CN114301742B - 信道估计方法及装置 - Google Patents
信道估计方法及装置 Download PDFInfo
- Publication number
- CN114301742B CN114301742B CN202111593290.1A CN202111593290A CN114301742B CN 114301742 B CN114301742 B CN 114301742B CN 202111593290 A CN202111593290 A CN 202111593290A CN 114301742 B CN114301742 B CN 114301742B
- Authority
- CN
- China
- Prior art keywords
- layer
- channel estimation
- result
- channel
- processing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 110
- 238000000605 extraction Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 39
- 238000010606 normalization Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 230000017105 transposition Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 13
- 239000011159 matrix material Substances 0.000 description 82
- 238000010586 diagram Methods 0.000 description 16
- 230000004044 response Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- Radio Transmission System (AREA)
Abstract
本发明提供一种信道估计方法及装置,所述方法包括:获取第一信道估计结果;将所述第一信道估计结果输入信道估计网络模型,获取第二信道估计结果;其中,所述信道估计网络模型用于对所述第一信道估计结果进行不同维度的相关性提取和信道噪声去除的处理,获取第二信道估计结果。本发明通过将低精度带噪的信道估计结果进行不同维度的相关性提取和信道噪声去除的处理,实现在多天线端口复杂信道场景下的信道估计,提高了信道估计结果的精度。
Description
技术领域
本发明涉及无线通信技术领域,尤其涉及一种信道估计方法及装置。
背景技术
在大规模多输入多输出(Multiple Input Multiple Output,MIMO)系统中,信道估计的准确性将影响系统的整体性能。
传统的基于导频的信道估计算法,如最小二乘(Least Square,LS)和最小均方误差(Minimum Mean Square Error,MMSE)等,已在信道估计领域有着广泛的应用。LS算法相对简单,仅使用收发导频来估计信道状态信息(Channel State Information,CSI),但其在计算过程中会一定程度放大噪声的影响,这导致估计CSI的精度较低;MMSE算法引入了真实信道的二阶统计特性和噪声方差等先验信息,虽然其准确性较高,但是计算量较大。
随着天线数量的不断增加,信道响应在空间上的维度随之增加,信道复杂度也随之增加,但每天线端口的导频资源减少,使得现有方案不能满足多天线端口(大于或等于64端口)复杂信道场景下的信道估计任务。
发明内容
本发明提供一种信道估计方法及装置,用以解决现有技术中不能满足多天线端口复杂信道场景下的信道估计任务的缺陷。
本发明提供一种信道估计方法,包括:
获取第一信道估计结果;
将所述第一信道估计结果输入信道估计网络模型,获取第二信道估计结果;
其中,所述信道估计网络模型用于对所述第一信道估计结果进行不同维度的相关性提取和信道噪声去除的处理,获取第二信道估计结果。
可选地,所述信道估计网络模型包括多层感知机混合器层;
所述多层感知机混合器层,用于对所述第一信道估计结果进行不同维度的相关性提取和信道噪声去除的处理。
可选地,所述信道估计网络模型还包括:实虚分离层和级联层;
所述实虚分离层,用于对所述第一信道估计结果进行实虚分离处理,将所述第一信道估计结果的实部和所述第一信道结果的虚部分别输入对应的所述多层感知机混合器层;
所述级联层,用于将所述第一信道估计结果的实部对应的所述多层感知机混合器层输出的实部的第一处理结果和所述第一信道估计结果的虚部对应的所述多层感知机混合器层输出的虚部的第一处理结果进行级联。
可选地,所述多层感知机混合器层使用全局残差连接。
可选地,将所述第一信道估计结果输入信道估计网络模型,获取第二信道估计结果,包括:
将所述第一信道估计结果输入所述实虚分离层,获取第一信道估计结果的实部和第一信道估计结果的虚部;
将所述第一信道估计结果的实部和第一信道估计结果的虚部分别输入对应的所述多层感知机混合器层,分别获取实部的第一处理结果和虚部的第一处理结果;
将所述实部的第一处理结果和虚部的第一处理结果输入所述级联层,获取所述第二信道估计结果。
可选地,将所述第一信道估计结果的实部输入对应的所述多层感知机混合器层,获取实部的第一处理结果,包括:
将所述第一信道估计结果的实部输入所述多层感知机混合器层的线性层,进行线性处理,获取实部的第二处理结果;
将所述实部的第二处理结果输入所述多层感知机混合器层的三层混合层,进行不同维度的相关性提取的处理,获取实部的第一处理结果。
可选地,将所述实部的第二处理结果输入所述多层感知机混合器层的三层混合层,进行不同维度的相关性提取的处理,获取实部的第一处理结果,包括:
将所述实部的第二处理结果输入第一层混合层的层归一化,进行归一化处理,获取所述实部的第三处理结果;
将所述实部的第三处理结果输入所述第一层混合层的令牌混合多层感知机层,进行天线维度的相关性提取的处理,获取所述实部的第四处理结果;
将所述实部的第四处理结果输入所述第一层混合层的转置层,进行转置处理,获取所述实部的第五处理结果;
将所述实部的第五处理结果输入所述第一层混合层的通道混合多层感知机层,进行子载波维度的相关性提取的处理,获取所述实部的第一处理结果。
可选地,所述层归一化和所述转置层之间采用局部残差连接;
所述通道混合多层感知机层采用局部残差连接。
可选地,所述令牌混合多层感知器层和所述通道混合多层感知机层中的激活函数均为格鲁函数。
可选地,所述信道估计网络模型采用Smooth L1 Loss作为损失函数进行训练。
可选地,所述损失函数的梯度下降采用自适应矩估计算法进行优化。
本发明还提供一种信道估计装置,包括:
第一获取模块,用于获取第一信道估计结果;
第二获取模块,用于将所述第一信道估计结果输入信道估计网络模型,获取第二信道估计结果;
其中,所述信道估计网络模型用于对第一信道估计结果进行不同维度的相关性提取和信道噪声去除的处理,获取第二信道估计结果。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一种所述信道估计方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述信道估计方法的步骤。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述信道估计方法的步骤。
本发明提供的信道估计方法及装置,通过将低精度带噪的信道估计结果进行不同维度的相关性提取和信道噪声去除的处理,实现在多天线端口复杂信道场景下的信道估计,提高了信道估计结果的精度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是现有技术中基于深度学习的信道估计模型示意图;
图2是现有技术中分散导频设置示意图;
图3是现有技术中多层感知机模型的结构示意图;
图4是本发明实施例提供的信道估计方法的流程示意图之一;
图5是本发明实施例提供的信道估计方法的流程示意图之二;
图6是本发明实施例提供的多层感知机混合器层中的混合层架构示意图;
图7是本发明实施例提供的信道估计网络模型的架构示意图;
图8是本发明实施例提供的信道估计方法的流程示意图之三;
图9是64端口信道状态信息参考信号资源格2端口码分复用的映射图;
图10是本发明实施例提供的信道1(6径)下两种导频密度(ρ为0.5和ρ为1)的6种信道估计的归一化均方误差性能;
图11是本发明实施例提供的信道2(12径)下两种导频密度(ρ为0.5和ρ为1)的6种信道估计的归一化均方误差性能;
图12是本发明实施例提供的信道估计装置的结构示意图;
图13是本发明实施例提供的电子设备的结构示意图。
具体实施方式
对于信道估计,信道的复杂性增加使得传统信道估计算法遇到了瓶颈,而深度神经网络的强大非线性拟合能力有望突破这一瓶颈,实现在更少的导频资源、更低的计算复杂度下估计出更准确地信道状态信息(Channel State Information,CSI)。
人工智能辅助的信道估计是指将人工智能(Artificial Intelligence,AI)技术与传统信道估计算法相结合,利用神经网络尤其是深度神经网络的学习能力,更高效、准确地获取CSI,为通信系统赋能。图1是现有技术中基于深度学习的信道估计模型示意图,如图1所示,接收导频和发送导频输入传统信道估计模型,再将传统信道估计模型的输出结果输入神经网络模型,神经网络模型输出信道结果。
基于深度学习的信道估计技术目的是用神经网络对传统信道估计算法输出的低质量CSI进行优化,从而得到高质量的CSI。借鉴于计算机视觉领域对图像的去噪以及超分辨技术,信道矩阵可被看作是多维的图像,信道估计获取CSI的过程也可当作是图像的超分辨率重构以及去噪的过程。得益于近年来深度学习在计算机视觉和自然语言处理等领域取得的非凡成功,其中经典的神经网络模型也被延用到了其他乃至通信领域,并取得了不错的效果。
在现有的利用神经网络模型进行信道估计的方案中,以多层感知机(Multi-layerPerceptron,MLP)网络模型为例,设计了一个具有5层结构的MLP网络模型,包括一层输入层、三层隐藏层和一层输出层。图2是现有技术中分散导频设置示意图,如图2所示,横轴为符号索引(Symbol Index),纵轴为子载波索引(Subcarrier Index),图中标黑的点表征导频位置,横轴方向两个导频位置之间的距离为Dr,纵轴方向两个导频位置之间的距离为Dr。
图3是现有技术中多层感知机模型的结构示意图,如图3所示,多层感知机模型包括一层输入层、三层隐藏层和一层输出层。在2×2MIMO的信道场景下,将第一信道的复数信道矩阵的实部和虚部/>输入多层感知机模型,依次经过模型的输入层、三层隐藏层和输出层,得到/>和/>将第四信道的复数信道矩阵的实部/>和虚部/>输入多层感知机模型,依次经过模型的输入层、三层隐藏层和输出层,得到/>和/>第二信道与第三信道也进行同样的处理。
经过LS信道估计与线性插值的复数信道矩阵其中K表示频域载波数,Nt表示发送天线数,Nr表示接收天线数。把信道矩阵的后两维并作一维,再将实部和虚部级联在最后一维上,并将此处理后的实数信道矩阵/>作为MLP网络模型的输入。网络的输出与网络输入维度一致,输出/>则网络的输入与输出节点数均为Nt×Nr×2。第i层网络的输入与输出之间的关系表达式如下所示:
Xout,i=f(WiXin,i+bi)
其中,Xout,i表示第i层网络的输出矩阵,Wi表示第i层网络的权重,bi表示第i层网络的偏置,Wi和bi作为可学习的参数,Xin,i表示第i层网络的输入矩阵,f(·)为tanh函数,作为层与层之间的激活函数,f(·)函数的表达式如下所示:
式中,f(x)表示tanh函数的输出值,x表示tanh函数的输入数据。
MLP网络模型使用MSE(L2)Loss函数作为模型的损失函数,损失函数的表达式如下所示:
式中,为MSE(L2)Loss函数的输出值,/>为MLP网络模型输出的信道矩阵,H为理想信道矩阵,维度与网络输出/>一致,/>为第i层网络的输出矩阵,hi为第i层网络的输入矩阵,N等于K×Nt×Nr×2为矩阵中所有元素的个数。
在2×2MIMO系统和分散导频的场景设置下,MLP网络模型对比传统LS算法和MMSE算法在CSI质量方面取得了不错的提升。
现有的利用神经网络模型进行信道估计的方案针对的是天线端口数少、导频资源相对丰富的场景,而随着第五代移动通信系统(the Fifth Generation,5G)的普及,大规模MIMO技术将用更多的天线取得更大增益。随着天线数的增加,信道复杂度增加,但每天线端口的导频资源减少,使得现有方案不能满足多天线端口(大于或等于64端口)复杂信道场景下的信道估计任务。
针对上述技术问题,本发明通过将低精度带噪的信道估计结果进行不同维度的相关性提取和信道噪声去除的处理,用以解决现有技术中不能满足多天线端口复杂信道场景下的信道估计任务的缺陷。
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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。
图4是本发明实施例提供的信道估计方法的流程示意图之一,如图4所示,本发明提供一种信道估计方法,该方法包括:
步骤401,获取第一信道估计结果。
具体地,图5是本发明实施例提供的信道估计方法的流程示意图之二,如图5所示,在发送端,发送导频按照5G协议标准中第三代合作伙伴计划(The 3rd GenerationPartnership Project,3GPP)TS 38.211的信道状态信息参考信号(Channel StatusSnformation Reference Signal,CSI-RS)进行导频资源格映射。接收端根据接收导频和发送导频以及它们在资源块中的对应位置,使用LS信道估计算法得到资源格在导频位置的信道响应,非导频位置使用导频位置的临近一维线性插值进行补齐。
假设一个用户数为M(M≥64),每个用户为单天线模式,基站天线数为N(N≥64),频带子载波数为K的上行MIMO的正交频分复用(Orthogonal Frequency DivisionMultiplexing,OFDM)系统。对于基于导频的信道估计,设经过CSI-RS资源格映射后一个时隙(14个OFDM符号)中M个用户的发送导频为频域信道响应为/>则基站在第k个子载波上的频域接收导频的表达式如下所示:
yp,k=xp,k·hk+nk,k=1,2,、、、,k
式中,yp,k表示第k个子载波上导频位置p对应的频域接收导频,xp,k表示第k个子载波上导频位置p对应的频域发送导频,/>hk表示第k个子载波上的频域信道响应,/>nk表示第k个子载波上是噪声。
根据LS信道估计算法,则第k个子载波上(导频位置)的频域信道响应的估计的表达式如下所示:
式中,表示利用LS信道估计算法得到的第k个子载波上(导频位置)的频域信道响应,x-1 p,k表示xp,k的逆矩阵,xp,k表示第k个子载波上导频位置p对应的频域发送导频,yp,k表示第k个子载波上导频位置p对应的频域接收导频。
由于LS信道估计算法只针对资源块中导频位置的信道估计,其余未插导频的资源格由邻近的导频位置进行一维线性插值进行补齐,得到全频带低精度估计信道
步骤402,将所述第一信道估计结果输入信道估计网络模型,获取第二信道估计结果;
其中,所述信道估计网络模型用于对所述第一信道估计结果进行不同维度的相关性提取和信道噪声去除的处理,获取第二信道估计结果。
具体地,将作为信道估计网络模型的输入,信道估计网络模型对/>进行不同维度的相关性提取和信道噪声去除的处理,得到信道估计网络模型的输出为/>
可选地,信道估计网络模型包括多层感知机混合器层;
多层感知机混合器层,用于对第一信道估计结果进行不同维度的相关性提取和信道噪声去除的处理。
具体地,将的实部和虚部进行实虚级联后,输入多层感知机混合器(Multi-layer Perceptron Mixer,MLP Mixer)层,MLP Mixer层由一层线性(Linear)层和三层混合层(3×Mixer Layer)串联组成,线性层的输入和输出之间的关系表示式如下所示:
Linear(x)=x·W+b
式中,Linear(x)表示线性层的输出向量,维数与输入向量一致,为线性层的输入向量,表示输入矩阵的最后一维,/>表示可学习的权重参数矩阵,/>表示可学习的偏置参数向量。
图6是本发明实施例提供的多层感知机混合器层中的混合层架构示意图,如图6所示,每层混合层包括层归一化(Layer Norm)、令牌混合多层感知机层(token-mixing MLP)以及通道混合多层感知机层(channel-mixing MLP)。
层归一化是单独对每一批(batch)数据做归一化,层归一化的输入和输出之间的关系表示式如下所示:
式中,LN(z)表示层归一化的输出矩阵,z表示层归一化的输入矩阵,μz表示为z的均值,表示为z的方差,ε等于10-5为小量的误差偏置常量,γ代表可学习的缩放参数量,β代表可学习的平移的参数量,其维度和输入z的维度一致,⊙表示逐元素相乘。
每层混合层中还包括转置层(Transpose(-1,-2)),Transpose(-1,-2)表示对矩阵的后两个维度进行转置操作,假设矩阵的维度为M×N×K,经转置层转置后,矩阵的维度变为M×K×N。
token-mixing MLP层和channel-mixing MLP层均由两层全连接层(Linear)和一个高斯误差线性单元构成。
可选地,令牌混合多层感知器层和通道混合多层感知机层中的激活函数均为格鲁函数。
具体地,高斯误差线性单元采用格鲁(GELU)函数作为激活函数,GELU函数的表达式如下所示:
式中,GELU(x)为GELU函数输出值,x为GELU函数输入值,erf()为高斯误差函数,erf()的表达式如下所示:
式中,erf(x)为高斯误差函数输出值,x为高斯误差函数输入值。
利用GELU函数作为激活函数,增加矩阵的非线性,进一步有利于对不同维度的相关性进行提取。
对于token-mixing MLP层,其输入和输出之间的关系表示式如下所示:
U*,i=X*,i+W2·GELU(W1·LN(X)*,i),fori=1…T
式中,U*,i表示第i个天线数对应的token-mixing MLP层的输出矩阵,X*,i表示第i个天线数对应的token-mixing MLP层的输入矩阵,W2和W1为线性层的可学习的权重参数矩阵,LN(X)*,i表示X*,i输入层归一化的输出矩阵,T对应于token-mixing MLP的token维度,token维度对应于频域信道响应矩阵的接收天线数N。
对于channel-mixing MLP层,其输入和输出之间的关系表示式如下所示:
Yj,*=Uj,*+W4·GELU(W3·LN(U)j,*),forj=1…C
式中,Yj,*表示第j个子载波数对应的channel-mixing MLP层的输出矩阵,Uj,*表示第j个子载波数对应的token-mixing MLP层的输出矩阵,W4和W3为线性层的可学习的权重参数矩阵,LN(U)j,*表示Uj,*输入层归一化的输出矩阵,C对应于channel-mixing MLP的channel维度,channel维度对应于频域信道响应矩阵的子载波K。
可选地,层归一化和转置层之间采用局部残差连接;
通道混合多层感知机层采用局部残差连接。
具体地,如图5所示,矩阵输入每层混合层中,依次经过层归一化、转置层、token-mixing MLP层、转置层、层归一化和channel-mixing MLP层。在每层混合层中引入了两次局部残差,分别连接到第二个转置层后与最后channel-mixing MLP层输出的位置。
通过引入两次局部残差可以有效防止梯度消失,进一步得到更精确到信道估计。
可选地,多层感知机混合器层使用全局残差连接。
具体地,MLP Mixer层采用全局残差连接,也就是将MLP Mixer层的输入矩阵引入MLP Mixer层的输出。
MLP Mixer层采用全局残差连接后,MLP Mixer层的输入和输出之间的关系表达式如下所示:
式中,表示采用全局残差连接时MLP Mixer层的输出矩阵,/>为输入MLPMixer层的矩阵,f()为MLP Mixer层的网络函数。
在MLP-Mixer层的基础上加入全局残差连接,使网络在学习信道本身的同时,也着重于信道噪声的去除,提高了信道估计的精度。
首次将MLP-Mixer应用到信道估计,依据信道响应在不同维度上的相关性相对独立的特点,充分发挥MLP-Mixer网络中Mixer层提取不同维度相关性的特性,使网络能更好地学习信道特性,提高了信道估计的精度。
可选地,信道估计网络模型还包括:实虚分离层和级联层;
实虚分离层,用于对第一信道估计结果进行实虚分离处理,将第一信道估计结果的实部和第一信道结果的虚部分别输入对应的多层感知机混合器层;
级联层,用于将第一信道估计结果的实部对应的多层感知机混合器层输出的实部的第一处理结果和第一信道估计结果的虚部对应的多层感知机混合器层输出的虚部的第一处理结果进行级联。
具体地,现有方案针对复数信道矩阵,采用实部和虚部级联的方式进行单网络设计,而这样使得在大规模MIMO收发天线数量多的情况下,信道矩阵的维度大幅度增加,导致网络的输入、输出节点数过多,网络的复杂度过高。
针对网络的复杂度过高的问题,本发明将信道响应的实部与虚部两个实数矩阵进行分离,将实部矩阵与虚部矩阵分别输入MLP-Mixer层,对实部、虚部网络的输出进行级联与实虚结合得到高精度的频域信道响应。
图7是本发明实施例提供的信道估计网络模型的架构示意图,如图7所示,信道估计网络模型包括实虚分离层、多层感知机混合器层和级联层(concatenate),MLP Mixer层由一层线性(Linear)层和三层混合层(3×Mixer Layer)串联组成,MLP Mixer层使用全局残差连接。
在MLP-Mixer层提高信道精度的基础上,通过采用实虚分离层实现复数信道响应矩阵的实虚分离,降低网络的复杂度。
可选地,将第一信道估计结果输入信道估计网络模型,获取第二信道估计结果,包括:
将第一信道估计结果输入实虚分离层,获取第一信道估计结果的实部和第一信道估计结果的虚部;
将第一信道估计结果的实部和第一信道估计结果的虚部分别输入对应的多层感知机混合器层,分别获取实部的第一处理结果和虚部的第一处理结果;
将实部的第一处理结果和虚部的第一处理结果输入级联层,获取第二信道估计结果。
具体地,图8是本发明实施例提供的信道估计方法的流程示意图之三,如图8所示,实虚分离层将低精度信道估计进行实虚分离,分为实部矩阵/>和虚部矩阵/>再将这两个矩阵分别输入对应的MLP-Mixer层,MLP-Mixer层分别对实部矩阵和局部矩阵进行不同维度的相关性提取和去噪处理,得到实部矩阵对应的MLP-Mixer层输出的/>和虚部矩阵对应的MLP-Mixer层输出的/>最后将/>和/>输入级联层在最后一维上级联,得到信道估计网络模型的输出/>
对复数信道响应矩阵进行实虚分离处理,使用实虚分离的双网络模型结构,降低了网络的复杂度。
可选地,将第一信道估计结果的实部输入对应的多层感知机混合器层,获取实部的第一处理结果,包括:
将第一信道估计结果的实部输入多层感知机混合器层的线性层,进行线性处理,获取实部的第二处理结果;
将实部的第二处理结果输入多层感知机混合器层的三层混合层,进行不同维度的相关性提取的处理,获取实部的第一处理结果。
具体地,将输入多层感知机混合器层的线性层,进行线性化处理,线性层的输入和输出节点数均为子载波数K,根据线性层输入和输出之间的关系式,得到线性层输出的表达式如下所示:
式中,表示线性层的输出,维数与输入向量一致,/>为子载波维度的输入向量,/>表示可学习的权重参数矩阵,/>表示可学习的偏置参数向量。
同样将虚部矩阵输入多层感知机混合器层的线性层,输出/>
将输入多层感知机混合器层的三层混合层,三层混合层的输出的表达式如下所示:
式中,表示实部矩阵对应的三层混合层输出的矩阵,F()表示三层混合层的网络函数,/>表示实部矩阵对应线性层输出矩阵,/>表示实部矩阵。
同样将输入多层感知机混合器层的三层混合层,输出/>
利用MLP-Mixer网络中混合层提取不同维度相关性的特性,使网络能更好地学习信道特性,提高了信道估计的精度。
可选地,将实部的第二处理结果输入多层感知机混合器层的三层混合层,进行不同维度的相关性提取的处理,获取实部的第一处理结果,包括:
将实部的第二处理结果输入第一层混合层的层归一化,进行归一化处理,获取实部的第三处理结果;
将实部的第三处理结果输入第一层混合层的令牌混合多层感知机层,进行天线维度的相关性提取的处理,获取实部的第四处理结果;
将实部的第四处理结果输入第一层混合层的转置层,进行转置处理,获取实部的第五处理结果;
将实部的第五处理结果输入第一层混合层的通道混合多层感知机层,进行子载波维度的相关性提取的处理,获取实部的第一处理结果。
具体地,输入层归一化进行子载波维度的归一化处理,根据层归一化输入和输出之间的关系式,得到层归一化输出的表达式如下所示:
式中,表示层归一化的输出矩阵,/>表示线性层的输出矩阵,/>表示为/>的均值,/>表示为/>的方差,ε等于10-5为小量的误差偏置常量,γ代表可学习的缩放参数量,β代表可学习的平移的参数量,其维度和输入/>的维度一致,⊙表示逐元素相乘,/>表示实部矩阵。/>
线数维度的相关性提取,根据token-mixing MLP层的输入和输出之间的关系式,token-mixing MLP层的输出的表达式如下所示:
式中,Ur表示token-mixing MLP层的输出矩阵,表示线性层的输出矩阵,W2和W1为线性层的可学习的权重参数矩阵,
一维为子载波数,将Ur进行层归一化后输入channel-mixing MLP层进行子载波维度的相关性提取,根据channel-mixing MLP层的输入和输出之间的关系式,channel-mixing MLP层的输出的表达式如下所示:
Yr=Ur+W4•GELU(W3•LN(Ur))
式中,Yr表示channel-mixing MLP层的输出矩阵,Ur表示token-mixing MLP层的输出矩阵,W4和W3为线性层的可学习的权重参数矩阵,表示层归一化的输出矩阵。
同样的将输入层归一化进行子载波维度的归一化,再输入转置层进行后两维的转置,再输入token-mixing MLP层进行天线数维度的相关性提取,再输入转置层进行后两维的转置,输入归一化层进行子载波维度的归一化,再输入channel-mixingMLP层进行子载波维度的相关性提取。
通过利用MLP-Mixer层中的token-mixing MLP层和channel-mixing MLP层进行不同维度的相关性提取,使网络能更好地学习信道特性,提高了信道估计的精度。
将实部矩阵和虚部矩阵分别输入MLP-Mixer层,由于MLP-Mixer层采取全局残差连接,经全局残差后,输出的实部和虚部的表达式如下所示:
式中,表示经全局残差后,MLP Mixer层输出的实部矩阵,/>表示经全局残差后,MLP Mixer层输出的虚部矩阵,/>表示输入MLP Mixer层的实部矩阵,/>表示输入MLP Mixer层的虚部矩阵,f()为MLP Mixer层的网络函数。/>
将和/>在最后一维上进行级联,得到信道估计网络模型的输出矩阵
可选地,信道估计网络模型采用Smooth L1 Loss作为损失函数进行训练。
具体地,为避免MSE(L2)Loss在低信噪比时对误差的放大效应,采用Smooth L1Loss作为损失函数,损失函数的表达式如下所示:
式中,表示损失函数的输出值,/>表示信道估计网络模型输出的矩阵,H为经过级联处理的实数理想信道矩阵,其维度与/>的维度一致,N等于M×K×N×2为矩阵中所有元素的个数,/>为/>矩阵中第i个元素,hi为H矩阵中第i个元素,β为损失阈值,β等于1。
通过将Smooth L1 Loss作为损失函数,以理想信道数据作为标签进行监督学习训练,使网络能输出得到接近理想信道的高精度CSI。
可选地,损失函数的梯度下降采用自适应矩估计算法进行优化。
具体地,采用自适应矩估计(Adam)算法对损失函数的梯度下降优化。
通过采用Adam算法进行损失函数的梯度下降优化,进一步有利于提高信道估计的精度。
本发明提供的信道估计方法,通过将低精度带噪的信道估计结果进行不同维度的相关性提取和信道噪声去除的处理,实现在多天线端口复杂信道场景下的信道估计,提高了信道估计结果的精度。
下面以一个用户数M等于64,每个用户为单天线模式,基站天线数N等于64,频带子载波数K等于512的上行MIMO-OFDM系统为例进行进一步阐述本发明。
在此系统中,64个用户可看作64个上行端口,为避免导频污染,根据协议3GPP TS38.211中的32端口2端口码分复用(CDM-2)导频复用进行推广,得到64端口下CSI-RS在资源块中的位置。图9是64端口信道状态信息参考信号资源格2端口码分复用的映射图,如图9所示,横坐标为OFDM符号,纵坐标为频域子载波,正交斜线资源格为放置导频符号的资源格,可知CSI-RS的资源格映射位置。
对于频带子载波数K等于512的系统,有发送导频 频域信道响应/>根据收发导频在导频资源格做LS信道估计,其余未插导频的资源格由邻近的导频位置进行一维线性插值补齐,得到全频带低精度估计信道/>并将其作为信道估计网络模型的输入。
首先将输入的低精度估计信道进行实虚分离,分为实部矩阵和虚部矩阵/>再将这两个矩阵分别输入MLP Mixer层中。
MLP Mixer层由一层输入线性层和三层混合层串联组成,其中线性层的输入、输出节点数均为512。在每层Mixer层中,先对输入进行子载波维度的层归一化处理,再对后两维度进行转置,此时数据的最后一维变成64(对应64接收天线),作为token-mixing MLP层的输入,之后再进行后两维度的转置,使最后一维变为512(对应512子载波),再对其做一次子载波维度上的层归一化,作为最后channel-mixing MLP层的输入。
在数据经过3层混合层之后,处理实部与虚部的两个MLP Mixer层均使用全局残差连接,则实部的输出和虚部的输出/>
最后,把两部分网络的输出级联在最后一维上,得到网络的输出
将与经过级联处理的实数理想信道矩阵/>之间的条件误差作为网络的损失函数。
表1是链路与信道参数,表2是信道估计网络模型的训练参数,根据表1和表2中的参数对信道估计网络模型进行训练。
表1链路与信道参数
/>
表2信道估计网络模型的训练参数
参数 | 值 | 备注 |
训练集大小 | 4000TTI | |
测试集大小 | 320TTI | |
Batch size | 16 | |
损失函数 | Smooth L1 Loss | 阈值β=1 |
优化算法 | Adam | 超参数为Adam默认值 |
学习率 | 0.001 | 自适应下降,最低为10-7 |
SNR(单位dB) | [-5,14]间的随机整数 | 每个batch更新一次 |
根据表1和表2的设置对信道估计网络模型进行仿真与训练,在损失函数趋于稳定不再下降时固定网络模型的参数。
仿真对比两种信道数据(6径信道和12径信道)分别在两种导频密度(CSI-RS密度ρ等于0.5和ρ等于1)下的传统算法(LS与MMSE)、全连接神经网络(net_FC)、卷积神经网络(net_CNN)、自编码卷积去噪网络(net_auto)与本发明的信道估计网络模型(net_Mixer)这6种信道估计的归一化均方误差(Minimum Mean Square Error,NMSE),NMSE(dB)值的表达式如下所示:
式中,NMSE表示归一化均方误差值,表示网络模型的输出矩阵,H表示理想信道矩阵。
图10是本发明实施例提供的信道1(6径)下两种导频密度(ρ为0.5和ρ为1)的6种信道估计的归一化均方误差性能,如图10所示,在6径下导频密度ρ为0.5的场景下,本发明的信道估计网络模型得到的NMSE值较小。
图11是本发明实施例提供的信道2(12径)下两种导频密度(ρ为0.5和ρ为1)的6种信道估计的归一化均方误差性能,如图11所示,在12径下导频密度ρ为0.5的场景下,本发明的信道估计网络模型得到的NMSE值较小。
图12是本发明实施例提供的信道估计装置的结构示意图,如图12所示,本发明还提供一种信道估计装置,包括:第一获取模块1201、第二获取模块1202,其中:
第一获取模块1201用于获取第一信道估计结果;
第二获取模块1202用于将所述第一信道估计结果输入信道估计网络模型,获取第二信道估计结果;
其中,所述信道估计网络模型用于对第一信道估计结果进行不同维度的相关性提取和信道噪声去除的处理,获取第二信道估计结果。
具体来说,本申请实施例提供的信道估计装置,能够实现上述方法实施例所实现的所有方法步骤,且能够达到相同的技术效果,在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
图13是本发明实施例提供的电子设备的结构示意图,如图13所示,该电子设备可以包括:处理器(processor)1310、通信接口(Communications Interface)1320、存储器(memory)1330和通信总线1340,其中,处理器1310,通信接口1320,存储器1330通过通信总线1340完成相互间的通信。处理器1310可以调用存储器1330中的逻辑指令,以执行信道估计方法,该方法包括:获取第一信道估计结果;将所述第一信道估计结果输入信道估计网络模型,获取第二信道估计结果;其中,所述信道估计网络模型用于对所述第一信道估计结果进行不同维度的相关性提取和信道噪声去除的处理,获取第二信道估计结果。
此外,上述的存储器1330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的信道估计方法,该方法包括:获取第一信道估计结果;将所述第一信道估计结果输入信道估计网络模型,获取第二信道估计结果;其中,所述信道估计网络模型用于对所述第一信道估计结果进行不同维度的相关性提取和信道噪声去除的处理,获取第二信道估计结果。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的信道估计方法,该方法包括:获取第一信道估计结果;将所述第一信道估计结果输入信道估计网络模型,获取第二信道估计结果;其中,所述信道估计网络模型用于对所述第一信道估计结果进行不同维度的相关性提取和信道噪声去除的处理,获取第二信道估计结果。
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。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
本申请实施例中术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”所区别的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种信道估计方法,其特征在于,包括:
获取第一信道估计结果;
将所述第一信道估计结果输入信道估计网络模型,获取第二信道估计结果;
其中,所述信道估计网络模型用于对所述第一信道估计结果进行不同维度的相关性提取和信道噪声去除的处理,获取第二信道估计结果;
所述信道估计网络模型包括:实虚分离层、多层感知机混合器层和级联层;
所述实虚分离层,用于对所述第一信道估计结果进行实虚分离处理,将所述第一信道估计结果的实部和所述第一信道估计结果的虚部分别输入对应的所述多层感知机混合器层;
所述多层感知机混合器层,用于对所述第一信道估计结果进行不同维度的相关性提取和信道噪声去除的处理;
所述级联层,用于将所述第一信道估计结果的实部对应的所述多层感知机混合器层输出的实部的第一处理结果和所述第一信道估计结果的虚部对应的所述多层感知机混合器层输出的虚部的第一处理结果进行级联。
2.根据权利要求1所述的信道估计方法,其特征在于,所述多层感知机混合器层使用全局残差连接。
3.根据权利要求1所述的信道估计方法,其特征在于,将所述第一信道估计结果输入信道估计网络模型,获取第二信道估计结果,包括:
将所述第一信道估计结果输入所述实虚分离层,获取第一信道估计结果的实部和第一信道估计结果的虚部;
将所述第一信道估计结果的实部和第一信道估计结果的虚部分别输入对应的所述多层感知机混合器层,分别获取实部的第一处理结果和虚部的第一处理结果;
将所述实部的第一处理结果和虚部的第一处理结果输入所述级联层,获取所述第二信道估计结果。
4.根据权利要求3所述的信道估计方法,其特征在于,将所述第一信道估计结果的实部输入对应的所述多层感知机混合器层,获取实部的第一处理结果,包括:
将所述第一信道估计结果的实部输入所述多层感知机混合器层的线性层,进行线性处理,获取实部的第二处理结果;
将所述实部的第二处理结果输入所述多层感知机混合器层的三层混合层,进行不同维度的相关性提取的处理,获取实部的第一处理结果。
5.根据权利要求4所述的信道估计方法,其特征在于,将所述实部的第二处理结果输入所述多层感知机混合器层的三层混合层,进行不同维度的相关性提取的处理,获取实部的第一处理结果,包括:
将所述实部的第二处理结果输入第一层混合层的层归一化,进行归一化处理,获取所述实部的第三处理结果;
将所述实部的第三处理结果输入所述第一层混合层的令牌混合多层感知机层,进行天线维度的相关性提取的处理,获取所述实部的第四处理结果;
将所述实部的第四处理结果输入所述第一层混合层的转置层,进行转置处理,获取所述实部的第五处理结果;
将所述实部的第五处理结果输入所述第一层混合层的通道混合多层感知机层,进行子载波维度的相关性提取的处理,获取所述实部的第一处理结果。
6.根据权利要求5所述的信道估计方法,其特征在于,所述层归一化和所述转置层之间采用局部残差连接;
所述通道混合多层感知机层采用局部残差连接。
7.根据权利要求5所述的信道估计方法,其特征在于,所述令牌混合多层感知器层和所述通道混合多层感知机层中的激活函数均为格鲁函数。
8.根据权利要求1所述的信道估计方法,其特征在于,所述信道估计网络模型采用Smooth L1 Loss作为损失函数进行训练。
9.根据权利要求8所述的信道估计方法,其特征在于,所述损失函数的梯度下降采用自适应矩估计算法进行优化。
10.一种信道估计装置,其特征在于,包括:
第一获取模块,用于获取第一信道估计结果;
第二获取模块,用于将所述第一信道估计结果输入信道估计网络模型,获取第二信道估计结果;
其中,所述信道估计网络模型用于对第一信道估计结果进行不同维度的相关性提取和信道噪声去除的处理,获取第二信道估计结果;
所述信道估计网络模型包括:实虚分离层、多层感知机混合器层和级联层;
所述实虚分离层,用于对所述第一信道估计结果进行实虚分离处理,将所述第一信道估计结果的实部和所述第一信道估计结果的虚部分别输入对应的所述多层感知机混合器层;
所述多层感知机混合器层,用于对所述第一信道估计结果进行不同维度的相关性提取和信道噪声去除的处理;
所述级联层,用于将所述第一信道估计结果的实部对应的所述多层感知机混合器层输出的实部的第一处理结果和所述第一信道估计结果的虚部对应的所述多层感知机混合器层输出的虚部的第一处理结果进行级联。
11.一种电子设备,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计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至9中的任一项所述信道估计方法的步骤。
12.一种非暂态计算机可读存储介质,其上存储有计算机程序,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9中的任一项所述信道估计方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111593290.1A CN114301742B (zh) | 2021-12-23 | 2021-12-23 | 信道估计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111593290.1A CN114301742B (zh) | 2021-12-23 | 2021-12-23 | 信道估计方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114301742A CN114301742A (zh) | 2022-04-08 |
CN114301742B true CN114301742B (zh) | 2024-01-09 |
Family
ID=80968776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111593290.1A Active CN114301742B (zh) | 2021-12-23 | 2021-12-23 | 信道估计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114301742B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117879737A (zh) * | 2022-09-30 | 2024-04-12 | 维沃移动通信有限公司 | 信道预测方法、装置及通信设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016150246A1 (zh) * | 2015-03-23 | 2016-09-29 | 电信科学技术研究院 | 一种信号检测方法及装置 |
CN109067688A (zh) * | 2018-07-09 | 2018-12-21 | 东南大学 | 一种数据模型双驱动的ofdm接收方法 |
WO2020092391A1 (en) * | 2018-10-29 | 2020-05-07 | Board Of Regents, The University Of Texas System | Low resolution ofdm receivers via deep learning |
CN111366892A (zh) * | 2020-03-24 | 2020-07-03 | 西北工业大学 | 一种基于神经网络Massive MIMO DOA系统及实现方法 |
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 |
CN112615801A (zh) * | 2020-12-16 | 2021-04-06 | 西安交通大学 | 基于压缩感知和深度学习的信道估计方法、介质及设备 |
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 |
CN112968847A (zh) * | 2021-02-18 | 2021-06-15 | 浙江大学 | 一种基于深度学习和数据导频辅助的信道估计方法 |
WO2021210959A1 (ko) * | 2020-04-17 | 2021-10-21 | 삼성전자 주식회사 | 마이모를 지원하는 무선 통신 시스템에서 채널 추정 방법 및 장치 |
CN113726711A (zh) * | 2021-09-01 | 2021-11-30 | 北京邮电大学 | Ofdm接收方法和装置、信道估计模型训练方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102614383B1 (ko) * | 2019-10-18 | 2023-12-15 | 삼성전자 주식회사 | 자기 간섭 신호 제거를 위한 방법 및 장치 |
-
2021
- 2021-12-23 CN CN202111593290.1A patent/CN114301742B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016150246A1 (zh) * | 2015-03-23 | 2016-09-29 | 电信科学技术研究院 | 一种信号检测方法及装置 |
CN109067688A (zh) * | 2018-07-09 | 2018-12-21 | 东南大学 | 一种数据模型双驱动的ofdm接收方法 |
WO2020092391A1 (en) * | 2018-10-29 | 2020-05-07 | Board Of Regents, The University Of Texas System | Low resolution ofdm receivers via deep learning |
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 |
CN111366892A (zh) * | 2020-03-24 | 2020-07-03 | 西北工业大学 | 一种基于神经网络Massive MIMO DOA系统及实现方法 |
WO2021210959A1 (ko) * | 2020-04-17 | 2021-10-21 | 삼성전자 주식회사 | 마이모를 지원하는 무선 통신 시스템에서 채널 추정 방법 및 장치 |
CN112615801A (zh) * | 2020-12-16 | 2021-04-06 | 西安交通大学 | 基于压缩感知和深度学习的信道估计方法、介质及设备 |
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 |
CN112968847A (zh) * | 2021-02-18 | 2021-06-15 | 浙江大学 | 一种基于深度学习和数据导频辅助的信道估计方法 |
CN113726711A (zh) * | 2021-09-01 | 2021-11-30 | 北京邮电大学 | Ofdm接收方法和装置、信道估计模型训练方法和装置 |
Non-Patent Citations (2)
Title |
---|
一种低轨卫星阵列天线多波束覆盖及多业务协作传输方案;李立华, 王艳峰, 王兆圆;无线电通信技术;第47卷(第05期);575-581 * |
利用时域相关的MIMO-OFDM信道估计算法;周明宇;李立华;张平;王海峰;王锐;姜军;陶小峰;;系统仿真学报(第23期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114301742A (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | Sparsely connected neural network for massive MIMO detection | |
CN109617847A (zh) | 一种基于模型驱动深度学习的无循环前缀ofdm接收方法 | |
Korpi et al. | DeepRx MIMO: Convolutional MIMO detection with learned multiplicative transformations | |
CN113472706A (zh) | 一种基于深度神经网络的mimo-ofdm系统信道估计方法 | |
CN106850013B (zh) | 一种上行链路大规模mimo系统的信号检测方法 | |
Safari et al. | Deep UL2DL: Data-driven channel knowledge transfer from uplink to downlink | |
Zhang et al. | Deep expectation-maximization for joint MIMO channel estimation and signal detection | |
CN114301742B (zh) | 信道估计方法及装置 | |
Luan et al. | Attention based neural networks for wireless channel estimation | |
Sun et al. | ICINet: ICI-aware neural network based channel estimation for rapidly time-varying OFDM systems | |
Hua et al. | Signal detection in uplink pilot-assisted multi-user MIMO systems with deep learning | |
Smith et al. | A communication channel density estimating generative adversarial network | |
Ru et al. | Model-driven channel estimation for OFDM systems based on image super-resolution network | |
Zhang et al. | Pilot-assisted MIMO-V-OFDM systems: Compressed sensing and deep learning approaches | |
CN114499601B (zh) | 一种基于深度学习的大规模mimo信号检测方法 | |
CN109391315B (zh) | 一种数据模型双驱动的mimo接收机 | |
Shan et al. | Orthogonal time frequency space detection via low-complexity expectation propagation | |
CN113285902B (zh) | 一种ofdm系统检测器设计方法 | |
Zhang et al. | Efficient residual shrinkage CNN denoiser design for intelligent signal processing: Modulation recognition, detection, and decoding | |
Zhou et al. | Model-driven deep learning-based signal detector for CP-free MIMO-OFDM systems | |
Yang et al. | Delay-Doppler frequency domain-aided superimposing pilot OTFS channel estimation based on deep learning | |
CN109818891B (zh) | 一种格基约减辅助的低复杂度贪心球形译码检测方法 | |
CN110868244B (zh) | 一种基于信道穿刺的低复杂度通信信号检测方法 | |
Yıldırım et al. | Deep receiver design for multi-carrier waveforms using cnns | |
CN115833974A (zh) | 基于改进残差收缩网络的ris通信系统信道估计方法 |
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 |