CN115361258B - 一种大规模mimo稀疏信道估计方法及相关设备 - Google Patents

一种大规模mimo稀疏信道估计方法及相关设备 Download PDF

Info

Publication number
CN115361258B
CN115361258B CN202210826619.2A CN202210826619A CN115361258B CN 115361258 B CN115361258 B CN 115361258B CN 202210826619 A CN202210826619 A CN 202210826619A CN 115361258 B CN115361258 B CN 115361258B
Authority
CN
China
Prior art keywords
channel
sparse
sparsity
neural network
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
Application number
CN202210826619.2A
Other languages
English (en)
Other versions
CN115361258A (zh
Inventor
陈建侨
陈昊
马楠
许晓东
张平
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.)
Beijing University of Posts and Telecommunications
Peng Cheng Laboratory
Original Assignee
Beijing University of Posts and Telecommunications
Peng Cheng Laboratory
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 Beijing University of Posts and Telecommunications, Peng Cheng Laboratory filed Critical Beijing University of Posts and Telecommunications
Priority to CN202210826619.2A priority Critical patent/CN115361258B/zh
Publication of CN115361258A publication Critical patent/CN115361258A/zh
Application granted granted Critical
Publication of CN115361258B publication Critical patent/CN115361258B/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
    • H04L25/0224—Channel estimation using sounding signals
    • 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
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • 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
    • 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
    • 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)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种大规模MIMO稀疏信道估计方法及相关设备，所述方法包括：本地服务器进行离线训练得到信道稀疏度认知神经网络、信道稀疏表示字典和信道稀疏重构神经网络；终端将OFDM信号输入到信道稀疏度认知神经网络中得到信道稀疏度；基站根据信道稀疏度确定下行传输信号中导频序列的长度；基站接收到下行传输信号后，根据信道稀疏度选择相应的信道稀疏表示字典进行信道稀疏表示，并根据信道稀疏重构神经网络一起进行信道稀疏重构。通过终端将OFDM信号输入到信道稀疏度认知神经网络中得到信道稀疏度，基站根据信道稀疏度进行信道稀疏表示，并根据信道稀疏重构神经网络一起进行信道稀疏重构，实现了高精度、低复杂度的信道估计。

Description

一种大规模MIMO稀疏信道估计方法及相关设备
技术领域
本发明涉及宽带通信技术领域，特别涉及一种大规模MIMO稀疏信道估计方法及相关设备。
背景技术
在大规模多入多出(Multiple-Input Multiple-Output,MIMO)系统中，获取准确的信道状态信息(Channel State Information，CSI)是信道均衡、预编码、波束赋形及资源分配等技术实现的基础，对于保障大规模MIMO信号的有效传输及获取大规模MIMO系统增益至关重要，因此，如何通过高精度、低复杂度的信道估计方法获取准确的CSI是大规模MIMO系统有效存储的关键问题之一。与此同时，对于未来6G智能通信而言，针对人工智能(Artificial Intelligence，AI)技术与当前信道估计技术相融合以赋能移动通信的迫切需求。
当前研究中针对传统的正交导频辅助信道估计的方法中存在的导频开销大、高维信道矩阵处理复杂度高等问题，利用无线信道具有的稀疏性，基于压缩感知的大规模MIMO稀疏信道估计成为了近十年来的研究重点。
虽然该领域的研究已取得了许多成果，但是依然存在以下三个关键问题有待深入研究：
(1)、信道稀疏度无法主动认知。信道稀疏度定义为具有显著值的多径数目。信道稀疏度直接影响信道稀疏重构算法设计与算法复杂度，因为导频数目、稀疏重构矩阵维度均与信道稀疏度成正比。此外，根据压缩感知理论，若将信道稀疏度作为先验条件，能够大幅度提升信道稀疏重构的稳定性。然而，当前研究中对信道稀疏度的认知都采用被动方式，即通过预设阈值与步长进行信道稀疏重构的同时逐渐逼近信道稀疏度，无法实现信道稀疏度的主动认知；
(2)、空域信道稀疏表示不准确。精确的空域信道稀疏表示是实现信道稀疏重构的基础，其核心是获取准确性高、泛化能力强的信道稀疏表示字典。目前的研究中大部分将离散傅里叶变换矩阵作为信道稀疏表示字典进行空域信道稀疏表示，但是存在真实到达角的方向与预设的量化网格点不匹配所引起的网格失配问题，导致原先网格点上的功率泄露到临近的格点之上，破坏信道原有的稀疏性，使得信道稀疏表示不准确，进而造成稀疏重构算法的性能受限，甚至完全失效；
(3)、高维信道稀疏重构复杂度高。基于压缩感知的信道稀疏重构算法(包括凸优化类算法、贪婪类算法和贝叶斯类算法)均为迭代算法，需要经过多次循环迭代，收敛慢且算法复杂度高，尤其对于大规模MIMO信道高维矩阵的处理会更加困难，极大地限制了它们在实际中的应用。
因而现有技术还有待改进和提高。
发明内容
本发明的主要目的在于提供一种大规模MIMO稀疏信道估计方法及相关设备，旨在解决现有技术中在对大规模MIMO稀疏信道估计中，无法准确且高效地获取信道状态信息的问题。
为了达到上述目的，本发明采取了以下技术方案：
一种大规模MIMO稀疏信道估计方法，所述大规模MIMO稀疏信道估计方法包括：
本地服务器进行离线训练，得到信道稀疏度认知神经网络、信道稀疏表示字典和信道稀疏重构神经网络，将所述信道稀疏度认知神经网络存储在终端，并将所述信道稀疏表示字典和所述信道稀疏重构神经网络存储在基站；
所述终端接收到所述基站发送的OFDM信号后，将所述OFDM信号输入到所述信道稀疏度认知神经网络中，得到信道稀疏度，并将所述信道稀疏度传输至所述基站；
所述基站根据所述信道稀疏度确定下行传输信号中导频序列的长度，并将所述下行传输信号传输至所述终端；
所述基站接收到所述终端回传的所述下行传输信号后，根据所述信道稀疏度选择相应的所述信道稀疏表示字典进行信道稀疏表示，并根据所述信道稀疏度和所述信道稀疏重构神经网络进行信道稀疏重构。
所述大规模MIMO稀疏信道估计方法中，所述本地服务器进行离线训练，得到信道稀疏度认知神经网络、信道稀疏表示字典和信道稀疏重构神经网络，将所述信道稀疏度认知神经网络存储在终端，并将所述信道稀疏表示字典和所述信道稀疏重构神经网络存储在基站的步骤具体包括：
所述本地服务器建立基于射线追踪方法的确定性信道模型，得到信道参数后，根据所述信道参数训练得到所述信道稀疏度认知神经网络；
所述本地服务器根据所述信道特征构建所述信道稀疏表示字典的目标函数，并进行基于字典学习的目标函数求解与训练，得到所述信道稀疏表示字典；
所述本地服务器构建基于广义近似消息传递的信道稀疏重构模型，并设计基于广义近似消息传递网络化展开的信道稀疏重构神经网络，得到所述信道稀疏重构神经网络；
所述本地服务器将所述信道稀疏度认知神经网络存储在所述终端，并将所述信道稀疏表示字典和所述信道稀疏重构神经网络存储在所述基站。
所述大规模MIMO稀疏信道估计方法中，所述本地服务器建立基于射线追踪方法的确定性信道模型，得到信道参数后，根据所述信道参数训练得到所述信道稀疏度认知神经网络的步骤具体包括：
所述本地服务器创建仿真场景和参数数据库，并搜索计算得到基于射线追踪仿真射线传播路径后，获取得到多径参数，并根据所述多径参数计算得到信道频域冲激响应；
所述本地服务器利用所述信道频域冲激响应对信道进行稀疏表示得到信道稀疏度标记样本，并将所述信道稀疏度标记样本输入至卷积神经网络进行训练，得到所述信道稀疏度认知神经网络。
所述大规模MIMO稀疏信道估计方法中，所述本地服务器根据所述信道特征构建所述信道稀疏表示字典的目标函数，并进行基于字典学习的目标函数求解与训练，得到所述信道稀疏表示字典的步骤具体包括：
所述本地服务器将上下行信道空域互易性导致的上下行信道稀疏性相同，以及信道传输经过某一散射体到达客户端的方向近似所导致的稀疏向量中非零项呈块结构稀疏分布作为信道特征，并将所述信道特征耦合进约束项，以构建所述信道稀疏表示字典的目标函数；
所述本地服务器利用字典学习方法对所述目标函数进行稀疏编码和字典更新操作，分别推导参数更新表达式，并进行交叉迭代求解与训练，得到所述信道稀疏表示字典。
所述大规模MIMO稀疏信道估计方法中，所述本地服务器构建基于广义近似消息传递的信道稀疏重构模型，并设计基于广义近似消息传递网络化展开的信道稀疏重构神经网络，得到所述信道稀疏重构神经网络的步骤具体包括：
所述本地服务器根据所述信道稀疏表示字典求解得到稀疏向量，并根据所述稀疏向量构建先验分布函数，得到基于广义近似消息传递的信道稀疏重构模型；
所述本地服务器对所述先验分布函数进行更新输出标尺函数，利用所述标尺函数进行算法迭代得到信道估计值；
所述本地服务器利用深度学习将基于广义近似消息传递的信道稀疏重构模型网络化展开成层状网络结构，得到信道稀疏重构子网；
所述本地服务器利用级联卷积神经网络估计残差噪声，得到基于卷积神经网络的去噪子网。
所述大规模MIMO稀疏信道估计方法中，所述本地服务器将所述信道稀疏度认知神经网络存储在所述终端，并将所述信道稀疏表示字典和所述信道稀疏重构神经网络存储在所述基站的步骤具体包括：
所述本地服务器将所述信道稀疏度认知神经网络传输至所述终端，所述终端对所述信道稀疏度认知神经网络进行存储；
所述本地服务器将所述信道稀疏表示字典和所述信道稀疏重构神经网络传输至所述基站，所述基站对所述信道稀疏表示字典和所述信道稀疏重构神经网络进行存储。
所述大规模MIMO稀疏信道估计方法中，所述终端接收到所述基站发送的OFDM信号后，将所述OFDM信号输入到所述信道稀疏度认知神经网络中，得到信道稀疏度，并将所述信道稀疏度传输至所述基站的步骤具体包括：
所述基站发送所述OFDM信号至所述终端；
所述终端将所述OFDM信号输入到所述信道稀疏度认知神经网络中，并利用在一个预设时间内信道的准静态特征，得到所述信道稀疏度；
所述终端将所述信道稀疏度传输至所述基站。
所述大规模MIMO稀疏信道估计方法中，所述基站根据所述信道稀疏度确定下行传输信号中导频序列的长度，并将所述下行传输信号传输至所述终端的步骤具体包括：
所述基站根据所述信道稀疏度确定所述下行传输信号中所述导频序列的长度；
所述基站将所述下行传输信号传输至所述终端。
所述大规模MIMO稀疏信道估计方法中，所述基站接收到所述终端回传的所述下行传输信号后，根据所述信道稀疏度选择相应的所述信道稀疏表示字典进行信道稀疏表示，并根据所述信道稀疏度和所述信道稀疏重构神经网络进行信道稀疏重构的步骤具体包括：
所述终端接收所述下行传输信号后，将所述下行传输信号回传至所述基站；
所述基站根据所述信道稀疏度选择相应的所述信道稀疏表示字典进行信道稀疏表示；
所述基站根据所述信道稀疏度和所述信道稀疏重构神经网络进行信道稀疏重构。
所述大规模MIMO稀疏信道估计方法中，所述信道稀疏重构神经网络包括所述信道稀疏重构子网和基于卷积神经网络的去噪子网。
所述大规模MIMO稀疏信道估计方法中，所述导频序列的长度与所述信道稀疏度成正比。
一种大规模MIMO稀疏信道估计系统，所述大规模MIMO稀疏信道估计系统包括：本地服务器、终端和基站；
所述本地服务器用于进行离线训练，得到信道稀疏度认知神经网络、信道稀疏表示字典和信道稀疏重构神经网络，将所述信道稀疏度认知神经网络存储在终端，并将所述信道稀疏表示字典和所述信道稀疏重构神经网络存储在基站；
所述终端用于接收到所述基站发送的OFDM信号后，将所述OFDM信号输入到所述信道稀疏度认知神经网络中，得到信道稀疏度，并将所述信道稀疏度传输至所述基站；
所述基站用于根据所述信道稀疏度确定下行传输信号中导频序列的长度，并将所述下行传输信号传输至所述终端；所述基站还用于接收到所述终端回传的所述下行传输信号后，根据所述信道稀疏度选择相应的所述信道稀疏表示字典进行信道稀疏表示，并根据所述信道稀疏度和所述信道稀疏重构神经网络进行信道稀疏重构。
一种计算机可读存储介质，所述计算机可读存储介质存储有大规模MIMO稀疏信道估计程序，所述大规模MIMO稀疏信道估计程序被处理器执行时实现如上所述的大规模MIMO稀疏信道估计方法的步骤。
相较于现有技术，本发明提供的一种大规模MIMO稀疏信道估计方法及相关设备，所述方法包括：本地服务器进行离线训练得到信道稀疏度认知神经网络、信道稀疏表示字典和信道稀疏重构神经网络；终端将OFDM信号输入到信道稀疏度认知神经网络中得到信道稀疏度；基站根据信道稀疏度确定下行传输信号中导频序列的长度；基站接收到下行传输信号后，根据信道稀疏度选择相应的信道稀疏表示字典进行信道稀疏表示，并根据信道稀疏重构神经网络一起进行信道稀疏重构。通过终端将OFDM信号输入到信道稀疏度认知神经网络中得到信道稀疏度，基站根据信道稀疏度进行信道稀疏表示，并根据信道稀疏重构神经网络一起进行信道稀疏重构，实现了高精度、低复杂度的信道估计。
附图说明
图1为本发明提供的大规模MIMO稀疏信道估计方法的较佳实施例的流程图；
图2为本发明提供的大规模MIMO稀疏信道估计方法的较佳实施例中步骤S100的流程图；
图3为本发明提供的大规模MIMO稀疏信道估计方法的较佳实施例中步骤S110的流程图；
图4为本发明提供的大规模MIMO稀疏信道估计方法的较佳实施例中步骤S120的流程图；
图5为本发明提供的大规模MIMO稀疏信道估计方法的较佳实施例中步骤S130的流程图；
图6为本发明提供的基于广义近似消息传递的信道稀疏重构模型的算法迭代流程图；
图7为本发明提供的基于广义近似消息传递网络化展开的信道稀疏重构神经网络设计框图；
图8为本发明提供的基于广义近似消息传递网络化展开的输入层的结构图；
图9为本发明提供的基于广义近似消息传递网络化展开的中间层的结构图；
图10为本发明提供的基于广义近似消息传递网络化展开的输出层的结构图；
图11为本发明提供的基于卷积神经网络的去噪子网设计框图；
图12为本发明提供的大规模MIMO稀疏信道估计方法的较佳实施例中步骤S140的流程图；
图13为本发明提供的相干时间内信号传输帧结构示意图；
图14为本发明提供的大规模MIMO稀疏信道估计方法的较佳实施例中步骤S200的流程图；
图15为本发明提供的大规模MIMO稀疏信道估计方法的较佳实施例中步骤S300的流程图；
图16为本发明提供的大规模MIMO稀疏信道估计方法的较佳实施例中步骤S400的流程图；
图17为本发明提供的在线信道估计流程框图；
图18为本发明提供的大规模MIMO稀疏信道估计系统的架构关系图；
图19为本发明提供的数据与模型双驱动的大规模MIMO稀疏信道估计方案的总体框图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
为了方便理解本申请实施例，首先在此介绍本发明实施例涉及到的设计初衷：
设计了一种数据与模型双驱动的大规模MIMO稀疏信道估计新方案，克服当前基于压缩感知(Compressed Sensing,CS)的大规模MIMO稀疏信道估计中存在的关键问题。
为了解决上述现有技术问题，本发明结合人工智能技术，提供了一种通过本地服务器进行预先训练得到信道稀疏度认知神经网络、信道稀疏表示字典和信道稀疏重构神经网络，然后，终端将OFDM信号输入到预先存储的信道稀疏度认知神经网络中得到信道稀疏度，并将信道稀疏度传输至基站，其次，基站根据信道稀疏度确定下行传输信号中导频序列的长度后，将下行传输信号传输至终端；再者，基站接收到接收到终端回传的下行传输信号后，根据信道稀疏度进行信道稀疏表示，并根据信道稀疏度和信道稀疏重构神经网络进行信道稀疏重构，从而实现了根据信道稀疏度进行信道稀疏表示和信道稀疏重构。即通过在离线训练阶段，得到信道稀疏度认知神经网络、信道稀疏表示字典和信道稀疏重构神经网络；而在在线信道估计阶段，通过将信道稀疏度认知神经网络存储于终端侧、将信道稀疏表示字典和信道稀疏重构神经网络存储于基站侧，并结合设计的信道估计时序结构，实现了高精度、低复杂度的信道估计。
下面通过具体示例性的实施例对大规模MIMO稀疏信道估计方法设计方案进行描述，需要说明的是，下列实施例只用于对发明的技术方案进行解释说明，并不做具体限定：
请参阅图1，本发明提供的一种大规模MIMO稀疏信道估计方法，所述大规模MIMO稀疏信道估计方法包括：
S100、本地服务器进行离线训练，得到信道稀疏度认知神经网络、信道稀疏表示字典和信道稀疏重构神经网络，将所述信道稀疏度认知神经网络存储在终端，并将所述信道稀疏表示字典和所述信道稀疏重构神经网络存储在基站。
具体地，本发明中的一种大规模MIMO稀疏信道估计方法包括离线训练和在线信道估计两个阶段。
在离线训练阶段：所述本地服务器进行离线训练，得到所述信道稀疏度认知神经网络、所述信道稀疏表示字典和所述信道稀疏重构神经网络，然后，所述本带服务器将所述信道稀疏度认知神经网络存储在终端，并将所述信道稀疏表示字典和所述信道稀疏重构神经网络存储在基站，从而将所述信道稀疏度认知神经网络部署在所述终端中，以及将所述信道稀疏表示字典和所述信道稀疏重构神经网络部署在所述基站中，以便后续所述终端和所述基站的直接使用。
更进一步地，请参阅图2，所述100、本地服务器进行离线训练，得到信道稀疏度认知神经网络、信道稀疏表示字典和信道稀疏重构神经网络，将所述信道稀疏度认知神经网络存储在终端，并将所述信道稀疏表示字典和所述信道稀疏重构神经网络存储在基站的步骤具体包括：
S110、所述本地服务器建立基于射线追踪方法的确定性信道模型，得到信道参数后，根据所述信道参数训练得到所述信道稀疏度认知神经网络。
具体地，在离线训练阶段，所述本地服务器进行离线训练包括：第一、如何得到得到所述信道稀疏度认知神经网络：所述本地服务器建立基于射线追踪(Ray Tracing,RT)方法的确定性信道模型以提供可靠的训练样本(信道参数)，从而根据所述信道参数训练得到所述信道稀疏度认知神经网络，进而实现了对所述信道稀疏度认知神经网络的设计与训练。其中，射线追踪方法又被称为镜像法，是一种被广泛应用到移动通信环境中的预测无线电波传播特性的技术，可以辨别出多径信道中收发之间所有可能的射线路径。
更进一步地，请参阅图3，S110、所述本地服务器建立基于射线追踪方法的确定性信道模型，得到信道参数后，根据所述信道参数训练得到所述信道稀疏度认知神经网络的步骤具体包括：
S111、所述本地服务器创建仿真场景和参数数据库，并搜索计算得到基于射线追踪仿真射线传播路径后，获取得到多径参数，并根据所述多径参数计算得到信道频域冲激响应；
S112、所述本地服务器利用所述信道频域冲激响应对信道进行稀疏表示得到信道稀疏度标记样本，并将所述信道稀疏度标记样本输入至卷积神经网络进行训练，得到所述信道稀疏度认知神经网络。
具体地，本部分实现所述信道稀疏度认知神经网络的设计与训练，包括以下两部分：第一部分：建立基于射线追踪的确定性信道模型，获取信道参数，进而为信道稀疏度认知神经网络训练提供可靠的训练样本；第二部分：构建基于卷积神经网络的信道稀疏度认知神经网络，实现信道稀疏度认知。
对于第一部分，首先，在所述本地服务器上创建仿真场景，并建立一个准确的场景参数数据库，其中，所述场景参数数据库包括所建模场景的具体几何结构信息、天线阵列配置信息以及表面材料的相关介电常数和磁导率等；其次，考虑场景中各种障碍物对射线的反射、绕射和散射等，最终找到从发射端到接收端的所有可行路径，获取多径参数，即搜索计算得到基于射线追踪仿真射线传播路径后，获取得到多径参数。其中，在商业软件中会内置一些射线传播路径的搜索算法，只要配置好仿真参数，软件会自行对基于射线追踪仿真射线传播路径进行搜索计算。所述多径参数包括路径增益、时延和到达角等。最后，基于得到的多径参数，计算得到的信道频域冲激响应为：
Figure BDA0003746831710000081
其中，L表示多径数目，βl表示第l条径的复增益，θl表示到达角，α(·)表示天线的响应矩阵。
由于环境中散射体数目有限，即L数目有限。同时，从发射端发出的射线经过散射体到达接收端的到达角有限，使得信道能够在空域进行稀疏表示，即h＝Dφ，其中，D表示空域信道稀疏表示字典，φ为空域信道稀疏向量。对于通常使用的均匀线性天线阵列而言，这里的D等效为离散傅里叶变换矩阵。
而空域信道的能量主要集中在少数几个波束上，即波束数量即为信道稀疏度，记为s。因此，信道稀疏度标记样本记为(h,s)。对应于大规模MIMO通信场景，用户端(终端)收到的来自基站的下行传输信号，即y＝Xh+n(2)，其中，X表示导频序列，n表示加性高斯白噪声。因此，输入神经网络进行训练的标记样本为对应(h,s)的下行传输信号，记为(y,s)，即信道稀疏度认知神经网络的训练数据(进行训练的标记样本)是通过信道作用之后的传输信号。
对于第二部分，将信道稀疏度认知问题建模为基于深度神经网络的分类问题，类别标签为标记样本中的信道稀疏度(这里的信道稀疏度为标记样本中的信道稀疏度)。在得到所述信道稀疏度标记样本后，利用卷积神经网络构建分类器即可实现信道稀疏度的主动认知，即将所述信道稀疏度标记样本输入至卷积神经网络进行训练得到所述信道稀疏度认知神经网络。本发明中采用类似LeNet-5网络结构，包含输入层、卷积层、池化层、全连接层和输出层。
其中，输入层输入训练的标记样本(y,s)，卷积层进行卷积操作实现特征映射，池化层进行数据下采样，全连接层实现数据维度的转化，输出层用于判断信道稀疏度。
进一步地，请继续参阅图2，S120、所述本地服务器根据所述信道特征构建所述信道稀疏表示字典的目标函数，并进行基于字典学习的目标函数求解与训练，得到所述信道稀疏表示字典。
具体地，同样是在离线训练阶段，所述本地服务器进行离线训练还包括：第二、如何得到所述信道稀疏表示字典：针对当前研究中采用预设量化网格采样的信道稀疏表示字典进行信道稀疏表示中存在的网格失配问题，提出将信道稀疏表示字典获取问题建模为一个字典学习问题，将信道特征耦合进约束项，以构建信道稀疏表示字典获取模型的目标函数，进而进行基于字典学习的目标函数求解与训练，得到所述信道稀疏表示字典，从而有效地改善网格失配的问题。
更进一步地，请参阅图4，S120、所述本地服务器根据所述信道特征构建所述信道稀疏表示字典的目标函数，并进行基于字典学习的目标函数求解与训练，得到所述信道稀疏表示字典的步骤具体包括：
S121、所述本地服务器将上下行信道空域互易性导致的上下行信道稀疏性相同，以及信道传输经过某一散射体到达客户端的方向近似所导致的稀疏向量中非零项呈块结构稀疏分布作为信道特征，并将所述信道特征耦合进约束项，以构建所述信道稀疏表示字典的目标函数；
S122、所述本地服务器利用字典学习方法对所述目标函数进行稀疏编码和字典更新操作，分别推导参数更新表达式，并进行交叉迭代求解与训练，得到所述信道稀疏表示字典。
具体地，本部分要得到信道稀疏表示字典，以实现准确的空域信道稀疏表示，同样包括以下两部分：第一部分、构建信道稀疏表示字典获取模型的目标函数；第二部分、基于字典学习的目标函数求解与训练。
对于第一部分，在构建信道稀疏表示字典获取模型的目标函数时，将信道特征耦合进约束项中，能够提升信道稀疏表示字典的表示精度。本发明考虑两方面的信道特征，包括：1)、上下行信道空域互易性导致的上下行信道稀疏性相同；其原因是上下行传输沿着相同的物理路径进行传输；2)、信道传输经过某一散射体到达客户端的方向近似所导致的稀疏向量中非零项呈块结构稀疏分布；即信道传输经过散射体后，由于经过某一散射体到达用户端的方向相近，导致稀疏向量中非零项呈块结构稀疏分布。
并且，建立后的基于射线追踪的确定性信道模型可为基于字典学习的目标函数训练提供训练样本。假设发送端配置M维线性天线阵列，接收端配置单天线，令
Figure BDA0003746831710000101
和/>
Figure BDA0003746831710000102
分别表示下行信道训练样本集和上行信道训练样本集作为信道训练样本，
Figure BDA0003746831710000103
和/>
Figure BDA0003746831710000104
分别表示下行信道稀疏表示字典和上行信道稀疏表示字典作为要得到的字典，
Figure BDA0003746831710000105
和/>
Figure BDA0003746831710000106
分别表示下行信道稀疏向量集和上行信道稀疏向量集作为稀疏向量，所述信道训练样本、要得到的字典和所述稀疏向量均是通过字典学习算法迭代计算得到，其中，I表示训练样本的个数，K表示信道稀疏表示字典的列数，d和u分别是下行(downlink)和上行(uplink)的标识。值得注意的是，为了通过信道样本训练表征上下行信道互易性特征，需要成对地产生上下行信道训练样本，即/>
Figure BDA0003746831710000107
那么，信道稀疏表示字典获取模型的目标函数可以建模为：
Figure BDA0003746831710000108
其中，||φd,||0,S和||φu,||0,S分别表示表示向量φd,i和φu,i中非零块的个数，sup(φd,i)和sup(φu,i)分别表示向量φd,i和φu,i的非零支撑集，
Figure BDA0003746831710000111
表示K个字典原子所属的块标识，S0表示最大块数量，T0表示信道稀疏度。
对于第二部分，由于式(3)所示的目标函数是非凸的，所以，可以采用字典学习方法进行求解与训练，将其拆解为稀疏编码和字典更新两步，分别推导参数更新表达式，进而进行交叉迭代求解与训练，得到所述信道稀疏表示字典，步骤如下：
在稀疏编码步中：对于第n次迭代，固定信道稀疏表示字典
Figure BDA0003746831710000112
和/>
Figure BDA0003746831710000113
更新Φd，Φu和S，有：
Figure BDA0003746831710000114
其中，argmin(·)表示取最小值函数。
而在字典更新步中：固定S(n)，更新
Figure BDA0003746831710000115
和/>
Figure BDA0003746831710000116
有：
Figure BDA0003746831710000117
在稀疏编码步中，在给定信道稀疏表示字典Dd和Du条件下，Φd，Φu和S的最优解需要对所有可行的块结构进行组合搜索，属于NP-Hard问题(NP-hard，指所有NP问题都能在多项式时间复杂度内归遇到的问题)。因此，需要求解Φd，Φu和S的次优解。在字典更新步中，需要实现对上下行信道互易性条件下的字典更新，将式(5)进一步改写为：
Figure BDA0003746831710000118
Figure BDA0003746831710000119
sup(φd,i)＝sup(φu,i)≤T0
其中，
Figure BDA00037468317100001110
Gi＝diag(Dd,Du)，其中，diag(·)表示对角化操作。对于式(6)，通过对经典K均值奇异值分解(K-means based SingularValue Decomposition，K-SVD)算法进行扩展以实现适用于该部分结构的字典更新方法，从而得到所述信道稀疏表示字典。
进一步地，请继续参阅图2，S130、所述本地服务器构建基于广义近似消息传递的信道稀疏重构模型，并设计基于广义近似消息传递网络化展开的信道稀疏重构神经网络，得到所述信道稀疏重构神经网络。
具体地，所述本地服务器构建基于广义近似消息传递(Generalized ApproximateMessage Passing,GAMP)的信道稀疏重构模型，进而设计基于广义近似消息传递网络化展开的信道稀疏重构神经网络，从而高效地构建出基于广义近似消息传递的信道稀疏重构模型，以及设计出基于广义近似消息传递网络化展开的信道稀疏重构神经网络。
更进一步地，请参阅图5，S130、所述本地服务器构建基于广义近似消息传递的信道稀疏重构模型，并设计基于广义近似消息传递网络化展开的信道稀疏重构神经网络，得到所述信道稀疏重构神经网络的步骤具体包括：
S131、所述本地服务器根据所述信道稀疏表示字典求解得到稀疏向量，并根据所述稀疏向量构建先验分布函数，得到基于广义近似消息传递的信道稀疏重构模型；
S132、所述本地服务器对所述先验分布函数进行更新输出标尺函数，利用所述标尺函数进行算法迭代得到信道估计值；
S133、所述本地服务器利用深度学习将基于广义近似消息传递的信道稀疏重构模型网络化展开成层状网络结构，得到信道稀疏重构子网；
S134、所述本地服务器利用级联卷积神经网络估计残差噪声，得到基于卷积神经网络的去噪子网。其中，所述信道稀疏重构神经网络包括所述信道稀疏重构子网和基于卷积神经网络的去噪子网。
具体地，本部分实现信道稀疏重构神经网络的设计与训练，以实现对稀疏信道的重构，同样包括以下两部分：第一部分、构建基于广义近似消息传递的信道稀疏重构模型；第二部分、构建基于广义近似消息传递网络化展开的信道稀疏重构神经网络。
对于第一部分，根据得到的下行信道稀疏表示字典Dd表示大规模MIMO下行传输方程为：
y＝X·h+n＝X·Dd·φ+n. (7)；
令A＝X·Dd，则信道稀疏重构问题等效为给定y和A求解φ。由信道特征可知稀疏向量φ具有块稀疏结构，那么基于稀疏贝叶斯学习理论，采用某种先验模型刻画稀疏向量φ的块稀疏结构就能够提高信道稀疏重构的精度，不失一般性，假定φ＝{φj}j＝1的先验分布满足p(φ)＝∏j＝1p(φj|qj)，其中，q＝{qj}j＝1为超参数。在广义近似消息传递框架下，φj的近似后验分布为：
Figure BDA0003746831710000121
其中，
Figure BDA0003746831710000131
和/>
Figure BDA0003746831710000132
为与φj相关的参数，在广义近似消息传递算法迭代过程中更新。输入标尺函数计算为：
Figure BDA0003746831710000133
其中，Ε[·]表示求期望。令z＝A·φ，则zi＝(A·φ)i为向量z中第i个元素。类似地，yi为向量y中第i个元素。在广义近似消息传递框架下，zi的近似后验分布为：
Figure BDA0003746831710000134
其中，
Figure BDA0003746831710000135
和τp为与zi相关的参数，在广义近似消息传递算法迭代过程中更新。输出标尺函数计算为：
Figure BDA0003746831710000136
基于式(9)和式(11)，基于广义近似消息传递的信道稀疏重构模型的算法迭代流程如图6所示。具体而言，设置初始值t＝0，
Figure BDA0003746831710000137
Figure BDA0003746831710000138
最大迭代次数为Tmax。其中，ai,j表示A中第i行第j列的元素，|·|表示取模值。基于式(9)、式(11)以及A，分别对图6中的步骤1到步骤4中的参数进行计算，直到迭代次数达到预设最大迭代次数或满足预置收敛条件后输出稀疏向量的估计值/>
Figure BDA0003746831710000139
最终得到的信道估计值：/>
Figure BDA00037468317100001310
对于第二部分，根据上述基于广义近似消息传递的信道稀疏重构模型，本发明提出了基于广义近似消息传递网络化展开的信道稀疏重构神经网络设计，主要包括基于广义近似消息传递网络化展开的信道稀疏重构子网和基于卷积神经网络的去噪子网两部分，具体的基于广义近似消息传递网络化展开的信道稀疏重构神经网络设计框图如图7所示。
对于构建基于广义近似消息传递网络化展开的信道稀疏重构子网，通过借助深度学习，将上述基于广义近似消息传递的信道稀疏重构模型网络化展开成层状网络结构实现。具体而言，针对图6所示的基于广义近似消息传递的信道稀疏重构模型的迭代算法，基于广义近似消息传递网络化展开的输入层的结构如图8，基于广义近似消息传递网络化展开的中间层的结构如图9和基于广义近似消息传递网络化展开的输出层的结构如图10，通过级联实现信道稀疏重构子网。
而对于基于卷积神经网络的去噪子网，其通过级联卷积神经网络估计残差噪声以实现去噪，各个级联模块包括卷积神经网络(Convolutional Neural Network，CNN)、批归一化(Batch Normalization，BN)和线性整流单元(Rectified Linear Unit，ReLU)组成，具体地基于卷积神经网络的去噪子网设计框图如图11所示。
进一步地，请继续参阅图2，S140、所述本地服务器将所述信道稀疏度认知神经网络存储在所述终端，并将所述信道稀疏表示字典和所述信道稀疏重构神经网络存储在所述基站。
具体地，在所述本地服务器完成离线训练之后，所述本地服务器将所述信道稀疏度认知神经网络存储在所述终端，并将所述信道稀疏表示字典和所述信道稀疏重构神经网络存储在所述基站，从而实现对所述终端和所述基站的神经网络的部署，以便结合设计的信道估计时序结构，来共同实现高精度但低复杂度的信道估计。
更进一步地，请参阅图12，S140、所述本地服务器将所述信道稀疏度认知神经网络存储在所述终端，并将所述信道稀疏表示字典和所述信道稀疏重构神经网络存储在所述基站的步骤具体包括：
S141、所述本地服务器将所述信道稀疏度认知神经网络传输至所述终端，所述终端对所述信道稀疏度认知神经网络进行存储；
S142、所述本地服务器将所述信道稀疏表示字典和所述信道稀疏重构神经网络传输至所述基站，所述基站对所述信道稀疏表示字典和所述信道稀疏重构神经网络进行存储。
具体地，在所述本地服务器完成离线训练之后，所述本地服务器将所述信道稀疏度认知神经网络传输至所述终端，所述终端则对所述信道稀疏度认知神经网络进行存储，然后，所述本地服务器将所述信道稀疏表示字典和所述信道稀疏重构神经网络传输至所述基站，所述基站则对所述信道稀疏表示字典和所述信道稀疏重构神经网络进行存储。
进一步地，请继续参阅图1，S200、所述终端接收到所述基站发送的OFDM信号后，将所述OFDM信号输入到所述信道稀疏度认知神经网络中，得到信道稀疏度，并将所述信道稀疏度传输至所述基站。
具体地，通过离线训练，将信道稀疏度认知神经网络存储于终端侧，将信道稀疏表示字典和信道稀疏重构神经网络存储于基站侧。之后，就可以利用在一个相干时间内信道的准静态特征，得到信道稀疏度不变，即信道可以看成静态不变的，也即在一段时间，该时间内信道特征不变，根据信道稀疏度不变的特性重新设计信号传输的时序结构以便获取信道稀疏度用于指导后续稀疏信道估计流程，具体地相干时间内信号传输帧结构示意图如图13所示。
其中，对于一个下行大规模MIMO通信系统，以正交频分复用(OrthogonalFrequency Division Multiplexing，OFDM)作为信号传输机制。那么，在一种大规模MIMO稀疏信道估计方法中的在线信道估计阶段，而在线信道估计阶段又可以分为四个小阶段，包括稀疏度认知阶段、下行导频传输阶段、信号反馈阶段和信道估计阶段。
那么，在稀疏度认知阶段：首先，所述终端接收所述基站发送的OFDM信号，然后，所述终端将所述OFDM信号输入到所述信道稀疏度认知神经网络中，从而得到信道稀疏度，最后，所述终端将所述信道稀疏度传输至所述基站，从而实现了在所述终端上，将所述OFDM信号直接输入到所述信道稀疏度认知神经网络中就可以得到所述信道稀疏度，完成对所述信道稀疏度的认知。
更进一步地，请参阅图14，S200、所述终端接收到所述基站发送的OFDM信号后，将所述OFDM信号输入到所述信道稀疏度认知神经网络中，得到信道稀疏度，并将所述信道稀疏度传输至所述基站的步骤具体包括：
S210、所述基站发送所述OFDM信号至所述终端；
S220、所述终端将所述OFDM信号输入到所述信道稀疏度认知神经网络中，并利用在一个预设时间内信道的准静态特征，得到所述信道稀疏度；
S230、所述终端将所述信道稀疏度传输至所述基站。
具体地，在线信道估计阶段中的稀疏度认知阶段：首先，所述基站发送所述OFDM信号至所述终端；然后，所述终端将所述OFDM信号输入到所述信道稀疏度认知神经网络中，并利用在一个预设时间内信道的准静态特征，从而获取得到所述信道稀疏度；最后，所述终端将所述信道稀疏度回传给所述基站。
进一步地，请继续参阅图1，S300、所述基站根据所述信道稀疏度确定下行传输信号中导频序列的长度，并将所述下行传输信号传输至所述终端。其中，所述导频序列的长度与所述信道稀疏度成正比。
具体地，在所述终端将所述信道稀疏度传输至所述基站后，进入下行导频传输阶段：所述基站根据所述信道稀疏度确定下行传输信号中导频序列的长度，进而向用户(终端)发送下行信号。并且，由于导频序列长度与信道稀疏度成正比，远小于基站天线数，因此可以大幅度减少导频开销。
更进一步地，请参阅图15，S300、所述基站根据所述信道稀疏度确定下行传输信号中导频序列的长度，并将所述下行传输信号传输至所述终端的步骤具体包括：
S310、所述基站根据所述信道稀疏度确定所述下行传输信号中所述导频序列的长度；
S320、所述基站将所述下行传输信号传输至所述终端。
具体地，在所述终端将所述信道稀疏度传输至所述基站后，进入下行导频传输阶段：所述基站根据所述信道稀疏度确定所述下行传输信号中所述导频序列的长度，将所述下行传输信号传输至所述终端，进而向所述终端发送下行信号。
进一步地，请继续参阅图1，S400、所述基站接收到所述终端回传的所述下行传输信号后，根据所述信道稀疏度选择相应的所述信道稀疏表示字典进行信道稀疏表示，并根据所述信道稀疏度和所述信道稀疏重构神经网络进行信道稀疏重构。
具体地，在所述基站将所述下行传输信号传输至所述终端后，然后，所述基站接收到所述终端回传的所述下行传输信号，进入在信道估计阶段：所述基站根据所述信道稀疏度选择相应的所述信道稀疏表示字典进行信道稀疏表示，并根据所述信道稀疏度和所述信道稀疏重构神经网络进行信道稀疏重构，进而实现基于信道稀疏重构神经网络以实现低复杂度、高精度的信道稀疏重构。
更进一步地，请参阅图16，S400、所述基站接收到所述终端回传的所述下行传输信号后，根据所述信道稀疏度选择相应的所述信道稀疏表示字典进行信道稀疏表示，并根据所述信道稀疏度和所述信道稀疏重构神经网络进行信道稀疏重构的步骤具体包括：
S410、所述终端接收所述下行传输信号后，将所述下行传输信号回传至所述基站；
S420、所述基站根据所述信道稀疏度选择相应的所述信道稀疏表示字典进行信道稀疏表示；
S430、所述基站根据所述信道稀疏度和所述信道稀疏重构神经网络进行信道稀疏重构。
具体地，在所述基站将所述下行传输信号传输至所述终端后，首先进入信号反馈阶段：所述终端接收所述下行传输信号后，将所述下行传输信号回传至所述基站，由于信号反馈开销与信道稀疏度成正比，所以可以降低反馈开销。接下来，进入信道估计阶：所述基站根据所述信道稀疏度选择相应的所述信道稀疏表示字典进行信道稀疏表示，然后，所述基站根据所述信道稀疏度和所述信道稀疏重构神经网络进行信道稀疏重构。其中，具体地在线信道估计流程框图如图17所示，表示的是通过基站与终端之间进行信号传输与交互完成信道估计过程。
进一步地，请参阅图18，本发明提供的一种大规模MIMO稀疏信道估计系统，所述大规模MIMO稀疏信道估计系统包括：本地服务器10、终端20和基站30；
所述本地服务器10用于进行离线训练，得到信道稀疏度认知神经网络、信道稀疏表示字典和信道稀疏重构神经网络，将所述信道稀疏度认知神经网络存储在终端20，并将所述信道稀疏表示字典和所述信道稀疏重构神经网络存储在基站30；
所述终端20用于接收到所述基站30发送的OFDM信号后，将所述OFDM信号输入到所述信道稀疏度认知神经网络中，得到信道稀疏度，并将所述信道稀疏度传输至所述基站30；
所述基站30用于根据所述信道稀疏度确定下行传输信号中导频序列的长度，并将所述下行传输信号传输至所述终端20；所述基站30还用于接收到所述终端20回传的所述下行传输信号后，根据所述信道稀疏度选择相应的所述信道稀疏表示字典进行信道稀疏表示，并根据所述信道稀疏度和所述信道稀疏重构神经网络进行信道稀疏重构。
具体地，本发明中的大规模MIMO稀疏信道估计系统是实现大规模MIMO稀疏信道估计方法的，同理，大规模MIMO稀疏信道估计方法包括离线训练和在线信道估计两个阶段：
在离线训练阶段：需要设计信道稀疏度认知神经网络以实现信道稀疏度的认知、获取空域信道稀疏表示字典以实现信道稀疏表示、以及设计信道稀疏重构神经网络以实现信道稀疏重构。具体为：所述本地服务器10进行离线训练，得到所述信道稀疏度认知神经网络、所述信道稀疏表示字典和所述信道稀疏重构神经网络，然后，所述本带服务器将所述信道稀疏度认知神经网络存储在终端20，并将所述信道稀疏表示字典和所述信道稀疏重构神经网络存储在基站30。
在线信道估计阶段中的稀疏度认知阶段：首先，所述终端20接收所述基站30发送的OFDM信号，然后，所述终端20将所述OFDM信号输入到所述信道稀疏度认知神经网络中，从而得到信道稀疏度，最后，所述终端20将所述信道稀疏度传输至所述基站30。
在线信道估计阶段中的下行导频传输阶段：所述基站30根据所述信道稀疏度确定下行传输信号中导频序列的长度，进而向终端20发送下行信号。
在线信道估计阶段中的信道估计阶段：所述基站30接收到所述终端20回传的所述下行传输信号后(信号反馈阶段)，根据所述信道稀疏度选择相应的所述信道稀疏表示字典进行信道稀疏表示，并根据所述信道稀疏度和所述信道稀疏重构神经网络进行信道稀疏重构。其中，具体地数据与模型双驱动的大规模MIMO稀疏信道估计方案的总体框图如图19所示。
本发明中通过所述本地服务器10进行离线训练：得到一种信道稀疏度认知神经网络，实现了信道稀疏度的动认知；得到一种信道稀疏表示方法，并构建信道稀疏字典获取模型的目标函数构建以及基于字典学习的目标函数求解与训练，实现了准确地空域信道稀疏表示；以及得到一种信道稀疏重构神经网络，简捷地实现了信道稀疏重构。以及通过设计信号传输时序结构，提出了一种信道稀疏估计新方案，从而有效地减少了导频开销，降低了高维信道矩阵处理复杂度。并且，本发明中提出的大规模MIMO稀疏信道估计方法，既能够提升大规模MIMO稀疏信道估计的性能，也能加速推动的数据与模型双驱动的人工智能技术在信道估计领域的创新应用。
进一步地，本发明提供的一种计算机可读存储介质，所述计算机可读存储介质存储有大规模MIMO稀疏信道估计程序，所述大规模MIMO稀疏信道估计程序被处理器执行时实现如上所述的大规模MIMO稀疏信道估计方法的步骤；由于上述对该所述大规模MIMO稀疏信道估计方法的步骤进行了详细的描述，在此不再赘述。
综上所述，本发明提供的一种大规模MIMO稀疏信道估计方法及相关设备，所述方法包括：本地服务器进行离线训练得到信道稀疏度认知神经网络、信道稀疏表示字典和信道稀疏重构神经网络；终端将OFDM信号输入到信道稀疏度认知神经网络中得到信道稀疏度；基站根据信道稀疏度确定下行传输信号中导频序列的长度；基站接收到下行传输信号后，根据信道稀疏度选择相应的信道稀疏表示字典进行信道稀疏表示，并根据信道稀疏重构神经网络一起进行信道稀疏重构。通过终端将OFDM信号输入到信道稀疏度认知神经网络中得到信道稀疏度，基站根据信道稀疏度进行信道稀疏表示，并根据信道稀疏重构神经网络一起进行信道稀疏重构，实现了高精度、低复杂度的信道估计。
可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。

Claims (9)

1.一种大规模 MIMO 稀疏信道估计方法，其特征在于，所述大规模 MIMO 稀疏信道估计方法包括：
本地服务器进行离线训练，得到信道稀疏度认知神经网络、信道稀疏表示字典和信道稀疏重构神经网络，将所述信道稀疏度认知神经网络存储在终端，并将所述信道稀疏表示字典和所述信道稀疏重构神经网络存储在基站；
所述终端接收到所述基站发送的OFDM信号后，将所述OFDM信号输入到所述信道稀疏度认知神经网络中，得到信道稀疏度，并将所述信道稀疏度传输至所述基站；
所述基站根据所述信道稀疏度确定下行传输信号中导频序列的长度，并将所述下行传输信号传输至所述终端；
所述基站接收到所述终端回传的所述下行传输信号后，根据所述信道稀疏度选择相应的所述信道稀疏表示字典进行信道稀疏表示，并根据所述信道稀疏度和所述信道稀疏重构神经网络进行信道稀疏重构；
所述本地服务器进行离线训练，得到信道稀疏度认知神经网络、信道稀疏表示字典和信道稀疏重构神经网络，将所述信道稀疏度认知神经网络存储在终端，并将所述信道稀疏表示字典和所述信道稀疏重构神经网络存储在基站的步骤具体包括：
所述本地服务器建立基于射线追踪方法的确定性信道模型，得到信道参数后，根据所述信道参数训练得到所述信道稀疏度认知神经网络；
所述本地服务器根据所述信道特征构建所述信道稀疏表示字典的目标函数，并进行基于字典学习的目标函数求解与训练，得到所述信道稀疏表示字典；
所述本地服务器构建基于广义近似消息传递的信道稀疏重构模型，并设计基于广义近似消息传递网络化展开的信道稀疏重构神经网络，得到所述信道稀疏重构神经网络；
所述本地服务器将所述信道稀疏度认知神经网络存储在所述终端，并将所述信道稀疏表示字典和所述信道稀疏重构神经网络存储在所述基站；
所述本地服务器建立基于射线追踪方法的确定性信道模型，得到信道参数后，根据所述信道参数训练得到所述信道稀疏度认知神经网络的步骤具体包括：
所述本地服务器创建仿真场景和参数数据库，并搜索计算得到基于射线追踪仿真射线传播路径后，获取得到多径参数，并根据所述多径参数计算得到信道频域冲激响应；
所述本地服务器利用所述信道频域冲激响应对信道进行稀疏表示得到信道稀疏度标记样本，并将所述信道稀疏度标记样本输入至卷积神经网络进行训练，得到所述信道稀疏度认知神经网络；
所述本地服务器根据所述信道特征构建所述信道稀疏表示字典的目标函数，并进行基于字典学习的目标函数求解与训练，得到所述信道稀疏表示字典的步骤具体包括：
所述本地服务器将上下行信道空域互易性导致的上下行信道稀疏性相同，以及信道传输经过某一散射体到达客户端的方向近似所导致的稀疏向量中非零项呈块结构稀疏分布作为信道特征，并将所述信道特征耦合进约束项，以构建所述信道稀疏表示字典的目标函数；
所述本地服务器利用字典学习方法对所述目标函数进行稀疏编码和字典更新操作，分别推导参数更新表达式，并进行交叉迭代求解与训练，得到所述信道稀疏表示字典；
所述本地服务器构建基于广义近似消息传递的信道稀疏重构模型，并设计基于广义近似消息传递网络化展开的信道稀疏重构神经网络，得到所述信道稀疏重构神经网络的步骤具体包括：
所述本地服务器根据所述信道稀疏表示字典求解得到稀疏向量，并根据所述稀疏向量构建先验分布函数，得到基于广义近似消息传递的信道稀疏重构模型；
所述本地服务器对所述先验分布函数进行更新输出标尺函数，利用所述标尺函数进行算法迭代得到信道估计值；
所述本地服务器利用深度学习将基于广义近似消息传递的信道稀疏重构模型网络化展开成层状网络结构，得到信道稀疏重构子网；
所述本地服务器利用级联卷积神经网络估计残差噪声，得到基于卷积神经网络的去噪子网。
2.根据权利要求1所述的大规模 MIMO 稀疏信道估计方法，其特征在于，所述本地服务器将所述信道稀疏度认知神经网络存储在所述终端，并将所述信道稀疏表示字典和所述信道稀疏重构神经网络存储在所述基站的步骤具体包括：
所述本地服务器将所述信道稀疏度认知神经网络传输至所述终端，所述终端对所述信道稀疏度认知神经网络进行存储；
所述本地服务器将所述信道稀疏表示字典和所述信道稀疏重构神经网络传输至所述基站，所述基站对所述信道稀疏表示字典和所述信道稀疏重构神经网络进行存储。
3.根据权利要求1所述的大规模 MIMO 稀疏信道估计方法，其特征在于，所述终端接收到所述基站发送的OFDM信号后，将所述OFDM信号输入到所述信道稀疏度认知神经网络中，得到信道稀疏度，并将所述信道稀疏度传输至所述基站的步骤具体包括：
所述基站发送所述OFDM信号至所述终端；
所述终端将所述OFDM信号输入到所述信道稀疏度认知神经网络中，并利用在一个预设时间内信道的准静态特征，得到所述信道稀疏度；
所述终端将所述信道稀疏度传输至所述基站。
4.根据权利要求1所述的大规模 MIMO 稀疏信道估计方法，其特征在于，所述基站根据所述信道稀疏度确定下行传输信号中导频序列的长度，并将所述下行传输信号传输至所述终端的步骤具体包括：
所述基站根据所述信道稀疏度确定所述下行传输信号中所述导频序列的长度；
所述基站将所述下行传输信号传输至所述终端。
5.根据权利要求1所述的大规模 MIMO 稀疏信道估计方法，其特征在于，所述基站接收到所述终端回传的所述下行传输信号后，根据所述信道稀疏度选择相应的所述信道稀疏表示字典进行信道稀疏表示，并根据所述信道稀疏度和所述信道稀疏重构神经网络进行信道稀疏重构的步骤具体包括：
所述终端接收所述下行传输信号后，将所述下行传输信号回传至所述基站；
所述基站根据所述信道稀疏度选择相应的所述信道稀疏表示字典进行信道稀疏表示；
所述基站根据所述信道稀疏度和所述信道稀疏重构神经网络进行信道稀疏重构。
6.根据权利要求1所述的大规模 MIMO 稀疏信道估计方法，其特征在于，所述信道稀疏重构神经网络包括所述信道稀疏重构子网和基于卷积神经网络的去噪子网。
7.根据权利要求1所述的大规模 MIMO 稀疏信道估计方法，其特征在于，所述导频序列的长度与所述信道稀疏度成正比。
8.一种大规模 MIMO 稀疏信道估计系统，其特征在于，所述大规模 MIMO 稀疏信道估计系统包括：本地服务器、终端和基站；
所述本地服务器用于进行离线训练，得到信道稀疏度认知神经网络、信道稀疏表示字典和信道稀疏重构神经网络，将所述信道稀疏度认知神经网络存储在终端，并将所述信道稀疏表示字典和所述信道稀疏重构神经网络存储在基站；
所述终端用于接收到所述基站发送的OFDM信号后，将所述OFDM信号输入到所述信道稀疏度认知神经网络中，得到信道稀疏度，并将所述信道稀疏度传输至所述基站；
所述基站用于根据所述信道稀疏度确定下行传输信号中导频序列的长度，并将所述下行传输信号传输至所述终端；所述基站还用于接收到所述终端回传的所述下行传输信号后，根据所述信道稀疏度选择相应的所述信道稀疏表示字典进行信道稀疏表示，并根据所述信道稀疏度和所述信道稀疏重构神经网络进行信道稀疏重构；
所述本地服务器具体用于建立基于射线追踪方法的确定性信道模型，得到信道参数后，根据所述信道参数训练得到所述信道稀疏度认知神经网络；
所述本地服务器根据所述信道特征构建所述信道稀疏表示字典的目标函数，并进行基于字典学习的目标函数求解与训练，得到所述信道稀疏表示字典；
所述本地服务器构建基于广义近似消息传递的信道稀疏重构模型，并设计基于广义近似消息传递网络化展开的信道稀疏重构神经网络，得到所述信道稀疏重构神经网络；
所述本地服务器将所述信道稀疏度认知神经网络存储在所述终端，并将所述信道稀疏表示字典和所述信道稀疏重构神经网络存储在所述基站；
所述本地服务器具体用于创建仿真场景和参数数据库，并搜索计算得到基于射线追踪仿真射线传播路径后，获取得到多径参数，并根据所述多径参数计算得到信道频域冲激响应；
所述本地服务器利用所述信道频域冲激响应对信道进行稀疏表示得到信道稀疏度标记样本，并将所述信道稀疏度标记样本输入至卷积神经网络进行训练，得到所述信道稀疏度认知神经网络；
所述本地服务器具体用于将上下行信道空域互易性导致的上下行信道稀疏性相同，以及信道传输经过某一散射体到达客户端的方向近似所导致的稀疏向量中非零项呈块结构稀疏分布作为信道特征，并将所述信道特征耦合进约束项，以构建所述信道稀疏表示字典的目标函数；
所述本地服务器利用字典学习方法对所述目标函数进行稀疏编码和字典更新操作，分别推导参数更新表达式，并进行交叉迭代求解与训练，得到所述信道稀疏表示字典；
所述本地服务器具体用于根据所述信道稀疏表示字典求解得到稀疏向量，并根据所述稀疏向量构建先验分布函数，得到基于广义近似消息传递的信道稀疏重构模型；
所述本地服务器对所述先验分布函数进行更新输出标尺函数，利用所述标尺函数进行算法迭代得到信道估计值；
所述本地服务器利用深度学习将基于广义近似消息传递的信道稀疏重构模型网络化展开成层状网络结构，得到信道稀疏重构子网；
所述本地服务器利用级联卷积神经网络估计残差噪声，得到基于卷积神经网络的去噪子网。
9. 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存储有大规模MIMO 稀疏信道估计程序，所述大规模 MIMO 稀疏信道估计程序被处理器执行时实现如权利要求1-6任一项所述的大规模 MIMO 稀疏信道估计方法的步骤。
CN202210826619.2A 2022-07-14 2022-07-14 一种大规模mimo稀疏信道估计方法及相关设备 Active CN115361258B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210826619.2A CN115361258B (zh) 2022-07-14 2022-07-14 一种大规模mimo稀疏信道估计方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210826619.2A CN115361258B (zh) 2022-07-14 2022-07-14 一种大规模mimo稀疏信道估计方法及相关设备

Publications (2)

Publication Number Publication Date
CN115361258A CN115361258A (zh) 2022-11-18
CN115361258B true CN115361258B (zh) 2023-06-16

Family

ID=84032474

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210826619.2A Active CN115361258B (zh) 2022-07-14 2022-07-14 一种大规模mimo稀疏信道估计方法及相关设备

Country Status (1)

Country Link
CN (1) CN115361258B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116032699B (zh) * 2022-12-28 2024-05-14 鹏城实验室 一种面向超大规模mimo系统的稀疏信道估计方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108599820A (zh) * 2018-05-07 2018-09-28 东北大学 基于块结构自适应压缩采样匹配追踪算法的大规模mimo系统信道估计方法
CN109257309A (zh) * 2018-10-24 2019-01-22 东南大学 一种高性能的大规模mimo下行链路传输信道估计方法
CN110766139A (zh) * 2019-10-21 2020-02-07 哈尔滨工业大学 一种复合神经网络模型及其建模方法
CN111630787A (zh) * 2020-04-07 2020-09-04 东莞理工学院 基于深度学习的mimo多天线信号传输与检测技术
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108599820A (zh) * 2018-05-07 2018-09-28 东北大学 基于块结构自适应压缩采样匹配追踪算法的大规模mimo系统信道估计方法
CN109257309A (zh) * 2018-10-24 2019-01-22 东南大学 一种高性能的大规模mimo下行链路传输信道估计方法
CN110766139A (zh) * 2019-10-21 2020-02-07 哈尔滨工业大学 一种复合神经网络模型及其建模方法
CN111630787A (zh) * 2020-04-07 2020-09-04 东莞理工学院 基于深度学习的mimo多天线信号传输与检测技术
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

Also Published As

Publication number Publication date
CN115361258A (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
Qi et al. Acquisition of channel state information for mmWave massive MIMO: Traditional and machine learning-based approaches
Lim et al. Efficient beam training and sparse channel estimation for millimeter wave communications under mobility
CN105790813A (zh) 一种大规模mimo下基于深度学习的码本选择方法
CN113411110A (zh) 一种基于深度强化学习的毫米波通信波束训练方法
CN114124623B (zh) 一种无线通信信道估计方法和装置
CN104076332B (zh) 一种雷达均匀线性阵列幅度和相位的估计方法
CN114024586B (zh) 用于非线性轨迹的智能波束预测方法、装置、设备及介质
Cheng et al. Towards overfitting avoidance: Tuning-free tensor-aided multi-user channel estimation for 3D massive MIMO communications
CN115361258B (zh) 一种大规模mimo稀疏信道估计方法及相关设备
Zhu et al. Channel estimation and localization for mmWave systems: A sparse bayesian learning approach
Ronquillo et al. Sequential learning of CSI for mmWave initial alignment
CN110719127B (zh) 一种具有恒模约束的毫米波mimo系统波束成形方法
Cheng et al. Cooperative localization for reconfigurable intelligent surface-aided mmWave systems
CN116471148A (zh) 一种基于稀疏贝叶斯学习的信道估计方法
Gomes et al. Channel estimation in RIS-assisted MIMO systems operating under imperfections
Akdim et al. Variational hierarchical posterior matching for mmWave wireless channels online learning
Zhang et al. Incremental Collaborative Beam Alignment for Millimeter Wave Cell-Free MIMO Systems
Aminu et al. Bayesian learning based millimeter-wave sparse channel estimation with hybrid antenna array
Neumann et al. Deep channel estimation
CN112671435B (zh) 一种fdd大规模天线中基于字典迭代的信道估计方法
Shi et al. Sparse Estimation for XL-MIMO with Unified LoS/NLoS Representation
Ghadikolaei et al. Learning-based tracking of AoAs and AoDs in mmWave networks
Nouri et al. Compressed channel estimation for RIS-assisted wireless systems: An efficient sparse recovery algorithm
Zheng et al. Dictionary Learning Based Near-Field Channel Estimation for Wideband XL-MIMO Systems
Ning et al. Learning Beams Adaptive to the Environment: An RSRP-based Codebook Design

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