CN114124623B - 一种无线通信信道估计方法和装置 - Google Patents

Abstract

本发明公开一种无线通信信道估计方法和装置，接收用户端发送的导频信号，转化为二维图像得到信道矩阵；建立残差密集网络信道估计模型和初始化模型网络参数，将所述信道矩阵作为输入信号，噪声估计矩阵作为输出信号，进行模型训练，所述残差密集网络信道估计模型由RDN结构和CBAM结构级联组成；通过前向传递，计算所述残差密集网络信道估计模型的损失函数；通过链式法则，根据随机梯度下降算法，对所述损失函数计算更新网络参数，用所述更新网络参数更新所述残差密集网络信道估计模型，直到归一化均方误差满足收敛条件，记录当前的残差密集网络信道估计模型和模型网络参数。本发明结构简单、应用性强。

Description

一种无线通信信道估计方法和装置

技术领域

本发明涉及无线通信技术领域，尤其涉及一种无线通信信道估计方法和装置。

背景技术

高度复杂的网络、高成本的硬件和日益增加的能源消耗已成为未来无线通信面临的关键问题，智能超表面(RIS)是一种亚波长尺寸的人工二维材料，通常由金属、介质和可调元件构成，可以等效表征为RLC电路。RIS旨在智能地重构收发机之间的无线传播环境，其中RIS的核心特征在于准无源，RIS利用对人工电磁材料物理特性的调控实现对电磁波的无源控制。如果需要单独估计RIS-UE和RIS-BS信道，通过传统的最小二乘法(LS)、MMSE，或基于压缩感知(CS)的信道估计方法，因为存在大量的反射单元，RIS-UE和RIS-BS信道是极高维的，并且RIS单元需要部分或完全接入到基带，因此单独估计RIS-UE和RIS-BS信道复杂度较高且硬件成本大。

发明内容

本发明提供一种无线通信信道估计方法和装置，解决现有方法复杂度高和硬件成本大的问题。

为解决上述问题，本发明是这样实现的：

发明实施例提供一种无线通信信道估计方法，包含以下步骤：将用户端发送的导频信号，转化为二维图像得到信道矩阵；建立残差密集网络信道估计模型，初始化模型网络参数，将所述信道矩阵作为输入信号，噪声估计矩阵作为输出信号，进行模型训练，计算所述信道矩阵与噪声估计矩阵的差为信道估计矩阵，所述残差密集网络信道估计模型由RDN结构和CBAM结构级联组成；通过前向传递，根据所述残差密集网络信道估计模型计算信道损失函数；通过链式法则，根据随机梯度下降算法，对所述信道损失函数计算更新网络参数，用所述更新网络参数更新所述残差密集网络信道估计模型，直到信道估计矩阵的归一化均方误差满足收敛条件，记录当前的残差密集网络信道估计模型和模型网络参数。

优选地，在所述残差密集网络信道估计模型中，包含N_R个所述RDN结构和1个所述CBAM结构，N_R为级联RDN结构的个数，6≤N_R≤8。

优选地，所述RDN结构的主体为B个Conv3×3残差连接层。

优选地，所述CBAM结构由Conv7×7+Relu+Conv7×7构建。

进一步地，所述收敛条件为所述信道估计矩阵的归一化均方误差在连续设定周期内波动范围小于等于设定阈值。

进一步地，所述导频信号为用户端发送，传输主路径被遮挡后，经反射传输到基站的信号。

进一步地，每个用户端所有天线采用不同的导频序列，从而产生正交的导频矩阵。

优选地，所述方法还包含：实时接收用户端发送的导频信号，转化为信道矩阵，代入所述残差密集网络信道估计模型，得到最终的信道估计矩阵。

优选地，所述设定阈值为0.1dB，所述设定周期大于等于4。

优选地，所述导频信号为用户端发送，传输主路径被遮挡后，经智能反射表面面板反射传输到基站的信号。

本发明有益效果包括：本发明提出了无线通信信道估计方法，可用于实现毫米波信道的高效估计，相较于传统方法以更低的算法复杂度，得到了更优异的归一化均方误差(NMSE)性能。适用于RIS信道估计，尤其可用于对智能超表面的无线通信的毫米波大规模MIMO系统进行信道估计，可实现在一定信噪比下高性能和低复杂度的信道估计，工程应用能力强。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明方法流程实施例；

图2为一种残差密集网络信道估计模型实施例；

图3为一种残差密集网络信道估计模型子结构实施例；

图4(a)为信道估计性能实施例的收敛速度对比图；

图4(b)为信道估计性能实施例的模型结构对比图；

图4(c)为信道估计性能实施例的RDN结构数量对比图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例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，都属于本发明保护的范围。

预期未来十年通信网络容量千倍增长，无处不在的无线连接成为现实，但高度复杂的网络、高成本的硬件和日益增加的能源消耗成为未来无线通信面临的关键问题。在候选新技术中，智能超表面(RIS)以其独特的低成本、低能耗、可编程、易部署的特点脱颖而出。RIS是一种亚波长尺寸的人工二维材料，通常由金属、介质和可调元件构成，可以等效表征为RLC电路。调整电磁单元的物理性质，如容抗、阻抗或感抗，改变RIS的辐射特性，实现非常规的物理现象诸如非规则反射、负折射、吸波、聚焦以及极化转换，进而对电磁波进行动态调控。RIS旨在智能地重构收发机之间的无线传播环境，其中RIS的核心特征在于准无源，RIS利用对人工电磁材料物理特性的调控实现对电磁波的无源控制。其中，对物理特性的调控需要有源实现。RIS辅助大规模MIMO通过波束成形降低链路阻塞概率和系统能耗，并提高链路质量。而该优势的前提是RIS系统需要获得信道状态信息(CSI)。因此，RIS系统的低复杂度小误差信道估计是关键的技术。

由于部署、硬件和通信成本极低，纯无源RIS反射元件无疑更具吸引力。利用信道稀疏性，可以利用深度学习(DL)来预测最佳RIS相移矩阵，使得估计级联信道成为可能。在图像去噪领域，卷积神经网络(CNN)可以通过在无噪声图像中添加合成噪声来构建训练数据，利用残差网络结构和去冗余卷积神经网络获得估计信道。

本发明的创新点在于：第一、本发明利用级联毫米波信道的稀疏性，提出基于深度学习的方法进行信道估计；第二、在本发明深度学习模型中，采用残差密集网络(multipleresidual dense network，MRDN)模型，级联了残差密集网络(RDN)结构和卷积集中模块(CBAM)结构，可降低RIS硬件复杂度，且信道估计性能更好。

以下结合附图，详细说明本发明各实施例提供的技术方案。

图1为本发明方法流程实施例，可用于RIS无线通信的信道估计，作为本发明实施例，一种无线通信信道估计方法，具体包含以下步骤101～104：

步骤101、接收用户端发送的导频信号，转化为二维图像得到信道矩阵。

在步骤101中，基站(BS)接收用户端发送的导频信号，可以是直接接收，也可以是经无源器件反射后间接接收。

优选地，用户端发送导频信号，传输主路径被遮挡后，即基站和用户端的终端(UE)之间未形成直接链路，经反射，基站接收到导频信号。

进一步地，用户端发送导频信号，通过RIS面板的反射，使得基站接收到导频信号。需说明的是，基站接收的导频信号还可经其他无源器件反射，本发实施例是经RIS面板反射。

在步骤101中，对于基站、用户端和RIS反射面板，首先考虑时分双工(TDD)RIS辅助毫米波通信系统的上行链路，包含一个RIS面板、一个控制器、一个配备N_b天线的基站和K个用户设备(UE)配备N_u个毫米波天线的RIS辅助MIMO系统。其中，N_b为基站天线总数，K为通信系统用户总数，N_u为所有用户端的MIMO系统的天线总数。

假设RIS面板配备N＝N_vN_h个无源反射元件，其中N_h和N_v分别表示水平和垂直方向上RIS的单位单元数。定义

h_r,b分别为从第k个用户终端到RIS面板和从BS到RIS面板的信道，/>

为第k个UE和BS之间的直射链路信道，k为用户终端序号。

基站处接收的所述导频信号表示为：

其中，y为基站处接收到的所述导频信号，

表示BS处的噪声向量，服从高斯分布，/>

为噪声方差，I表示单位向量。

Ψ_k为第k个终端对应的RIS相移矩阵，表示在第k个时隙中由RIS面板引入到来自发射机的反射信号的相移，

为N×N的复数值矩阵，ψ_k为第k个有效相移，代表RIS面板无源反射元件的有效相移，/>

为N×1的复数值矩阵，并且/>

n₁为无源反射元件序号，/>

为第n₁个无源反射元件的增益幅度，/>

为第n₁个无源反射元件的相位偏移，[·]表示矩阵外积运算。

Φ_k为第k个终端发送的导频矩阵，

分别为第k个终端的第1,2，……，N_u个天线发送的导频序列，/>

为τ×N_u的复数值矩阵，τ为导频矩阵的序列大小。

优选地，所述导频序列为正交导频序列。即为了传输导频，所以UE的不同天线采用不同的导频序列。一个导频将只分配给一个UE，从而产生一个正交的导频序列矩阵。

假设

并且为了简化信道估计算法的设计和分析，假设UE和BS之间由于阻塞或接收功率可忽略，不存在直射链路，那么，在BS第k个UE的处理接收的所述导频信号由下式给出：

其中，y_k为基站处接收的第k个UE发送的导频信号。

由于实际的毫米波信道通常具有有限数量的散射数量且预RIS面板中会出现视距传输，因此第k个UE到RIS面板的信道可用公式3计算，BS到RIS面板的信道可用公式4计算：

其中，l表示多径序号，即第l条多径，L_t表示用户和RIS面板之间的信道的散射数量，L_r表示基站和RIS面板之间信道的散射数量，z_l表示第l条多径依赖于距离的路径损耗和阴影。

在公式3中，h_r,u是UE到RIS面板的信道通用参数，是

的一般表达形式，用户的变化通过变量k区分，也就是说，/>

均可通过公式3计算得到，每个UE的导频信号不同且正交。

和/>

分别表示第l个散射路径到达角(angle-of-arrival)的仰角和方位角，

和/>

表示第l个散射路径出发角(angle-of-departure)的仰角和方位角。

和/>

分别表示在用户和RIS面板之间传输过程中用户和RIS处的导向矢量，/>

和/>

分别表示在基站和RIS面板之间传输过程中基站和RIS处的导向矢量。导向矢量取决于阵列的几何形状。N_1T和N_2T分别代表用户端UPAs两个平面维度天线数量。

和/>

由下式给出：

其中，d为天线间距，λ为导频信号的波长，

表示卷积运算。/>

是第一导向矢量集合，包含/>

和/>

是第二导向矢量集合，包含

和/>

因UE到RIS面板和BS到RIS面板的毫米波信道不同，所以在公式3和公式4中加以区分。

在步骤101中，由于接收信号矩阵

的实部和虚部是独立的，可以首先将它们组合成一个矩阵。在这种情况下，信道矩阵可以被视为二维图像。

将基站接收到的导频信号转化为二维图像得到信道矩阵的方式为：将接收到的导频信号

通过二维傅里叶变换得到/>

再将y_F,k的实部和虚部结合为二维矩阵/>

此二维矩阵视为是二维图像。y_F,k为y_k的二维傅里叶变换结果，/>

为N_b×2N_u的实数值矩阵。

步骤102、建立残差密集网络信道估计模型和初始化模型网络参数，将所述信道矩阵作为输入信号，噪声估计矩阵作为输出信号，进行模型训练，计算所述信道矩阵与噪声估计矩阵的差为信道估计矩阵。

在步骤102中，初始化的模型网络参数包含：N_R个RDN结构的网络参数

n₀∈{1，…N_R}和CBAM结构的网络参数Θ_a＝{W_-1,a,W_1,a,b_-1,a,b_1,a}。其中，Θ_a为CBAM结构的网络参数，W_-1,a,W_1,a,b_-1,a,b_1,a分别为第一权重矩阵，第二权重矩阵，第一偏置矩阵，第二偏置矩阵；/>

为第n₀个RDN结构的网络参数，/>

分别为第n₀个RDN结构的RDN权重矩阵，RDN偏置矩阵，n₀为RDN结构序号，m₀为RDN结构表示符号。

在步骤102中，所述残差密集网络信道估计模型的输出信号为所述噪声估计矩阵，用所述信道矩阵减去噪声估计矩阵得到去噪信道估计矩阵

在步骤102中，所述残差密集网络信道估计模型由RDN结构和CBAM结构级联组成。

优选地，在所述残差密集网络信道估计模型中，包含N_R个所述RDN结构和1个所述CBAM结构，其中，N_R为级联RDN结构的个数，N_R受限于计算机硬件性能，可设6≤N_R≤8。

优选地，所述RDN结构的主体为B个Conv3×3残差连接层，其中，B为RDN结构中卷积层Conv的个数，Conv3×3表示卷积核大小为3×3。

优选地，所述CBAM结构由Conv7×7+Relu+Conv7×7构建，其中，Conv7×7卷积核大小为3×3，Relu为激活函数。

步骤103、通过前向传递，根据所述残差密集网络信道估计模型计算信道损失函数。

在步骤103中，通过前向传递，根据信道损失函数得到当前循环的损失，计算去噪信道估计矩阵

需注意本发明估计的信道/>

为级联信道。

所述信道损失函数为：

其中，

为所述信道损失函数，σ为信道归一化噪声系数，/>

为去噪信道估计矩阵，Y为所述信道矩阵，可以是真实的级联信道/>

通过所述信道损失函数得到当前循环的损失为：

i为训练样本序号，/>

为当前训练样本的去噪信道估计矩阵，Y_i为当前训练样本的信道矩阵。

步骤104、通过链式法则，根据随机梯度下降算法(SGD)，对所述信道损失函数计算更新网络参数，用所述更新网络参数更新所述残差密集网络信道估计模型，直到归一化均方误差满足收敛条件，记录当前的残差密集网络信道估计模型和模型网络参数。

通过链式法则，根据随机梯度下降算法(SGD)，将更新的网络参数

反向传递至所残差密集网络信道估计模型，实现网络参数的更新，并再次进行步骤103。

其中，W_new为更新网络参数的集合，W为原始网络参数的集合，η表示学习效率。W_new和W均包含如下网络参数：N_R个RDN结构的网络参数

n₀∈{1，…N_R}和CBAM的网络参数Θ_a＝{W_-1,a,W_1,a,b_-1,a,b_1,a}。

在步骤104中，若归一化均方误差满足收敛条件，则完成模型迭代，记录当前的残差密集网络信道估计模型和模型网络参数。所述归一化均方误差是指信道估计误差NMSE。

优选地，所述收敛条件为所述归一化均方误差在连续设定周期内波动范围小于等于设定阈值。

进一步地，所述设定阈值为0.1dB，所述设定周期大于等于4。

例如，当系统的NMSE性能在连续5个循环内不变后，停止循环，并保存当前循环下的残差密集网络信道估计模型的网络参数。

在步骤104中，通过残差密集网络信道估计模型的输出

将O通过二维傅里叶变换拆分出两部分构成实部和虚部，结合实部和虚部得到噪声估计矩阵，进一步得到去噪信道估计矩阵/>

其中，O表示所述噪声估计矩阵。

在本发明实施例中，结合历史数据通过上述步骤101～104，进行模型训练，得到最终的残差密集网络信道估计模型。在由历史数据组成的训练样本中，信道矩阵、噪声估计矩阵和去噪信道估计矩阵均为已知矩阵。

进一步地，实时接收用户端发送的导频信号，转化为信道矩阵，代入所述残差密集网络信道估计模型，可得到最终的信道估计矩阵。

需要说明的是，实施例1所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。比如，步骤101和步骤102的执行主体可以为设备1，步骤103的执行主体可以为设备2；又比如，步骤101的执行主体可以为设备1，步骤102和步骤103的执行主体可以为设备2；等等。

本发明实施例提出的无线通信信道估计方法，结合了残差密集网络结构和卷积集中模块，可以估计级联毫米波稀疏信道的准确信息，与现有的基准方案相比，本实施例方法可以降低RIS硬件的复杂度。

图2为一种残差密集网络信道估计模型实施例，可用于建立本发明残差密集网络信道估计模型。

作为本发明实施例，在所述残差密集网络信道估计模型中，包含N_R个所述RDN结构和1个所述CBAM结构。

所述残差密集网络信道估计模型的输入信号为信道矩阵Y。

RDN本身是一个图像恢复网络，可以将其修改后用作残差密集网络信道估计模型的一个组件。

CBAM依靠7×7的卷积感受视野，可以在残差密集网络信道估计模型的尾部用作残差密集网络信道估计模型的一个组件，提高信道估计的性能。

在本发明实施例中，所述残差密集网络信道估计模型由N_R个所述RDN结构和1个所述CBAM结构级联而成，递推关系可表示为：

其中，F(x)为MRDN信道估计模型的输出信号，为所述噪声估计矩阵，表示所述残差密集网络信道估计模型的输出信号，x为MRDN的输入，M为所述RDN结构的输出信号，A(x)为所述CBAM结构的输出信号，

为N_R个RDN结构级联的输出信号，/>

表示函数级联组合运算。

在公式8中，残差密集网络信道估计模型的输出信号由N_R个RDN结构级联输出信号与CBAM结构级联输出信号得到。如图2所示，将信道矩阵Y减噪声估计矩阵，可得到去噪信道估计矩阵

需注意，MRDN为残差神经网络，因此接收信号矩阵Y和噪声进行残差得到的结果即为去噪信道估计矩阵/>

图3为一种残差密集网络信道估计模型子结构实施例，可用于本发明残差密集网络信道估计模型的RDN结构和CBAM结构。

如图3所示，RDN结构由B个Conv3×3+Relu级联而成，其中，B为RDN结构中卷积层的个数，Conv3×3表示卷积核大小为3×3，Relu为激活函数。

RDN结构的全局残差连接在解决去噪图像问题方面表现良好，RDN结构网络可以专注于学习噪声和真实信道矩阵之间的差异。

RDN结构每层Conv3×3+Relu的输入信号为上一层Conv3×3+Relu的输出信号和所述信道矩阵。

第n层残差连接层的递推关系为：

其中，n₂为残差连接层序号，

为第n₂层残差连接层输出信号，Y为所述信道矩阵，

为第n₂层卷积运算层映射关系。

RDN结构主体的递推关系为：

其中，M为RDN结构的输出信号，x₁，……，

分别为第一个……第N_R个RDN结构的输入信号，/>

为第N_R个RDN结构中第n₂层残差连接层的输出，n₂∈{1,…,B}为残差连接层序号。

如图3所示，所述CBAM结构的输入信号为RDN结构的输出信号，输出信号为所述噪声估计矩阵。

如图3所示，所述CBAM结构由两个Conv7×7和一个Relu级联而成，其中，Relu为激活函数，Conv7×7表示卷积核大小为7×7。

在所述CBAM结构中，满足如下公式12～14：

z₀＝max(0,z_-1) (13)

其中，x为CBAM结构的输入信号，为二维矩阵，是所述RDN结构的输出，z₁为CBAM结构的输出信号，为二维矩阵，是所述噪声估计矩阵，z₀为CBAM结构中间层的输出信号，z_-1为CBAM结构第一层输出信号。

W_-1,a,W_1,a,b_-1,a,b_1,a分别为CBAM结构的第一权重矩阵，第二权重矩阵，第一偏置矩阵，第二偏置矩阵，构成了CBAM结构的参数Θ_a＝{W_-1,a,W_1,a,b_-1,a,b_1,a}。

由公式12～14，所述CBAM结构的递推关系可以表示为：

其中，A(x)为所述CBAM结构的输出信号，A(x)＝z₁，c为卷积层映射，r为Relu激活函数，x为所述CBAM结构的输入信号，为二维矩阵，是N_R个RDN级联网络的输出

图4(a)为信道估计性能实施例的收敛速度对比图，图4(a)为信道估计性能实施例的模型结构对比图，图4(a)为信道估计性能实施例的RDN结构数量对比图。

本发明实施例对采用本发明方法的信道估计性能进行了仿真，并与传统的CBDNet和GAN-CBDNN信道估计模型进行了对比。

作为本发明实施例，一种仿真场景设置如下：典型智能超表面无线通信毫米波大规模MIMO系统，其中直射路径被遮挡。其中发射器UE和接收器BS均为多天线，令N_u和N_b分别表示发射器和接收器处的天线数量,N表示RIS的总单元数。

按照下表1中参数进行仿真，步骤参照图1实施例中的步骤101～104。

表1 仿真参数表

上表1中训练集、验证集和测试集通过公式3，4，5和6获取。

特征通道数变量表示卷积核种类，影响特征提取的准确性，在图2和图3中对应卷积输出的纵向维度。

在本发明实施例中，基于CBDNet的信道估计器设计如下：

DNN_E和DNN_D分别表示噪声水平估计子网和非盲去噪子网，Θ_E和Θ_D分别表示DNN_E和DNN_D的网络参数。x₀₁和z₀₁是第k₁个Conv层的输入和输出，为一个二维矩阵，则卷积层的数学推导为：

其中，DNN权重矩阵和DNN偏置矩阵

和/>

是第k₁个Conv层的卷积大小和偏置，k₁是卷积层序号，注意对Conv层c₀₁，z₀₁＝c₀₁(x₀₁)，网络参数/>

对Softmax层s，z₀₁＝s(x₀₁)，网络参数/>

假设激活函数max表示为ReLU层函数，ReLU层的数学推导是z₀₁＝max(0,x₀₁)，记作z₀₁＝r₀₁(x₀₁),Conv层,Softmax层和激活函数将构建网络模型DNN_E和DNN_D进行训练。

在所述噪声水平估计子网中，输入层：由于接收信号矩阵

的实部和虚部在BS处是独立的，可以首先将其组合成一个矩阵/>

作为DNN_E的输入。中间层：DNN_E由B_c个Conv层和K₁个SoftMax层组成。DNN_E主体的递推关系为：

其中，运算符o表示函数组合，σ₀₁表示空间不变AWGN的噪声水平，

是所有元素都是σ₀₁的映射，/>

是DNN_E的映射函数。

在所述非盲去噪子网中，输入层：DNN_D将Y和M₀₁的集合作为输入来获得估计的信道矩阵。DNN_D由B_D个残差块

组成，c，b、r分别表示Conv层，Softmax层和激活函数。

DNN_D主体的递推关系为：

中间输出

其中/>

是堆叠残差块的映射函数，m是DNN_D层序号。

输出层：通过反转组合，DNN_D的中间输出H_m生成的去噪信道估计矩阵

损失函数：在非对称学习中，可以估计噪声水平以改进损失函数，以提升DNN_D的有效性。损失函数表示为：

其中σ₀₁由公式17得到，

为DNN_D损失函数。

在本发明实施例中，基于GAN的信道估计模型如下：

受生成对抗网络结构技术发展的推动，基于CBDNet作为生成器子网络，可以开发GAN-CBDNN用于去噪建模。GAN范式在CBDNet工作时通过训练和拟合生成采样器G，将GAN-CBDN网络的结果与信道进行比较，并纠正判断器D。

训练判断器D的目的是将训练样本与生成器G生成的样本区分开来，生成器经过判断器的判断，减少样本被误分类的可能性。

生成器网络：为了验证GAN结构的有效性，我们使用CBDNet作为生成器网络。GAN_D由B_G个残差块组成。

其中，

是非盲去噪子网的映射函数，/>

是GAN_E的映射，/>

表示N_b×2N_u的实数值矩阵，/>

表示非盲去噪子网的参数。

/>

其中，σ₀₂为空间不变AWGN的噪声水平，

为噪声水平估计子网的递推关系表达式，/>

表示噪声水平估计子网的参数。

判别器网络：训练过程将连续极小极大判断过程定义为：

其中，D是将

映射到单位间隔的函数，G是映射随机噪声向量/>

的函数，/>

为期望。

图4(a)比较了三种不同的模型，包括MRDN、CBDNet和GAN-CBDN，本发明MRDN可以实现最佳的NMSE性能和最快的收敛。

图4(a)的横坐标表示循环周期(时间)，纵坐标表示NMSE性能(随网络参数的更新而逐步收敛)，从图4(a)可以看出在相同NMSE取值情况下，MRDN模型的收敛速度最快，CBDnet模型的收敛速度最慢。

因为GAN-CBDN带来了判断网络的优势，所以表现出比CBDNet更好的性能。训练和离线操作的计算复杂度可以大大降低。此外，增强了信道估计器对不同场景的鲁棒性。MRDN的平均运行时间(以秒为单位)为0.0075，而CBDNet和GAN-CBDN分别为0.0094s和0.0098s，与CBDNet和GAN-CBDN相比，MRDN的训练和离线操作的计算复杂度可以降低。然而，对于几乎相同的计算复杂度，与CBDNet相比，GAN-CBDN可以实现更好的NMSE性能和快速收敛。但与MRDN相比，网络结构的改进并不显着。

图4(b)比较了基于MRDN的通道估计器在不同结构下的NMSE性能(例如，CBDNet，GAN-CBDNN，CV-DnCNN)和现有的传统信道估计方法(例如，ADMM，PAPRFAC)。每种方法的模拟结果平均超过300次迭代。

图4(b)的横坐标是信噪比，纵坐标是NMSE，可以看出在相同信噪比条件下MRDN的NMSE效果最好。

与GAN-CBDN和CBDNet相比，MRDN结构可以实现更好的NMSE性能，分别提高了5.63dB和4.51dB。与同样基于CNN的CV-DnCNN以及传统的ADMM和PAPRFAC相比，尽管在NMSE上的性能比较显着，但MRDN较低的复杂度使其能够更好地应用。

图4(c)比较了不同数量的特征和RDN的NMSE性能，横坐标是信噪比，纵坐标是NMSE。

由于全局残差密集连接的RDN越多，感知领域越全面。在本发明实施例中，具有80个特征和6个密集连接的RDN结构的MRDN表现更好。因此，准确描述噪声的主要挑战是缺乏神经网络的观察维度和建模能力，例如特征和层。

综上所述，本发明实施例所述残差密集网络信道估计模型，利用RIS系统的级联信道的稀疏性，将信道矩阵转化为二维图像，通过所提出的多重残差密集网络(MRDN)可以得到估计信道。与上一代方法相比，MRDN可以在降低信道估计算法复杂度的同时，提高信道估计的性能。仿真结果表明，在与CBDNet和GAN-CBDN相同数量级的复杂度下，提出的MRDN估计器的性能和收敛性要优于CBDNet和GAN-CBDN。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

因此，本申请还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请中任一实施例所述的方法。

进一步地，本申请还提出一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请任一实施例所述的方法。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (10)

1.一种无线通信信道估计方法，其特征在于，包含以下步骤：

将用户端发送的导频信号，转化为二维图像得到信道矩阵；

建立残差密集网络信道估计模型，初始化模型网络参数，将所述信道矩阵作为输入信号，噪声估计矩阵作为输出信号，进行模型训练，计算所述信道矩阵与噪声估计矩阵的差为信道估计矩阵，所述残差密集网络信道估计模型由残差密集网络(RDN)结构和卷积集中模块(CBAM)结构级联组成；

通过前向传递，根据所述残差密集网络信道估计模型计算信道损失函数；

通过链式法则，根据随机梯度下降算法，对所述信道损失函数计算更新网络参数，用所述更新网络参数更新所述残差密集网络信道估计模型，直到信道估计矩阵的归一化均方误差满足收敛条件，记录当前的残差密集网络信道估计模型和模型网络参数；

所述RDN结构的主体为B个Conv3×3残差连接层，其中，B为RDN结构中卷积层的个数，Conv3×3表示卷积核大小为3×3，第n层残差连接层的递推关系为：

其中，n₂为残差连接层序号，

为第n₂层残差连接层的输出信号，长宽维度和输入Y相同，Y为所述信道矩阵，/>

为第n₂层卷积运算层映射关系；

所述CBAM结构由Conv7×7+Relu+Conv7×7构建，递推关系为：

A(x)＝coroc(x)

其中，A(x)为所述CBAM结构的输出信号，为所述噪声估计矩阵，c为Conv层，r为Relu激活函数，x为所述CBAM结构的输入信号，为二维矩阵，o表示函数级联组合运算。

2.如权利要求1所述的无线通信信道估计方法，其特征在于，在所述残差密集网络信道估计模型中，包含N_R个所述RDN结构和1个所述CBAM结构，其中，N_R为级联RDN结构的个数，6≤N_R≤8。

3.如权利要求1所述的无线通信信道估计方法，其特征在于，所述收敛条件为所述信道估计矩阵的归一化均方误差在连续设定周期内波动范围小于等于设定阈值。

4.如权利要求1所述的无线通信信道估计方法，其特征在于，所述导频信号为用户端发送，传输主路径被遮挡后，经反射传输到基站的信号。

5.如权利要求1所述的无线通信信道估计方法，其特征在于，每个用户端所有天线采用不同的导频序列，从而产生正交的导频矩阵。

6.如权利要求1所述的无线通信信道估计方法，其特征在于，所述方法还包含：实时接收用户端发送的导频信号，转化为信道矩阵，代入所述残差密集网络信道估计模型，得到最终的信道估计矩阵。

7.如权利要求3所述的无线通信信道估计方法，其特征在于，所述设定阈值为0.1dB，所述设定周期大于等于4。

8.如权利要求4所述的无线通信信道估计方法，其特征在于，所述导频信号为用户端发送，传输主路径被遮挡后，经智能反射表面面板反射传输到基站的信号。

9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1～8任一所述的方法。

10.一种电子设备，其特征在于，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1～8任一所述的方法。

Images