CN115001910B - 一种大规模多输入多输出频分双工系统下行信道估计方法 - Google Patents

Abstract

本发明属于通信技术领域，具体一种大规模多输入多输出频分双工系统下行信道估计方法。本发明方法是基于深度学习技术的，设计两个深度神经网络，分别用于将上行信道信息映射成多径信息，将上行多径信息映射成上行多径信息；具体步骤包括：建立基于正交频分复用的多输入多输出频分双工系统模型，初始化上行信道以及下行信道；建立上行路径信息和下行路径信息之间的映射；对接受信号进行预处理，通过上行信道数据与上行信道路径矩阵数据训练更新神经网络权重，使基站能从上行信道得到上行信道路径矩阵；经过结构参数优化，得到经训练的网络模型，用于下行信道估计。本发明可避免压缩感知法所带来的复杂度爆炸问题，实现下行信道快速准确估计。

Description

一种大规模多输入多输出频分双工系统下行信道估计方法

技术领域

本发明属于通信技术领域，具体涉及大规模多输入多输出频分双工系统下行信道估计方法。

背景技术

随着通信技术的不断发展，频分双工技术作为主要的复用技术之一，凭借其全双工、抗干扰能力强等优点，在移动通信领域得到了广泛的应用。然而，传统的单输入单输出系统存在频谱利用率有限、信道可靠性较差等缺点，已经难以满足当前通信系统的要求。考虑到上述原因，多输入多输出系统是非常有必要的。相对于单输入单输出系统，多输入多输出系统允许多个天线同时发送和接收多个空间流，并能够区分发往或来自不同空间方位的信号，使空间成为一种可以用于提高性能的资源，同时增加了无线系统的覆盖范围。特别地，当天线数量进一步增加，成为大规模多输入多输出系统后，简单的线性信号处理即可平均掉衰落、噪声、小区内干扰。但是下行信道估计的导频符号开销正比于基站天线数目，相干时间内可发送的数据符号数目有限，导频开销过大会严重降低有用数据符号的发送，同时信道状态信息的反馈亦需要较大开销，大大降低了频谱效率。因此，如何估计大规模多输入多输出系统的下行信道，是频分双工系统亟待解决的关键问题。

数据的大量增加以及算法、算力的快速发展使得深度学习成为了一种处理无模型问题的有力工具。神经网络具有自学习能力，能逼近系统中任意未知光滑非线性函数。利用深度学习方法，通过上行信道信息直接估计下行信道信息，由于无需反馈，能有效地增加频谱效率。

发明内容

为了克服当前大规模多输入多输出频分复用系统反馈法开销大，压缩感知法带来的复杂度爆炸等问题，本发明提出一种基于深度学习的大规模多输入多输出频分双工系统下行信道估计方法，以避免传统反馈法的反馈开销以及压缩感知法带来的复杂度爆炸问题，实现下行信道快速准确估计。

本发明提供的大规模多输入多输出频分双工系统下行信道估计方法，是基于深度学习的，采用两个深度神经网络；其中，第一个神经网络负责将上行信道信息映射成多径信息；第二个神经网络负责将上行多径信息映射成上行多径信息；具体步骤如下：

步骤1：建立基于正交频分复用的大规模多输入多输出频分双工系统模型，初始化上行信道以及下行信道，包括如下过程：

1.1大规模多输入多输出频分复用系统的接收信号为：

y_k＝h(f_DL+kΔf)s_u+n_k,(k＝0,…K-1)， (1)

其中，k与K分别为载波序号和载波总数；f_DL和Δf分别为下行信道中心频率与子载波频率间隔；n_k是均值为0且方差为σ²的高斯白噪声；s_u为发送信号，y_k是接收信号；h为信道，表示为：

其中，f为载波频率；l和L分别为路径序号和路径总数；φ_l为该路径l上的相移；为该路径的复数增益；τ_l为该路径的时延；

1.2定义下行信道为：

h(f_DL)＝,h(f_DL),h(f_DL+2Δf)…,h(f_DL+(K-1)Δf)]^T， (3)

其中，T表示向量或矩阵的转置；f_DL为下行载波中心频率；

1.3定义上行信道为：

h(f_UL)＝,h(f_UL),h(f_UL+2Δf)…,h(f_UL+(K-1)Δf)]^T， (4)

其中，f_UL为上行载波中心频率；

步骤2：建立上行路径信息和下行路径信息之间的映射模型，包括如下过程：

2.1定义上行信道路径信息：

2.2定义上行信道路径矩阵：

2.3定义下行信道路径信息：

2.4定义下行信道路径矩阵：

2.5定义环境参数到信道路径的映射：

Γ_f:{P,f}→C_f， (9)

其中，C_f表示载波中心频率为f为信道矩阵；P为会对C_f造成影响的环境参数集合；

2.6定义信道路径到环境参数的映射：

2.7定义上行信道路径到下行信道路径的映射：

步骤3：对接受信号进行预处理，构造恰当的深度神经网络，通过上行信道数据与上行信道路径矩阵数据训练更新神经网络权重，使基站能从接收到的上行信道得到上行信道路径矩阵，包括如下过程：

3.1定义以下神经网络：

其中，为估计的上行信道；/>为深度神经网络的输出；g¹、g²和g³分别表示神经网络的第一层、第二层和第三层全连接层，表示为：

gⁱ(x)＝σ(Wⁱx+bⁱ)，i＝1,2,3， (13)

其中，x为当前层的输入；Wⁱ为第i层权重；bⁱ为第i层偏置；σ为激活函数；q为神经网络的输出层，表示为：

q(x)＝Wx+b， (14)

其中，W为输出层权重；b为输出层偏置；

3.2定义神经网络的损失函数：

其中，‖·‖_F表示矩阵的F范数；

3.3神经网络的调节规律为：

其中，α为神经网络的学习速率；t表示神经网络训练的迭代序号；经过不断迭代更新，当损失函数小于设定的阈值时停止更新；

步骤4：构造另一个与步骤3中结构相同的深度神经网络，其输入为步骤3中网络的输出输出为下行信道路径矩阵，通过上行信道路径矩阵与下行信道矩阵数据训练更新神经网络权重，根据万能逼近定理，使之逼近复杂的上下行信道路径映射；

步骤5：经过步骤3与步骤4对神经网络的离线训练后，神经网络达到损失函数小于设定阈值，即可用于估计下行信道。

本发明针对大规模多输入多输出频分双工系统，考虑上行信道和下行信道间存在的映射关系，利用神经网络的自学习能力，逼近系统中难以线性表达的映射函数。通过训练，神经网络能够利用上行信道信息快速得到下行信道，避免传统压缩感知方法在大规模多输入多输出系统中反馈开销过大以及算法复杂度爆炸问题。考虑到用户移动、环境变化等情况，设计路径维度的神经网络，增加系统在之际应用中的鲁棒性。本发明能避免反馈开销、实现下行信道的快速准确估计。

本发明的优点为：快速准确估计大规模多输入多输出系统的下行信道，避免传统压缩感知方法带来的反馈开销过大和复杂度爆炸问题，提高频谱效率，适用于用户移动等导致的信道变化，提高系统的鲁棒性；

附图说明

图1为本发明的结构框架示意图。

图2为本发明的数据预处理示意图。

图3为本发明的估计信道可达谱效率示意图。

图4为本发明的流程图。

具体实施方式

下面结合附图对本发明做进一步说明。

参照图1–图4，一种基于深度学习的大规模多输入多输出频分双工系统下行信道估计方法，包括以下步骤：

步骤1：建立基于正交频分复用的大规模多输入多输出频分双工系统模型，初始化上行信道以及下行信道，包括如下过程：

1.1大规模多输入多输出频分复用系统的接收信号为：

y_k＝h(f_DL+kΔf)s_u+n_k,(k＝0,…K-1) (1)

其中，k与K分别为载波序号和载波总数；f_DL和Δf分别为下行信道中心频率与子载波频率间隔；n_k是均值为0且方差为σ²的高斯白噪声；s_u为发送信号，y_k是接收信号；h为信道，表示为

其中，f为载波频率；l和L分别为路径序号和路径总数；φ_l为该路径上的相移；为该路径的复数增益；τ_l为该路径的时延；

1.2定义下行信道为

h(f_DL)＝[h(f_DL),h(f_DL+2Δf)…,h(f_DL+(K-1)Δf)]^T (3)

其中，T表示向量或矩阵的转置；f_DL为下行载波中心频率；

1.3定义上行信道为

h(f_UL)＝[h(f_UL),h(f_UL+2Δf)…,h(f_UL+(K-1)Δf)]^T (4)

其中，f_UL为上行载波中心频率；

步骤2：建立上行路径信息和下行路径信息之间的映射模型，包括如下过程：

2.1定义上行信道路径信息

2.2定义上行信道路径矩阵

2.3定义下行信道路径信息

2.4定义下行信道路径矩阵

2.5定义环境参数到信道路径的映射

Γ_f:{P,f}→C_f (9)

其中，C_f表示载波中心频率为f为信道矩阵；P为会对C_f造成影响的环境参数集合；

2.6定义信道路径到环境参数的映射

2.7定义上行信道路径到下行信道路径的映射

步骤3：构造恰当的神经网络，这里以深度神经网络为例，但在实际应用中不限于深度神经网络，可以根据数据特征进行有针对性的设计，利用上行信道数据与上行信道路径矩阵数据训练更新神经网络权重，训练后的深度神经网络使得基站从接收到的上行信道信息估计上行信道路径矩阵，包括如下过程：

3.1定义以下神经网络：

其中，为估计的上行信道；/>为深度神经网络的输出；g¹、g²和g³分别表示神经网络的第一层、第二层和第三层全连接层，表示为：

gⁱ(x)＝σ(Wⁱx+bⁱ)(i＝1,2,3) (13)

其中，x为当前层的输入；Wⁱ为第i层权重；bⁱ为第i层偏置；σ为激活函数；q为神经网络的输出层，表示为：

q(x)＝Wx+b (14)

其中，W为输出层权重；b为输出层偏置；

3.2定义神经网络的损失函数：

其中，‖·‖_F表示矩阵的F范数；

3.3神经网络的调节规律为：

其中，α为神经网络的学习速率；t表示神经网络训练的迭代序号；经过不断迭代更新，当损失函数小于设定的阈值或达到设定的训练数量后停止更新；在本例中，设置第一、二、三层全链接层的神经元个数分别为1024，2048，1024，输入层与输出层的神经元个数取决于实际子载波数量与信道径数，同时设置训练时两次迭代的损失函数小于0.0001时停止；

步骤4：再次构造深度神经网络，这里以与步骤3中结构相同的深度神经网络为例，但在实际中不仅限于该结构，可以根据数据特征进行有针对性的设计，其输入为步骤3中网络的输出输出为下行信道路径矩阵，通过上行信道路径矩阵与下行信道矩阵数据训练更新神经网络权重，根据万能逼近定理，使之逼近复杂的上下行信道路径映射，虽然与步骤3具有相同的网络结构，但是由于训练数据不同，因此训练后的深度神经网络可用于不同的映射任务；

步骤5：经过步骤3与步骤4对神经网络的离线训练，神经网络达到损失函数小于设定阈值或达到设定的训练次数，即可用于估计下行信道路径矩阵该数据按路径相加后即可得到下行信道h(f_DL)。

本发明针对大规模多输入多输出频分双工系统，基于深度学习方法，设计一种基于深度神经网络的频分复用下行信道估计方法，避免压缩感知法中反馈开销过大以及复杂度过高的问题，实现对下行信道的快速准确估计，为验证所提方法的有效性，本发明给出了所提估计方法估计信道与实际信道的可达谱效率。

为了更有效的进行对比，测试了不同数量路径组成信道的可达谱效率，结果如图3所示，从图3可以看出，组成信道路径数较小时，说明信道相对简单，所设计方法估计的下行信道可达谱效率接近于真实信道的可达谱效率，随着组成信道路径数的增加，由于多径效应，信道变得复杂，但是本发明设计的方法性能下降较少，仍然能够满足实际需要。因此，本发明提供一种能避免反馈开销，克服压缩感知法复杂度爆炸问题的大规模多输入多输出系统下行信道估计方法，实现下行信道的快速准确估计。

以上阐述的是本发明给出的一个实施例表现出的优良优化效果，显然本发明不只是限于上述实施例，在不偏离本发明基本精神及不超出本发明实质内容所涉及范围的前提下对其可作种种变形加以实施。

Claims (1)

1.一种大规模多输入多输出频分双工系统下行信道估计方法，其特征在于，是基于深度学习技术的，包括采用两个深度神经网络；其中，一个神经网络负责将上行信道信息映射成多径信息；另一个神经网络负责将上行多径信息映射成上行多径信息；方法的具体步骤如下：

步骤1：建立基于正交频分复用的大规模多输入多输出频分双工系统模型，初始化上行信道以及下行信道，具体流程为：

1.1、对于大规模多输入多输出频分复用系统，其接收信号为：

y_k＝h(f_DL+kΔf)s_u+n_k，k＝0，…K-1 (1)

其中，k与K分别为载波序号和载波总数；f_DL和Δf分别为下行信道中心频率与子载波频率间隔；n_k是均值为0且方差为σ²的高斯白噪声；s_u为发送信号，y_k是接收信号；h为信道，表示为

其中，f为载波频率；l和L分别为路径序号和路径总数；φ_l为该路径上的相移；为该路径的复数增益；τ_l为该路径的时延；

1.2、下行信道为：

h(f_DL)＝[h(f_DL)，h(f_DL+2Δf)…，h(f_DL+(K-1)Δf)]^T (3)

其中，T表示向量或矩阵的转置；f_DL为下行载波中心频率；

1.3、上行信道为：

h(f_UL)＝[h(f_UL)，h(f_UL+2Δf)…，h(f_UL+(K-1)Δf)]^T (4)

其中，f_UL为上行载波中心频率；

步骤2：建立上行路径信息和下行路径信息之间的映射模型，具体流程为：

2.1、上行信道路径信息为：

2.2、上行信道路径矩阵为：

2.3、下行信道路径信息为：

2.4、下行信道路径矩阵为：

2.5、环境参数到信道路径的映射为：

Γ_f：{P，f}→C_f (9)

其中，C_f表示载波中心频率为f为信道矩阵；P为会对C_f造成影响的环境参数集合；

2.6、信道路径到环境参数的映射为：

Γ_f ^-1(·)：C_f→{P，f} (10)

2.7、上行信道路径到下行信道路径的映射为：

步骤3：对接受信号进行预处理，构造深度神经网络，通过上行信道数据与上行信道路径矩阵数据训练更新神经网络权重，使基站能从接收到的上行信道得到上行信道路径矩阵，具体流程为：

3.1、设深度神经网络为：

其中，为估计的上行信道；/>为深度神经网络的输出；g¹、g²和g³分别表示神经网络的第一层、第二层和第三层全连接层，表示为：

gⁱ(x)＝σ(Wⁱx+bⁱ)，i＝1，2，3 (13)

其中，x为当前层的输入；Wⁱ为第i层权重；bⁱ为第i层偏置；σ为激活函数；q为神经网络的输出层，表示为：

q(x)＝Wx+b (14)

其中，W为输出层权重；b为输出层偏置；

3.2、深度神经网络的损失函数为：

其中，||·||_F表示矩阵的F范数；

3.3、深度神经网络的迭代方式为：

其中，α为神经网络的学习速率；t表示神经网络训练的迭代序号；经过不断迭代更新，当损失函数小于设定的阈值时停止更新；

步骤4：构造另一个与步骤3中结构相同的深度神经网络，其输入为步骤3中网络的输出输出为下行信道路径矩阵，通过上行信道路径矩阵与下行信道矩阵数据训练更新神经网络权重，根据万能逼近定理，使之逼近复杂的上下行信道路径映射；

步骤5：经过步骤3与步骤4对深度神经网络的离线训练，深度神经网络达到损失函数小于设定阈值，即可用于估计下行信道。