CN115022134A - 基于非迭代重构网络的毫米波大规模mimo系统信道估计方法及系统 - Google Patents

基于非迭代重构网络的毫米波大规模mimo系统信道估计方法及系统 Download PDF

Info

Publication number
CN115022134A
CN115022134A CN202210744063.2A CN202210744063A CN115022134A CN 115022134 A CN115022134 A CN 115022134A CN 202210744063 A CN202210744063 A CN 202210744063A CN 115022134 A CN115022134 A CN 115022134A
Authority
CN
China
Prior art keywords
network
channel estimation
channel
mimo system
reconstruction
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.)
Granted
Application number
CN202210744063.2A
Other languages
English (en)
Other versions
CN115022134B (zh
Inventor
杨静
王朋朋
朱春华
郭歆莹
陶华伟
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.)
Henan University of Technology
Original Assignee
Henan University of 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 Henan University of Technology filed Critical Henan University of Technology
Priority to CN202210744063.2A priority Critical patent/CN115022134B/zh
Publication of CN115022134A publication Critical patent/CN115022134A/zh
Application granted granted Critical
Publication of CN115022134B publication Critical patent/CN115022134B/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
    • 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
    • H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
    • 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
    • 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)
  • Radio Transmission System (AREA)

Abstract

本发明属于波束域信道估计技术领域，特别涉及一种基于非迭代重构网络的毫米波大规模MIMO系统信道估计方法及系统，依据波束域毫米波大规模MIMO系统的信道模型构建用于信道估计且由选择网络、重构网络和去噪网络构成的非迭代重构网络结构；利用训练样本对非迭代重构网络结构中的选择网络、重构网络和去噪网络进行训练优化；利用训练后的非迭代重构网络结构来完成波束域信道估计。本发明利用选择网络从训练样本中训练得到基于学习的选择矩阵；利用重构网络并采用非迭代的方式以较低的复杂度将从RF链接收到的信号上进行初始重构，得到初始重构信道矩阵；利用去噪网络负责去除初始重构信道矩阵中的噪声，以提高信道矩阵的重构质量。

Description

基于非迭代重构网络的毫米波大规模MIMO系统信道估计方法 及系统
技术领域
本发明属于波束域信道估计技术领域，特别涉及一种基于非迭代重构网络的毫米波大规模MIMO系统信道估计方法及系统。
背景技术
毫米波大规模多输入多输出(Multiple-Input and Multiple-Output，MIMO)作为5G的关键技术，它利用更大的带宽和大型天线阵列提供高数据速率传输。然而，当每个天线都使用专用的射频(Radio-Frequency，RF)链时，系统实现将面临硬件和功耗所带来的高成本问题。为了降低RF链数量，可通过采用透镜天线阵列结构，将不同方向的信号集中到不同的天线上，将空间信道转换为波束域信道。由于毫米波频率下的散射并不丰富，有效传播路径数量非常有限。因此，毫米波波束域信道矩阵是稀疏的，可通过选择少量的主波束以减少RF链数量。
然而，在波束域毫米波大规模MIMO系统中，当天线阵列较大而使用的RF链路数有限时，波束域信道估计是个亟需解决的难题。基于波束域信道矩阵的稀疏特性，支持检测(Support Detection，SD)算法通过利用压缩感知(Compressed Sensing，CS)工具来估计信道，其归一化均方误差(Normalized Mean Squared Error，NMSE)性能优于正交匹配追踪(Orthogonal Matching Pursuit，OMP)算法。但是SD算法仅考虑波束域信道的稀疏性，而透镜天线阵列具有的能量聚焦能力对信道估计的影响却未研究。在此基础上，考虑透镜天线阵列接收信号矩阵具有稀疏性和集中性的情况下，基于稀疏非信息参数估计的协稀疏分析近似消息传递成像 (Sparse noninformative parameter estimator-based Cosparseanalysis Approximate Message Passing for Imaging，SCAMPI)算法用于波束域毫米波大规模MIMO信道估计，该算法虽然获得了比OMP和SD算法更优的NMSE性能，但在低信噪比时NMSE性能较差，例如信噪比为 10dB时，NMSE仅为-1.1dB，仍需进一步提升性能。
为了进一步降低NMSE，将深度学习算法与近似消息传递算法相结合用于波束域信道估计，将去噪卷积神经网络与近似消息传递(Approximate Message Passing，AMP)算法相结合的基于学习去噪的近似消息传递(Learned Denoising-based ApproximateMessage Passing， LDAMP)网络用于波束域毫米波大规模MIMO系统信道估计，该算法在使用少量RF链的情况下，其NMSE性能也优于SCAMPI算法；在波束域毫米波大规模MIMO系统中，将全卷积去噪网络与学习近似消息传递(Learned Approximate Message Passing，LAMP)算法相结合，基于全卷积去噪近似消息传递(Fully Convolutional DenoisingApproximate Message Passing， FCDAMP)网络进行信道估计，该算法相比于LDAMP算法，NMSE性能得到进一步提升。与LDAMP算法相比，基于AMP的深度残差学习网络(AMP-basedNetwork with deep Residual Learning，LampResNet)，其结合LAMP算法和残差学习来解决波束域毫米波大规模MIMO的信道估计问题，该算法在较低复杂度的情况下，获得了较高的NMSE性能。然而，上述 FCDAMP、LampResNet算法中的LAMP网络在解决波束域信道估计问题时，需要迭代操作，复杂度高，且其估计精度无法满足实际中高可靠低时延的应用需求。在波束域毫米波大规模 MIMO系统中，选择矩阵在对信道矩阵进行压缩的同时能否保留重构信道矩阵所需的信息，将直接影响信道矩阵重构的质量。而目前的波束域毫米波大规模MIMO系统中的选择矩阵仅采用随机生成的伯努利随机矩阵，没有考虑传输数据的先验信息，导致信道重构精度低。
发明内容
为此，本发明提供一种基于非迭代重构网络的毫米波大规模MIMO系统信道估计方法及系统，在考虑数据先验信息的基础上，采用非迭代方法重构信道矩阵，在提高信道重构精度的同时，降低信道估计算法复杂度，便于实际场景应用。
按照本发明所提供的设计方案，提供一种基于非迭代重构网络的毫米波大规模MIMO系统信道估计方法，包含如下内容：
依据波束域毫米波大规模MIMO系统，构建用于信道估计的非迭代重构网络结构，其中，非迭代重构网络结构包含：用于对信道矩阵进行压缩来获取测量向量的选择网络，用于对测量向量进行非迭代卷积操作来获取初始恢复信道矩阵的重构网络，及用于对初始恢复信道矩阵进行去噪来输出重建信道矩阵的去噪网络；
利用训练样本对非迭代重构网络结构中的选择网络、重构网络和去噪网络进行训练优化；
利用训练后的非迭代重构网络结构来完成波束域信道估计。
作为本发明基于非迭代重构网络的毫米波大规模MIMO系统信道估计方法，进一步地，波束域毫米波大规模MIMO系统中，设定M×N接收天线阵列通过选择网络连接到NRF个射频(Radio-Frequency，RF)链，即RF链上，并为K个用户提供服务，且采用Saleh-Valenzuela信道模型。
作为本发明基于非迭代重构网络的毫米波大规模MIMO系统信道估计方法，进一步地，依据Saleh-Valenzuela信道模型，第k个用户的波束域信道矩阵Hk表示为：
Figure RE-GDA0003740665390000021
其中，Hk∈RM×N；P+1表示RF链路径数；α(i)表示第i条路径的增益；
Figure RE-GDA0003740665390000022
和θ(i)分别表示入射平面波的方位角和仰角；
Figure RE-GDA0003740665390000023
为天线阵响应矩阵；通过将波束域信道矩阵矢量化来获取第k个用户的波束域信道向量。
作为本发明基于非迭代重构网络的毫米波大规模MIMO系统信道估计方法，进一步地，选择网络中利用第k个用户的波束域信道矩阵Hk大小作为卷积核尺寸，将波束域毫米波大规模MIMO系统配备的RF链数量作为卷积层特征值，并利用训练样本训练优化选择网络来获取基于学习的选择矩阵，利用基于学习的选择矩阵来获得信道矩阵中的测量向量。
作为本发明基于非迭代重构网络的毫米波大规模MIMO系统信道估计方法，进一步地，利用选择网络来捕获信道矩阵中测量向量的过程表示为zk＝conv(F,Hk)＝F*Hk，其中，F代表卷积层的卷积核。
作为本发明基于非迭代重构网络的毫米波大规模MIMO系统信道估计方法，进一步地，重构网络中，利用卷积核大小为1×1的卷积层来执行初始重建过程，该初始重建过程表示为：
Figure RE-GDA0003740665390000031
其中，Fint表示重建网络卷积核，
Figure RE-GDA0003740665390000032
表示初始恢复信道矩阵， zk表示利用选择网络获得的第k个用户信道矩阵的测量向量。
作为本发明基于非迭代重构网络的毫米波大规模MIMO系统信道估计方法，进一步地，去噪网络采用U-net架构，该U-net架构包含用于特征提取的收缩路径和用于将特征映射恢复至原始大小的扩展路径，其中，收缩路径包含两个倍频卷积层和一个最大池化层，扩展路径包含一个转置卷积层和两个倍频卷积层。
作为本发明基于非迭代重构网络的毫米波大规模MIMO系统信道估计方法，进一步地，倍频卷积层的操作过程表示为：
Figure RE-GDA0003740665390000033
最大池化层的操作过程表示为
Figure RE-GDA0003740665390000034
转置卷积层的操作过程表示为：
Figure RE-GDA0003740665390000035
其中，
Figure RE-GDA0003740665390000036
表示特征输入，OctConv(·,3)表示卷积核为3×3的倍频卷积；ReLU(·)表示激活函数；MaxPool(·,2)表示2×2的最大池化；TransConv(·,2)表示卷积核为2×2的转置卷积。
进一步地，本发明还提供一种基于非迭代重构网络的毫米波大规模MIMO系统信道估计系统，包含：网络构建模块、网络训练模块和信道估计模块，其中，
网络构建模块，用于依据波束域毫米波大规模MIMO系统，构建用于信道估计的非迭代重构网络结构，其中，非迭代重构网络结构包含：用于对信道矩阵进行压缩来获取测量向量的选择网络，用于对测量向量进行非迭代卷积操作来获取初始恢复信道矩阵的重构网络，及用于对初始恢复信道矩阵进行去噪来输出重建信道矩阵的去噪网络；
网络训练模块，用于利用训练样本对非迭代重构网络结构中的选择网络、重构网络和去噪网络进行训练优化；
信道估计模块，用于利用训练后的非迭代重构网络结构来完成波束域信道估计。
本发明的有益效果：
本发明在考虑传输数据的先验信息的基础上，采用非迭代的方法，利用由选择网络、重构网络和去噪网络三个模块组成的非迭代重构网络结构来完成信道估计，其中，选择网络能够从训练样本中训练得到基于学习的选择矩阵(Learning-based SelectionMatrix，LSM)；重构网络采用非迭代的方式，以较低的复杂度将从RF链接收到的信号上完成初始重构，得到初始重构信道矩阵；而去噪网络负责去除初始重构信道矩阵中的噪声，提高信道矩阵的重构质量。并进一步通过实验数据表明，本案方案性能优于其他现有算法，能够利用较小的复杂度来取得较优的NMSE性能。
附图说明：
图1为实施例中基于非迭代重构网络的毫米波大规模MIMO系统信道估计流程示意；
图2为实施例中波束域毫米波大规模MIMO系统结构示意；
图3为实施例中基于非迭代重构网络的信道估计算法原理示意；
图4为实施例中选择网络结构示意；
图5为实施例中本案NIRNet与现有LDAMP、FCDAMP的NMSE性能比较示意。
具体实施方式：
为使本发明的目的、技术方案和优点更加清楚、明白，下面结合附图和技术方案对本发明作进一步详细的说明。
本发明实施例，提供一种基于非迭代重构网络的毫米波大规模MIMO系统信道估计方法，参见图1所示，包含如下内容：
S101、依据波束域毫米波大规模MIMO系统，构建用于信道估计的非迭代重构网络结构，其中，非迭代重构网络结构包含：用于对信道矩阵进行压缩来获取测量向量的选择网络，用于对测量向量进行非迭代卷积操作来获取初始恢复信道矩阵的重构网络，及用于对初始恢复信道矩阵进行去噪来输出重建信道矩阵的去噪网络；
S102、利用训练样本对非迭代重构网络结构中的选择网络、重构网络和去噪网络进行训练优化；
S103、利用训练后的非迭代重构网络结构来完成波束域信道估计。
本案实施例中，在考虑传输数据的先验信息的基础上，采用非迭代的方法，利用由选择网络、重构网络和去噪网络三个模块组成的非迭代重构网络结构来完成信道估计，其中，选择网络能够从具有先验信息的训练样本中训练得到信道矩阵特征；重构网络采用非迭代的方式，以较低的复杂度将从RF信号链接收到的信号上完成初始重构，得到初始重构信道矩阵；而去噪网络负责去除初始重构信道矩阵中的噪声，提高信道矩阵的重构质量。
在时分双工(Time Division Duplexing，TDD)模式下，基于波束域毫米波大规模MIMO 系统进行信道估计的波束域毫米波大规模MIMO系统结构，参见图2所示，在基站(BaseStation，BS)端配备具有M×N根天线的透镜天线阵，将来自不同方向波束的信号集中在不同的天线上，将空间信道转换为波束域信道；MN根天线可通过选择网络连接到NRF个RF链上，同时为K个用户提供服务。为了节省RF链的硬件和功耗成本，本案实施例中，可令RF链数量满足NRF<<MN的同时，不能低于用户数K，以保证K个用户的空间复用增益。因此，考虑RF链数量在最小的情况下进行信道估计，即NRF＝K。
在TDD系统的上行链路中，所有用户都需要在信道相干时间内向基站BS发送已知的导频序列以进行信道估计。可假设波束空间信道在该信道相干时间内保持不变，每个用户可以发送K个导频符号，并将S∈RK×K定义为导频矩阵，其中包含K个用户传输的K个相互正交的导频序列。为了将上行链路导频功率标准化，可使导频矩阵满足SSH＝IK和SHS＝IK。则BS端接收的上行链路信号Y∈RMN×K可以表示为：
Y＝HS+N
其中，H∈RMN×K为K个用户的波束域信道矩阵；
Figure RE-GDA0003740665390000051
表示高斯白噪声。
进一步地，本案实施例中波束域毫米波大规模MIMO系统可采用Saleh-Valenzuela信道模型，即第k个用户的波束域信道矩阵Hk∈RM×N可以表示为：
Figure RE-GDA0003740665390000052
式中P+1表示路径数；α(i)表示第i条路径的增益；
Figure RE-GDA0003740665390000053
和θ(i)分别表示入射平面波的方位角和仰角；
Figure RE-GDA0003740665390000054
为天线阵响应矩阵，由天线阵的几何形状决定。其中，A的第m行和第n 列上的元素可以写成两个sinc函数的乘积：
Figure RE-GDA0003740665390000055
式中，D表示孔径长度，其中DM和DN分别表示透镜天线的长度和高度。然后将Hk进行矢量化，得到第k个用户的波束域信道向量h∈RMN×1，即波束域信道矩阵H的第k列。
在导频传输期间，BS端使用选择矩阵W∈RK×MN对接收到的上行链路信号矩阵Y进行压缩，则从RF链路接收到的信号R∈RK×K可以表示为:
R＝WY＝WHS+WN
然后，通过在上式右侧乘以已知的导频矩阵SH，可以得到波束域信道H的测量矩阵Z∈RK×K，可以表示为：
Z＝RSH＝WH+Nwns
其中Nwns＝WNSH为有效噪声。而本案方案是在不一般性的情况下从zk∈RK×1(Z的第k列)中估计第k个用户的波束域信道hk∈RMN×1，并且可以利用相同的方法估计其他用户的波束域信道，从而获得完整的波束域信道H。
接收信号Y在BS端经过信道估计得到上行信道状态信息(Channel StateInformation，CSI)，根据图2中波束域毫米波大规模MIMO系统在TDD模式下，相干时间内可利用信道互易性得到下行CSI，用于下行链路的信息传输，并通过预编码技术消除用户间干扰。系统可采用迫零(Zero Forcing，ZF)预编码技术，则此时第k∈{1，2，…，K}个用户收到的信号Uk∈RM×N可表示为：
Uk＝HkFksk+nk
其中Hk表示BS端到第k个用户的信道矩阵；sk表示BS端到第k个用户发送的信号；nk表示第k个用户的接收到的噪声信号；Fk表示ZF预编码矩阵，可表示为：
Figure RE-GDA0003740665390000061
上式中
Figure RE-GDA0003740665390000062
为功率因子，其中P表示平均发射功率。从上式中可以看出， ZF预编码矩阵需要精确的信道估计值，用于下行链路数据传输，否则将导致多用户间干扰问题。
在波束域毫米波大规模MIMO系统中，针对基于LAMP网络的信道估计算法估计精度低，且采用的选择矩阵与信号无关的问题，本案实施例，参见图3所示，基于非迭代重构网络结构(Non-Iterative Reconstruction Network，NIRNet)来实现波束域毫米波大规模MIMO系统信道估计。在选择网络模块中，该算法自动获取信道矩阵和其特征之间的关系，并相应地从大量样本数据中训练得到LSM；重构网络模块的目标是采用非迭代的方式获得具有合适全局结构的初始恢复信道矩阵；而去噪网络的目标是去除噪声，进一步提升重构质量，最终输出重建信道矩阵。
在进行信道估计过程中，进一步地，本案实施例的选择网络，选择网络中利用第k个用户的波束域信道矩阵Hk大小作为卷积核尺寸，将波束域毫米波大规模MIMO系统配备的RF 链数量作为卷积层特征值，并利用训练样本训练优化选择网络来获取基于学习的选择矩阵，利用基于学习的选择矩阵来获得信道矩阵中的测量向量。去噪网络可采用U-net架构，该U-net 架构包含用于特征提取的收缩路径和用于将特征映射恢复至原始大小的扩展路径，其中，收缩路径包含两个倍频卷积层和一个最大池化层，扩展路径包含一个转置卷积层和两个倍频卷积层。
要从测量矩阵Z中恢复波束域信道H，选择矩阵W要使其互相关性：
Figure RE-GDA0003740665390000071
尽可能小，其中，wi是W第i列。满足上述条件的矩阵有高斯随机矩阵、伯努利随机矩阵等。为充分利用数据的先验信息，本案算法NIRNet在选择网络模块中可使用一个卷积核大小与第k个用户的波束域信道矩阵Hk相同、特征值为K的卷积层代替选择矩阵W，则从RF链接收到的信号zk可以表示为：
zk＝conv(F,Hk)＝F*Hk
其中F代表卷积层的卷积核，且其中每个权值独立的服从均值为0，方差为1/K的高斯分布。在该算法中，选择网络从训练数据中自动学习采样模式，即逐步优化F的权值以改进数据采集。训练过程完成后，可以得到相应的基于学习的选择矩阵(Learning-basedSelection Matrix，LSM)，用P表示，利用适用于波束域毫米波大规模MIMO系统的选择网络来实现 LSM，如图4所示。LSM可以捕捉到信道矩阵的特征，从而保证zk比其他方法保留更多的 Hk的结构特征。
在重构网络模块中，可使用卷积核大小为1×1的卷积层来执行初始重建过程，表示为：
Figure RE-GDA0003740665390000072
其中Fint表示卷积核；
Figure RE-GDA0003740665390000073
表示初始恢复信道矩阵。
为了进一步提高信道矩阵Hk的重构质量，去噪网络模块可引入U-net架构，以初始恢复信道矩阵
Figure RE-GDA0003740665390000074
作为输入，得到估计的信道矩阵
Figure RE-GDA0003740665390000075
具体结构可设计为包含14个卷积层、池化层和转置卷积各两个，如图3所示。倍频卷积(Octave convolution，OctConv)是由Chen等人[14]提出的一种新的卷积运算的频率分解，它存储和处理混合特征映射，同时减少空间冗余。作为普通卷积的替代，它是一种即插即用的卷积算子，可以有效降低低频映射的分辨率，扩大接收域，从而节省计算和存储成本的同时可以实现显著的性能提升，且不需要对骨干网络架构进行任何调整。因此，与传统U-net架构不同的是，该算法将前13层卷积采用倍频卷积以降低计算复杂度。该算法的去噪网络模块由收缩路径和扩展路径组成。前者包含两个倍频卷积层和一个最大池化层，用以特征提取，包含的两个单独的操作Fo和Fp，在图2中分别用红色箭头和紫色箭头表示，并可以表示为：
Figure RE-GDA0003740665390000081
Figure RE-GDA0003740665390000082
其中，
Figure RE-GDA0003740665390000083
表示输入特征映射；OctConv(g,3)表示卷积核为3×3的倍频卷积；ReLU(g)表示激活函数；MaxPool(g,2)表示2×2的最大池化。
扩展路径的目的是将特征映射的大小逐渐增加到原始大小，因此这部分首先包含一个转置卷积操作，用以恢复特征映射的大小。该操作Ft由图2中的绿色箭头表示，并且可以表示为：
Figure RE-GDA0003740665390000084
其中TransConv(g,2)表示卷积核为2×2的转置卷积。特征通道数在收缩路径和扩展路径中加倍和减半，并在每个倍频卷积层后采用批归一化(Batch Normalization，BN)处理来加速模型训练，提高模型精度。最后，将初始重建结果与最终的输出做差，得到估计信道矩阵
Figure RE-GDA0003740665390000085
进一步地，基于上述的方法，本发明实施例还提供一种基于非迭代重构网络的毫米波大规模MIMO系统信道估计系统，包含：网络构建模块、网络训练模块和信道估计模块，其中，
网络构建模块，用于依据波束域毫米波大规模MIMO系统，构建用于信道估计的非迭代重构网络结构，其中，非迭代重构网络结构包含：用于对信道矩阵进行压缩来获取测量向量的选择网络，用于对测量向量进行非迭代卷积操作来获取初始恢复信道矩阵的重构网络，及用于对初始恢复信道矩阵进行去噪来输出重建信道矩阵的去噪网络；
网络训练模块，用于利用训练样本对非迭代重构网络结构中的选择网络、重构网络和去噪网络进行训练优化；
信道估计模块，用于利用训练后的非迭代重构网络结构来完成波束域信道估计。
为验证本案方案有效性，下面结合试验数据做进一步解释说明：
将本案算法与现有FCDAMP和LDAMP在[10，30]dB的SNR范围内的NMSE性能进行对比分析。在此基础上，进一步将本案算法与现有的FCDAMP和LDAMP进行复杂度对比分析。
在仿真中，训练样本由系统模型生成的，其信道参数及NIRNet的参数设置可如表1所示。NIRNet利用以下平均绝对误差损失函数：
Figure RE-GDA0003740665390000091
用Adam优化训练神经网络，并将NMSE定义为[11]：
Figure RE-GDA0003740665390000092
表1参数设置
Figure RE-GDA0003740665390000093
图5展示了[10，30]dB的SNR范围内不同信道估计方法的NMSE性能。从中可以看出，本案NIRNet算法在NMSE方面优于基于LDAMP和FCDAMP的信道估计算法。例如在SNR 为20dB时，本案NIRNet算法的NMSE性能与LDAMP和FCDAMP算法相比，分别获得了 8.9dB和8.7dB的增益。
上述仿真实验分析了基于NIRNet的信道估计算法的NMSE性能，为了进一步分析所提出的NIRNet的信道估计效率，可比较TNLNet、LampResNet、FCDAMP和LDAMP的计算复杂度。复杂度的来源是一次信道估计所需的乘法次数，神经网络中的乘法运算存在于卷积层的卷积运算。普通卷积的单个卷积层的计算复杂度可以表示为O(P2Q2CinCout)，其中P和Q 分别表示卷积核和输出特征映射的空间长度；Cin和Cout分别表示输入输出通道的个数。而单个倍频卷积层的计算复杂度可以表示为
Figure RE-GDA0003740665390000101
其中PT表示转置卷积的卷积核。
表2中总结了单个接收信号时NIRNet、LampResNet、FCDAMP和LDAMP一次信道估计所需的乘法次数。可以看出，与LDAMP、FCDAMP和LampResNet相比，本案NIRNet 算法用较小的复杂度取得了更优的NMSE性能。
表2复杂度分析比较
Figure RE-GDA0003740665390000102
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种基于非迭代重构网络的毫米波大规模MIMO系统信道估计方法，其特征在于，包含如下内容：
依据波束域毫米波大规模MIMO系统，构建用于信道估计的非迭代重构网络结构，其中，非迭代重构网络结构包含：用于对信道矩阵进行压缩来获取测量向量的选择网络，用于对测量向量进行非迭代卷积操作来获取初始恢复信道矩阵的重构网络，及用于对初始恢复信道矩阵进行去噪来输出重建信道矩阵的去噪网络；
利用训练样本对非迭代重构网络结构中的选择网络、重构网络和去噪网络进行训练优化；
利用训练后的非迭代重构网络结构来完成波束域信道估计。
2.根据权利要求1所述的基于非迭代重构网络的毫米波大规模MIMO系统信道估计方法，其特征在于，波束域毫米波大规模MIMO系统中，设定M×N接收天线阵列通过选择网络连接到NRF个RF链上，并为K个用户提供服务，且采用Saleh-Valenzuela信道模型。
3.根据权利要求2所述的基于非迭代重构网络的毫米波大规模MIMO系统信道估计方法，其特征在于，依据Saleh-Valenzuela信道模型，第k个用户的波束域信道矩阵Hk表示为：
Figure FDA0003718997890000011
其中，Hk∈RM×N；P+1表示RF链路径数；α(i)表示第i条路径的增益；
Figure FDA0003718997890000012
和θ(i)分别表示入射平面波的方位角和仰角；
Figure FDA0003718997890000013
为天线阵响应矩阵；通过将波束域信道矩阵矢量化来获取第k个用户的波束域信道向量。
4.根据权利要求1或2或3所述的基于非迭代重构网络的毫米波大规模MIMO系统信道估计方法，其特征在于，选择网络中利用第k个用户的波束域信道矩阵Hk大小作为卷积核尺寸，将波束域毫米波大规模MIMO系统配备的RF链数量作为卷积层特征值，并利用训练样本训练优化选择网络来获取基于学习的选择矩阵，利用基于学习的选择矩阵来获得信道矩阵中的测量向量。
5.根据权利要求4所述的基于非迭代重构网络的毫米波大规模MIMO系统信道估计方法，其特征在于，利用选择网络来获得信道矩阵中测量向量的过程表示为zk＝conv(F,Hk)＝F*Hk，其中，F代表卷积层的卷积核。
6.根据权利要求1或2或3所述的基于非迭代重构网络的毫米波大规模MIMO系统信道估计方法，其特征在于，重构网络中，利用卷积核大小为1×1的卷积层来执行初始重建过程，该初始重建过程表示为：
Figure FDA0003718997890000014
其中，Fint表示重建网络卷积核，
Figure FDA0003718997890000015
表示初始恢复信道矩阵，zk表示利用选择网络获得的第k个用户信道矩阵的测量向量。
7.根据权利要求1或2或3所述的基于非迭代重构网络的毫米波大规模MIMO系统信道估计方法，其特征在于，去噪网络采用U-net架构，该U-net架构包含用于特征提取的收缩路径和用于将特征映射恢复至原始大小的扩展路径，其中，收缩路径包含两个倍频卷积层和一个最大池化层，扩展路径包含一个转置卷积层和两个倍频卷积层。
8.根据权利要求7所述的基于非迭代重构网络的毫米波大规模MIMO系统信道估计方法，其特征在于，倍频卷积层的操作过程表示为：
Figure FDA0003718997890000021
最大池化层的操作过程表示为
Figure FDA0003718997890000022
转置卷积层的操作过程表示为：
Figure FDA0003718997890000023
其中，
Figure FDA0003718997890000024
表示特征输入，OctConv(·,3)表示卷积核为3×3的倍频卷积；ReLU(·)表示激活函数；MaxPool(·,2)表示2×2的最大池化；TransConv(·,2)表示卷积核为2×2的转置卷积。
9.一种基于非迭代重构网络的毫米波大规模MIMO系统信道估计系统，其特征在于，包含：网络构建模块、网络训练模块和信道估计模块，其中，
网络构建模块，用于依据波束域毫米波大规模MIMO系统，构建用于信道估计的非迭代重构网络结构，其中，非迭代重构网络结构包含：用于对信道矩阵进行压缩来获取测量向量的选择网络，用于对测量向量进行非迭代卷积操作来获取初始恢复信道矩阵的重构网络，及用于对初始恢复信道矩阵进行去噪来输出重建信道矩阵的去噪网络；
网络训练模块，用于利用训练样本对非迭代重构网络结构中的选择网络、重构网络和去噪网络进行训练优化；
信道估计模块，用于利用训练后的非迭代重构网络结构来完成波束域信道估计。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有一个或多个程序，所述一个或多个程序被包括多个应用程序的电子设备执行时，使得所述电子设备执行如下权利要求1～8任一项所述的方法步骤。
CN202210744063.2A 2022-06-28 2022-06-28 基于非迭代重构网络的毫米波大规模mimo系统信道估计方法及系统 Active CN115022134B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210744063.2A CN115022134B (zh) 2022-06-28 2022-06-28 基于非迭代重构网络的毫米波大规模mimo系统信道估计方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210744063.2A CN115022134B (zh) 2022-06-28 2022-06-28 基于非迭代重构网络的毫米波大规模mimo系统信道估计方法及系统

Publications (2)

Publication Number Publication Date
CN115022134A true CN115022134A (zh) 2022-09-06
CN115022134B CN115022134B (zh) 2024-01-30

Family

ID=83077182

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210744063.2A Active CN115022134B (zh) 2022-06-28 2022-06-28 基于非迭代重构网络的毫米波大规模mimo系统信道估计方法及系统

Country Status (1)

Country Link
CN (1) CN115022134B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116319195A (zh) * 2023-04-04 2023-06-23 上海交通大学 基于剪枝卷积神经网络的毫米波和太赫兹信道估计方法
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 (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111030952A (zh) * 2019-12-25 2020-04-17 内蒙古大学 一种毫米波系统的波束空间信道估计方法及系统
CN111464220A (zh) * 2020-03-10 2020-07-28 西安交通大学 一种基于深度学习的信道状态信息重建方法
WO2021042639A1 (zh) * 2019-09-04 2021-03-11 电子科技大学 基于边缘计算和离散随机卷积的数据包合法性确认方法
CN113595941A (zh) * 2021-07-08 2021-11-02 武汉大学 深度学习的压缩感知大规模mimo信道估计方法及系统
CN114338302A (zh) * 2021-12-22 2022-04-12 中国南方电网有限责任公司超高压输电公司 一种基于毫米波联合结构的智能反射面两级信道估计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021042639A1 (zh) * 2019-09-04 2021-03-11 电子科技大学 基于边缘计算和离散随机卷积的数据包合法性确认方法
CN111030952A (zh) * 2019-12-25 2020-04-17 内蒙古大学 一种毫米波系统的波束空间信道估计方法及系统
CN111464220A (zh) * 2020-03-10 2020-07-28 西安交通大学 一种基于深度学习的信道状态信息重建方法
CN113595941A (zh) * 2021-07-08 2021-11-02 武汉大学 深度学习的压缩感知大规模mimo信道估计方法及系统
CN114338302A (zh) * 2021-12-22 2022-04-12 中国南方电网有限责任公司超高压输电公司 一种基于毫米波联合结构的智能反射面两级信道估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨静等: "基于两步噪声学习网络的波束域毫米波大规模MIMO信道估计", 《电讯技术》, vol. 63, no. 3, pages 390 - 395 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116319195A (zh) * 2023-04-04 2023-06-23 上海交通大学 基于剪枝卷积神经网络的毫米波和太赫兹信道估计方法
CN116319195B (zh) * 2023-04-04 2023-10-20 上海交通大学 基于剪枝卷积神经网络的毫米波和太赫兹信道估计方法
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
CN117914657B (zh) * 2024-03-15 2024-07-05 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

Also Published As

Publication number Publication date
CN115022134B (zh) 2024-01-30

Similar Documents

Publication Publication Date Title
CN112737985B (zh) 基于深度学习的大规模mimo信道联合估计和反馈方法
CN112910807B (zh) 一种基于空间随机采样的智能超表面信道估计方法及系统
CN111464220B (zh) 一种基于深度学习的信道状态信息重建方法
WO2022121497A1 (zh) 基于毫米波智能反射面通信的大规模天线信道估计方法
CN110855585B (zh) 一种毫米波大规模mimo系统的信道估计方法
CN115022134B (zh) 基于非迭代重构网络的毫米波大规模mimo系统信道估计方法及系统
CN111698182A (zh) 一种基于压缩感知的时频分块稀疏的信道估计方法
CN111030952B (zh) 一种毫米波系统的波束空间信道估计方法及系统
CN113179231B (zh) 一种毫米波大规模mimo系统中波束空间信道估计方法
CN114124623B (zh) 一种无线通信信道估计方法和装置
CN112615801B (zh) 基于压缩感知和深度学习的信道估计方法、介质及设备
Guo et al. Deep learning for joint channel estimation and feedback in massive MIMO systems
CN110650103B (zh) 利用冗余字典加强稀疏性的透镜天线阵列信道估计方法
CN114884549A (zh) 基于深度学习的大规模mimo信道状态信息反馈方法
CN116248156A (zh) 基于深度学习的大规模mimo信道状态信息反馈及重建方法
CN114726686B (zh) 一种均匀面阵毫米波大规模mimo信道估计方法
Uwaechia et al. Compressed channel estimation for massive MIMO-OFDM systems over doubly selective channels
CN114157331B (zh) 基于伪复值输入的大规模mimo信道状态信息反馈方法
CN115865145A (zh) 一种基于Transformer的大规模MIMO信道状态信息反馈方法
CN111865844B (zh) 大规模mimo全双工中继系统信道估计方法和装置
Song et al. Deep learning based low-rank channel recovery for hybrid beamforming in millimeter-wave massive MIMO
CN108631829B (zh) 联合功率分配、预编码与解码方法及其基站
CN114629533A (zh) 大规模mimo信道估计的信息几何方法及系统
Liu et al. A Deep Learning Channel Estimator for Millimeter-Wave Hybrid Massive MIMO Systems
CN103346827A (zh) 稳健gsc波束形成器及其波束优化方法

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