CN114268388B - 一种在大规模mimo中基于改进gan网络的信道估计方法 - Google Patents

Abstract

本发明所述的是一种在大规模MIMO系统中基于改进GAN网络的信道估计算法，其考虑在一比特上行多用户大规模MIMO系统中进行基于深度学习的信道估计时，为了提高性能，提出采用改进生成对抗网络的信道估计方法；在该方法中，引入随机量化方法来改进GAN网络的输入，使输入数据更加真实；通过对生成器和判别器分别引入惩罚项来生成新的优化目标函数，使网络优化方向正确，并由模型仿真确定网络结构。GAN网络利用先验的信道估计观测值来学习从量化测量值到信道的非平凡映射；对生成器和判别器进行对抗训练来预测更真实的信道。数值仿真结果，从归一化均方误差(NMSE,Normalized Mean Squared Error)的角度表明,该方法明显提高了大规模多输入输出系统信道估计的准确性。

Description

一种在大规模MIMO中基于改进GAN网络的信道估计方法

技术领域

本发明涉及无线通信技术领域，具体是涉及一种在大规模MIMO中基于改进GAN网络的信道估计方法。

背景技术

在未来无线通信系统中，大规模多输入多输出技术是提高系统容量和频谱利用率的关键技术之一。通过在基站中部署大量天线，大规模MIMO系统不仅提高了多用户间频谱资源的复用能力，并且因抗干扰能力强，大大提高了数据传输速率；然而，目前的大规模MIMO系统通常配备高分辨率模数转换器(ADC,Analog to Digital Converter)，这导致了高功耗和硬件复杂性。为了解决这个问题，现有技术将带有一位ADC的大规模MIMO作为替代解决方案。这种一位ADC的挑战在于，由于接收到的低分辨率ADC信号被严重量化，精确的信道估计变得更加困难。

传统的一比特大规模MIMO信道估计方法有最小二乘估计、最大期望估计和近极大似然估计等；然而，这些信道估计器要么依赖于高度复杂的非线性优化算法，要么性能不佳。近年来，深度学习(DL,Deep Learning)在大规模MIMO信道估计中的研究取得了令人瞩目的成功，例如，Huang H等人采用深度神经网络(DNN,Deep Neural Network)进行离线学习和在线学习过程，有效地学习了角度域内无线信道统计和空间结构；He H等人开发了一种基于学习去噪的近似消息传递(LDAMP,Learning Denoising-based ApproximateMessage Passing)网络，该神经网络可以从大量的训练数据中学习信道结构和估计信道，但现有的基于深度学习的方法，由于神经网络中连续层的信息丢失，很难生成更真实的信道矩阵。神经网络可适用于输出为标签且信息丢失不会影响性能的分类或识别问题，但对于数据生成问题(如信道估计)，信息丢失可能导致性能较差，必须予以重视。因此，在处理数据生成问题时，神经网络的损失函数必须被很好地设计和研究，以减少在获取过程中的信息损失；然而，目前的信道估计工作要么没有研究损失函数，要么凭经验使用一般损失函数(即L1或L2损失)；这些损失函数没有很好的设计来解决大规模MIMO系统中的信道估计问题，这在很大程度上限制了性能，导致信道估计结果很差。特别是在低信噪比环境下，一个不适当的损失函数会导致在训练阶段出现错误的优化。

现有技术中有采用GAN网络进行信道估计，在GAN网络中，生成器和判别器被反向训练，以根据不同的任务和数据集提供自适应损失，不再固定损失函数，通过对抗式训练，生成器通过从判别器的反向传播中更新参数，而不是直接从数据中得到的；判别器试图在不经过复杂的损失函数设计的情况下从真实信道中获得真实分布。然而，GAN很难训练，原因之一是它们容易出现模式崩溃，也就是说，他们只学习描述几种分布模式的特征。因此，需要设计一种GAN网络的信道估计方法，可用于大规模MIMO中，使其在不增加复杂度的基础上，使生成的数据更加符合真实的信道。

发明内容

为解决上述技术问题，本发明提出一种在大规模MIMO中基于改进GAN网络的信道估计方法，基于生成对抗网络(cGAN,Conditional Generation Adversarial Networks)网络用于信道估计的相关方法，在此基础上，不再使用传统的量化方式引入随机量化优化网络输入数据，改进GAN网络结构并且引入新的损失函数，信道估计的性能有显著的改进。

本发明所述的一种在大规模MIMO中基于改进GAN网络的信道估计方法，步骤为:

步骤1、对数据预处理，基于信道H的统计知识随机生成一组不相同的阈值τ，选取最优阈值，生成测量数据Y和信道H。

步骤2、将测量数据Y和信道H作为改进的GAN网络的输入值，构建训练集和测试集，对数据进行训练，模拟信道实现；

步骤3、对步骤2模拟信道实现得到的信道估计影响进行验证。

进一步的，步骤1中，所述随机量化方案具体为：

步骤1-1、构造基站与K个用户之间的信道向量，K个用户的信道H可定义为：

H＝[h₁,h₂,…,h_k,…,h_K]；

步骤1-2、K个用户同时向基站发送长度为t的导频序列，基站使用一位模数转换器量化接收信号，将接收到的BS处经过一比特量化的测量数据Y表示为：

其中，X∈C^K×t是训练矩阵，其行对应于每个用户具有t个导频符号的训练序列；H∈C^M×K表示要估计的确定性信道参数；W∈C^M×t表示加性高斯白噪声矩阵，其遵循具有均值为零和方差的圆对称复高斯分布；sgn(·)量化是一个按元素进行的运算，定义为：

步骤1-3、便于分析，将测量矩阵Y变成实数矩阵其中

将步骤1-2得到的测量数据Y进行预处理，引入随机量化，得到y＝sgτn(Ah+w-)，其中y，h，w代表实数矩阵的向量化形式，A代表单位矩阵和实数矩阵/>克罗内克积，τ代表随机量化的阈值。

进一步的，改进的GAN网络训练过程为：

步骤2-1、输入:迭代次数＝N，样本大小＝I,n＝0,i＝0；

步骤2-2、分别从测量数据Y和信道H中各选取一个样本Y⁽ⁱ⁾、H⁽ⁱ⁾，将样本Y⁽ⁱ⁾输入生成器中，得到其中Y⁽ⁱ⁾为测量数据样本，G_ψ(·)为生成器，ψ为生成器的权重，/>为生成器生成的估计信道；

步骤2-3、计算判别器损失函数，更新判别器，其中D_θ为判别器，/>代表梯度下降法，L_D为判别器的损失函数；

步骤2-4、梯度更新优化参数θ，θ←θ+ηAdam(θ,D_θ)，其中θ为判别器的权重，η为学习率，Adam(·,·)代表优化器；

步骤2-5、计算生成器损失函数，更新生成器其中ψ为生成器的权重，代表梯度下降法，L_G为生成器的损失函数；

步骤2-6、梯度更新优化参数ψ：ψ←ψ-ηAdam(ψ,G_ψ)，其中ψ为生成器的权重，η为学习率，Adam(·,·)代表优化器；

步骤2-7、令i＝i+1，如果i<I，跳转到步骤2-2，否则往下执行；

步骤2-8、令n＝n+1、i＝0，如果n<N，跳转到步骤2-2，否则结束训练。

进一步的，步骤2-3，判别器损失函数的计算公式为：

L_D＝E[logD_θ(H)]+E[log(1-D_θ(G_ψ(Y))]+λ₂E[||D_θ(G_ψ(Y))||²]。

进一步的，步骤2-5，生产器损失函数的计算公式为：

L_G＝E[log(D_θ(G_ψ(Y)))]+λ₁E[||H-G_ψ(Y)||²]。

本发明所述的有益效果为：

(1)本发明采用一位ADC，解决了大规模MIMO系统下信道估计的高功耗和硬件复杂性；同时本发明提出的改进的GAN网络的算法摒弃了传统的高度复杂的非线性优化算法，性能也得到提升。

(2)本发明对传统固定量化方案进行处理，引入一种不涉及任何迭代过程且易于实现的随机量化方案，在不增加复杂度的基础上，使生成的数据更加符合真实的信道。

(3)本发明将信道估计问题作为图片到图片翻译问题，需要翻译一个低分辨率的图像(量化观测Y)与高分辨率图像(信道矩阵H)，引入GAN网络，在网络本身的自适应损失的基础上加入了惩罚项，使网络优化方向更加正确；与传统方法与现有深度学习方法相比，提升了信道估计的准确度。

附图说明

为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明。

图1为一比特大规模MIMO信道估计示意图；

图2为改进GAN模块示意图；

图3为GAN生成器结构示意图；

图4为GAN判别器结构示意图；

图5为卷积层提取特征的过程示意图；

图6为不同网络下信道估计的性能示意图；

图7为天线数量对改进的GAN网络信道估计性能示意图；

图8为导频长度对改进的GAN网络信道估计性能示意图。

具体实施方式

如图1所示的上行多用户大规模MIMO系统，基站(BS)配备M个天线与K个单天线用户通信，每个BS天线配备两个一位ADC，其中ADC代表模数转换器。基站在其接收链中仅采用一位模拟数字转换器。此外，采用时分双工(TDD)系统操作，其中信道通过上行链路训练来估计，并用于下行链路数据传输。利用Wireless InSite获得的精确射线跟踪数据，生成基站与用户之间的信道，该数据能够计算出每对基站-用户在其信道路径上的综合信道特性。

假设用户和基站之间的信号传播由L条路径组成，特别针对在通道路径l中的第k个用户，计算了在BS处的方位角和出发仰角/>以及在用户侧的方位角/>和到达仰角/>同时，还计算了在路径l中，BS和第k个用户之间的相位/>接收功率/>和传播延迟/>根据这些信道参数，可以构造BS和用户k之间的信道向量h_k：

其中ω_l是每条路径的复增益，是BS处阵列响应，它们分别表示为：

其中，B为系统带宽，d为天线间距；最后，K个用户的信道H可定义为：

H＝[h₁,h₂,…,h_k,…,h_K] (4)

利用用户的导频信号进行信道估计，如图1所示，K个用户同时向BS发送长度为t的导频序列，该系统在基站使用一位模数转换器来量化接收信号。具体地说，在每根天线上，接收信号的实部和虚部分别用一对一位模数转换器进行量化，然后，将接收到的BS处经过一比特量化的测量数据Y表示为：

其中，X∈C^K×t是训练矩阵，其行对应于每个用户具有t个导频符号的训练序列；H∈C^M×K表示要估计的确定性信道参数；W∈C^M×t是一个噪声矩阵，表示加性高斯白噪声，其遵循具有均值为零和方差的圆对称复高斯分布；sgn(·)量化是一个按元素进行的运算，定义为：

因此可以看出Y是一个量化信号，其元素从集合{1+j,-1+j,1-j,-1-j}中取值。本发明的目标是使用所提出的改进GAN从高度量化的测量数据Y中恢复信道矩阵这是一种使用对抗式深度学习模型，使估计的信道矩阵更准确和鲁棒的方法。

进行GAN信道估计之前我们首先对输入的数据进行预处理。优化了神经网络的输入，使输入数据更加接近真实值，所以对传统固定量化方案式(5)进行处理，引入一种不涉及任何迭代过程且易于实现的随机量化方案；便于分析将式(5)变成实数矩阵：

其中:

对实值矩阵进行矢量化，接收信号可以将实值表示为向量形式，如下所示：

y＝sgn(Ah+w) (9)

其中代表克罗内克积。

因此，引入随机量化，式(5)可以写成：

y＝sgτn(Ah+w-) (10)

其中τ∈C^2×M×t。其思想是基于H的统计知识随机生成一组不相同的阈值τ，希望其中一些阈值接近未知的最优阈值。按照已知的信道分布，随机生成了H的个不同的实现，表示为/>设计N个量化阈值：

其中代表A的第n行，n＝{1，2，…，N}。

考虑测量信号Y和信道H是复矩阵，用图像的两个通道分别表示复矩阵的实部和虚部。那么，测量数据Y和信道H是双通道图像的维数M×t×2(t为导频长度)和M×K×2。可以把信道估计问题作为图片到图片翻译问题，需要翻译一个低分辨率的图像与高分辨率图像测量数据Y与完整的信道矩阵H。在本发明中，采用改进GAN与深层神经网络来完成这个信道估计的任务。

训练过程如图2所示，生成器G负责从条件输入(即量化的测量数据Y)估计信道矩阵判别器D能够识别出一个给定的输入，是真实的标签“1”(即从真实H中提取)还是虚假的标签“0”(即从生成的/>中提取)。常规的GAN是一种基于对抗性模型(即判别器)和训练生成模型(即生成器)的架构，发生器学习从随机噪音到真实数据的映射，但这种映射具有不稳定性和随机性。因此，对提出的GAN网络进行改进，它学习了从条件输入到真实数据的映射，利用GAN学习真实信道的映射关系从测量数据Y到矩阵H。GAN的目标是使发生器合成最真实的信道矩阵来欺骗判别器，同时，判别器要学会不轻易上当受骗。两种网络相互抵消以获得最优结果。

GAN网络的优化目标函数为：

其中G_ψ表示由ψ参数化的生成器，该生成器合成通道矩阵(即G_ψ(Y))，D_θ是θ参数化的判别器，用于将生成的信道/>与真实的信道H(即真实的标签“1”或伪标签“0”)区分开来。

其中GAN网络中生成器的损失函数为：

L_G＝E[log(D_θ(G_ψ(Y)))] (13)

判别器的损失函数为：

L_D＝E[logD_θ(H)]+E[log(1-D_θ(G_ψ(Y))] (14)

已知对于式(12)，实际是一个JS散度问题，而JS散度值是一个常数，意味着梯度为0，即发生了梯度消失。为了保证生成器优化方向正确，网络过拟合问题，通常会加入惩罚项，本发明提出对GAN网络生成器和判别器的损失函数分别引入惩罚项，则生成器和判别器的损失函数为：

L_G＝E[log(D_θ(G_ψ(Y)))]+λ₁E[||H-G_ψ(Y)||²] (15)

L_D＝E[logD_θ(H)]+E[log(1-D_θ(G_ψ(Y))]+λ₂E[||D_θ(G_ψ(Y))||²] (16)

加入惩罚项的生成器和判别器，优化方向更加正确，防止了网络训练模式奔溃和网络过拟合。后续验证模块仿真结果可以表明，改进损失函数后的GAN网络，在信道估计时性能得到了提升。

改进后GAN网络的训练过程，如下步骤所示：

步骤2-1、输入:迭代次数＝N，样本大小＝I,n＝0,i＝0；

步骤2-2、分别从测量数据Y和信道H中各选取一个样本Y⁽ⁱ⁾、H⁽ⁱ⁾，将样本Y⁽ⁱ⁾输入生成器中，得到其中Y⁽ⁱ⁾为测量数据样本，G_ψ(·)为生成器，ψ为生成器的权重，为生成器生成的估计信道；

步骤2-3、计算判别器损失函数，更新判别器，其中D_θ为判别器，/>代表梯度下降法，L_D为判别器的损失函数；

步骤2-4、梯度更新优化参数θ，θ←θ+ηAdam(θ,D_θ)，其中θ为判别器的权重，η为学习率，Adam(·,·)代表优化器；

步骤2-5、计算生成器损失函数，更新生成器其中ψ为生成器的权重，代表梯度下降法，L_G为生成器的损失函数；

步骤2-6、梯度更新优化参数ψ：ψ←ψ-ηAdam(ψ,G_ψ)，其中ψ为生成器的权重，η为学习率，Adam(·,·)代表优化器；

步骤2-7、令i＝i+1，如果i<I，跳转到步骤2-2，否则往下执行；

步骤2-8、令n＝n+1、i＝0，如果n<N，跳转到步骤2-2，否则结束训练。

网络结构参考pix2pix网络的结构，生成器采用Unet网络结构如图3，判别器采用PatchGAN网络结构如图4。

生成器中首先使用一个上采样层来缩放与H相同大小的输入，Unet是一个为图像处理设计的全卷积结构，它由一条收缩路径和一条扩展路径组成。收缩路径遵循卷积网络的典型结构，它包括重复应用卷积；每一层卷积提取特征方法都相类似。我们以第一层卷积为例，设置卷积核为4×4，步长2用于下采样，提取特征的过程如图5。每个卷积后面都有一个激活函数(LeakyReLU)和批量归一化层。

Unet网络的典型特点是，它是U型对称结构，在收缩路径选取卷积核为4×4，步长的卷积，可知卷积层的数量最多为5层，由于对称结构，收缩路径卷积层层数确定，扩展路径层数也确定。用归一化均方误差(NMSE)，下式(17)来计算估计矩阵和实际信道矩阵(H)之间的估计误差，该差值表示为：

其中||·||表示矩阵范数。以信噪比2dB和10dB为例，进行多次仿真取平均值，通过式(17)确定卷积层的层数对性能的影响，结果得收缩路径的卷积层为4层时可以取得较好的效果。

判别器采用PatchGAN架构为了能更好得对图像的局部做判断，PatchGAN的结构，把图像等分成patch(矩阵)，分别判断每个patch的真假，最后再取平均。判别器的结构是由卷积层组成，层数由上述同样的方法确定4层可以得到良好的效果。所有卷积层为512个滤波器，大小为4×4。对于最后一层，将卷积层替换为全连接层，得到大小为4×4的接受场。然后，平均接受场的所有反应，以提供判别器的最终输出。

验证模块通过仿真评估和比较了改进GAN网络、Unet网络和cGAN网络方案信道估计的性能。首先描述了仿真场景和参数设置。然后，分析了信噪比、天线数量和导频长度对改进GAN性能的影响。

仿真场景考虑室内大规模多输入多输出场景，该场景基于精确的3D光线跟踪模拟器Wireless InSite生成DeepMIMO数据集。该数据集包含每个候选用户位置和基站的每个天线之间的信道，用于构建工作频率为2.5GHz的室内大规模多输入多输出场景。仿真使用不同数量的基站天线数据集，设置用户数固定为K＝32。所有其他参数使用默认设置，其中天线间距为半波长，带宽为0.01GHz。发生器采用Adam solver算法，学习率为2×10^-4，动量参数为0.5。在判别器中，经使用RMSProp算法，学习率为2×10^-5，以保证训练的稳定性。训练GAN时的批处理大小为1，这是在使用实例规范化生成图像的任务中建议的。

此外，还生成了六个通道数据集，每个数据集包含4200个通道矩阵，大小分别为64×32、96×32、128×32、160×32、192×32和256×32。此外，基于信道矩阵数据集和使用一位量化的导频序列，生成接收信号的相应数据集。同时，在接收信号中加入不同信噪比的噪声。为了形成训练和测试数据集，首先对生成的DeepMIMO数据集的元素进行洗牌，并将其分成70％的训练集和30％的测试集。然后，这些数据集用于训练深度学习模型，并评估用于信道估计性能。

图6为了评估提出的改进GAN网络的信道估计方法的性能，式(17)作为评价指标，采用上一节描述的上行链路大规模多输入多输出场景。将提出的改进GAN方法与Unet、cGAN进行了对比。仿真结果显示了该方法信道估计的性能优于其他网络。绘制了信噪比在-10dB到10dB下，不同的方法信道估计的性能，可以看到，在所有信噪比值上，本发明提出的方法都优于所有其他下行链路方法。值得注意的是，该算法在低信噪比环境下表现出很强的鲁棒性。对比提出的方法，与使用固定(通常为零)量化阈值的方案相比，所提出的量化方案实现了显著的性能改进。通过引入惩罚项是改变损失函数，优化方向更加正确，GAN损耗和架构的设计使发生器的良好优化，从而降低了噪声影响，性能得到改进。

对改进GAN的网络，研究天线数量和导频长度对信道估计准确性的影响。图7所示，以接收测量矩阵的信噪比固定在0dB和10dB为例，NMSE性能与天线数量(M)的关系，可以看出，当导频长度为8时，BS天线从64个增加到256个时，NMSE值有增加。对于固定的导频长度，随着天线数量的增加，信道估计的准确性随之变差。对于不同导频长度，重复相同的实验。以接收测量矩阵的信噪比固定在0dB，4dB和10dB为例，在图8中，显示出对于固定的天线数量，随着导频长度的增加信道估计的性能是提升的，考虑导频污染和导频开销选合适的导频长度来进行信道估计。

综上所述，本发明提出了一个基于深度学习的信道估计方法，用于具有一位模数转换器的大规模多输入多输出系统。该结构信道的一些统计先验知识随机生成一组阈值的随机量化方案。仿真结果表明，与使用固定(通常为零)量化阈值的固定量化方案相比，所提出的量化方案实现了显著的性能改进。

运用改进GAN网络的损失函数能够自适应地从数据中了解真实的损失，这不仅使模型更加健壮，而且使生成的通道更加真实。仿真结果表明，对改进对抗性网络进行深度学习是一种更有效的信道估计方法，可以显著提高信道估计的性能。

以上所述仅为本发明的优选方案，并非作为对本发明的进一步限定，凡是利用本发明说明书及附图内容所作的各种等效变化均在本发明的保护范围之内。

Claims (4)

1.一种在大规模MIMO中基于改进GAN网络的信道估计方法，其特征在于，所述方法步骤为:

步骤1、对数据预处理，基于信道H的统计知识随机生成一组不相同的阈值τ，选取最优阈值，生成测量数据Y和信道H；

步骤2、将测量数据Y和信道H作为改进的GAN网络的输入值，构建训练集和测试集，对数据进行训练，模拟信道实现；

步骤3、对步骤2模拟信道实现得到的信道估计影响进行验证；

步骤1具体为：

步骤1-1、构造基站与K个用户之间的信道向量，K个用户的信道H可定义为：

H＝[h₁,h₂,…,h_k,…,h_K]；

步骤1-2、K个用户同时向基站发送长度为t的导频序列，基站使用一位模数转换器量化接收信号，将接收到的BS处经过一比特量化的测量数据Y表示为：

其中，X∈C^K×t是训练矩阵，其行对应于每个用户具有t个导频符号的训练序列；H∈C^M×K表示要估计的确定性信道参数；W∈C^M×t表示加性高斯白噪声矩阵，其遵循具有均值为零和方差的圆对称复高斯分布；sgn(·)量化是一个按元素进行的运算，定义为：

步骤1-3、为便于分析，将测量矩阵Y变成实数矩阵其中

将步骤1-2得到的测量数据Y进行预处理，引入随机量化，得到y＝sgn(Ah+w-τ)，其中y，h，w代表实数矩阵的向量化形式，A代表单位矩阵和实数矩阵/>克罗内克积，τ代表随机量化的阈值。

2.根据权利要求1所述的一种在大规模MIMO中基于改进GAN网络的信道估计方法，其特征在于，改进的GAN网络训练过程为：

步骤2-1、输入:迭代次数＝N，样本大小＝I,n＝0,i＝0；

步骤2-2、分别从测量数据Y和信道H中各选取一个样本Y⁽ⁱ⁾、H⁽ⁱ⁾，将样本Y⁽ⁱ⁾输入生成器中，得到其中Y⁽ⁱ⁾为测量数据样本，G_ψ(·)为生成器，ψ为生成器的权重，/>为生成器生成的估计信道；

步骤2-3、计算判别器损失函数，更新判别器，D_θ←▽(L_D)，其中D_θ为判别器，代表梯度下降法，L_D为判别器的损失函数；

步骤2-4、梯度更新优化参数θ，θ←θ+ηAdam(θ,D_θ)，其中θ为判别器的权重，η为学习率，Adam(·，·)代表优化器；

步骤2-5、计算生成器损失函数，更新生成器G_ψ←▽(L_G)，其中ψ为生成器的权重，▽(·)代表梯度下降法，L_G为生成器的损失函数；

步骤2-6、梯度更新优化参数ψ：ψ←ψ-ηAdam(ψ,G_ψ)，其中ψ为生成器的权重，η为学习率，Adam(·，m)代表优化器；

步骤2-7、令i＝i+1，如果i<I，跳转到步骤2-2，否则往下执行；

步骤2-8、令n＝n+1、i＝0，如果n<N，跳转到步骤2-2，否则结束训练。

3.根据权利要求2所述的一种在大规模MIMO中基于改进GAN网络的信道估计方法，其特征在于，步骤2-3，判别器损失函数的计算公式为：

L_D＝E[logD_θ(H)]+E[log(1-D_θ(G_ψ(Y))]+λ₂E[||D_θ(G_ψ(Y))||²]。

4.根据权利要求2所述的一种在大规模MIMO中基于改进GAN网络的信道估计方法，其特征在于，步骤2-5，生成器损失函数的计算公式为：

L_G＝E[log(D_θ(G_ψ(Y)))]+λ₁E[||H-G_ψ(Y)||²]。