CN114745233B - 一种基于导频设计的联合信道估计方法及装置 - Google Patents

一种基于导频设计的联合信道估计方法及装置 Download PDF

Info

Publication number
CN114745233B
CN114745233B CN202210344698.3A CN202210344698A CN114745233B CN 114745233 B CN114745233 B CN 114745233B CN 202210344698 A CN202210344698 A CN 202210344698A CN 114745233 B CN114745233 B CN 114745233B
Authority
CN
China
Prior art keywords
state information
channel
network
estimation
channel state
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
Application number
CN202210344698.3A
Other languages
English (en)
Other versions
CN114745233A (zh
Inventor
康晓非
王甜
李雨玫
梁显
柳子惠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Science and Technology
Original Assignee
Xian University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Science and Technology filed Critical Xian University of Science and Technology
Priority to CN202210344698.3A priority Critical patent/CN114745233B/zh
Publication of CN114745233A publication Critical patent/CN114745233A/zh
Application granted granted Critical
Publication of CN114745233B publication Critical patent/CN114745233B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • H04L25/0224—Channel estimation using sounding signals
    • H04L25/0228—Channel estimation using sounding signals with direct estimation from sounding signals
    • 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
    • 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)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明公开了一种基于导频设计的联合信道估计方法及装置，获取含噪信道状态信息；以含噪信道状态信息为输入信息，采用编码器对含噪信道状态信息进行优选，得到第一估计信道状态信息；以第一估计信道状态信息为输入信息，采用条件对抗网络的生成器生成第二估计信道状态信息；本发明基于Concrete分布的自编码器和条件生成对抗网络的混合网络架构，在实现导频优化设计的基础上进一步完成信道的精确估计，利用Concrete AE优秀的特征提取能力寻找并选择最合适的导频位置，采用优化后的导频用于条件生成对抗网络的信道估计，具有较低的导频开销、较高的估计精度以及较强的抗噪声鲁棒性，可应用于较复杂应用场景下的MIMO‑OFDM系统。

Description

一种基于导频设计的联合信道估计方法及装置
技术领域
本发明属于无线信道估计技术领域，尤其涉及一种基于导频设计的联合信道估计方法及装置。
背景技术
MIMO-OFDM技术能有效利用时间、频率和空间三个维度的资源而大幅度提高系统的频谱效率、功率效率和传输速率，已成为宽带无线通信系统的核心技术，而通过信道估计(Channel Estimation)获取准确的信道状态信息(Channel Sate Information,CSI)是发挥MIMO-OFDM技术巨大潜力的先决条件，也是实现预编码、资源分配、信号检测、室内定位、物理层安全等技术的重要基础。
在信道估计的过程中，按照是否需要导频信号，可以分为盲信道估计和基于导频的信道估计，盲信道估计无需导频信号，是通过接收信号的二阶或高阶统计信息进行信道估计。基于导频的信道估计方法是在发送信号中插入导频符号，接收端依据收到的导频信号实现信道估计，与盲信道估计方法相比，基于导频的信道估计虽在频谱效率上有损失，但其实现简单，复杂度低，故被广泛应用。
基于导频的信道估计通常都是在算法层面进行方法的更新，使得信道估计精度达到一定程度后，难以进一步突破。
发明内容
本发明的目的是提供一种基于导频设计的联合信道估计方法及装置，采用深度学习方法，将导频设计和信道估计方法进行联合实现，以进一步提升传统信道估计的精度。
本发明采用以下技术方案：一种基于导频设计的联合信道估计方法，包括以下步骤：
获取含噪信道状态信息；含噪信道状态信息根据接收信号和发送导频信号计算得到，发送导频信号基于Concrete AE网络的编码器设计；
以含噪信道状态信息为输入信息，采用编码器对含噪信道状态信息进行优选，得到第一估计信道状态信息；第一估计信道状态信息为含噪信道状态信息的子集；
以第一估计信道状态信息为输入信息，采用训练完成的生成器生成信道状态信息；其中，信道状态信息的维度与含噪信道状态信息的维度相同，生成器基于Concrete AE网络的解码器设计。
进一步地，Concrete AE网络由编码器和解码器组成；
编码器包括依次连接的第一输入层和Concrete选择器层；
解码器为第二深度神经网络，包括第二输入层、第二隐藏层和第二输出层；其中，第二隐藏层数量为五个。
进一步地，Concrete AE网络的损失函数为：
Figure GDA0004058096560000021
其中，
Figure GDA0004058096560000022
表示损失函数值，N表示训练样本数，fω(·)表示解码器函数，||·||2表示2范数，
Figure GDA0004058096560000023
表示第n个训练样本对应的第一估计信道状态信息，
Figure GDA0004058096560000024
表示第n个训练样本对应的含噪信道状态信息。
进一步地，条件生成对抗网络由生成器和判别器组成；
生成器为第二深度神经网络，包括第二输入层、第二隐藏层和第二输出层；其中，第二隐藏层数量为五个；
判别器为第三深度神经网络，包括第三输入层、第三隐藏层和第三输出层；其中，第三隐藏层数量为五个。
进一步地，条件生成对抗网络的损失函数为：
Figure GDA0004058096560000031
其中，
Figure GDA0004058096560000032
表示条件生成对抗网络的第一损失函数，
Figure GDA0004058096560000033
表示由
Figure GDA0004058096560000034
参数化的生成器，Dθ表示由θ参数化的判别器，hp,noisy表示第一估计信道状态信息，hideal表示实际信道状态信息，
Figure GDA0004058096560000035
表示第二损失函数，
Figure GDA0004058096560000036
进一步地，第一输入层的维度为1008；
Concrete选择器层每个节点的权重系数采样自Concrete分布的随机变量，通过
Figure GDA0004058096560000037
进行计算；
其中，
Figure GDA0004058096560000038
和αd均是Concrete参数，gj和gd是采样自Gumbel分布的参数，T∈(0,∞)为Concrete分布的放缩参数，在Concrete AE网络迭代训练过程中，T的初始值设置为10，最小值设置为0.1。
进一步地，五个第二隐藏层的节点个数依次分别为150、150、320、320和780，每个节点的激活函数均采用的LeakRelu函数。
进一步地，五个第三隐藏层的节点个数依次为64、32、16、16和8，每个节点的激活函数均采用的LeakRelu函数；
第三输出层的维度为1，采用的激活函数为sigmoid函数。
本发明的另一种技术方案：一种基于导频设计的联合信道估计装置，包括：
含噪信道获取模块，用于获取含噪信道状态信息；含噪信道状态信息根据接收信号和发送导频信号计算得到，发送导频信号基于Concrete AE网络的编码器设计；
导频优选模块，用于以含噪信道状态信息为输入信息，采用编码器对含噪信道状态信息进行优选，得到第一估计信道状态信息；第一估计信道状态信息为含噪信道状态信息的子集；
信道估计模块，用于以第一估计信道状态信息为输入信息，采用训练完成的生成器生成信道状态信息；其中，信道状态信息的维度与含噪信道状态信息的维度相同，生成器基于Concrete AE网络的解码器设计。
本发明的另一种技术方案：一种基于导频设计的联合信道估计装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的一种基于导频设计的联合信道估计方法。
本发明的有益效果是：本发明提出了一种联合基于Concrete分布的自编码器(Concrete AE)和条件生成对抗网络(cGAN)的混合网络架构(CAGAN)，在实现导频优化设计的基础上进一步完成信道的精确估计，利用Concrete AE优秀的特征提取能力寻找并选择最合适的导频位置，采用优化后的导频用于条件生成对抗网络的信道估计，具有较低的导频开销、较高的估计精度以及较强的抗噪声鲁棒性，可应用于较复杂应用场景下的MIMO-OFDM系统。
附图说明
图1为本发明实施例一种基于导频设计的联合信道估计方法的流程图；
图2为本发明实施例中的CAGAN的网络架构示意图；
图3为本发明验证实施例中均匀导频设计和基于Concrete AE导频优化的性能比较图；
图4为本发明验证实施例中不同导频数目下的CAGAN信道估计精度比较图；
图5为本发明验证实施例中导频数为8时不同方法的性能比较图；
图6为本发明验证实施例中导频数为16时不同方法的性能比较图；
图7为本发明验证实施例中CAGAN在两种训练模式下的性能比较图；
图8为本发明另一实施例中一种基于导频设计的联合信道估计装置的结构示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
对于MIMO-OFDM系统通常包含多个子载波信道和多个收发天线对信道，需要估计大量的信道参数，特别是对于大规模MIMO系统，传统基于导频的信道估计算法将导致巨大的导频和反馈开销，频谱效率和复杂度两方面性能的严重损失限制了其应用。
随着对大规模MIMO-OFDM信道研究的深入，现有的基于理想假设和模型近似的优化算法在日趋复杂的应用场景下性能提升趋于饱和，基于深度学习的信道估计为突破这一瓶颈提供了新思路。深度学习采用大数据离线训练，实时数据在线快速更新模式，一方面利用其强大的特征提取和非线性映射能力可有效提升复杂场景下信道估计的性能，另一方面利用离线训练的复杂度来降低在线测试的复杂度可获得较高运行效率。
考虑到在基于导频的信道估计中，导频设计和估计算法共同决定着信道估计的可靠性和有效性，同时考虑到在复杂应用场景下，深度学习的强大的特征提取和非线性映射能力可有效提升信道估计性能。
本发明提出了一种将基于Concrete分布(Concrete:CONtinuous relaxation ofdisCRETE random variables，离散随机变量的连续松弛)的自编码器(ConcreteAutoEncoder，Concrete AE)和条件生成对抗网络(conditional Generative AdversarialNetworks，cGAN)有机结合的混合网络架构(CAGAN)，采用提出的CAGAN深度学习网络可实现在导频设计的基础上对信道进行精确估计。
本发明实施例公开了一种基于导频设计的联合信道估计方法，如图1所示，包括以下步骤：步骤S110、获取含噪信道状态信息；含噪信道状态信息根据接收信号和发送导频信号计算得到，发送导频信号基于Concrete AE网络的编码器设计；步骤S120、以含噪信道状态信息为输入信息，采用编码器对含噪信道状态信息进行优选，得到第一估计信道状态信息；第一估计信道状态信息为含噪信道状态信息的子集，即第一估计信道状态信息为导频优化后的含噪信道状态信息；步骤S130、以第一估计信道状态信息为输入信息，采用条件生成对抗网络的生成器生成信道状态信息；其中，信道状态信息的维度与含噪信道状态信息的维度相同，生成器基于Concrete AE网络的解码器设计。
本发明提出了一种联合基于Concrete分布的自编码器(Concrete AE)和条件生成对抗网络(cGAN)的混合网络架构(CAGAN)，在实现导频优化设计的基础上进一步完成信道的精确估计，利用Concrete AE优秀的特征提取能力寻找并选择最合适的导频位置，采用优化后的导频用于条件生成对抗网络的信道估计，具有较低的导频开销、较高的估计精度以及较强的抗噪声鲁棒性，可应用于较复杂应用场景下的MIMO-OFDM系统。
在本发明实施例中，含噪信道状态信息指的是在MIMO-OFDM系统中所有路径的时延和衰减信息。如图2所示，CAGAN网络是由基于Concrete分布的自编码器(Concrete AE)和条件生成对抗网络(cGAN)有机混合而成，其中，Concrete AE的解码器(Decoder)部分与cGAN的生成器(Generator)部分合二为一，采用相同的深度神经网络(Deep NeuralNetwork，DNN)实现。
CAGAN网络在离线训练阶段的工作原理主要包含两个步骤：首先利用Concrete AE进行导频优化设计，采用Concrete选择器层(concrete selector layer)选择最优的子特征集，得到优化的导频信道；其次，将优化的导频信道输入cGAN网络实现信道估计。
具体地，在离线阶段，优化的导频输入到生成器产生估计信道系数，估计信道系数和实际信道状态信息同时输入判别器，判别器和生成器通过多次循环交替训练达到纳什均衡状态，此时cGAN网络收敛，信道的估计值和真实值在分布上趋于一致。
此外，为确保生成器优化的方向正确，在cGAN损失函数中引入估计信道和真实信道的均方误差(Mean Square Error，MSE)损失函数。CAGAN网络完成训练后，在线测试阶段，利用训练好的生成器实现对优化设计的导频进行精确的信道估计。
Concrete AE网络是基于Concrete分布的自编码器，Concrete分布是一种松弛的离散分布，将离散变量的“状态”从顶点连续松弛为一个随机概率向量。Concrete AE采用Concrete选择器层(Concrete selector layer)作为编码器(Encoder)，采用一个DNN作为解码器(Decoder)，使用Concrete分布和参数重映射的技巧(Reparameterization trick)，选择特征使损失函数最小化，与其他基于深度学习的特征选择方法相比，Concrete AE在寻找信息量最大的特征和去除最多冗余的特征方面表现出更好的性能。将其应用于导频设计，Concrete AE可以用于寻找并选择时频网格中信息最丰富的位置以分配给导频，获得每个特定信道模型的接近最优导频模式。
作为一种具体的实现方式，Concrete AE网络由编码器和解码器组成；编码器包括依次连接的第一输入层和Concrete选择器层；解码器为第二深度神经网络，包括第二输入层、第二隐藏层和第二输出层；其中，第二隐藏层数量为五个。
具体的，Concrete AE网络的损失函数为：
Figure GDA0004058096560000081
其中，
Figure GDA0004058096560000082
表示损失函数值，N表示训练样本数，fω(·)表示解码器函数，||·||2表示2范数，
Figure GDA0004058096560000083
表示第n个训练样本对应的第一估计信道状态信息，
Figure GDA0004058096560000084
表示第n个训练样本对应的含噪信道状态信息。
更为具体的，在本发明实施例中，第一输入层的维度为1008；Concrete选择器层每个节点的权重系数采样自Concrete分布的随机变量，通过下述公式计算：
Figure GDA0004058096560000085
其中，
Figure GDA0004058096560000089
是Concrete参数，
Figure GDA0004058096560000087
gj和gd是采样自Gumbel分布的参数，T∈(0,∞)为Concrete分布的放缩参数，在Concrete AE网络迭代训练过程中，T的初始值设置为10，最小值设置为0.1。
cGAN是常规GAN的扩展，都是一种基于对抗模型(即判别器)训练生成模型(即生成器)的架构，不同之处在于：GAN的生成器学习从随机噪声到真实数据的映射。但这种映射具有不稳定性和随机性，而cGAN能够学习从条件输入到真实数据的映射。在一个实施例中，生成器的条件输入为经过Concrete AE优化设计的导频，输出为估计信道系数
Figure GDA0004058096560000088
进一步将估计信道系数和实际信道状态信息作为判别器的输入，判别器可以将给定的输入识别为真实标签“1”或假标签“0”。为了进一步提高信道估计精度，提出的方案在cGAN的损失函数中合并了均分误差(MSE)损失函数。
具体的，本发明实施例中条件生成对抗网络由生成器和判别器组成；生成器为第二深度神经网络，包括第二输入层、第二隐藏层和第二输出层；其中，第二隐藏层数量为五个。判别器为第三深度神经网络，包括第三输入层、第三隐藏层和第三输出层；其中，第三隐藏层数量为五个。条件生成对抗网络的损失函数为：
Figure GDA0004058096560000091
其中，
Figure GDA0004058096560000092
表示条件生成对抗网络的第一损失函数，
Figure GDA0004058096560000093
表示由
Figure GDA0004058096560000094
参数化的生成器，Dθ表示由θ参数化的判别器，hi表示第一估计信道状态信息，hideal表示实际信道状态信息，
Figure GDA0004058096560000095
表示第二损失函数，
Figure GDA0004058096560000096
更为具体地，五个第二隐藏层的节点个数依次分别为150、150、320、320和780，每个节点的激活函数均采用α＝0.2(α为负数部分线性函数的梯度)的LeakRelu函数。五个第三隐藏层的节点个数依次为64、32、16、16和8，每个节点的激活函数均采用α＝0.2的LeakRelu函数；与生成网络不同之处在于判别器解决的是一个二分类问题，因此第三输出层的维度为1，采用的激活函数为sigmoid函数。
考虑一个MIMO-OFDM系统，若发射天线数为Mt，接收天线数为Mr，在新空中接口(NewRadio，NR)的时频资源中，设一个时隙中包含Ns个OFDM符号，一个资源块组(ResourceBlock Group，RBG)包含Nf个子载波。则在接收端，第mr根接收天线所收到的第j个OFDM符号的第i个子载波信号可表示为：
Figure GDA0004058096560000097
其中，
Figure GDA00040580965600001010
和
Figure GDA00040580965600001011
分别表示第mt根发射天线的信道系数和发射预编码系数，xi,j表示发射信号，
Figure GDA00040580965600001012
表示加性高斯白噪声。
由于导频信号和数据信号采用相同的发射预编码器进行波束成形，因此上式可以改写为：
Figure GDA0004058096560000101
其中，
Figure GDA0004058096560000102
定义为预编码信道。进一步，对于全部OFDM符号和子载波，即包含Ns个OFDM符号，Nf个子载波情形下，第mr根接收天线所接收的信号可表示为：
Figure GDA0004058096560000103
式中，
Figure GDA0004058096560000104
X和
Figure GDA0004058096560000105
均为Nf×Ns维矩阵，且其第i行的第j列(i，j)位置的元素分别为
Figure GDA0004058096560000106
xi,j和
Figure GDA00040580965600001013
运算符
Figure GDA0004058096560000107
表示哈达玛积(Hadamard product)，即两个矩阵的对应元素相乘。
Concrete AE网络是一种用于全局特征选择的端到端可微分方法，它能有效识别出信息量最大的特征子集，将其用于导频设计能够在时频网格中选择出的信息最丰富的位置，可获得每个特定信道模型的接近最优导频模式。
设用于选择的时频网格为Nf×Ns的含噪信道Hnoisy，在离线训练阶段，Hnoisy可通过导频和接收信号获得，即
Figure GDA0004058096560000108
Figure GDA0004058096560000109
表示两个矩阵的对应元素相除，将矩阵Hnoisy打平得到其向量化表示hnoisy＝[h1,h2,…hD]，即为含噪信道状态信息，其中D＝Nf×Ns为向量化的时频网格长度。hnoisy作为Concrete AE网络的输入，相应地，Concrete AE网络的编码器(Concrete选择器层)的输出为hp,noisy＝[hp，1,hp,2,…hp,L]，L<D。hp,noisy是hnoisy的信息量最大的特征子集，其第l个元素hp,l为Concrete选择器层(Concrete selector layer)第l个节点的输出，可表示为：
hp,l＝hnoisyml，
式中，l∈1,…,L，ml＝[ml,1,ml,2,…,ml,D]T是D维的采样自Concrete分布的随机变量，其元素被定义为：
Figure GDA0004058096560000111
式中，
Figure GDA0004058096560000112
是Concrete参数，T∈(0，∞)为Concrete分布的放缩参数，当T趋近于0时，Concrete随机变量会趋近于一个离散分布，这时候输出的向量ml就会在αj/∑pαp概率下近似为One-hot向量(仅ml,j＝1其余元素为0)。gj是采样自Gumbel分布。αj和解码器权值ω则可通过最小化以下损失函数迭代更新：
Figure GDA0004058096560000113
经过Concrete AE网络训练后，将第一估计信道状态信息
Figure GDA0004058096560000114
输入cGAN网络，在提出的方案中，Concrete AE的解码器和cGAN的生成器共用同一网络，cGAN的生成器和判别器采用DNN网络，cGAN的生成器学习从
Figure GDA0004058096560000115
到实际信道状态信息hideal(hideal是矩阵
Figure GDA0004058096560000116
打平后的1×D维向量化表示)的映射。在离线训练阶段，生成器负责从条件输入
Figure GDA0004058096560000117
中估计出估计信道系数
Figure GDA0004058096560000118
判别器可以将给定的输入识别为真实标签“1”或假标签“0”。训练成功后，便可利用训练好的生成器对新的导频输入进行信道估计。
cGAN的目标是让生成器的信道来欺骗判别器。同时判别器需要学会不被欺骗。通过两个网络的多次交替训练而达到纳什均衡状态。为了实现这种优化，cGAN的损失函数可定义为：
Figure GDA0004058096560000121
其中，Dθ是由θ参数化的判别器，旨在区分生成的估计信道系数
Figure GDA0004058096560000122
与实际信道状态信息hideal，即最大化损失函数中的Dθ；
Figure GDA0004058096560000123
表示由
Figure GDA0004058096560000124
参数化的生成器，希望生成的估计信道系数
Figure GDA0004058096560000125
更接近于实际信道状态信息hideal，即最小化损失函数中的
Figure GDA0004058096560000126
因此，cGAN目标函数为：
Figure GDA0004058096560000127
进一步，为确保生成器优化的正确方向，提出的方案引入了
Figure GDA0004058096560000128
损失函数增加到cGAN损失中，即：
Figure GDA0004058096560000129
最后，总目标函数可定义为：
Figure GDA00040580965600001210
在本发明实施例中，是先训练Concrete AE网络，其收敛后再继续训练条件生成对抗网络。由于训练Concrete AE网络的解码器与条件生成对抗网络的生成器网络架构相同，在对条件生成对抗网络收敛时，生成器中的各个参数必然会有解码器中的参数不同，然而这并不影响本发明实施例CAGAN网络的技术效果。
在在线测试阶段，发送端先通过编码器对导频信号进行设计，得到发送导频信号，接收端接收到接收信号后，通过接收信号和发送导频信号计算传输信道的状态信息，即第一估计信道状态信息，再将该第一估计信道状态信息输入到生成器中，生成器则会生成对应的完整的信道状态信息，进而完成信道的估计。
在另一种实施例中，还可以通过编码器对含噪信道状态信息再次进行导频优选，再根据优选后的含噪信道状态信息生成对应的第一估计信道状态信息，完成信道的估计过程。
另外，本发明通过以下验证实施例验证了所提出CAGAN网络在MIMO-OFDM系统下的信道估计性能。
实验采用链路级模拟仿真，考虑到5G系统的空中接口规范，在时频资源中，1个时隙中包含14个OFDM符号，频域有72个子载波，这相当于频域中有6个资源块(ResourceBlock，RB)，每个RB中包含12个子载波。实验信道环境采用维也纳大学开发的信道模拟器生成的一个频率为2.1GHz、带宽1.6MHz、用户设备(UE)速度为50km/h的Veh-A信道模型。为了评估不同信噪比环境下所提出算法的性能，实验基于Veh-A信道模型生成了0～30dB之间多个不同含噪信道数据用于CAGAN网络的训练和测试。并且采用均方误差(MSE，mean squareerror)作为评价指标来衡量信道估计值和真实值之间的差异。
CAGAN方案的第一步是采用Concrete AE实现导频优化设计，图3为采用ConcreteAE网络进行导频优化和传统的等间隔均匀导频设计的信道估计性能比较。仿真结果表明，采用Concrete AE优化导频方式要比传统等间隔均匀插入导频方式估计精度高，如3a和图3b分别为导频数目＝16和导频数目＝8时的均方误差对比结果图，由图可知，在导频数目越小时，导频优化对信道估计精度的提升越明显。这也说明了结合Concrete AE网络进行导频优化设计的信道估计方法对于大规模MIMO系统在节省导频开销和提高系统频谱效率方面具有显著优势。
CAGAN方案的第二步在Concrete AE导频优化设计的基础上采用cGAN进行信道估计。除了导频的位置(即是否采用优化导频方案)会对信道估计精度造成影响之外，不同的导频数目也是一个重要影响因素。图4给出了导频数分别为8、16和48时CAGAN的信道估计精度比较，仿真结果表明，随着导频数的增加，CAGAN估计精度相应地提升，当SNR＞18dB时，对于包含1008个资源粒子(Resource Element，RE)的时频网格资源，导频数分别为16和48时估计精度基本相同，且与导频数为8时，信道估计的精度也能达到10-3～10-4数量级，可见，CAGAN方案对较高信噪比下对导频数具有较好的鲁棒性，在保证信道估计精度前提下，能有效提高系统的频谱效率。
图5为不同信道估计算法的性能评估，仿真实验将提出的CAGAN与最小二乘(LS)、插值最小均方误差(插值MMSE)以及理想的最小均方误差(理想MMSE)三种算法的信道估计精度进行了比较。仿真结果表明，导频数为8时，提出的CAGAN性能明显优于LS和插值MMSE算法，LS实现简单但性能最差。在SNR＞21dB的高信噪比下，CAGAN较理想MMSE性能损失较少，图中理想MMSE在接收端只估计导频位置的信道信息，并没有估计完整的时频网格信道信息，且理想MMSE需要二阶统计信道和噪声方差作为先验信息，这在实际通信中是不切实际的，因此将其作为性能评价的上界。
进一步，通过增加导频数评估这几种算法性能，如图6所示，当导频数为16时，LS的性能与插值MMSE接近；LS、插值MMSE和CAGAN三种算法在低信噪比下，性能较导频数为8时均有提升，且在同等信噪比条件，CAGAN性能具有明显优势；在高信噪比下，CAGAN与理想MMSE性能更加趋近，这表明CAGAN在估计精度方面具有显著优势。
在CAGAN网络的训练阶段，仿真实验尝试了两种不同的训练模式，第一种训练模式为固定信噪比训练，即在固定SNR下训练CAGAN，即采用SNR＝15dB的含噪信道数据输入CAGAN网络进行训练，训练完成后，在测试阶段，将训练成功的模型分别用于预测SNR取值区间为0～30dB，步长为3dB的含噪信道数据。第二种训练模式为不同信噪比训练(CAGANtrained at different SNR)，即依次对SNR取值区间为0～30dB，步长为3dB的含噪信道数据进行训练并测试。两种训练模式的仿真结果如图7所示，从图中可以看出，当SNR＞9dB时，两种模式的信道估计性能趋于一致，而第一种方式因仅需训练一次，所以可大幅度减少算法的训练时间和复杂度，表明该算法具有较好的抗噪声鲁棒性。
综上，相较于传统LS和MMSE估计方法，提出的CAGAN方案仅需较少导频便可实现较高的信道估计精度，且对环境噪声具有很好的鲁棒性。
本发明还公开了一种基于导频设计的联合信道估计装置，如图8所示，包括：含噪信道获取模块210，用于获取含噪信道状态信息；含噪信道状态信息根据接收信号和发送导频信号计算得到，发送导频信号基于Concrete AE网络的编码器设计；导频优选模块220，用于以含噪信道状态信息为输入信息，采用编码器对含噪信道状态信息进行优选，得到第一估计信道状态信息；第一估计信道状态信息为含噪信道状态信息的子集；信道估计模块230，用于以第一估计信道状态信息为输入信息，采用条件生成对抗网络的生成器生成信道状态信息；其中，信道状态信息的维度与含噪信道状态信息的维度相同，生成器基于Concrete AE网络的解码器设计。
需要说明的是，上述装置可以应用于接收端，还可以单独设置，且上述装置的模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将所述装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明还公开了一种基于导频设计的联合信道估计装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的一种基于导频设计的联合信道估计方法。
装置可以是桌上小型计算机、笔记本、掌上电脑及云端服务器等计算设备。该装置可包括但不仅限于，处理器、存储器。本领域技术人员可以理解，该装置可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器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该处理器也可以是任何常规的处理器等。
存储器在一些实施例中可以是所述装置的内部存储单元，例如装置的硬盘或内存。所述存储器在另一些实施例中也可以是所述装置的外部存储设备，例如所述装置上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器还可以既包括所述装置的内部存储单元也包括外部存储设备。所述存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的模块及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

Claims (9)

1.一种基于导频设计的联合信道估计方法，其特征在于，包括以下步骤：
获取含噪信道状态信息；所述含噪信道状态信息根据接收信号和发送导频信号计算得到，所述发送导频信号基于Concrete AE网络的编码器设计；
以所述含噪信道状态信息为输入信息，采用所述编码器对所述含噪信道状态信息进行优选，得到第一估计信道状态信息；所述第一估计信道状态信息为所述含噪信道状态信息的子集；以所述第一估计信道状态信息为输入、利用条件生成对抗网络的生成器生成估计信道系数；并利用条件生成对抗网络的判别器对所述估计信道系数进行识别；通过条件生成对抗网络的损失函数训练所述生成器；
以所述第一估计信道状态信息为输入信息，采用训练完成的的生成器生成信道状态信息；其中，所述信道状态信息的维度与所述含噪信道状态信息的维度相同，所述生成器基于所述Concrete AE网络的解码器设计；
所述条件生成对抗网络的损失函数为：
Figure FDA0004058096550000011
其中，
Figure FDA0004058096550000012
表示条件生成对抗网络的第一损失函数，
Figure FDA0004058096550000013
表示由
Figure FDA0004058096550000014
参数化的生成器，Dθ表示由θ参数化的判别器，hp,noisy表示第一估计信道状态信息，hideal表示实际信道状态信息，
Figure FDA0004058096550000015
表示第二损失函数，
Figure FDA0004058096550000016
2.如权利要求1所述的一种基于导频设计的联合信道估计方法，其特征在于，所述Concrete AE网络由编码器和解码器组成；
所述编码器包括依次连接的第一输入层和Concrete选择器层；
所述解码器为第二深度神经网络，包括第二输入层、第二隐藏层和第二输出层；其中，所述第二隐藏层数量为五个。
3.如权利要求2所述的一种基于导频设计的联合信道估计方法，其特征在于，所述Concrete AE网络的损失函数为：
Figure FDA0004058096550000021
其中，
Figure FDA0004058096550000022
表示损失函数值，N表示训练样本数，fω(·)表示解码器函数，||·||2表示2范数，
Figure FDA0004058096550000023
表示第n个训练样本对应的第一估计信道状态信息，
Figure FDA0004058096550000024
表示第n个训练样本对应的含噪信道状态信息。
4.如权利要求2或3所述的一种基于导频设计的联合信道估计方法，其特征在于，所述条件对抗网络由生成器和判别器组成；
所述生成器为所述第二深度神经网络，包括所述第二输入层、第二隐藏层和第二输出层；其中，所述第二隐藏层数量为五个；
所述判别器为第三深度神经网络，包括第三输入层、第三隐藏层和第三输出层；其中，所述第三隐藏层数量为五个。
5.如权利要求2或3所述的一种基于导频设计的联合信道估计方法，其特征在于，所述第一输入层的维度为1008；
所述Concrete选择器层每个节点的权重系数采样自Concrete分布的随机变量，通过
Figure FDA0004058096550000025
进行计算；
其中，
Figure FDA0004058096550000026
αj和αd均是Concrete参数，gj和gd是采样自Gumbel分布的参数，T∈(0,∞)为Concrete分布的放缩参数，在所述Concrete AE网络迭代训练过程中，T的初始值设置为10，最小值设置为0.1。
6.如权利要求4所述的一种基于导频设计的联合信道估计方法，其特征在于，五个所述第二隐藏层的节点个数依次分别为150、150、320、320和780，每个节点的激活函数均采用的LeakRelu函数。
7.如权利要求6所述的一种基于导频设计的联合信道估计方法，其特征在于，五个所述第三隐藏层的节点个数依次为64、32、16、16和8，每个节点的激活函数均采用的LeakRelu函数；
所述第三输出层的维度为1，采用的激活函数为sigmoid函数。
8.一种基于导频设计的联合信道估计装置，其特征在于，包括：
含噪信道获取模块，用于获取含噪信道状态信息；所述含噪信道状态信息根据接收信号和发送导频信号计算得到，所述发送导频信号基于所述Concrete AE网络的解码器设计；
导频优选模块，用于以含噪信道状态信息为输入信息，采用所述编码器对所述含噪信道状态信息进行优选，得到第一估计信道状态信息；所述第一估计信道状态信息为所述含噪信道状态信息的子集；以所述第一估计信道状态信息为输入、利用条件生成对抗网络的生成器生成估计信道系数；并利用条件生成对抗网络的判别器对所述估计信道系数进行识别；通过条件生成对抗网络的损失函数训练所述生成器；
信道估计模块，用于以所述第一估计信道状态信息为输入信息，采用训练完成的生成器生成信道状态信息；其中，所述信道状态信息的维度与所述含噪信道状态信息的维度相同，所述生成器基于所述Concrete AE网络的解码器设计；
所述条件生成对抗网络的损失函数为：
Figure FDA0004058096550000031
其中，
Figure FDA0004058096550000032
表示条件生成对抗网络的第一损失函数，
Figure FDA0004058096550000033
表示由
Figure FDA0004058096550000041
参数化的生成器，Dθ表示由θ参数化的判别器，hp,noisy表示第一估计信道状态信息，hideal表示实际信道状态信息，
Figure FDA0004058096550000042
表示第二损失函数，
Figure FDA0004058096550000043
9.一种基于导频设计的联合信道估计装置，包括存储器、处理器以及存储在所述存储器中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1-7任一项所述的一种基于导频设计的联合信道估计方法。
CN202210344698.3A 2022-03-31 2022-03-31 一种基于导频设计的联合信道估计方法及装置 Active CN114745233B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210344698.3A CN114745233B (zh) 2022-03-31 2022-03-31 一种基于导频设计的联合信道估计方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210344698.3A CN114745233B (zh) 2022-03-31 2022-03-31 一种基于导频设计的联合信道估计方法及装置

Publications (2)

Publication Number Publication Date
CN114745233A CN114745233A (zh) 2022-07-12
CN114745233B true CN114745233B (zh) 2023-03-17

Family

ID=82279013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210344698.3A Active CN114745233B (zh) 2022-03-31 2022-03-31 一种基于导频设计的联合信道估计方法及装置

Country Status (1)

Country Link
CN (1) CN114745233B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115208494B (zh) * 2022-07-25 2023-09-22 中国人民解放军国防科技大学 一种基于条件生成对抗网络的信道切换策略学习方法
CN116319196B (zh) * 2023-05-24 2023-08-04 南京邮电大学 THz-MIMO系统中基于SRGAN信道估计方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110289927A (zh) * 2019-07-01 2019-09-27 上海大学 基于条件生成对抗网络的信道模拟实现方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101222459B (zh) * 2007-01-12 2010-11-10 展讯通信（上海）有限公司 频域均衡系统的导频插入和信道估计方法
EP3859599B1 (en) * 2020-02-03 2023-12-27 Robert Bosch GmbH Training a generator neural network using a discriminator with localized distinguishing information
CN113381952B (zh) * 2021-06-09 2022-06-24 东南大学 基于深度学习的多天线系统信道估计方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110289927A (zh) * 2019-07-01 2019-09-27 上海大学 基于条件生成对抗网络的信道模拟实现方法

Also Published As

Publication number Publication date
CN114745233A (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
Jiang et al. Deep neural networks for channel estimation in underwater acoustic OFDM systems
CN111404849B (zh) 一种基于深度学习的ofdm信道估计与信号检测方法
CN114745233B (zh) 一种基于导频设计的联合信道估计方法及装置
Margoosian et al. An accurate kernelized energy detection in Gaussian and non-Gaussian/impulsive noises
CN109150775B (zh) 自适应噪声环境动态变化的鲁棒性在线信道状态估计方法
CN109379120A (zh) 链路自适应方法、电子装置及计算机可读存储介质
CN112910811B (zh) 基于联合学习的噪声水平未知条件下的盲调制识别方法和装置
CN114268388B (zh) 一种在大规模mimo中基于改进gan网络的信道估计方法
CN114881092A (zh) 一种基于特征融合的信号调制识别方法
CN111464469B (zh) 基于神经网络的混合数字调制方式识别方法
CN109412996A (zh) 链路自适应方法、电子装置及计算机可读存储介质
CN113572708A (zh) 一种dft信道估计改进方法
CN110311876A (zh) 基于深度神经网络的水声正交频分复用接收机的实现方法
CN115250216A (zh) 一种基于深度学习的水声ofdm联合信道估计和信号检测方法
CN113242191A (zh) 一种改进的时序多重稀疏贝叶斯学习水声信道估计方法
CN113206809A (zh) 一种联合深度学习与基扩展模型的信道预测方法
CN109858356B (zh) 一种未知复杂系统输入信号的检测方法及装置
Dehri et al. Blind digital modulation classification for STBC‐OFDM system in presence of CFO and channels estimation errors
CN102263714A (zh) 混沌优化的正交小波多模盲均衡方法
CN112564830B (zh) 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
Li et al. Knowledge-driven machine learning and applications in wireless communications
Liu et al. OFDM-based digital semantic communication with importance awareness
Su et al. Channel estimation in massive MIMO systems using a modified Bayes-GMM method
Zhang et al. Deep learning‐based digital signal modulation identification under different multipath channels
Wong et al. Deep Learning for Channel Estimation and Signal Detection in OFDM-Based Communication 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
GR01 Patent grant
GR01 Patent grant