CN114915522B - 一种基于cfista-net的毫米波大规模mimo信道估计方法 - Google Patents
一种基于cfista-net的毫米波大规模mimo信道估计方法 Download PDFInfo
- Publication number
- CN114915522B CN114915522B CN202111601776.5A CN202111601776A CN114915522B CN 114915522 B CN114915522 B CN 114915522B CN 202111601776 A CN202111601776 A CN 202111601776A CN 114915522 B CN114915522 B CN 114915522B
- Authority
- CN
- China
- Prior art keywords
- channel estimation
- channel
- estimation model
- training
- base station
- 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 39
- 230000006854 communication Effects 0.000 claims abstract description 31
- 238000004891 communication Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 33
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism 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
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Mobile Radio Communication Systems (AREA)
- Radio Transmission System (AREA)
Abstract
本发明提供了一种用于多输入多输出MIMO无线通信网络的信道估计的方法，该方法可以包括：由用户装备接收由基站发送的导频信号以获得接收信号，该导频信号用于估计基站与用户装备之间的信道；以及将接收信号输入经训练的信道估计模型以得到信道的信道估计，其中该信道估计模型基于快速软阈值迭代算法FISTA并且包括多个层，该多个层中的每一层分别对应于FISTA的每一次迭代。此外，本发明还提供了多输入多输出MIMO无线通信网络的信道估计的装置以及计算机可读介质。通过本发明，可以使算法快速地收敛，达到信道估计的最终值，且该信道估计模型可以重复利用，使用效率更高。
Description
技术领域
本发明涉及无线通信，更具体地，涉及用于多输入多输出(MIMO)无线通信网络的信道估计的方法和装置。
背景技术
当前社会，人们的工作与生活对通信的需求无处不在，为了进一步提高数据传输速率以满足更高的通信需求，就需要扩大新的频谱范围，例如使用毫米波，或提高频谱资源利用率，例如使用大规模MIMO(massive Multiple-In Multiple-Out，massive MIMO)技术。
毫米波频段通常指30GHz-300GHz的频谱。可利用的频谱范围是当前蜂窝移动通信的200倍，可提供更宽的频谱范围。然而，其也具有路径损耗严重、穿透性差、衰减快、覆盖范围小等问题。在室外或用户高速移动时尤为明显，因此毫米波需要与其他5G技术结合使用。毫米波可以与大规模MIMO技术联合使用，有效解决毫米波衰减快、覆盖范围小的问题。
信道估计作为通信过程中的重要一环，是对大规模MIMO带来的增益进行充分利用的前提，而信道估计需要准确的信道状态信息，然而由于天线规模的增大，获得实时准确的信道状态信息成了不小的挑战。
大规模MIMO技术经由在基站处配置的成百上千根天线同时同频的为多个用户提供服务，大幅提高了频谱利用率。其通过波束成形，能够有效降低用户之间相互干扰带来的影响。由于配置了大量天线，当天线阵列中的一些天线出故障时不会影响整体系统的运转。但是天线增加，也导致信道估计使用的导频增加，使得导频污染明显，所以信道估计更加困难。
传统的信道估计算法的运算复杂度很高，会对信道估计实时性造成影响。相应地，本领域中存在对于改进的信道估计方法的需要。
发明内容
提供本发明内容以便以简化形式介绍将在以下具体实施方式中进一步的描述一些概念。本发明内容并非旨在标识所要求保护的主题的关键特征或必要特征，也不旨在用于帮助确定所要求保护的主题的范围。
鉴于以上描述的现有技术中的缺陷，本发明的目的在于，针对毫米波大规模MIMO技术信道估计，提出一种新的信道估计模型，用来解决毫米波大规模 MIMO技术信道估计的问题。
根据本发明的第一方面，提供了一种用于多输入多输出MIMO无线通信网络的信道估计的方法，该MIMO无线通信网络包括基站和用户装备，该方法可以包括：由用户装备接收由基站发送的导频信号以获得接收信号，该导频信号用于估计基站与用户装备之间的信道；以及将接收信号输入经训练的信道估计模型以得到信道的信道估计，其中该信道估计模型基于快速软阈值迭代算法 (Fast Iterative Soft Thresholding Algorithm,FISTA)并且包括多个层，该多个层中的每一层分别对应于FISTA的每一次迭代。
根据本发明的第二方面，提供了一种用于多输入多输出MIMO无线通信网络的信道估计的装置，该MIMO无线通信网络包括基站和用户装备，该装置可以包括：存储器；以及耦合至该存储器的处理器，其中该处理器可以被配置成：接收由基站发送的导频信号以获得接收信号，该导频信号用于估计基站与用户装备之间的信道；以及将接收信号输入经训练的信道估计模型以得到信道的信道估计，其中该信道估计模型基于快速软阈值迭代算法FISTA并且包括多个层，该多个层中的每一层分别对应于FISTA的每一次迭代。
在根据本发明的第一方面和/或第二方面的一个实施例中，MIMO无线通信网络可以是毫米波MIMO无线通信网络。
在根据本发明的第一方面和/或第二方面的一个实施例中，信道估计模型可以使用深度学习神经网络来实现。
在根据本发明的第一方面和/或第二方面的一个实施例中，信道估计模型可以通过以下步骤来训练：制作信道估计训练数据集，该训练数据集通过收集之前已有的信道估计实验采集获得；以及使用该训练数据集来训练信道估计模型。
在根据本发明的第一方面和/或第二方面的一个实施例中，使用训练数据集来训练信道估计模型可以包括：获取信道估计训练数据集；初始梯度下降步长设置为1；计算近似梯度下降向量；计算信道估计过程中的重构阈值向量；获得中间重构结果向量；以及判断中间重构结果向量是否满足信道要求，其中如果满足信道要求，则信道估计模型停止训练，输出网络参数作为信道估计重构结果，其中如果不满足信道要求，则迭代次数加1，继续进行下一步训练。
根据本发明的第三方面，提供了一种存储计算机程序的计算机可读介质，该计算机程序在由处理器执行时执行根据本发明的方法。
通过采用本发明提供的技术方案，能够对传统的快速软阈值迭代算法 FISTA进行优化，并巧妙地将FISTA中每一步的迭代与深度学习神经网络的每一层进行结合，将其展开为复值快速软阈值迭代网络，可以使算法快速地收敛，达到信道估计的最终值，且该网络模型可以重复利用，使用效率更高。
通过阅读下面的详细描述并参考相关联的附图，这些及其他特点和优点将变得显而易见。应该理解，前面的概括说明和下面的详细描述只是说明性的，不会对所要求保护的各方面形成限制。
附图说明
为了能详细地理解本发明的上述特征所用的方式，可以参照各实施例来对以上简要概述的内容进行更具体的描述，其中一些方面在附图中示出。然而应该注意，附图仅示出了本发明的某些典型方面，故不应被认为限定其范围，因为该描述可以允许有其它等同有效的方面。
图1解说了根据本发明的一个实施例的MIMO无线通信网络的示意图。
图2解说了根据本发明的一个实施例的信道估计模型的示意图。
图3解说了根据本发明的一个实施例的用于MIMO无线通信网络的信道估计的方法的流程图。
图4解说了根据本发明的一个实施例的用于训练信道估计模型的方法的流程图。
图5解说了根据本发明的一个实施例的用于MIMO无线通信网络的信道估计的装置的硬件实现的示例的框图。
具体实施方式
下面结合附图详细描述本发明，本发明的特点将在以下的具体描述中得到进一步的显现。
图1解说了根据本发明的一个实施例的MIMO无线通信网络100的示意图。 MIMO无线通信网络100可以是毫米波MIMO无线通信网络，并且包括基站和用户装备。基站可以是与用户装备通信的实体并且还可被称为NR BS、B节点、gNB、5G B节点(NB)、接入点、传送接收点(TRP)、等等。基站可以为宏蜂窝小区、微微蜂窝小区、毫微微蜂窝小区、和/或另一类型的蜂窝小区提供通信覆盖。用户装备可分散遍及MIMO无线通信网络100，并且每个用户装备可以是驻定或移动的。用户装备还可被称为接入终端、终端、移动站、订户单元、站、等等。用户装备可以是蜂窝电话(例如，智能电话)、个人数字助理(PDA)、无线调制解调器、无线通信设备、手持设备、膝上型计算机、无绳电话、无线本地环路(WLL)站、平板、相机、游戏设备、上网本、智能本、超级本、医疗设备或装备、生物测定传感器/设备、可穿戴设备(智能手表、智能服装、智能眼镜、智能腕带、智能首饰(例如，智能戒指、智能手环))、娱乐设备(例如，音乐或视频设备、或卫星无线电)、交通工具组件或传感器、智能仪表/传感器、工业制造装备、全球定位系统设备、或者被配置成经由无线或有线介质通信的任何其他合适的设备。
本发明考虑单个蜂窝小区下的大规模MIMO无线通信网络，针对其下行传输链路的信道状态信息获取展开研究。基站处设置了排布为均匀线性阵列ULA 的M根天线，射频(RF)链路数为R，该基站可以在同一时刻服务K个单天线用户装备。为了减少硬件成本和能量损耗，在基站处引入了混合预编码机制，该编码结构使得发射天线数将远大于RF链路数R，即M＞＞R。
基站获取下行信道状态信息通常分为两个阶段，首先基站将导频信号矩阵 X广播给所服务的所有用户装备，用户装备接收到信号Y之后即可通过信道估计算法估计出信道矩阵H，再经由无误差反馈信道将其传送至基站。同时，考虑用户装备之间采用无冲突协议，从而基站可以分别接收反馈的信道状态信息、该系统信道矩阵可表示为H＝[h1，h2，…hk]，其中hk代表第k个用户装备和基站之间的信道。不失一般性，本文将针对hk进行估计算法设计，信道矩阵中的其他信道向量可通过相同的算法得出。信道估计中角度域的传输模型为
其中n为高斯白噪声，A为信道矩阵。由于信道的角度域稀疏性，可将对的估计转变为如下对稀疏信号的恢复：
以上也可等价为：
使用更为一般的二次近似模型来求解上述的优化问题，在点y，H(x)：＝h(x) +g(x)的二次近似函数为：
FISTA通过计算y的位置完成迭代，FISTA求解方程的主要迭代公式如下：
y1＝x0，t1＝1 (6)
vt＝y-Axt (7)
其中y为输出，x为输入，t为步长，A为信道矩阵，η，β为相关系数。最终目的就是通过上述公式，求出信道矩阵值。应注意，采用FISTA来估计信道是本领域普通技术人员公知的，因此本文仅对其进行了简要描述。
传统的FISTA算法计算复杂，而深度学习神经网络的非线性及快速计算的特性可以解决FISTA算法的缺点。基于深度学习思想，将复值FISTA算法展开为复值深度神经网络结构(Complex Fast Iterative Shrinkage Thresholding Net, CFISTA-Net)，即传统FISTA算法的每一次迭代分别对应着CFISTA-Net的每一层，通过在每一层中学习优化相关参数的值进一步提升算法的性能。
图2解说了根据本发明的一个实施例的信道估计模型200的示意图。该信道估计模型200可以是以上提及的CFISTA-Net，并且可以用合适的深度学习神经网络来实现。深度学习神经网络的示例可以包括全连接神经网络、卷积神经网络、循环神经网络、生成对抗神经网络、等等。如图2所示，信道估计模型 200可以包括多个层，其中前一层的输出可以是下一层的输入。例如，在图2 上方的放大图中示意性地示出了第t层的简化结构，该第t层的简化结构对应于FISTA算法的第t次迭代(例如，如上式(7)-(10)所示的迭代)。通过使用训练集进行训练，经训练的信道估计模型200可以将由用户装备从基站接收到的信号作为该信道估计模型200的输入，并且直接输出信道的估计值。
图3解说了根据本发明的一个实施例的用于MIMO无线通信网络的信道估计的方法300的流程图。方法300可以由用户装备、运营商的服务器、第三方计算设备、和/或任何其他合适的设备来执行。
在框310，方法300可以包括由用户装备接收由基站发送的导频信号以获得接收信号，该导频信号用于估计基站与用户装备之间的信道。该导频信号可以包括信道状态信息参考信号CSI-RS、和/或任何其他适用于信道估计的信号。
在框320，方法300可以包括将该接收信号输入经训练的信道估计模型以得到信道的信道估计，其中该信道估计模型基于快速软阈值迭代算法FISTA并且包括多个层，该多个层中的每一层分别对应于FISTA的每一次迭代。例如，该信道估计模型可以是图2中所示的信道估计模型200，并且在本文中可被称为CFISTA-Net。由此得到的信道估计可以(例如，通过无误差反馈信道)传送至基站，以用于基站与用户装备的后续通信。
图4解说了根据本发明的一个实施例的用于训练信道估计模型的方法400 的流程图。在框410，方法400可以包括获取信道估计训练数据集，该训练数据集可以通过收集之前已有的信道估计实验采集获得。例如，可以使用收集到的已有的{接收信号，信道向量}数据对来制作信道估计训练数据集。
在根据本发明的一个实施例中，信道估计模型可以使用梯度下降法来训练。因此，在框420，方法400可以包括将初始梯度设置为1。
在框430，方法400可以包括计算近似梯度下降向量。在一个实施例中，该近似梯度下降向量中的(每个)近似梯度下降值可以通过式(11)来计算：
其中表示哈密顿算子符号，Xk表示待重构信号第k次迭代的重构信号观测向量，i表示观测向量中非0元素的序号，real(·)表示取实部操作，Xki表示待重构信号第k次迭代的重构信号观测向量的第i个元素，j表示观测向量的第i个元素对应的元素累加值，uj表示待重构向量第j个元素值对应的分级量化前的信号值范围的上界值，lj表示待重构信号向量第j个元素值对应的分级量化前的信号值范围的下界值。
在框440，方法400可以包括计算信道估计过程中的重构阈值向量。在一个实施例中，可以通过下式(12)来计算该重构阈值向量：
其中yki表示待重构信号第k次迭代的重构阈值向量的第i个元素，Hki表示待重构信号第k次迭代的收缩前的重构阈值向量的第i个元素，|·|表示取模操作，max表示取最大值操作。
在框450，方法400可以包括获得中间重构结果向量。在一个实施例中，可以通过下式(13)来计算待重构信号的权重参数：
其中tk表示待重构信号第k次迭代时的权重参数，tk-1表示待重构信号第 k-1次迭代时的权重参数。
接着，可以通过下式(14)来计算待重构信号中间重构结果向量：
其中xk表示待重构信号第k次迭代得到的中间重构结果向量，yk表示待重构信号第k次迭代的重构阈值向量，yk-1表示待重构信号第k-1次迭代的重构阈值向量。
在框460，方法400可以包括判断中间重构结果向量是否满足信道要求。若是，则执行框470以输出信道估计结果向量；否则，执行框480以将迭代次数加1后执行框430。
图5解说了根据本发明的一个示例性实施例的用于的装置500的框图。装置500可使用包括一个或多个处理器504的处理系统514来实现。处理器504的示例包括微处理器、微控制器、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑器件(PLD)、状态机、选通逻辑、分立的硬件电路、以及配置成执行本公开通篇描述的各种功能性的其他合适硬件。在各个示例中，装置500可被配置成执行本文中所描述的功能中的任一者或多者。即，如在装置500中利用的处理器 504可被用于实现以上参照图3描述的方法300和/或参照图4描述的方法400。
在该示例中，处理系统514可被实现成具有由总线502一般化地表示的总线架构。取决于处理系统514的具体应用和总体设计约束，总线502可包括任何数目的互连总线和桥接器。总线502将包括一个或多个处理器(由处理器504一般化地表示)、存储器505和计算机可读介质(由计算机可读介质506一般化地表示)的各种电路通信地耦合在一起。总线502还可链接各种其他电路，诸如定时源、外围设备、稳压器和功率管理电路，这些电路在本领域中是众所周知的，且因此将不再进一步描述。总线接口508提供总线502与收发机510之间的接口。收发机510 提供用于在传输介质上与各种其他设备进行通信的通信接口或装置。取决于该设备的特性，还可提供用户接口512(例如，按键板、显示器、扬声器、话筒、操纵杆)。当然，此类用户接口512是可任选的，且可在一些示例中被省略。
在一些方面，处理器504可被配置成：接收由基站发送的导频信号以获得接收信号，该导频信号用于估计基站与用户装备之间的信道；以及将接收信号输入经训练的信道估计模型以得到信道的信道估计，其中该信道估计模型基于快速软阈值迭代算法FISTA并且包括多个层，该多个层中的每一层分别对应于 FISTA的每一次迭代。
处理器504负责管理总线502和通用处理，包括对存储在计算机可读介质506 上的软件的执行。软件在由处理器504执行时使处理系统514执行针对任何特定设备描述的各种功能。计算机可读介质506和存储器505还可被用于存储由处理器 504在执行软件时操纵的数据。
处理系统中的一个或多个处理器504可以执行软件。软件应当被宽泛地解释成意为指令、指令集、代码、代码段、程序代码、程序、子程序、软件模块、应用、软件应用、软件包、例程、子例程、对象、可执行件、执行的线程、规程、函数等，无论其是用软件、固件、中间件、微代码、硬件描述语言、还是其他术语来述及皆是如此。软件可驻留在计算机可读介质506上。计算机可读介质506可以是非瞬态计算机可读介质。作为示例，非瞬态计算机可读介质包括磁存储设备(例如，硬盘、软盘、磁带)、光盘(例如，压缩碟(CD)或数字多用碟(DVD))、智能卡、闪存设备(例如，卡、棒或钥匙型驱动器)、随机存取存储器(RAM)、只读存储器(ROM)、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除 PROM(EEPROM)、寄存器、可移除盘、以及用于存储可由计算机访问和读取的软件和/或指令的其他任何合适介质。计算机可读介质506可驻留在处理系统514 中、在处理系统514外部、或跨包括处理系统514的多个实体分布。计算机可读介质506可被实施在计算机程序产品中。作为示例，计算机程序产品可包括封装材料中的计算机可读介质。本领域技术人员将认识到如何取决于具体应用和加诸于整体系统的总体设计约束来最佳地实现本公开通篇给出的所描述的功能性。
在一个或多个示例中，计算机可读存储介质506可包括被配置成用于各种功能(包括例如用于MIMO无线通信网络的信道估计的功能)的软件。该软件可包括指令，这些指令可将处理系统514配置成执行参照图3和/或图4所描述的一个或多个功能。
在本发明的描述中，需要理解的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本领域普通技术人员应领会，本发明的各个实施例可提供为方法、装置、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，本发明可采用一个或多个其中存储有计算机可执行程序代码的计算机可读存储介质(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。
本发明是参照根据本发明实施例的方法、装置、系统和计算机程序产品的流程图和/或框图来描述的。应理解，可由计算机程序指令实现流程图和/或框图中的每一个流程和/或方框、以及流程图和/或框图中的流程和/或方框的组合。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中的一个或多个流程和/或框图中的一个或多个方框中指定的功能的装置。
尽管目前为止已经参考附图描述了本发明的各方面，但是上述方法、系统和设备仅是示例，并且本发明的范围不限于这些方面，而是仅由所附权利要求及其等同物来限定。各种组件可被省略或者也可被等同组件替代。另外，也可以在与本发明中描述的顺序不同的顺序实现所述步骤。此外，可以按各种方式组合各种组件。也重要的是，随着技术的发展，所描述的组件中的许多组件可被之后出现的等同组件所替代。对本公开的各种修改对于本领域技术人员将是显而易见的，并且本文中所定义的普适原理可被应用于其他变形而不会脱离本公开的范围。由此，本公开并非被限定于本文中所描述的示例和设计，而是应被授予与本文所公开的原理和新颖特征相一致的最广范围。
Claims (6)
1.一种用于多输入多输出MIMO无线通信网络的信道估计的方法，所述MIMO无线通信网络包括基站和用户装备，所述方法包括：
由所述用户装备接收由所述基站发送的导频信号以获得接收信号，所述导频信号用于估计所述基站与所述用户装备之间的信道；以及
将所述接收信号输入经训练的信道估计模型以得到所述信道的信道估计，其中所述信道估计模型基于快速软阈值迭代算法FISTA并且包括多个层，所述多个层中的每一层分别对应于所述FISTA的每一次迭代，
其中所述信道估计模型是通过以下步骤来训练的：
制作信道估计训练数据集，所述训练数据集通过收集之前已有的信道估计实验采集获得；以及
使用所述训练数据集来训练所述信道估计模型，
其中使用所述训练数据集来训练所述信道估计模型包括：
获取信道估计训练数据集；
初始梯度下降步长设置为1；
计算近似梯度下降向量；
计算信道估计过程中的重构阈值向量；
获得中间重构结果向量；以及
判断中间重构结果向量是否满足信道要求，其中如果满足信道要求，则所述信道估计模型停止训练，输出网络参数作为信道估计重构结果，其中如果不满足信道要求，则迭代次数加1，继续进行下一步训练。
2.如权利要求1所述的方法，其中所述MIMO无线通信网络是毫米波MIMO无线通信网络。
3.如权利要求1所述的方法，其中所述信道估计模型是使用深度学习神经网络来实现的。
4.一种用于多输入多输出MIMO无线通信网络的信道估计的装置，所述MIMO无线通信网络包括基站和用户装备，所述装置包括：
存储器；以及
耦合至所述存储器的处理器，其中所述处理器被配置成：
接收由所述基站发送的导频信号以获得接收信号，所述导频信号用于估计所述基站与所述用户装备之间的信道；以及
将所述接收信号输入经训练的信道估计模型以得到所述信道的信道估计，其中所述信道估计模型基于快速软阈值迭代算法FISTA并且包括多个层，所述多个层中的每一层分别对应于所述FISTA的每一次迭代，
其中所述信道估计模型是通过以下步骤来训练的：
制作信道估计训练数据集，所述训练数据集通过收集之前已有的信道估计实验采集获得；以及
使用所述训练数据集来训练所述信道估计模型，
其中使用所述训练数据集来训练所述信道估计模型包括：
获取信道估计训练数据集；
初始梯度下降步长设置为1；
计算近似梯度下降向量；
计算信道估计过程中的重构阈值向量；
获得中间重构结果向量；以及
判断中间重构结果向量是否满足信道要求，其中如果满足信道要求，则所述信道估计模型停止训练，输出网络参数作为信道估计重构结果，其中如果不满足信道要求，则迭代次数加1，继续进行下一步训练。
5.如权利要求4所述的装置，其中所述信道估计模型是使用深度学习神经网络来实现的。
6.一种存储计算机程序的计算机可读介质，所述计算机程序在由处理器执行时执行如权利要求1-3中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111601776.5A CN114915522B (zh) | 2021-12-24 | 2021-12-24 | 一种基于cfista-net的毫米波大规模mimo信道估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111601776.5A CN114915522B (zh) | 2021-12-24 | 2021-12-24 | 一种基于cfista-net的毫米波大规模mimo信道估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114915522A CN114915522A (zh) | 2022-08-16 |
| CN114915522B true CN114915522B (zh) | 2024-03-01 |
Family
ID=82763032
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111601776.5A Active CN114915522B (zh) | 2021-12-24 | 2021-12-24 | 一种基于cfista-net的毫米波大规模mimo信道估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114915522B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102154481B1 (ko) * | 2020-03-25 | 2020-09-10 | 전남대학교산학협력단 | 딥러닝을 이용한 대규모 mimo 시스템의 빔포밍 장치 및 방법 |
| 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 |
| CN113676226A (zh) * | 2020-05-15 | 2021-11-19 | 维沃移动通信有限公司 | 导频信息符号发送方法、信道估计方法及通信设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10387743B2 (en) * | 2016-03-16 | 2019-08-20 | Ramot At Tel-Aviv University Ltd. | Reconstruction of high-quality images from a binary sensor array |
-
2021
- 2021-12-24 CN CN202111601776.5A patent/CN114915522B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102154481B1 (ko) * | 2020-03-25 | 2020-09-10 | 전남대학교산학협력단 | 딥러닝을 이용한 대규모 mimo 시스템의 빔포밍 장치 및 방법 |
| CN113676226A (zh) * | 2020-05-15 | 2021-11-19 | 维沃移动通信有限公司 | 导频信息符号发送方法、信道估计方法及通信设备 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114915522A (zh) | 2022-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Studer et al. | Channel charting: Locating users within the radio environment using channel state information | |
| Maksymyuk et al. | Deep learning based massive MIMO beamforming for 5G mobile network | |
| Lin et al. | Deep learning-based antenna selection and CSI extrapolation in massive MIMO systems | |
| KR102154481B1 (ko) | 딥러닝을 이용한 대규모 mimo 시스템의 빔포밍 장치 및 방법 | |
| Lin et al. | BsNet: A deep learning-based beam selection method for mmWave communications | |
| Zhang et al. | Near-field channel estimation for extremely large-scale array communications: A model-based deep learning approach | |
| CN109714091B (zh) | 一种在毫米波mimo系统中基于分层设计的迭代混合预编码方法 | |
| Wang et al. | Sparse channel estimation in millimeter wave communications: Exploiting joint AoD-AoA angular spread | |
| Huang et al. | Deep learning for super-resolution DOA estimation in massive MIMO systems | |
| Mao et al. | Joint channel estimation and active-user detection for massive access in Internet of Things—A deep learning approach | |
| Rizzello et al. | Learning the CSI denoising and feedback without supervision | |
| Chen et al. | Computer vision aided codebook design for MIMO communications systems | |
| CN113438002A (zh) | 基于lstm的模拟波束切换方法、装置、设备及介质 | |
| US20240314727A1 (en) | Positioning method, model training method, and first device | |
| Kim et al. | Massive data generation for deep learning-aided wireless systems using meta learning and generative adversarial network | |
| Diao et al. | A Scalable Deep-Learning-Based Active User Detection Approach for SEU-Assisted Cell-Free Massive MIMO Systems | |
| Zhang et al. | Beam drift in millimeter wave links: Beamwidth tradeoffs and learning based optimization | |
| Chen | Capacity improvement for intelligent reflecting surface-assisted wireless systems with a small portion of active elements | |
| CN114915522B (zh) | 一种基于cfista-net的毫米波大规模mimo信道估计方法 | |
| Wu et al. | Distributed non-orthogonal pilot design for multi-cell massive MIMO systems | |
| CN117240331A (zh) | 一种基于图神经网络的无蜂窝网络下行预编码设计方法 | |
| Yadav et al. | ResNet‐Enabled cGAN Model for Channel Estimation in Massive MIMO System | |
| CN113644946B (zh) | 一种面向用户为中心网络的深度学习动态波束赋形方法 | |
| Bolla et al. | Comparison and Performance Analysis of Massive Mimo Based 5g Communication Network Through Potential Parameters | |
| Liu et al. | Flexible beamforming of dynamic MIMO networks through fully convolutional model |
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 |