CN114598574A - 一种基于深度学习的毫米波信道估计方法 - Google Patents
一种基于深度学习的毫米波信道估计方法 Download PDFInfo
- Publication number
- CN114598574A CN114598574A CN202210218629.8A CN202210218629A CN114598574A CN 114598574 A CN114598574 A CN 114598574A CN 202210218629 A CN202210218629 A CN 202210218629A CN 114598574 A CN114598574 A CN 114598574A
- Authority
- CN
- China
- Prior art keywords
- channel
- dnn
- layer
- millimeter wave
- channel estimator
- 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 28
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000004088 simulation Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 9
- 230000014509 gene expression Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 210000004027 cell Anatomy 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 5
- 238000012795 verification Methods 0.000 abstract 1
- 238000001228 spectrum Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 101001030625 Homo sapiens Mucin-like protein 1 Proteins 0.000 description 2
- 241000764238 Isis Species 0.000 description 2
- 102100038565 Mucin-like protein 1 Human genes 0.000 description 2
- YDGMGEXADBMOMJ-LURJTMIESA-N N(g)-dimethylarginine Chemical compound CN(C)C(\N)=N\CCC[C@H](N)C(O)=O YDGMGEXADBMOMJ-LURJTMIESA-N 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- YDGMGEXADBMOMJ-UHFFFAOYSA-N asymmetrical dimethylarginine Natural products CN(C)C(N)=NCCCC(N)C(O)=O YDGMGEXADBMOMJ-UHFFFAOYSA-N 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- H04B7/0452—Multi-user MIMO systems
-
- 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
- H04L25/0204—Channel estimation of multiple channels
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Radio Transmission System (AREA)
Abstract
本发明属于无线通信技术领域，提供了一种基于深度学习的毫米波信道估计方法。本发明主要包括以下步骤：构建毫米波大规模MIMO系统信道模型；根据毫米波信道模型构建深度学习框架，设计DNN信道估计器的参数；收集DNN信道估计器离线训练的样本；DNN信道估计器通过离线学习在不同信道条件下的模拟数据进行训练；进行DNN信道估计器的在线估计，根据当前输入数据得到相应的输出数据；对DNN信道估计器的MSE性能进行实验并分析。通过最后的验证发现，与传统毫米波信道估计方法相比，本发明的性能更好，并通过在各种情况下进行仿真，证明了本发明的有效性。
Description
技术领域
本发明属于无线通信技术领域，涉及一种在毫米波大规模MIMO场景下基于深度学习的信道估计方法。
背景技术
毫米波因其丰富的频谱资源成为未来无线通信系统中的一项重要技术。在高频下，毫米波信号存在严重路径损耗，需在接入点配置大规模多输入多输出系统，进一步挖掘多天线的空间复用能力，从而在很大程度上提高能量效率和频谱效率。然而，由于训练开销高和天线阵列大，毫米波中的信道估计具有挑战性。
毫米波因其丰富的频谱资源成为未来无线通信系统中的一项重要技术。在高频下，毫米波信号存在严重路径损耗，需在接入点配置大规模多输入多输出系统，进一步挖掘多天线的空间复用能力，从而在很大程度上提高能量效率和频谱效率。然而，由于训练开销高和天线阵列大，毫米波中的信道估计具有挑战性。
为减少由大量天线和相关射频链(RF)引起的硬件成本和功耗，通过采用透镜天线阵列，可将来自不同方向的信号集中在不同的天线上，空间信道可以转换为波束空间信道，一些用于波束空间信道估计的方法应运而生。一种计算复杂度较低的双向信道估计方法通过基站(BS)与用户之间的波束训练确定与主导波束对应的天线，且只估计所选天线对应的信道单元，但是该方法导致较高的导频开销。此外，由于波束空间信道具有稀疏性，一些基于经典压缩感知(CS)的方法可在减少导频开销时估计波束空间信道，如正交匹配追踪(OMP)算法。除稀疏性外，波束空间信道角度域扩散，两阶段CS信道估计方法可由矩阵补全阶段和稀疏恢复阶段组成。然而，在低信噪比下，之前提出的波束空间信道估计方法具有较高的计算复杂度，尤其当波束空间信道稀疏度很高时，并且无法保证估计精度。近似消息传递(AMP)方法可用较低的计算复杂度估计波束空间信道，是一种用于稀疏信号恢复的强大迭代方法，但在实际中很难找到适用于AMP方法的最佳收缩参数，其限制了信道估计性能。
传统方法大多需要预先获取毫米波信道的稀疏性才能进行准确的信道估计，具有一定的局限性。深度学习能够通过基于对大量数据的学习，发掘内在模式和结构性，在遇到一个新的观测值时能够给出准确的预测，并且已经在无线通信的多个问题中取得了显著的成效。因此，利用深度神经网络进行大规模MIMO系统的毫米波信道估计能够取得很好的性能，经过离线的基于大量数据的训练，深度学习能够发掘毫米波信道的内在结构性，在线估计时，即使信道的统计特性发生很大改变，深度学习依然能够准确估计信道而不需要任何先验知识。
发明内容
本发明的目的在于提供一种基于深度学习的毫米波信道估计方法，致力于解决传统毫米波信道估计方法计算复杂度高、未充分利用毫米波信道稀疏特性的问题。
本发明解决其技术问题所采用的技术方案具体步骤如下：
S1：构建毫米波大规模MIMO系统信道模型；
S2：根据毫米波信道模型构建深度学习框架，设计DNN信道估计器的参数；
S3：收集DNN信道估计器离线训练的样本；
S4：DNN信道估计器通过离线学习在不同信道条件下的模拟数据进行训练；
S5：进行DNN信道估计器的在线估计，根据当前输入数据得到相应的输出数据；
S6：对DNN信道估计器的MSE性能进行实验并分析。
进一步，所述步骤S1具体包括：
S11：基站采用毫米波频段向单个用户传输数据，基站端配备NT根天线和
条射频链，用户端配备NR根天线和
条射频链，满足基站和用户端的射频链数目远小于天线数目，即
且基站端天线采用均匀线性阵列ULA。
S12：对于下行传输，基站采用混合预编码，第K个用户的接收信号y表示为：
y＝HFRFFBBs+n
其中，FRF和FBB分别表示模拟预编码器和数字预编码器，满足
以归一化混合预编码器的功率。s表示发射信号，满足
表示加性高斯白噪(AWGN)。H表示基站到用户的信道矩阵，表示为
S13：由于毫米波信道散射有限，扩展的Saleh-Valenzuela几何信道模型表示为：
其中，hk,i表示第i条路径的信道向量，Lk表示多信道路径数，gk,i表示第i条路径的复路径增益。通常，hk包括1条视距(LOS)路径和Lk-1条非视距(NLOS)路径。θk,i表示第k个用户的第i条路径的到达角(DOA)，其在[-π,π)上服从均匀分布，若相邻两个天线间的间距为半个波长，则满足
天线阵列响应矢量α(N,θ)表示为：
进一步，所述步骤S2具体包括：
S21：根据步骤S13中的信道模型可知，复路径增益和波达角DOA是影响信道矩阵H的两个主要因素。因此，可以利用深度学习首先对波达角DOA信息进行估计，然后将DOA信息结合到复增益信息中，以实现毫米波信道估计。
S22：在深度学习领域，DNN是一个多层处理器，能够处理许多非凸和非线性问题，毫米波中的信道估计问题具有高计算复杂度，可利用DNN的非线性运算特性克服。DNN利用Sigmoid和ReLU函数进行激活处理，表达式分别为：
fReLU(x)＝max(0,x)
其中，x表示函数的参数，假设DNN的输出为o，毫米波大规模MIMO的输入信号为x：
o＝f(x,w)＝f(n-1)(f(n-2)(...f1(x)))
其中，n和w分别表示DNN的层数和权重。
S23：设计的DNN信道估计器由输入层、隐藏层、噪声层和输出层构成。输入层是一个含有256个神经元的密集层，其大小为每个训练序列的长度，维度为L作为传输信号向量x的输入，并将特征传播到隐藏层。输入层后面是三个隐藏层，第一个隐藏层和第二个隐藏层分别有521个神经元和400个神经元，对输入层的输出进行编码以及对信号特征的学习，即第一、二个隐藏层确定应该将多少位编码到给定块中，并通过捕获系统稀疏性来实现优化天线选择。为避免过拟合，紧跟第二个隐藏层后的是一个保留概率为P的dropout层。dropout层后面是一个具有256个神经元的噪声层，它通过将AWGN或其他干扰添加到网络中，以便获得基于相同输入的不同输出。最后一个隐藏层作为解码器，含有128个神经元和64个神经元。解码器用于通过最小化DNN的输入和输出之间的差异来重构原始输入。输出层是一个线性层，提供基于大规模MIMO系统的估计信息。输入层、噪声层和所有隐藏层均采用ReLU函数作为激活函数，而输出层则采用Sigmoid函数。
进一步，所述步骤S3具体包括：
S31：DNN信道估计器的训练样本数目为N，根据不同方向的固定信道H获取对应的接收信号向量y，具体来说，每次在信道中加入一个发射信号向量后，可以得到一个特定方向的接收信号y，从而得到各个方向的接收信号。同时，随机生成物理DOA角度θk，与接收到的信号向量y形成训练数据集。
进一步，所述步骤S4具体包括：
S41：在离线训练阶段，基于均方误差的损失函数为：
其中，N表示样本数，
表示预测值。
S42：由于信道矩阵由波达角DOA信息和复数增益决定，设第j个估计输出信道向量为yj，则信道估计的损失函数为：
其中，xj表示第j个传输信号的向量。DNN信道估计器的目标是最小化DNN输出和传输信号之间的差异。在复杂增益估计中采用所提出的DNN学习框架进行DOA估计，用于提取输入信号的有用特征。
S43：为消除随机噪声的影响，估计的输出信号为：
其中，
和
表示第j个样本的估计噪声和信道矩阵，
表示第j个单元测试信号。第j个估计的信道矩阵为
是波达角DOA信息，可以通过DNN信道估计器获取，
表示路径复增益矩阵。根据代数变换，路径复增益可表示为
因此，第k个用户估计的路径复增益为
进一步，所述步骤S5具体包括：
S51：DNN信道估计器经过集中化的离线训练后，进行在线估计，首先估计出波达角DOA信息，然后根据信道矩阵的表达式，预测复路径增益，最后输出信道矩阵H。
S52：为评估DNN信道估计器的性能引入MSE，表达式为：
与现有技术相比，本发明的有益效果在于：
该方案经过离线的基于大量数据的训练，能够发掘毫米波信道的内在结构性，进行准确的估计信道。该方案充分利用毫米波信道的空间稀疏性，将深度学习技术集成到大规模MIMO系统中，有效学习无线信道的统计数据和角度域的空间结构，能实现更好的信道估计性能。相比于已有方案需要依赖信道统计信息才能获得准确的估计信道，该方案由于设计深度神经网络在线估计时，即使信道的统计特性发生较大改变，DNN信道估计器也能准确估计信道而不需要任何先验知识。
附图说明
图1为本发明所提出的DNN信道估计器的神经网络结构图。
图2为本发明所提出的DNN信道估计器DOA估计的示意图。
图3为本发明在不同训练序列长度下信道估计的MSE性能图。
图4为本发明与几种不同方案的信道估计MSE性能对比图。
具体实施方式
下面结合附图和具体实施方式对一种基于深度学习的毫米波信道估计方法作进一步说明。本实施例中分以下步骤进行实现：
S1：构建毫米波大规模MIMO系统信道模型；
S2：根据毫米波信道模型构建深度学习框架，设计DNN信道估计器的参数；
S3：收集DNN信道估计器离线训练的样本；
S4：DNN信道估计器通过离线学习在不同信道条件下的模拟数据进行训练；
S5：进行DNN信道估计器的在线估计，根据当前输入数据得到相应的输出数据；
S6：对DNN信道估计器的MSE性能进行实验并分析。
本发明所述步骤S1具体包括：
S11：基站采用毫米波频段向单个用户传输数据，基站端配备NT根天线和
条射频链，用户端配备NR根天线和
条射频链，满足基站和用户端的射频链数目远小于天线数目，即
且基站端天线采用均匀线性阵列ULA。
S12：对于下行传输，基站采用混合预编码，第K个用户的接收信号y表示为：
y＝HFRFFBBs+n
其中，FRF和FBB分别表示模拟预编码器和数字预编码器，满足
以归一化混合预编码器的功率。s表示发射信号，满足
表示加性高斯白噪声(AWGN)。H表示基站到用户的信道矩阵，表示为
S13：由于毫米波信道散射有限，扩展的Saleh-Valenzuela几何信道模型表示为：
其中，hk,i表示第i条路径的信道向量，Lk表示多信道路径数，gk,i表示第i条路径的复路径增益。通常，hk包括1条视距(LOS)路径和Lk-1条非视距(NLOS)路径。θk,i表示第k个用户的第i条路径的到达角(DOA)，其在[-π,π)上服从均匀分布，若相邻两个天线间的间距为半个波长，则满足
天线阵列响应矢量α(N,θ)表示为：
本发明所述步骤S2具体包括：
S21：根据步骤S13中的信道模型可知，复路径增益和波达角DOA是影响信道矩阵H的两个主要因素。因此，可以利用深度学习首先对波达角DOA信息进行估计，然后将DOA信息结合到复增益信息中，以实现毫米波信道估计。
S22：在深度学习领域，DNN是一个多层处理器，能够处理许多非凸和非线性问题，毫米波中的信道估计问题具有高计算复杂度，可利用DNN的非线性运算特性克服。DNN利用Sigmoid和ReLU函数进行激活处理，表达式分别为：
fReLU(x)＝max(0,x)
其中，x表示函数的参数，假设DNN的输出为o，毫米波大规模MIMO的输入信号为x：
o＝f(x,w)＝f(n-1)(f(n-2)(...f1(x)))
其中，n和w分别表示DNN的层数和权重。
S23：设计的DNN信道估计器由输入层、隐藏层、噪声层和输出层构成。输入层含有256个神经元，其大小为每个训练序列的长度，维度为L作为传输信号向量x的输入，并将特征传播到隐藏层。输入层后面是三个隐藏层，第一个隐藏层和第二个隐藏层分别有521个神经元和400个神经元，对输入层的输出进行编码以及对信号特征的学习，即第一、二个隐藏层确定应该将多少位编码到给定块中，并通过捕获系统稀疏性来实现优化天线选择。为避免过拟合，紧跟第二个隐藏层后的是一个保留概率为P的dropout层。dropout层后面是一个具有256个神经元的噪声层，它通过将AWGN或其他干扰添加到网络中，以便获得基于相同输入的不同输出。最后一个隐藏层作为解码器，含有128个神经元和64个神经元。解码器用于通过最小化DNN的输入和输出之间的差异来重构原始输入。输出层是一个线性层，提供基于大规模MIMO系统的估计信息。输入层、噪声层和所有隐藏层均采用ReLU函数作为激活函数，而输出层则采用Sigmoid函数。
本发明所述步骤S3具体包括：
S31：DNN信道估计器的训练样本数目为N，根据不同方向的固定信道H获取对应的接收信号向量y，具体来说，每次在信道中加入一个发射信号向量后，可以得到一个特定方向的接收信号y，从而得到各个方向的接收信号。同时，随机生成物理DOA角度θk，与接收到的信号向量y形成训练数据集。
本发明所述步骤S4具体包括：
S41：在离线训练阶段，基于均方误差的损失函数为：
其中，N表示样本数，
表示预测值。
S42：由于信道矩阵由波达角DOA信息和复数增益决定，设第j个估计输出信道向量为yj，则信道估计的损失函数为：
其中，xj表示第j个传输信号的向量。DNN信道估计器的目标是最小化DNN输出和传输信号之间的差异。在复杂增益估计中采用所提出的DNN学习框架进行DOA估计，用于提取输入信号的有用特征。
S43：为消除随机噪声的影响，估计的输出信号为：
其中，
和
表示第j个样本的估计噪声和信道矩阵，
表示第j个单元测试信号。第j个估计的信道矩阵为
是波达角DOA信息，可以通过DNN信道估计器获取，
表示路径复增益矩阵。根据代数变换，路径复增益可表示为
因此，第k个用户估计的路径复增益为
本发明所述步骤S5具体包括：
S51：DNN信道估计器经过集中化的离线训练后，进行在线估计，首先估计出波达角DOA信息，然后根据信道矩阵的表达式，预测复路径增益，最后输出信道矩阵H。
S52：为评估DNN信道估计器的性能引入MSE，表达式为：
本发明所述步骤S6具体包括：
S61：通过数值和仿真结果对本发明所提DNN信道估计器的性能进行分析，基站端配备Nt＝128个天线，K＝32个随机分布的单天线用户通过P＝100条可解析路径连接，相邻天线间距
且复路径增益服从
分布。另外，DOA角度随机分布在空间
且所有模拟结果都超过50000次迭代。为收集训练样本，将单元信号以不同的方向传输到系统模型，并获得相应的接收信号。具体来说，每组接收信号是在特定方向上，即每个DOA代表一个方向，采样间隔为0.01°，范围在
训练样本为方向信息θk,i和相应的接收信号组成。训练数据集的大小为150000，验证集的大小为20000。
S62：图3表示在不同的训练序列长度L下本发明所提DNN信道估计器的DOA估计相对于SNR的MSE性能。从图中可看出，DOA估计的MSE随着SNR的增加而减小，并逐渐趋于稳定。而且，采用更长的训练序列L可以提高MSE性能，这是由于更长的训练序列可以捕获更完整的无线信道有关信息，从而能激发DNN离线训练过程的有效性。另外，当L＝64位时，更小的SNR就能使MSE性能变得稳定，这表明引入更长的训练序列时可以改进DOA估计。
S63：图4表示本发明所提DNN信道估计器、SBEM方案、PA信道跟踪方案、ADMA用户调度方案和压缩感知方案DOA估计的MSE性能。从图中可知，在所有的方案中，MSE性能随SNR的增加而提升。与PA信道跟踪方案相比，DNN信道估计器的MSE性能降低了约一个数量级，这是由于DNN信道估计器可以实现端到端优化，而PA信道跟踪方案选择具有最大振幅的单个空间支持进行传输会导致巨大的信道功率泄露和性能损失。另外，DNN信道估计器的MSE性能优于SBEM方案、ADMA用户调度方案和压缩感知方案，这是由于深度学习DNN学习机制出色的泛化能力，充分利用毫米波信道在角度域的稀疏特性。此外，本发明所提的DNN信道估计器不需要额外的计算复杂度。
Claims (6)
1.一种基于深度学习的毫米波信道估计方法，其特征在于：包括以下步骤：
S1：构建毫米波大规模MIMO系统信道模型；
S2：根据毫米波信道模型构建深度学习框架，设计DNN信道估计器的参数；
S3：收集DNN信道估计器离线训练的样本；
S4：DNN信道估计器通过离线学习在不同信道条件下的模拟数据进行训练；
S5：进行DNN信道估计器的在线估计，根据当前输入数据得到相应的输出数据；
S6：对DNN信道估计器的MSE性能进行实验并分析。
2.根据权利要求1所述的基于深度学习的毫米波信道估计方法，其特征在于：基站采用毫米波频段向单个用户传输数据，基站端配备NT根天线和
条射频链，用户端配备NR根天线和
条射频链，满足基站和用户端的射频链数目远小于天线数目，即
且基站端天线采用均匀线性阵列ULA。基站采用混合预编码，第K个用户的接收信号为y，模拟预编码器和数字预编码器分别为FRF和FBB，且满足
发射信号s，满足E[ssH]＝IK，加性高斯白噪声(AWGN)为
基站到用户的信道矩阵为H，满足
3.根据权力要求1所述的一种基于深度学习的毫米波信道估计方法，其特征在于，所述步骤S2具体包括：
S21：复路径增益和波达角DOA是影响信道矩阵H的两个主要因素。利用深度学习首先对波达角DOA信息进行估计，然后将DOA信息结合到复增益信息中，以实现毫米波信道估计。
S22：设计的DNN信道估计器由输入层、隐藏层、噪声层和输出层构成。输入层含有256个神经元，其大小为每个训练序列的长度，维度为L作为传输信号向量x的输入，并将特征传播到隐藏层。输入层后面为三个隐藏层，第一和第二个隐藏层的神经元个数分别为521和400，对输入层的输出进行编码以及对信号特征的学习。为避免过拟合，紧跟第二个隐藏层后的是保留概率为P的dropout层。dropout层后面是具有256个神经元的噪声层，它通过将AWGN或其他干扰添加到网络中，以便获得基于相同输入的不同输出。最后一个隐藏层作为解码器，含有128个神经元和64个神经元。解码器用于通过最小化DNN的输入和输出之间的差异来重构原始输入。输出层是一个线性层，提供基于大规模MIMO系统的估计信息。输入层、噪声层和所有隐藏层均采用ReLU函数作为激活函数，而输出层则采用Sigmoid函数。
4.根据权力要求1所述的一种基于深度学习的毫米波信道估计方法，其特征在于：DNN信道估计器的训练样本数目为N，根据不同方向的固定信道H获取对应的接收信号向量y，即每次在信道中加入一个发射信号向量后，可以得到一个特定方向的接收信号y，从而得到各个方向的接收信号。同时，随机生成物理DOA角度θk，与接收到的信号向量y形成训练数据集。
5.根据权力要求1所述的一种基于深度学习的毫米波信道估计方法，其特征在于，所述步骤S4具体包括：
S41：在离线训练阶段，可用
计算基于均方误差的损失函数，其中，N表示样本数，
表示预测值。
S42：由于信道矩阵由波达角DOA信息和复数增益决定，设第j个估计输出信道向量为yj，则信道估计的损失函数为
其中，xj表示第j个传输信号的向量。DNN信道估计器的目标是最小化DNN输出和传输信号之间的差异。在复杂增益估计中采用所提出的DNN学习框架进行DOA估计，用于提取输入信号的有用特征。
S43：为消除随机噪声的影响，估计的输出信号为
其中，
和
表示第j个样本的估计噪声和信道矩阵，
表示第j个单元测试信号。第j个估计的信道矩阵为
是波达角DOA信息，可以通过DNN信道估计器获取，
表示路径复增益矩阵。根据代数变换，路径复增益可表示为
因此，第k个用户估计的路径复增益为
6.根据权力要求1所述的一种基于深度学习的毫米波信道估计方法，其特征在于：DNN信道估计器经过集中化的离线训练后，进行在线估计，首先估计出波达角DOA信息，然后根据信道矩阵的表达式，预测复路径增益，最后输出信道矩阵H。并且，DNN信道估计器的性能根据
来评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210218629.8A CN114598574A (zh) | 2022-03-03 | 2022-03-03 | 一种基于深度学习的毫米波信道估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210218629.8A CN114598574A (zh) | 2022-03-03 | 2022-03-03 | 一种基于深度学习的毫米波信道估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114598574A true CN114598574A (zh) | 2022-06-07 |
Family
ID=81814837
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210218629.8A Pending CN114598574A (zh) | 2022-03-03 | 2022-03-03 | 一种基于深度学习的毫米波信道估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114598574A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117914657A (zh) * | 2024-03-15 | 2024-04-19 | 齐鲁工业大学(山东省科学院) | 基于FFDNet的毫米波大规模MIMO系统信道估计方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180040333A1 (en) * | 2016-08-03 | 2018-02-08 | Apple Inc. | System and method for performing speech enhancement using a deep neural network-based signal |
| CN110855585A (zh) * | 2019-09-30 | 2020-02-28 | 北京交通大学 | 一种毫米波大规模mimo系统的信道估计方法 |
| CN111935037A (zh) * | 2020-06-09 | 2020-11-13 | 东南大学 | 基于深度学习的大规模多天线系统信道估计方法 |
-
2022
- 2022-03-03 CN CN202210218629.8A patent/CN114598574A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180040333A1 (en) * | 2016-08-03 | 2018-02-08 | Apple Inc. | System and method for performing speech enhancement using a deep neural network-based signal |
| CN110855585A (zh) * | 2019-09-30 | 2020-02-28 | 北京交通大学 | 一种毫米波大规模mimo系统的信道估计方法 |
| CN111935037A (zh) * | 2020-06-09 | 2020-11-13 | 东南大学 | 基于深度学习的大规模多天线系统信道估计方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117914657A (zh) * | 2024-03-15 | 2024-04-19 | 齐鲁工业大学(山东省科学院) | 基于FFDNet的毫米波大规模MIMO系统信道估计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110099017B (zh) | 基于深度神经网络的混合量化系统的信道估计方法 | |
| CN111630787B (zh) | 基于深度学习的mimo多天线信号传输与检测技术 | |
| Sohrabi et al. | Deep learning for distributed channel feedback and multiuser precoding in FDD massive MIMO | |
| CN107332598B (zh) | 一种基于深度学习的mimo系统联合预编码和天线选择方法 | |
| CN111181619B (zh) | 基于深度强化学习的毫米波混合波束成形设计方法 | |
| Heath et al. | Linear dispersion codes for MIMO systems based on frame theory | |
| Pande et al. | Reduced feedback MIMO-OFDM precoding and antenna selection | |
| CN110557177A (zh) | 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法 | |
| CN107171708B (zh) | 一种大规模mimo系统的信道跟踪与混合预编码方法 | |
| CN110336594B (zh) | 一种基于共轭梯度下降法的深度学习信号检测方法 | |
| CN112468202B (zh) | 低复杂度毫米波大规模mimo混合预编码方法 | |
| CN112769462B (zh) | 一种基于联合参数学习的毫米波mimo宽带信道估计方法 | |
| CN112448742A (zh) | 一种非均匀量化下基于卷积神经网络的混合预编码方法 | |
| Cong et al. | Beamforming design for integrated sensing and communication systems with finite alphabet input | |
| CN113078931B (zh) | 基于qga-omp算法的毫米波大规模mimo混合预编码方法及系统 | |
| CN114598574A (zh) | 一种基于深度学习的毫米波信道估计方法 | |
| CN111313945B (zh) | 一种降低毫米波mimo系统峰均比的方法 | |
| CN105812032A (zh) | 基于波束块结构压缩感知的信道估计方法 | |
| Kumar et al. | Deep learning based massive-MIMO decoder | |
| CN111431567A (zh) | 一种毫米波大规模波束空间mimo系统 | |
| CN115001545B (zh) | 一种毫米波大规模mimo系统中的混合预编码方法 | |
| CN116405077A (zh) | 一种基于深度学习的大规模mimo混合波束赋形方法 | |
| CN112165347B (zh) | 一种毫米波纯模拟波束成形用户调度方法 | |
| CN111541472B (zh) | 低复杂度机器学习辅助鲁棒预编码方法及装置 | |
| Wang et al. | Hybrid digital and analog precoding algorithm for millimeter wave mimo systems |
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 |