CN115694767A - 一种基于Transformer的联合导频设计、反馈和信道估计方法 - Google Patents

一种基于Transformer的联合导频设计、反馈和信道估计方法 Download PDF

Info

Publication number
CN115694767A
CN115694767A CN202211327629.8A CN202211327629A CN115694767A CN 115694767 A CN115694767 A CN 115694767A CN 202211327629 A CN202211327629 A CN 202211327629A CN 115694767 A CN115694767 A CN 115694767A
Authority
CN
China
Prior art keywords
network
base station
pilot frequency
feedback
pilot
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
CN202211327629.8A
Other languages
English (en)
Other versions
CN115694767B (zh
Inventor
孙强
赵欢
吉红慧
纪晓迪
陈晓敏
黄勋
杨永杰
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.)
Nantong University
Original Assignee
Nantong University
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 Nantong University filed Critical Nantong University
Priority to CN202211327629.8A priority Critical patent/CN115694767B/zh
Publication of CN115694767A publication Critical patent/CN115694767A/zh
Application granted granted Critical
Publication of CN115694767B publication Critical patent/CN115694767B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种基于Transformer的联合导频设计、反馈和信道估计方法，离线训练阶段中在基站端构建导频设计网络和信道估计网络，在用户端构建导频反馈网络，将所述导频设计网络、导频反馈网络和信道估计网络组合为端到端神经网络，制作数据集并训练。在线预测阶段中基站端将训练完成的导频设计网络的权重作为导频信号发送至用户端，用户端将导频信号输入导频反馈网络，得到压缩的导频信号，并通过反馈链路反馈给基站端，基站端将接收到的压缩的导频信号输入信道估计网络，得到下行实时估计信道。本发明利用深度学习技术，实现了导频设计、反馈和信道估计的一体化，可获得较好的信道估计精度，也减少了导频开销、反馈开销和硬件的复杂度。

Description

一种基于Transformer的联合导频设计、反馈和信道估计方法
技术领域
本发明涉及无线通信技术领域，具体为一种基于Transformer的联合导频设计、反馈和信道估计方法。
背景技术
随着无线技术的快速发展，通信数据量和业务量呈现出激增的态势。大规模多输入多输出(Multiple Input Multiple Output，MIMO)技术依靠多天线来传输数据，可以获得空间分集增益和阵列增益，因此成为无线通信的关键技术。
在大规模MIMO系统中，基站端发送导频到用户端，用户端需要根据导频信号来估计下行信道，当天线数量增加时，信道维度也会增加，需要发送长度更长且数量更多的导频信号来估计信道，这会大幅增加导频开销，降低系统频谱效率，同时增加基站端的功耗。
在频分双工模式下，用户端获取到下行信道状态信息(Channel StateInformation，CSI)后，需要将下行CSI通过反馈链路反馈给基站端，基站端端根据反馈的CSI来进行预编码设计，以减少干扰，提高系统整体性能。传统方法通常采用矢量量化或基于码本的方法来减少反馈开销。然而，在天线数量众多的情况下，反馈开销会变得巨大，这会增加系统时延，降低系统频谱效率。
传统的信道估计是在用户端进行，用户端需要根据导频信号来估计出下行信道，并将估计的信道信息通过反馈信道反馈回基站端，基站端需要根据反馈信息来恢复下行信道。在用户端的信道估计和基站端的信道恢复都会引入额外的误差，从而增加基站端估计出的信道的误差，降低系统整体性能。
卷积神经网络(Convolutional Neural Network,CNN)由于其平移不变性与局部敏感性等特点，可以捕捉局部的时空信息，被广泛应用于各个领域。但是卷积操作缺乏全局理解，无法建模特征之间的依赖关系，从而不能充分地利用上下文信息，而且卷积的权重是固定的无法动态地适应输入的变化。Transformer是一种基于自注意力机制、并行化处理数据的深度神经网络，已经成为了自然语言处理领域必不可少的神经网络组件。并且随着研究的推进，Transformer技术已经跨领域地引入到计算机视觉等领域中。
为了实现导频设计、反馈和信道估计的一体化，降低导频开销、减少反馈信息量并提高信道估计精度，本发明提出了一种基于Transformer的联合导频设计、反馈和信道估计方法。
发明内容
本发明的目的在于提供一种基于Transformer的联合导频设计、反馈和信道估计方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于Transformer的联合导频设计、反馈和信道估计方法，由离线训练阶段和在线预测阶段两部分实现；其特征在于，离线训练阶段包括如下步骤：
S11：在基站端构建导频设计网络，用于基站到用户的下行链路中下行导频的设计；
S12：在用户端构建导频反馈网络，用于将接收到的导频信号进行压缩，并通过反馈链路反馈回基站端；
S13：在基站端构建信道估计网络，利用接收到的压缩导频信号来重建信道；
S14：将所述导频设计网络、导频反馈网络和信道估计网络组合为端到端神经网络，制作端到端神经网络的数据集，对所述端到端神经网络进行训练。
在线预测阶段包括如下步骤：
S21：基站端将训练完成的导频设计网络的权重作为导频信号，将导频信号发送至用户端；
S22：用户端接收到导频信号后，将导频信号输入导频反馈网络，得到压缩的导频信号，并将压缩的导频信号通过反馈链路反馈回基站端；
S23：基站端将接收到的压缩的导频信号输入信道估计网络，得到基站端到用户端的下行实时估计信道。
优选的，所述步骤S11中，导频设计网络由全连接层#1和Add操作构成，其中全连接层#1维度为L，无偏置，Add操作将全连接层#1的输出信号与加性高斯白噪声
Figure BDA0003912475380000031
相加，K为子载波数目，L为导频信号长度。
优选的，所述步骤S12中，导频反馈网络由Flatten层和全连接层#2构成，其中Flatten层将维度为2×K×L的三维矩阵变换为维度为2KL×1的向量，全连接层#2的维度设置为M，其中M为码字压缩长度。
优选的，所述步骤S13中，信道估计网络依次由全连接层#3、Reshape#1、Encoder和Reshape#2构成，其中全连接层#3的维度为2KNt，无偏置；Reshape#1将维度为2KNt×1的向量变换为维度为2K×Nt的矩阵；Encoder由输入嵌入、位置编码、前馈网络、残差连接和层归一化、多头注意力机制组成，其中输入嵌入的维度为Nt，前馈网络的维度为2048，多头注意力机制中多头数为4；Reshape#2将维度为2K×Nt的向量变换成维度为2×K×Nt的矩阵，K为子载波数目，Nt为基站天线数。
优选的，所述步骤S14中，端到端神经网络的数据集为{G,G}，其中
Figure BDA0003912475380000032
为信道矩阵，
Figure BDA0003912475380000033
表示对信道矩阵H取实部，
Figure BDA0003912475380000034
表示对信道矩阵H取虚部，K为子载波数目，Nt为基站天线数。
优选的，所述步骤S14中，训练端到端神经网络时，损失函数设置为均方误差
Figure BDA0003912475380000041
优化器为Adam，batchsize设置为400，学习率为0.00001，epoch设置为1000，其中
Figure BDA0003912475380000042
为端到端神经网络训练过程中的数据集的标签，
Figure BDA0003912475380000043
为端到端神经网络训练过程中模型的输出数据，
Figure BDA0003912475380000044
为信道矩阵，
Figure BDA0003912475380000045
表示对信道矩阵H取实部，
Figure BDA0003912475380000046
表示对信道矩阵H取虚部，K为子载波数目，Nt为基站天线数，N为训练样本个数。
优选的，所述步骤S14中，训练端到端神经网络时，开始训练时，将loss_best设置为100，每一轮训练完成后，将验证集输入训练完成的端到端神经网络，得到当前轮验证集的loss，若loss小于loss_best，则将loss赋值给loss_best，且保存本轮训练的模型权重作为最佳权重，继续下一轮训练；若loss大于loss_best，则直接进行下一轮训练。
优选的，所述步骤S23中，基站端将接收到的压缩的导频信号输入信道估计网络，得到网络的输出
Figure BDA0003912475380000047
将V在第一个维度拆分成两个矩阵
Figure BDA0003912475380000048
其中K为子载波数目，Nt为基站天线数，计算
Figure BDA0003912475380000049
即可得到下行实时估计信道
Figure BDA00039124753800000410
与现有技术相比，本发明的有益效果是：
1、本发明利用深度学习技术，根据信道状态信息来进行导频设计，相较于传统的固定导频码本，降低了导频长度和导频数量，减少了导频开销。
2、本发明利用深度学习技术，对用户端接收的导频信号进行压缩并反馈给发送端，相较于在用户端根据导频信号直接恢复出信道状态信息并反馈，减少了用户端的复杂度，且大大降低了反馈开销。
3、本发明利用深度学习技术，对导频设计、反馈和信道估计进行一体化设计，相较于将导频设计、信道估计、信道反馈分离进行设计，提升了系统的整体性能，且降低了复杂度。
4、本发明通过离线训练和在线预测，节省大量的计算开销，适用于室内和室外各种场景，并具有很好的鲁棒性。
附图说明
图1为本发明提出的流程图；
图2为本发明中基于Transformer的联合导频设计、反馈和信道估计的端到端网络；
图3为本发明中基站端的导频设计网络的结构图；
图4为本发明中用户端的导频反馈网络的结构图；
图5为本发明中基站端的信道估计网络的结构图；
图6为本发明中信道估计网络中Encoder的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在大规模MIMO系统中，基站端为Nt个天线，用户端为单天线，OFDM系统中子载波数目为K。在导频训练阶段，基站端发送长度为L的导频信号，则在第k个子载波下用户端接收到的导频信号为：
yk＝Phk+nk,
其中k＝1,...,K，
Figure BDA0003912475380000051
为第k个子载波下用户端接收到的信号，
Figure BDA0003912475380000052
为基站发送的导频信号，
Figure BDA0003912475380000061
为第k个子载波下基站到用户的信道，
Figure BDA0003912475380000062
为第k个子载波下信道中的加性高斯白噪声。将K个子载波叠加在一起，则用户端接收到的所有载波下的导频信号为：
Y＝PH+N,
其中
Figure BDA0003912475380000063
用户端接收到导频信号后，将导频信号输入导频反馈网络进行压缩，即
c＝Fcp(Y),
压缩后的导频信号c通过反馈信道反馈给基站端，基站端根据压缩后的导频信号c对基站端到用户的下行信道H进行估计，即
Figure BDA0003912475380000064
从而得到估计的信道矩阵
Figure BDA0003912475380000065
基于以上系统，本发明提供的一种基于Transformer的联合导频设计、反馈和信道估计方法，其步骤如图1所示，下面对步骤进行详细说明：
由离线训练阶段和在线预测阶段两部分实现；离线训练阶段包括如下步骤：
S11：在基站端构建导频设计网络，用于基站到用户的下行链路中下行导频的设计；
S12：在用户端构建导频反馈网络，用于将接收到的导频信号进行压缩，并通过反馈链路反馈回基站端；
S13：在基站端构建信道估计网络，利用接收到的压缩导频信号来重建信道；
S14：将所述导频设计网络、导频反馈网络和信道估计网络组合为端到端神经网络，制作端到端神经网络的数据集，对所述端到端神经网络进行训练。
在线预测阶段包括如下步骤：
S21：基站端将训练完成的导频设计网络的权重作为导频信号，将导频信号发送至用户端；
S22：用户端接收到导频信号后，将导频信号输入导频反馈网络，得到压缩的导频信号，并将压缩的导频信号通过反馈链路反馈回基站端；
S23：基站端将接收到的压缩的导频信号输入信道估计网络，得到基站端到用户端的下行实时估计信道。
基站端的导频设计网络的结构：
如图3所示，导频设计网络由全连接层#1和Add操作构成，其中全连接层#1维度为L，无偏置，Add操作将全连接层#1的输出信号与加性高斯白噪声
Figure BDA0003912475380000071
相加，K为子载波数目，L为导频信号长度。
用户端的导频反馈网络的结构：
如图4所示，导频反馈网络由Flatten层和全连接层#2构成，其中Flatten层将维度为2×K×L的三维矩阵变换为维度为2KL×1的向量，全连接层#2的维度设置为M，其中M为码字压缩长度。
基站端的信道估计网络的结构：
如图5所示，信道估计网络依次由全连接层#3、Reshape#1、Encoder和Reshape#2构成，其中全连接层#3的维度为2KNt，无偏置；Reshape#1将维度为2KNt×1的向量变换为维度为2K×Nt的矩阵；Encoder由输入嵌入、位置编码、前馈网络、残差连接和层归一化、多头注意力机制组成，其中输入嵌入的维度为Nt，前馈网络的维度为2048，多头注意力机制中多头数为4；Reshape#2将维度为2K×Nt的向量变换成维度为2×K×Nt的矩阵，K为子载波数目，Nt为基站天线数。
基于Transformer的联合导频设计、反馈和信道估计的端到端网络的数据集制作：
端到端神经网络的数据集为{G,G}，其中
Figure BDA0003912475380000081
Figure BDA0003912475380000082
为信道矩阵，
Figure BDA0003912475380000083
表示对信道矩阵H取实部，
Figure BDA0003912475380000084
表示对信道矩阵H取虚部，K为子载波数目，Nt为基站天线数。
基于Transformer的联合导频设计、反馈和信道估计的端到端网络的训练：
基于Transformer的联合导频设计、反馈和信道估计的端到端网络如图2所示，训练端到端神经网络时，损失函数设置为均方误差
Figure BDA0003912475380000085
优化器为Adam，batchsize设置为400，学习率为0.00001，epoch设置为1000，其中
Figure BDA0003912475380000086
为端到端神经网络训练过程中的数据集的标签，
Figure BDA0003912475380000087
为端到端神经网络训练过程中模型的输出数据，
Figure BDA0003912475380000088
为信道矩阵，
Figure BDA0003912475380000089
表示对信道矩阵H取实部，
Figure BDA00039124753800000810
表示对信道矩阵H取虚部，K为子载波数目，Nt为基站天线数，N为训练样本个数。
基于Transformer的联合导频设计、反馈和信道估计的端到端网络最佳模型权重的保存：
训练端到端神经网络时，开始训练时，将loss_best设置为100，每一轮训练完成后，将验证集输入训练完成的端到端神经网络，得到当前轮验证集的loss，若loss小于loss_best，则将loss赋值给loss_best，且保存本轮训练的模型权重作为最佳权重，继续下一轮训练；若loss大于loss_best，则直接进行下一轮训练。
在线预测阶段下行实时估计信道的获取：
基站端将接收到的压缩的导频信号输入信道估计网络，得到网络的输出
Figure BDA0003912475380000091
将V在第一个维度拆分成两个矩阵
Figure BDA0003912475380000092
其中K为子载波数目，Nt为基站天线数，计算
Figure BDA0003912475380000093
即可得到下行实时估计信道
Figure BDA0003912475380000094
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (8)

1.一种基于Transformer的联合导频设计、反馈和信道估计方法，由离线训练阶段和在线预测阶段两部分实现；其特征在于，离线训练阶段包括如下步骤：
S11：在基站端构建导频设计网络，用于基站到用户的下行链路中下行导频的设计；
S12：在用户端构建导频反馈网络，用于将接收到的导频信号进行压缩，并通过反馈链路反馈回基站端；
S13：在基站端构建信道估计网络，利用接收到的压缩导频信号来重建信道；
S14：将所述导频设计网络、导频反馈网络和信道估计网络组合为端到端神经网络，制作端到端神经网络的数据集，对所述端到端神经网络进行训练；
在线预测阶段包括如下步骤：
S21：基站端将训练完成的导频设计网络的权重作为导频信号，将导频信号发送至用户端；
S22：用户端接收到导频信号后，将导频信号输入导频反馈网络，得到压缩的导频信号，并将压缩的导频信号通过反馈链路反馈回基站端；
S23：基站端将接收到的压缩的导频信号输入信道估计网络，得到基站端到用户端的下行实时估计信道。
2.根据权利要求1所述的一种基于Transformer的联合导频设计、反馈和信道估计方法，其特征在于，所述步骤S11中，导频设计网络由全连接层#1和Add操作构成，其中全连接层#1维度为L，无偏置，Add操作将全连接层#1的输出信号与加性高斯白噪声
Figure FDA0003912475370000011
相加，K为子载波数目，L为导频信号长度。
3.根据权利要求1所述的一种基于Transformer的联合导频设计、反馈和信道估计方法，其特征在于，所述步骤S12中，导频反馈网络由Flatten层和全连接层#2构成，其中Flatten层将维度为2×K×L的三维矩阵变换为维度为2KL×1的向量，全连接层#2的维度设置为M，其中M为码字压缩长度。
4.根据权利要求1所述的一种基于Transformer的联合导频设计、反馈和信道估计方法，其特征在于，所述步骤S13中，信道估计网络依次由全连接层#3、Reshape#1、Encoder和Reshape#2构成，其中全连接层#3的维度为2KNt，无偏置；Reshape#1将维度为2KNt×1的向量变换为维度为2K×Nt的矩阵；Encoder由输入嵌入、位置编码、前馈网络、残差连接和层归一化、多头注意力机制组成，其中输入嵌入的维度为Nt，前馈网络的维度为2048，多头注意力机制中多头数为4；Reshape#2将维度为2K×Nt的向量变换成维度为2×K×Nt的矩阵，K为子载波数目，Nt为基站天线数。
5.根据权利要求1所述的一种基于Transformer的联合导频设计、反馈和信道估计方法，其特征在于，所述步骤S14中，端到端神经网络的数据集为{G,G}，其中
Figure FDA0003912475370000021
为信道矩阵，
Figure FDA0003912475370000026
表示对信道矩阵H取实部，
Figure FDA0003912475370000022
表示对信道矩阵H取虚部，K为子载波数目，Nt为基站天线数。
6.根据权利要求1所述的一种基于Transformer的联合导频设计、反馈和信道估计方法，其特征在于，所述步骤S14中，训练端到端神经网络时，损失函数设置为均方误差
Figure FDA0003912475370000023
优化器为Adam，batchsize设置为400，学习率为0.00001，epoch设置为1000，其中
Figure FDA0003912475370000024
为端到端神经网络训练过程中的数据集的标签，
Figure FDA0003912475370000025
为端到端神经网络训练过程中模型的输出数据，
Figure FDA0003912475370000031
为信道矩阵，
Figure FDA0003912475370000032
表示对信道矩阵H取实部，
Figure FDA0003912475370000033
表示对信道矩阵H取虚部，K为子载波数目，Nt为基站天线数，N为训练样本个数。
7.根据权利要求1所述的一种基于Transformer的联合导频设计、反馈和信道估计方法，其特征在于，所述步骤S14中，训练端到端神经网络时，开始训练时，将loss_best设置为100，每一轮训练完成后，将验证集输入训练完成的端到端神经网络，得到当前轮验证集的loss，若loss小于loss_best，则将loss赋值给loss_best，且保存本轮训练的模型权重作为最佳权重，继续下一轮训练；若loss大于loss_best，则直接进行下一轮训练。
8.根据权利要求1所述的一种基于Transformer的联合导频设计、反馈和信道估计方法，其特征在于，所述步骤S23中，基站端将接收到的压缩的导频信号输入信道估计网络，得到网络的输出
Figure FDA0003912475370000034
将V在第一个维度拆分成两个矩阵
Figure FDA0003912475370000035
其中K为子载波数目，Nt为基站天线数，计算
Figure FDA0003912475370000036
即可得到下行实时估计信道
Figure FDA0003912475370000037
CN202211327629.8A 2022-10-27 2022-10-27 一种基于Transformer的联合导频设计、反馈和信道估计方法 Active CN115694767B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211327629.8A CN115694767B (zh) 2022-10-27 2022-10-27 一种基于Transformer的联合导频设计、反馈和信道估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211327629.8A CN115694767B (zh) 2022-10-27 2022-10-27 一种基于Transformer的联合导频设计、反馈和信道估计方法

Publications (2)

Publication Number Publication Date
CN115694767A true CN115694767A (zh) 2023-02-03
CN115694767B CN115694767B (zh) 2023-07-14

Family

ID=85098782

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211327629.8A Active CN115694767B (zh) 2022-10-27 2022-10-27 一种基于Transformer的联合导频设计、反馈和信道估计方法

Country Status (1)

Country Link
CN (1) CN115694767B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117811633A (zh) * 2023-12-27 2024-04-02 南通大学 一种基于深度学习的轻量化端到端csi获取方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004114615A1 (en) * 2003-06-22 2004-12-29 Ntt Docomo, Inc. Apparatus and method for estimating a channel in a multiple input transmission system
WO2007029052A1 (en) * 2005-09-09 2007-03-15 Freescale Semiconductor, Inc. A receiver and a method for channel estimation
US20120114085A1 (en) * 2010-11-08 2012-05-10 Samsung Electronics Co. Ltd. Channel estimation method and apparatus
CN110661734A (zh) * 2019-09-20 2020-01-07 西安交通大学 基于深度神经网络的信道估计方法、设备和可读存储介质
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
CN112737985A (zh) * 2020-12-25 2021-04-30 东南大学 基于深度学习的大规模mimo信道联合估计和反馈方法
CN112910806A (zh) * 2021-01-19 2021-06-04 北京理工大学 基于深度神经网络的联合信道估计及用户激活检测方法
CA3182360A1 (en) * 2020-05-15 2021-11-18 Vivo Mobile Communication Co., Ltd. Pilot information symbol sending method, channel estimation method, and communication device
CN113691288A (zh) * 2021-08-23 2021-11-23 北京理工大学 基于深度学习的联合导频、反馈、多用户混合编码方法
WO2021253936A1 (zh) * 2020-06-19 2021-12-23 株式会社Ntt都科摩 用户设备、基站、用户设备和基站的信道估计和反馈系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004114615A1 (en) * 2003-06-22 2004-12-29 Ntt Docomo, Inc. Apparatus and method for estimating a channel in a multiple input transmission system
WO2007029052A1 (en) * 2005-09-09 2007-03-15 Freescale Semiconductor, Inc. A receiver and a method for channel estimation
US20120114085A1 (en) * 2010-11-08 2012-05-10 Samsung Electronics Co. Ltd. Channel estimation method and apparatus
CN110661734A (zh) * 2019-09-20 2020-01-07 西安交通大学 基于深度神经网络的信道估计方法、设备和可读存储介质
CA3182360A1 (en) * 2020-05-15 2021-11-18 Vivo Mobile Communication Co., Ltd. Pilot information symbol sending method, channel estimation method, and communication device
WO2021253936A1 (zh) * 2020-06-19 2021-12-23 株式会社Ntt都科摩 用户设备、基站、用户设备和基站的信道估计和反馈系统
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
CN112737985A (zh) * 2020-12-25 2021-04-30 东南大学 基于深度学习的大规模mimo信道联合估计和反馈方法
CN112910806A (zh) * 2021-01-19 2021-06-04 北京理工大学 基于深度神经网络的联合信道估计及用户激活检测方法
CN113691288A (zh) * 2021-08-23 2021-11-23 北京理工大学 基于深度学习的联合导频、反馈、多用户混合编码方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
PEIHAO DONG;HUA ZHANG;GEOFFREY YE LI;IVAN SIMÕES GASPAR;NAVID NADERIALIZADEH: "Deep CNN-Based Channel Estimation for mmWave Massive MIMO Systems", 《WFFJ》, vol. 13, no. 5, XP011746783, DOI: 10.1109/JSTSP.2019.2925975 *
ZHUOLIN CHEN;FANGLIN GU;RUI JIANG: "《Channel Estimation Method Based on Transformer in High Dynamic Environment》", 《2020 INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATIONS AND SIGNAL PROCESSING (WCSP)》 *
李竹一: "基于神经网络的多载波调制信号联合检测技术研究", 《CNKI》 *
赵欢: "MIMO-OFDM系统中基于导频的信道估计算法的研究", 《CNKI》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117811633A (zh) * 2023-12-27 2024-04-02 南通大学 一种基于深度学习的轻量化端到端csi获取方法
CN117811633B (zh) * 2023-12-27 2024-10-01 南通大学 一种基于深度学习的轻量化端到端csi获取方法

Also Published As

Publication number Publication date
CN115694767B (zh) 2023-07-14

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
Liao et al. CSI feedback based on deep learning for massive MIMO systems
CN107018099B (zh) 一种针对毫米波多用户mimo系统的时变信道估计方法
Lu et al. Bit-level optimized neural network for multi-antenna channel quantization
EP2410707B1 (en) Orthogonal network space-time coding method and relay transmission system
CN109687897B (zh) 基于深度学习大规模mimo系统的叠加csi反馈方法
CN113839697B (zh) 一种基于深度学习的联合反馈和混合预编码设计方法
CN113872652B (zh) 一种基于3d mimo时变系统的csi反馈方法
CN115694767B (zh) 一种基于Transformer的联合导频设计、反馈和信道估计方法
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
CN115021787A (zh) 一种基于复数卷积神经网络的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
CN113660020A (zh) 一种无线通信信道信息传输方法、系统和解码器
TWI669921B (zh) 基於深度學習作為通道狀態資訊之回饋方法
CN115987339A (zh) 一种基于深度学习的编码器解码器解耦csi反馈方法
CN114844541A (zh) 一种基于深度学习的混合预编码和反馈方法
CN104993859A (zh) 一种适用于时间异步环境下的分布式波束赋形方法
Feng et al. Deep Learning-Based Joint Channel Estimation and CSI Feedback for RIS-Assisted Communications
CN117811633B (zh) 一种基于深度学习的轻量化端到端csi获取方法
CN113556159A (zh) 一种大规模mimo多用户系统的信道反馈方法
CN115333900B (zh) 一种基于深度学习的无人机协同信道估计与csi反馈方法
CN108834155B (zh) 一种基于大规模天线系统多参数优化频谱效率的方法
CN115085782B (zh) 基于深度学习的智能反射面联合反馈和混合预编码方法
CN113660015B (zh) 环境知识库辅助下在线无线信道获取优化方法
CN118316775B (zh) 基于矿井环境自适应mimo信号的通信方法及通信系统

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