n个所述在线信号数据的误码率,对所述初始信道估计模型和n个所述在线信道估计模型进行集成学习,得到最优信道估计模型。
6.如权利要求5所述的大规模MIMO信道估计模型的构建装置,其特征在于,所述高层语义提取模块,包括:
离线高层语义提取单元,用于通过深度学习提取预先获取的所述离线信号数据在发送端的离线语义特征和在接收端的离线语义特征,将所述发送端的离线语义特征和所述接收端的离线语义特征进行拼接,得到所述离线信号数据的离线高层语义特征;
在线高层语义提取单元,用于通过深度学习提取n组所述在线信号数据在发送端的在线语义特征和接收端的在线语义特征,将所述发送端的在线语义特征和所述接收端的在线语义特征进行拼接,得到n组所述在线信号数据的在线高层语义特征。
7.如权利要求5所述的大规模MIMO信道估计模型的构建装置,其特征在于,所述信道模型构建模块,包括:
初始模型构建单元,用于将所述离线高层语义特征输入至一个预先构建的神经网络中,以所述离线信号数据的信道状态信息为标签,对所述神经网络进行训练,构建初始信道估计模型;
在线模型构建单元,用于将n组所述在线高层语义特征分别输入至其他预先构建的n个神经网络中,分别以n组所述在线信号数据的信道状态信息为标签,对n个所述神经网络进行训练,构建n个在线信道估计模型。
8.如权利要求5所述的大规模MIMO信道估计模型的构建装置,其特征在于,所述模型优化模块,包括:
准确率计算单元,基于所述离线信号数据的误码率和n个所述在线信号数据的误码率,计算所述初始信道估计模型的准确率和n个所述在线信道估计模型的准确率;
权重更新单元,用于基于所述初始信道估计模型的准确率和n个所述在线信道估计模型的准确率,通过加权平均的方式计算所述初始信道估计模型的权重和n个所述在线信道估计模型的权重;
集成优化单元,用于根据所述初始信道估计模型的权重和n个所述在线信道估计模型的权重,对所述初始信道估计模型和n个所述在线信道估计模型进行集成学习,得到最优信道估计模型。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至4中任意一项所述的大规模MIMO信道估计模型的构建方法。
10.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至4中任意一项所述的大规模MIMO信道估计模型的构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111057350.8A CN113890795B (zh) | 2021-09-09 | 2021-09-09 | 大规模mimo信道估计模型的构建方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111057350.8A CN113890795B (zh) | 2021-09-09 | 2021-09-09 | 大规模mimo信道估计模型的构建方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113890795A CN113890795A (zh) | 2022-01-04 |
CN113890795B true CN113890795B (zh) | 2023-06-23 |
Family
ID=79008579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111057350.8A Active CN113890795B (zh) | 2021-09-09 | 2021-09-09 | 大规模mimo信道估计模型的构建方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113890795B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114866173B (zh) * | 2022-04-20 | 2023-05-16 | 厦门大学 | 基于语义通信的信道环境感知方法及装置 |
CN115149986B (zh) * | 2022-05-27 | 2023-05-23 | 北京科技大学 | 一种针对语义通信的信道分集方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108073941A (zh) * | 2016-11-17 | 2018-05-25 | 江南大学 | 一种基于深度学习的图像语义生成方法 |
WO2020220278A1 (zh) * | 2019-04-30 | 2020-11-05 | 华为技术有限公司 | 一种信道估计模型训练方法及设备 |
WO2020253690A1 (zh) * | 2019-06-17 | 2020-12-24 | 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 |
CN112564830A (zh) * | 2020-12-04 | 2021-03-26 | 山东大学 | 一种基于深度学习的双模正交频分复用索引调制检测方法及装置 |
CN112737985A (zh) * | 2020-12-25 | 2021-04-30 | 东南大学 | 基于深度学习的大规模mimo信道联合估计和反馈方法 |
CN112995892A (zh) * | 2021-02-08 | 2021-06-18 | 东南大学 | 基于复数神经网络的大规模mimo指纹定位方法 |
-
2021
- 2021-09-09 CN CN202111057350.8A patent/CN113890795B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108073941A (zh) * | 2016-11-17 | 2018-05-25 | 江南大学 | 一种基于深度学习的图像语义生成方法 |
WO2020220278A1 (zh) * | 2019-04-30 | 2020-11-05 | 华为技术有限公司 | 一种信道估计模型训练方法及设备 |
WO2020253690A1 (zh) * | 2019-06-17 | 2020-12-24 | 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 |
CN112564830A (zh) * | 2020-12-04 | 2021-03-26 | 山东大学 | 一种基于深度学习的双模正交频分复用索引调制检测方法及装置 |
CN112737985A (zh) * | 2020-12-25 | 2021-04-30 | 东南大学 | 基于深度学习的大规模mimo信道联合估计和反馈方法 |
CN112995892A (zh) * | 2021-02-08 | 2021-06-18 | 东南大学 | 基于复数神经网络的大规模mimo指纹定位方法 |
Non-Patent Citations (1)
Title |
---|
周金.挖掘高层语义信息的电力设备图像显著性检测.电力信息与通信技术.2021,第19卷(第1期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113890795A (zh) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113890795B (zh) | 大规模mimo信道估计模型的构建方法、装置及介质 | |
CN109246038B (zh) | 一种数据模型双驱动的gfdm接收机及方法 | |
CN110266620A (zh) | 基于卷积神经网络的3d mimo-ofdm系统信道估计方法 | |
CN109756432B (zh) | Ofdm信道估计方法和装置 | |
CN112637094A (zh) | 一种基于模型驱动深度学习的多用户mimo接收方法 | |
CN106230756A (zh) | 减少带外发射 | |
CN110290542B (zh) | 海上无人机通信覆盖优化方法及系统 | |
CN110190909B (zh) | 一种用于光通信的信号均衡方法及装置 | |
CN112217545B (zh) | 一种大规模mimo系统检测模型构建方法 | |
CN115767562B (zh) | 基于强化学习联合协作多点传输的服务功能链部署方法 | |
CN112748941A (zh) | 基于反馈信息的目标应用程序的更新方法和装置 | |
CN113708855A (zh) | 基于深度学习的otfs数据驱动接收方法、系统及介质 | |
CN114745233B (zh) | 一种基于导频设计的联合信道估计方法及装置 | |
CN112836822A (zh) | 基于宽度学习的联邦学习策略优化方法和装置 | |
CN109391315B (zh) | 一种数据模型双驱动的mimo接收机 | |
DE102022106961A1 (de) | Verbesserung einer Kanalschätzung in einer drahtlosen Kommunikation basierend auf überwachtem Lernen | |
CN114826832B (zh) | 信道估计方法、神经网络的训练方法及装置、设备 | |
Jiang et al. | RIS-enhanced semantic communications adaptive to user requirements | |
CN111405571B (zh) | 卫星无人机混合网络的频谱共享方法 | |
EP4150530A1 (en) | Learning an optimal precoding policy for multi-antenna communications | |
CN114528893A (zh) | 机器学习模型训练方法、电子设备及存储介质 | |
CN111786915A (zh) | 非线性失真条件下基于深度学习的无线通信方法及其系统 | |
CN114091649A (zh) | 一种数据处理方法、装置及设备 | |
CN114175050A (zh) | 信号解映射 | |
CN105282069B (zh) | 一种快时变信道条件下空时分组传输系统的均衡方法 |
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 |