CN115769552B - 一种信道估计方法、信道估计装置及存储介质 - Google Patents

一种信道估计方法、信道估计装置及存储介质

Info

Publication number
CN115769552B
CN115769552B CN202180001895.9A CN202180001895A CN115769552B CN 115769552 B CN115769552 B CN 115769552B CN 202180001895 A CN202180001895 A CN 202180001895A CN 115769552 B CN115769552 B CN 115769552B
Authority
CN
China
Prior art keywords
channel
neural network
network model
channel estimation
sinr
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
CN202180001895.9A
Other languages
English (en)
Other versions
CN115769552A (zh
Inventor
牟勤
洪伟
赵中原
程文韬
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
Beijing Xiaomi Mobile Software Co Ltd
Original Assignee
Beijing University of Posts and Telecommunications
Beijing Xiaomi Mobile Software Co Ltd
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, Beijing Xiaomi Mobile Software Co Ltd filed Critical Beijing University of Posts and Telecommunications
Publication of CN115769552A publication Critical patent/CN115769552A/zh
Application granted granted Critical
Publication of CN115769552B publication Critical patent/CN115769552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/346—Noise values
    • 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
    • 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
    • H04L25/022—Channel estimation of frequency response
    • 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
    • H04L25/0228—Channel estimation using sounding signals with direct estimation from sounding signals
    • H04L25/023—Channel estimation using sounding signals with direct estimation from sounding signals with extension to other symbols
    • H04L25/0232—Channel estimation using sounding signals with direct estimation from sounding signals with extension to other symbols by interpolation between sounding signals

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Electromagnetism (AREA)
  • Quality & Reliability (AREA)
  • Noise Elimination (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本公开是关于一种信道估计方法、信道估计装置及存储介质。其中，信道估计方法，包括：确定与信干扰比SINR对应的信道估计神经网络模型，并确定信道的第一信道响应估计值；将所述第一信道响应估计值输入至所述信道估计神经网络模型，得到所述信道的第二信道响应估计值；将所述第二信道响应估计值确定为所述信道的估计值。通过本公开可以通过信道估计神经网络模型对信道进行估计，从而提高无线信道的估计精度。

Description

一种信道估计方法、信道估计装置及存储介质
技术领域
本公开涉及无线通信技术领域，尤其涉及一种信道估计方法、信道估计装置及存储介质。
背景技术
在MIMO技术(Multiple-Input Multiple-Output)-正交频分复用技术(Orthogonal Frequency Division Multiplexing，OFDM)系统中，可以利用求解最小均方误差的线性估计法进行信道估计，以实现精准且低计算开销的信道估计。
然而，在衰落信道中，包含有多样的非线性特征，这些非线性特征难以通过线性估计的方法进行信道估计。
发明内容
为克服相关技术中存在的问题，本公开提供一种信道估计方法、信道估计装置及存储介质。
根据本公开实施例的第一方面，提供一种信道估计方法，所述方法包括：
确定与信干扰比(SINR)对应的信道估计神经网络模型，并确定信道的第一信道响应估计值；将所述第一信道响应估计值输入至所述信道估计神经网络模型，得到所述信道的第二信道响应估计值；将所述第二信道响应估计值确定为所述信道的估计值。
一种实施方式中，所述确定与信道信干扰比SINR对应的信道估计神经网络模型，包括：
确定SINR区间与信道估计神经网络模型的对应关系，并确定所述SINR所在SINR区间；根据所述对应关系，确定与所述SINR所在SINR区间对应的信道估计神经网络模型。
一种实施方式中，所述确定SINR区间与信道估计神经网络模型的对应关系，包括：
确定SINR尺度，并基于所述尺度确定第一数量的SINR区间；收集第一数量中每个所述SINR区间的信道响应估计值数据，得到第一数量的信道响应估计值训练数据集；基于所述第一数量的信道响应估计值训练数据集，对神经网络模型进行训练，得到第一数量的信道估计神经网络模型。
一种实施方式中，所述基于所述第一数量的信道响应估计值训练数据集，对神经网络模型进行训练，得到第一数量的神经网络模型，包括：
收集所述第一数量中每个SINR区间的实部训练数据集和虚部训练数据集；基于所述实部训练数据集确定第一信道实部训练数据集，并确定与所述第一信道实部训练数据集对应的标签；基于所述虚部训练数据集确定第一信道虚部训练数据集，并确定与所述第一信道虚部训练数据集对应的标签；将第一数量中每个所述第一信道实部训练数据集及其对应标签，以及所述第一信道虚部训练数据集及其对应标签的组合数据，作为神经网络模型的输入，对所述神经网络模型进行训练，得到第一数量的信道估计神经网络模型。
一种实施方式中，所述神经网络模型包括降噪卷积神经网络DNCNN和高分辨率卷积神经网络SRCNN；
所述将第一数量中每个所述第一信道实部训练数据集及其对应标签，以及所述第一信道虚部训练数据集及其对应标签的组合数据，分别作为神经网络模型的输入，对所述神经网络模型进行训练，得到第一数量的信道估计神经网络模型，包括：
将所述将第一数量中每个所述第一信道实部训练数据集以及对应标签，所述第一信道虚部训练数据集以及对应标签组合得到的训练组合数据；将所述训练组合数据分别作为神经网络模型中DNCNN和SRCNN的输入，分别对所述DNCNN和SRCNN进行训练，得到训练之后第一数量的DNCNN模型和第一数量的SRCNN模型；将所述第一数量的DNCNN模型和第一数量的SRCNN模型对应组合之后，得到第一数量的信道估计神经网络模型。
一种实施方式中，所述确定所述信道的第一信道响应估计值，包括：
确定信道中解调参考信号DMRS所在位置的信道响应估计值；将所述信道响应估计值的实部和虚部分离，并分别对所述实部和虚部进行插值处理，得到第一信道实部和第一信道虚部；将所述第一信道实部和第一信道虚部组合得到的复数，确定为所述第一信道响应估计值。
一种实施方式中，所述将所述第一信道响应估计值输入至所述信道估计神经网络模型，得到所述信道的第二信道响应估计值，包括：
将所述第一信道响应估计值的第一信道实部和第一信道虚部分别输入至所述信道估计神经网络模型，得到第二信道实部和第二信道虚部；将所述第二信道实部和第二信道虚部组合的复数，确定为第二信道响应估计值。
根据本公开实施例的第二方面，提供一种信道估计装置，所述装置包括：
确定模块，用于确定与信干扰比SINR对应的信道估计神经网络模型，并确定信道的第一信道响应估计值；估计模块，用于将所述第一信道响应估计值输入至所述信道估计神经网络模型，得到所述信道的第二信道响应估计值；所述确定模块，用于将所述第二信道响应估计值确定为所述信道的估计值。
一种实施方式中，所述确定模块，用于：
确定SINR区间与信道估计神经网络模型的对应关系，并确定所述SINR所在SINR区间；根据所述对应关系，确定与所述SINR所在SINR区间对应的信道估计神经网络模型。
一种实施方式中，所述确定模块，用于：
确定SINR尺度，并基于所述尺度确定第一数量的SINR区间；收集第一数量中每个所述SINR区间的信道响应估计值数据，得到第一数量的信道响应估计值训练数据集；基于所述第一数量的信道响应估计值训练数据集，对神经网络模型进行训练，得到第一数量的信道估计神经网络模型。
一种实施方式中，所述确定模块，用于：
收集所述第一数量中每个SINR区间的实部训练数据集和虚部训练数据集；基于所述实部训练数据集确定第一信道实部训练数据集，并确定与所述第一信道实部训练数据集对应的标签；基于所述虚部训练数据集确定第一信道虚部训练数据集，并确定与所述第一信道虚部训练数据集对应的标签；将第一数量中每个所述第一信道实部训练数据集及其对应标签，以及所述第一信道虚部训练数据集及其对应标签的组合数据，作为神经网络模型的输入，对所述神经网络模型进行训练，得到第一数量的信道估计神经网络模型。
一种实施方式中，所述神经网络模型包括降噪卷积神经网络DNCNN和高分辨率卷积神经网络SRCNN；
所述确定模块，用于：
将所述将第一数量中每个所述第一信道实部训练数据集以及对应标签，所述第一信道虚部训练数据集以及对应标签组合得到的训练组合数据；将所述训练组合数据分别作为神经网络模型中DNCNN和SRCNN的输入，分别对所述DNCNN和SRCNN进行训练，得到训练之后第一数量的DNCNN模型和第一数量的SRCNN模型；将所述第一数量的DNCNN模型和第一数量的SRCNN模型对应组合之后，得到第一数量的信道估计神经网络模型。
一种实施方式中，所述确定模块，用于：
确定信道中解调参考信号DMRS所在位置的信道响应估计值；将所述信道响应估计值的实部和虚部分离，并分别对所述实部和虚部进行插值处理，得到第一信道实部和第一信道虚部；将所述第一信道实部和第一信道虚部组合得到的复数，确定为所述第一信道响应估计值。
一种实施方式中，所述确定模块，用于：
将所述第一信道响应估计值的第一信道实部和第一信道虚部分别输入至所述信道估计神经网络模型，得到第二信道实部和第二信道虚部；将所述第二信道实部和第二信道虚部组合的复数，确定为第二信道响应估计值。
根据本公开实施例的第三方面，提供一种信道估计装置，包括：
处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：执行第一方面或第一方面中任意一种实施方式所述的信道估计方法。
根据本公开实施例的第四方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行第一方面或第一方面中任意一种实施方式所述的信道估计方法。
本公开的实施例提供的技术方案可以包括以下有益效果：通过确定的SINR，确定用于进行信道估计的信道估计神经网络模型，基于信道估计神经网络模型以及信道的第一信道响应估计值进行信道估计，确定信道的估计值。可以通过信道估计神经网络模型对信道进行估计，可以提高无线信道的估计精度，并降低估计过程中的计算复杂度，以提升MIMO-OFDM系统的信道容量，获得更大的性能增益。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种网络设备与终端的通信系统架构图。
图2是根据一示例性实施例示出的一种信道估计方法中5G NR协议中单符号DMRS和CSI-RS的帧结构示意图。
图3是根据一示例性实施例示出的一种信道估计方法中的系统框图。
图4是根据一示例性实施例示出的一种信道估计方法的流程图。
图5是根据一示例性实施例示出的一种信道估计方法中基于深度学习估计无线信道的流程示意图。
图6是根据一示例性实施例示出的一种信道估计方法的流程图。
图7是根据一示例性实施例示出的一种信道估计方法中神经网络模型的流程示意图。
图8是根据一示例性实施例示出的一种信道估计方法的流程图。
图9是根据一示例性实施例示出的一种信道估计方法的流程图。
图10是根据一示例性实施例示出的一种信道估计方法的流程图。
图11是根据一示例性实施例示出的一种信道估计方法的神经网络模型的具体结构图。
图12是根据一示例性实施例示出的一种信道估计方法的流程图。
图13是根据一示例性实施例示出的一种信道估计方法的流程图。
图14是根据一示例性实施例示出的一种信道估计装置框图。
图15是根据一示例性实施例示出的一种信道估计装置的框图。
图16是根据一示例性实施例示出的一种信道估计装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种网络设备与终端的通信系统架构图。本公开提供的通信方法可以应用于图1所示的通信系统架构图中。如图1所示，网络侧设备可以基于图1所示的架构发送信令。
在MIMO-OFDM系统中，可以利用求解最小均方误差的线性估计法进行信道估计，以实现精准且低计算开销的信道估计基于数学原理，在得到信道的初始估计后，利用在正交频分复用的时频域栅格上分布的离散导频来追踪信道的变化。矩形导频图案是常用的导频布置图案。
依照NR协议中对帧结构的描述，选用下列参数配置方式的传输帧来作为信道估计为例。其中，每个物理资源块(Physical Resource Block，PRB)中含有12个子载波，子载波间隔为15kHz，一个时长为1ms的子帧中有一个时隙，一个时隙中有14个OFDM符号，每个OFDM符号添加循环前缀。上层参数映射类别选择A类，参考信号配置类别选择类别1，解调参考信号(Demodulation Reference Signal，DMRS)采用单符号，不使用额外的DMRS符号。图1是根据一示例性实施例示出的一种类别1、单符号DMRS配置图。如图1所示，为一个PRB中DMRS配置图样。
假设对N个PRB进行信道估计，N个PRB中有K个DMRS符号。首先利用LS估计法获得K个DMRS位置处的信道响应估计值HLS。将K个DMRS位置处的信道估计值排列为维度为K×1的列向量p。其次，对于正交频分复用时频域栅格上任意一点处的信道响应值hn,j，n代表时域OFDM符号索引、j代表频域子载波索引，使用线性最小均方误差(Linear Minimum MeanSquare Error，LMMSE)估计法，可以获得该点处的线性最小均方误差估计值为：
其中：
rhp＝E{hn,jpH}
Rpp＝E{ppH}
但是，利用上述实施例进行信道估计，即，基于离散导频的估计方法依赖于信道和发射数据功率的统计特性，对于每一个传输帧，依据总体特性所估测出的信道响应始终与实际信道存在不小的偏差。并且，使用离散导频处的信道估计值进行全时频域栅格信道插值时采用了二维维纳滤波法，它的计算复杂，而且复杂度还会随着使用的DMRS符号数量K的增加而增大。
然而，深度学习是人工智能中的前沿领域，该学科中提出的网络架构擅于处理非线性函数的拟合问题。深度学习在一般计算机领域中表现出的卓越性能，特别是在图像处理领域，采用神经网络架构所获得的结果往往能够超越原有的算法。而MIMO-OFDM系统的时频域信道结构同图片是极为类似的。探索利用深度学习估计无线信道，以获得估计精度更高、计算复杂度更低的估计方法，从而进一步提高MIMO-OFDM系统的传输性能。因此，本公开提供一种信道估计方法，基于深度学习的神经网络模型，对信道进行估计，提高无线信道的估计精度，并降低估计过程中的计算复杂度，从而提升MIMO-OFDM系统的信道容量，获得更大的性能增益。
其中，基于本公开提供的信道估计方法，根据本公开的信道估计装置包括发端和收端。其中，发端在物理层做信号处理时配置参考信号DMRS及信道状态信息参考信号(CSI-RS)，信号处理完成后发端发送信号。而收端获得接收信号，利用接收信号中的CSI-RS计算出当前传播环境的信干扰比SINR。收端信号处理模块内置一个信干扰比尺度，依据dB值将该尺度划分为若干个区间，每个区间都有一个与之对应的神经网络模型。计算出的SINR落于哪一区间则采用与该区间对应的神经网络模型来估计信道。
神经网络估计信道的密度以PRB为单位。以估计K个PRB的信道响应为例。首先，获得K个PRB中的DMRS，对DMRS进行处理得到DMRS处的信道响应估计值。将DMRS处信道响应估计值的实部与虚部分离，并对它们分别做二维插值，其中，在插值过程中不虚要改变DMRS处信道响应估计值所在的时频域位置。DMRS处信道响应估计值的实部与虚部通过二维插值以后得到粗略的信道响应估计值的实部与虚部。将粗略的信道响应估计值的实部与虚部分别通过挑选出的神经网络模型后得到精准的信道响应估计值的实部与虚部。重新组合精准的信道响应估计值，完成对K个PRB的信道估计。
依照收端信号处理模块内置信干扰比尺度的区间划分，从每一个区间中选出一个信干扰比点。当仿真或真实环境的信干扰比处于该点时开始收集数据，收集的数据包括K个PRB中DMRS处的信道响应估计值以及这K个PRB的信道响应的理想估计值。在每个区间选出的信干扰比点处都要收集数据，并整理成一个单独的数据集。对每个数据集做预处理，得到用于训练神经网络模型的训练数据集。每个训练数据集训练出一个神经网络模型。
进一步可以理解的是，本公开实施例的无线通信系统，是一种提供无线通信功能的网络。无线通信系统可以采用不同的通信技术，例如码分多址(code division multipleaccess,CDMA)、宽带码分多址(wideband code division multiple access，WCDMA)、时分多址(time division multiple access，TDMA)、频分多址(frequency division multipleaccess，FDMA)、正交频分多址(orthogonal frequency-division multiple access，OFDMA)、单载波频分多址(single Carrier FDMA，SC-FDMA)、载波侦听多路访问/冲突避免(Carrier Sense Multiple Access with Collision Avoidance)。根据不同网络的容量、速率、时延等因素可以将网络分为2G(英文：generation)网络、3G网络、4G网络或者未来演进网络，如5G网络，5G网络也可称为是新无线网络(New Radio，NR)。为了方便描述，本公开有时会将无线通信网络简称为网络。
进一步的，本公开中涉及的网络设备也可以称为无线接入网设备。该无线接入网设备可以是：基站、演进型基站(evolved node B，基站)、家庭基站、无线保真(wirelessfidelity，WIFI)系统中的接入点(access point，AP)、无线中继节点、无线回传节点、传输点(transmission point，TP)或者发送接收点(transmission and reception point，TRP)等，还可以为NR系统中的gNB，或者，还可以是构成基站的组件或一部分设备等。当为车联网(V2X)通信系统时，网络设备还可以是车载设备。应理解，本公开的实施例中，对网络设备所采用的具体技术和具体设备形态不做限定。
进一步的，本公开中涉及的终端，也可以称为终端设备、用户设备(UserEquipment，UE)、移动台(Mobile Station，MS)、移动终端(Mobile Terminal，MT)等，是一种向用户提供语音和/或数据连通性的设备，例如，终端可以是具有无线连接功能的手持式设备、车载设备等。目前，一些终端的举例为：智能手机(Mobile Phone)、口袋计算机(PocketPersonal Computer，PPC)、掌上电脑、个人数字助理(Personal Digital Assistant，PDA)、笔记本电脑、平板电脑、可穿戴设备、或者车载设备等。此外，当为车联网(V2X)通信系统时，终端设备还可以是车载设备。应理解，本公开实施例对终端所采用的具体技术和具体设备形态不做限定。
若传输带宽为20MHz，共100个PRB。每个PRB在频域占据12个子载波、时域占据一个完整时隙。子载波间隔为15kHz，一个时长为1ms的子帧中有一个时隙，一个时隙中有14个OFDM符号。上层参数映射类别选择A类，DMRS参考信号配置类别选择类别1，DMRS采用单符号，不使用额外的DMRS符号。上层参数CSI-RS Row设置为6，CSI-RS使用FD-CDM2类别的配置方式。不使用混合波束赋形，估计发端层到每个接收天线端口之间的信道，单次信道估计的PRB数量为K个。图2是根据一示例性实施例示出的一种信道估计方法中5G NR协议中单符号DMRS和CSI-RS的帧结构示意图。其中，单个PRB中各参考信号所占据的资源颗粒可参考如图2。
在本公开实施例中，应用该信道估计方法的系统包括发端和收端，其中发端可以是终端，收端可以是网络设备；或，发端可以是网络设备，收端可以是终端；在此，本公开实施例，对发端和收端设备不做具体限定。
图3是根据一示例性实施例示出的一种信道估计方法中的系统框图。如图3所示，该系统主要分为发端和收端两部分。发端与收端之间的通信流程遵循NR协议，但是收端与发端均不使用混合波束赋形。发端负责生成和发送数据，并完成数据发射前的所有信号处理过程。
收端分为两个部分，第一个部分是信号处理模块，需要根据CSI-RS计算出当前环境的信干扰比SINR。依据SINR选择出适合当前传播环境的神经网络模型来估计信道。不同的模型表示它们采用不同的数据集训练得到。比如，在不同信干扰比环境下训练出的神经网络的估计性能不尽相同。高信干扰比环境下训练出的神经网络在接收信干扰比较高时估计性能较佳，反之亦然。
第二个部分是神经网络训练模块，负责训练出神经网络。训练的方式是监督学习。MIMO-OFDM信道的时频域结构，以估计K个PRB的信道响应为例，整个时频域结构在数学上等价于一个复数矩阵。将该矩阵元素的实部与虚部分离后可以得到两个维度不变的实数矩阵。在收端获得了DMRS处的信道响应估计值后，基于神经网络模型，估计其他时频位置DMRS处的信道响应估计值。以估计K个PRB的信道响应为例，整个时频域结构在数学上等价于一个复数矩阵。将该矩阵元素的实部与虚部分离后可以得到两个维度不变的实数矩阵。每个实数矩阵完全可以近似视为一张“图片”。在收端获得了DMRS处的信道响应估计值后，相当于已知了这两张“图片”的部分像素点。当然，这两张图片的其余大部分位置的像素点仍然未知，而且这些已知的像素点也未必准确。但此时，信道估计的问题转化为了如何将一张低分辨率且像素点残缺的“图片”恢复成一张高分辨率像素点完整的清晰“图片”。利用这种方法，可以参照图像处理相关技术进行训练学习。
图4是根据一示例性实施例示出的一种信道估计方法的流程图。如图4所示，信道估计方法，包括以下步骤S11至S13。
在步骤S11中，确定与SINR对应的信道估计神经网络模型，并确定信道的第一信道响应估计值。
在本公开实施例中，收端根据接收到的参考信号CSI-RS，通过计算得到该信号的信干扰比SINR。根据计算出的SINR确定对应的信道估计神经网络模型。根据接收到的DMRS，确定DMRS位置处的信道响应估计值，并根据DMRS位置处的信道响应估计值，通过二维插值，确定粗略的信道响应估计值。本公开为便于区分将粗略的信道响应估计值称为信道的第一信道响应估计值。
在步骤S12中，将第一信道响应估计值输入至信道估计神经网络模型，得到信道的第二信道响应估计值。
在本公开实施例中，将第一信道响应估计值输入至确定的信道估计神经网络模型，得到精准的信道响应估计值，本公开为便于区分，将基于信道估计神经网络模型输出的精准信道响应估计值称为信道的第二信道响应估计值。
在步骤S13中，将第二信道响应估计值确定为信道的估计值。
在本公开实施例中，将由信道估计神经网络模型输出的精准信道响应估计值，即，第二信道响应估计值确定为信道的估计值。
通过本公开实施例提供的信道估计方法，可以通过信道DMRS处的信道响应估计值，确定信道的粗略的信道响应估计值，再通过信道估计神经网络模型将粗略的信道估计响应值确定出精准的信道估计响应值，从而实现对信道的估计。通过信道估计神经网络模型对信道进行估计，可以提高无线信道的估计精度，并降低估计过程中的计算复杂度，以提升MIMO-OFDM系统的信道容量，获得更大的性能增益。
图5是根据一示例性实施例示出的一种信道估计方法中基于深度学习估计无线信道的流程示意图。如图5所示，包括以下步骤。
在步骤S21中，根据接收信号中的参考信号CSI-RS，计算出接收信号的信干扰比SINR。
在步骤S22中，内置一个信干扰比尺度，将其划分为若干个区间，如果接收信干扰比SINR属于其中一个区间，则选择与该区间对应的神经网络模型来估计信道。
其中，在一些可能的实施方式中，步骤22可以包括子步骤S221和S222：
在子步骤S221中，收端内置一个SINR尺度表S，依据SINR的dB值将其划分为n个区间：Si，其中i＝1，2，...，n。每个SINR区间Si都有一个与之对应的神经网络模型Mi，其中i＝1，2，...，n；
在子步骤S222中，根据接收信号的SINR值，判断其属于n个区间中的哪一个。确定后，选择与该区间对应的神经网络模型来估计信道。
在步骤S23中，单次信道估计密度为K个PRB，获得K个PRB中DMRS位置处的信道响应估计值组成的向量，将该向量的实部与虚部分离。
其中，在一些可能的实施方式中，步骤S23可以包括子步骤S231和子步骤S232:
在子步骤S231中,获得K个PRB中所有DMRS位置处的信道响应估计值，将其构成一个向量p；
在子步骤S232中，将向量p的实部与虚部分离，分别得到：p-re和p-im。
在步骤S24中，对DMRS位置处信道响应估计值构成的向量的实部和虚部分别做二维插值，得到粗略的信道响应估计值的实部和虚部。
其中，在一些可能的实施方式中，步骤S24可以包括子步骤S241和子步骤S242：
在子步骤241中，对向量p的实部p-re做二维插值得到粗略的信道响应估计值的实部h-re；
在步骤242中，对向量p的虚部p-im做二维插值得到粗略的信道响应估计值的虚部h-im。
在步骤S25中，将粗略的信道响应估计值的实部通过神经网络模型，估计出准确的信道响应的实部；将粗略的信道响应估计值的虚部通过神经网络模型，估计出准确的信道响应的虚部。
其中，在一些可能的实施方式中，步骤S25可以包括子步骤S251至S253：
在子步骤S251中，假设接收信号的信干扰比SINR属于区间Si，则选择神经网络模型Mi来估计信道；
在子步骤S252中，将h-re通过神经网络模型Mi得到估计出的准确的信道响应值的实部H-re；
在子步骤S253中，将h-im通过神经网络模型Mi得到估计出的准确的信道响应值的虚部H-im。
在步骤S26中，将神经网络模型估计出的准确的信道响应的实部和准确的信道响应的虚部组合成准确的信道响应估计值，完成对K个PRB的信道估计。
其中，在一些可能的实施方式中，步骤S26可以包括子步骤S261：
在子步骤S261中，将H-re和H-im组合成：H＝H-re+H-im×j。H为准确的信道响应估计值。
在本公开实施例中，可通过上述步骤完成信道估计，下述实施例将结合附图对上述实施步骤进一步进行说明。
图6是根据一示例性实施例示出的一种信道估计方法的流程图。如图6所示，信道估计方法，包括以下步骤S31至S32。
在步骤S31中，确定SINR区间与信道估计神经网络模型的对应关系，并确定SINR所在SINR区间。
在步骤S32中，根据对应关系，确定与SINR所在SINR区间对应的信道估计神经网络模型。
在本公开实施例中，可以确定一个SINR尺度，按照确定的SINR尺度，确定第一数量的SINR区间，每个SINR区间对应一个信道估计神经网络模型。例如，以确定一个SINR尺度表S，依据SINR的尺度，例如确定一个dB值，将其划分为第一数量的SINR区间Si。若第一数量为n，则i＝1，2，...，n。每个SINR区间Si都有一个与之对应的信道估计神经网络模型Mi，其中i＝1，2，...，n。
如上述实施例，根据接收的CSI-RS参考信号后，计算出的SINR，确定该SINR所在的SINR区间。根据确定的SINR区间与信道估计神经网络模型的对应关系，确定与该SINR区间确定对应的信道估计神经网络模型。确定的信道估计神经网络模型用于估计信道。
本公开上述实施例的流程可以参考图7，图7是根据一示例性实施例示出的一种信道估计方法中神经网络模型的流程示意图。如图7所示，包括以下步骤S41至S44。
在步骤S41中，给定一个信干扰比尺度，将其划分为若干个区间，在每个区间中选出一个信干扰比点。
其中，在一些可能的实施方式中，步骤S41可以包括子步骤S411和S412：
在子步骤S411中，给定一个SINR尺度表S，依据SINR的dB值将其划分为n个区间：Si，其中i＝1，2，...，n。注意：给定的SINR尺度表和划分区间的方式同收端内置的SINR尺度表以及对其划分的方式相同；
在子步骤412中，在划分的每个SINR区间Si中(i＝1，2，...，n)选择出一个在本区间内的信干扰比点qi，其中i＝1，2，...，n。每个信干扰比点qi同一个SINR区间Si对应。
在步骤S42中，在选出的每个信干扰比点处分别收集数据，并整理成若干个独立的数据集，每个数据集对应一个信干扰比点。
其中，在一些可能的实施方式中，步骤S42可以包括子步骤S421和S422：
在子步骤S421中，获得仿真或真实环境中的接收信干扰比，在接收信干扰比为qi(其中i＝1，2，...，n)时收集数据。收集的数据包括：K个PRB中DMRS位置处的信道响应估计值排列成的向量pi，K个PRB的信道响应的理想估计值Hi；
在子步骤S422中，将收集到的数据整理成n个数据集，每个数据集Di对应一个信干扰比点qi，其中i＝1，2，...，n。数据集Di包括：在信干扰比点qi下收集的K个PRB中DMRS位置处的信道响应估计值排列成的向量pi和K个PRB的信道响应的理想估计值Hi。
在步骤S43中，对收集到的每个数据集做预处理，得到与数据集个数相同的训练数据集。
其中，在一些可能的实施方式中，步骤S43可以包括子步骤S431至S437：
在子步骤S431中，对数据集Di，其中i＝1，2，...，n。获得Di中的向量pi，将向量pi中的元素按照采集时DMRS所在的时频点排列；
在子步骤S432中，将时频位置调整后的向量pi的实部与虚部分离，分别得到pi-re和pi-im；
在子步骤S433中，对时频位置调整后的向量pi的实部pi-re做二维插值得到粗略的信道响应估计值的实部hi-re，hi-re的维度同K个PRB的信道响应的理想估计值Hi相同；
在子步骤S434中，对时频位置调整后的向量pi的虚部pi-im做二维插值得到粗略的信道响应估计值的虚部hi-im，hi-im的维度同K个PRB的信道响应的理想估计值Hi相同；
在子步骤S435中，获得Di中K个PRB的信道响应的理想估计值Hi，将其实部与虚部分离，得到：Hi-re和Hi-im；
在子步骤S436中，组合预处理后的数据。hi-re为训练神经网络的输入数据，Hi-re为其对应的标签，hi-re和Hi-re构成一组训练数据y1_i；hi-im为训练神经网络的输入数据，Hi-im为其对应的标签，hi-im和Hi-im构成一组训练数据y2_i。y1_i和y2_i组合成训练数据集Zi；
在子步骤S437中，重复子步骤S431到S436，获得n个训练数据集。
在步骤S44中，用每个训练数据集独立地训练出一个神经网络模型，训练出的神经网络模型个数与训练数据集的个数相同。
其中，在一些可能的实施方式中，步骤S44可以包括子步骤S441至S443：
在子步骤S441中，对训练数据集Zi，i＝1，2，...，n，利用Zi训练出神经网络模型Mi；
在子步骤S442中，使用监督学习的方法，损失函数为均方误差，训练数据集Zi中的y1_i和y2_i共同用于训练神经网络模型Mi，其中，y1_i中的hi-re为输入数据，Hi-re为其对应的标签；y2_i中的hi-im为输入数据，Hi-im为其对应的标签；
在子步骤S443中，重复子步骤S431到S436，获得n个神经网络模型。
下述实施例将结合附图进一步进行说明。
图8是根据一示例性实施例示出的一种信道估计方法的流程图。如图8所示，信道估计方法，包括以下步骤。
在步骤S51中，确定SINR尺度，并基于尺度确定第一数量的SINR区间。
在本公开实施例中，基于确定的SINR尺度，确定出第一数量的SINR区间，并进一步确定每个确定的SINR点，SINR点用于确定收集信道响应估计值数据的DMRS时频位置。例如，在划分的每个SINR区间Si中(i＝1，2，...，n)选择出一个在本区间内的SINR点qi，其中i＝1，2，...，n。每个信干扰比点qi同一个SINR区间Si对应。
在步骤S52中，收集第一数量中每个SINR区间的信道响应估计值数据，得到第一数量的信道响应估计值训练数据集。
在本公开实施例中，接收仿真或真实环境中的接收SINR，基于每个SINR区间的SINR点qi，在接收的SINR为qi的情况下，收集对应SINR区间的信道响应估计值数据。收集的数据包括：K个PRB中DMRS位置处的信道响应估计值排列成的向量pi，K个PRB的信道响应的理想估计值Hi。
将收集到的数据整理成n个数据集Dn，每个数据集Di对应一个信干扰比点qi，其中i＝1，2，...，n。数据集Di包括：在信干扰比点qi下收集的K个PRB中DMRS位置处的信道响应估计值排列成的向量pi和K个PRB的信道响应的理想估计值Hi。对数据集Di，其中i＝1，2，...，n。获得Di中的向量pi，将向量pi中的元素按照采集时DMRS所在的时频点排列。将时频位置调整后的向量pi的实部与虚部分离，分别得到pi-re和pi-im。对时频位置调整后的向量pi的实部pi-re做二维插值得到粗略的信道响应估计值的实部hi-re，hi-re的维度同K个PRB的信道响应的理想估计值Hi相同。对时频位置调整后的向量pi的虚部pi-im做二维插值得到粗略的信道响应估计值的虚部hi-im，hi-im的维度同K个PRB的信道响应的理想估计值Hi相同。获得Di中K个PRB的信道响应的理想估计值Hi，将其实部与虚部分离，得到：Hi-re和Hi-im。组合预处理后的数据。hi-re为训练神经网络的输入数据，Hi-re为其对应的标签，hi-re和Hi-re构成一组训练数据y1_i；hi-im为训练神经网络的输入数据，Hi-im为其对应的标签，hi-im和Hi-im构成一组训练数据y2_i。y1_i和y2_i组合成训练数据集Zi。若第一数量为n，则i＝1，2，...，n。
在步骤S53中，基于第一数量的信道响应估计值训练数据集，对神经网络模型进行训练，得到第一数量的信道估计神经网络模型。
基于确定的组合训练数据，即，第一数量的信道响应估计值训练数据集，确定与每个信道响应估计值训练数据集对应的神经网络模型。基于每个信道响应估计值训练数据集单独训练与其对应的神经网络模型，得到第一数量的信道估计神经网络模型。
图9是根据一示例性实施例示出的一种信道估计方法的流程图。如图9所示，信道估计方法，包括以下步骤。
在步骤S61中，收集第一数量中每个SINR区间的实部训练数据集和虚部训练数据集。
在步骤S62中，基于实部训练数据集确定第一信道实部训练数据集，并确定与第一信道实部训练数据集对应的标签。
在步骤S63中，基于虚部训练数据集确定第一信道虚部训练数据集，并确定与第一信道虚部训练数据集对应的标签。
在步骤S64中，将第一数量中每个第一信道实部训练数据集及其对应标签，以及第一信道虚部训练数据集及其对应标签的组合数据，作为神经网络模型的输入，对神经网络模型进行训练，得到第一数量的信道估计神经网络模型。
在本公开实施例中，基于第一数量的信道响应估计值训练数据集，确定每个信道响应估计值训练数据集的实部训练数据集和虚部训练数据集。在每个信道响应估计值训练数据集中确定与第一信道实部训练数据集对应的标签，以及与第一信道虚部训练数据集对应的标签。按照每个信道响应估计值训练数据集独立训练神经网络模型的方式，即训练数据集Zi，训练神经网络模型Mi。使用监督学习的方法，损失函数为均方误差。训练数据集Zi中的y1_i和y2_i共同用于训练神经网络模型Mi，其中，y1_i中的hi-re为输入数据，Hi-re为其对应的标签；y2_i中的hi-im为输入数据，Hi-im为其对应的标签。获得第一数量的信道估计神经网络模型。
在本公开实施例中，神经网络模型可以由两部分串联构成，一部分是高分辨率卷积神经网络(Super Resolution Convolution Neural Network，SRCNN)，另一部分是降噪卷积神经网络(Denoising Convolution Neural Network，DNCNN)。
图10是根据一示例性实施例示出的一种信道估计方法的流程图。如图10所示，信道估计方法，包括以下步骤。
在步骤S71中，将第一数量中每个第一信道实部训练数据集以及对应标签，第一信道虚部训练数据集以及对应标签组合得到的训练组合数据。
在步骤S72中，将训练组合数据分别作为神经网络模型中DNCNN和SRCNN的输入，分别对DNCNN和SRCNN进行训练，得到训练之后第一数量的DNCNN模型和第一数量的SRCNN模型。
在步骤S73中，将第一数量的DNCNN模型和第一数量的SRCNN模型对应组合之后，得到第一数量的信道估计神经网络模型。
在本公开实施例中，可以对DNCNN和SRCNN分开进行训练，将第一数量中的每个训练组合数据作为神经网络模型中DNCNN的输入，对DNCNN进行训练，将训练组合数据作为神经网络模型中SRCNN的输入，对SRCNN进行训练，得到训练后的DNCNN模型和SRCNN模型。将DNCNN模型和SRCNN模型串联组合确定信道估计神经网络模型，从而得到第一数量的信道估计神经网络模型。
在本公开实施例中，通过对DNCNN和SRCNN分开进行训练，可以节省时间，提升模型的训练速度。
本公开需要说明的是，图11是根据一示例性实施例示出的一种信道估计方法的神经网络模型的具体结构图。如图11所示，SRCNN一共分为3层。第一层用于抓取模糊信道冲激响应的大块特征，使用卷积神经网络，使用n1个滤波器，其中每个滤波器的空间参数是c×f1×f1，c是输入层的通道数量。W[1]代表了进行n1次卷积操作的所有参数。B[1]表示为每次卷积后得到的输出，以广播的形式添加上偏差。该层激活函数使用ReLu。
F1(Y)＝ReLu(W[1]*Y+B[1])
第二层用作空间转换，将模糊信道特征所处的空间映射到理想信道估计出的特征所处的空间。卷积神经网络操作，使用n2个滤波器，其中每个滤波器的空间参数是n1×f2×f2，n1是通过第一层摘取后的通道数量。W[2]代表了进行n2次卷积操作的所有参数。B[2]表示为每次卷积后得到的输出，以广播的形式添加偏差。其中，神经网络在这一层的作用是起到n1维向量到n2维向量的一个非线性映射，可以考虑将滤波器空间参数设置为f2＝1。该层激活函数使用ReLu。
F2(Y)＝ReLu(W[2]*F1(Y)+B[2])
第三层用于将精准估计出的信道特征进行重构，重构出准确的信道冲激响应。卷积神经网络操作，使用c个滤波器(与输入层通道数对应)，其中每个滤波器的空间参数是n2×f3×f3，n2是线性映射后的通道数量。W[3]代表了进行c次卷积操作的所有参数。B[3]表示为每次卷积后得到的输出，以广播的形式添加上偏差。
F3(Y)＝W[3]*F2(Y)+B[3]
参数配置列表1：
表1
f1＝9 f2＝3 f3＝5
n1＝64 n2＝32 c＝1
Padding＝‘same’ Padding＝‘same’ Padding＝‘same’
可以理解的是，以上的表中的每一个元素都是独立存在的，这些元素被示例性的列在同一张表格中，但是并不代表表格中的所有元素必须根据表格中所示的同时存在。其中每一个元素的值，是不依赖于表中任何其他元素值。因此本领域内技术人员可以理解，该表中的每一个元素的取值都是一个独立的实施例。
以下描述神经网络DNCNN的结构。
信道冲激响应的频时域结构可以通过SRCNN得到同一目标高分辨率维度一致的时频域结构Y。DNCNN一共20层，可以划分为3部分。
第一部分共1层，卷积神经网络操作，使用n1个滤波器，其中每个滤波器的空间参数是c×f1×f1，c是输入层的通道数量。W[1]代表了进行n1次卷积操作的所有参数。B[1]表示为每次卷积后得到的输出，以广播的形式添加上偏差。该层激活函数使用ReLu。
F1(Y)＝ReLu(W[1]*Y+B[1])
第二部分共18层，卷积神经网络操作，使用ni个滤波器，其中每个滤波器的空间参数是ni-1×fi×fi，ni-1是前一层的通道数量。W[i]代表了进行ni次卷积操作的所有参数。B[i]表示为每次卷积后得到的输出，以广播的形式添加上偏差。为了防止过拟合和加快训练速度，每层在通过激活函数前先要通过Batch Normalization层，再使用ReLu激活函数。
Fi(Y)＝ReLu(BN(W[i]*Fi-1(Y)+B[i]))
i＝2,......,19
第三部分是残差网络层，先进行卷积，使用c个滤波器(与输入层通道数对应)，其中每个滤波器的空间参数是n19×f20×f20。W[20]代表了进行c次卷积操作的所有参数。B[20]表示为每次卷积后得到的输出，以广播的形式添加上偏差。再计算残差，用最开始输入神经网络的Y减去DNCNN的估计值，DNCNN用于估计输入时频域结构Y同理想时频域结构之间的噪声。可以在图片经过SRCNN后，实际训练时可以节省大量的等待时间。
F20(Y)＝Y-(W[20]*F19(Y)+B[20])
参数配置列表2：
表2
第1层 第2至第19层 第20层
f1＝3 f2-19＝3 f20＝3
n1＝64 n2-19＝64 c＝1
Padding＝‘same’ Padding＝‘same’ Padding＝‘same’
可以理解的是，以上的表中的每一个元素都是独立存在的，这些元素被示例性的列在同一张表格中，但是并不代表表格中的所有元素必须根据表格中所示的同时存在。其中每一个元素的值，是不依赖于表中任何其他元素值。因此本领域内技术人员可以理解，该表中的每一个元素的取值都是一个独立的实施例。
图12是根据一示例性实施例示出的一种信道估计方法的流程图。如图12所示，信道估计方法，包括以下步骤。
在步骤S81中，确定信道中解调参考信号DMRS所在位置的信道响应估计值。
在步骤S82中，将信道响应估计值的实部和虚部分离，并分别对实部和虚部进行插值处理，得到第一信道实部和第一信道虚部。
在步骤S83中，将第一信道实部和第一信道虚部组合得到的复数，确定为第一信道响应估计值。
在本公开实施例中，获得K个PRB中所有DMRS位置处的信道响应估计值，将其构成一个向量p。将向量p的实部与虚部分离，分别得到：p-re和p-im。对DMRS位置处信道响应估计值构成的向量的实部和虚部分别做二维插值，得到粗略的信道响应估计值的实部和虚部。对向量p的实部p-re做二维插值得到粗略的信道响应估计值的实部h-re。对向量p的虚部p-im做二维插值得到粗略的信道响应估计值的虚部h-im。将粗略的信道响应估计值的实部h-re和粗略的信道响应估计值的虚部h-im组合，确定第一信道响应估计值。
图13是根据一示例性实施例示出的一种信道估计方法的流程图。如图13所示，信道估计方法，包括以下步骤。
在步骤S91中，将第一信道响应估计值的第一信道实部和第一信道虚部分别输入至信道估计神经网络模型，得到第二信道实部和第二信道虚部。
在步骤S92中，将第二信道实部和第二信道虚部组合的复数，确定为第二信道响应估计值。
在本公开实施例中，以接收信号的信干扰比SINR属于区间Si为例，则选择神经网络模型Mi来估计信道。将h-re通过神经网络模型Mi得到估计出的准确的信道响应值的实部H-re。将h-im通过神经网络模型Mi得到估计出的准确的信道响应值的虚部H-im。将H-re和H-im组合成：H＝H-re+H-im×j。H为准确的信道响应估计值。即，第二信道响应估计值。
基于相同的构思，本公开实施例还提供一种信道估计装置。
可以理解的是，本公开实施例提供的信道估计装置为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。结合本公开实施例中所公开的各示例的单元及算法步骤，本公开实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本公开实施例的技术方案的范围。
图14是根据一示例性实施例示出的一种信道估计装置框图。参照图14，该信道估计装置100，包括确定模块101和估计模块102。
确定模块101，用于确定与信干扰比SINR对应的信道估计神经网络模型，并确定信道的第一信道响应估计值。估计模块102，用于将第一信道响应估计值输入至信道估计神经网络模型，得到信道的第二信道响应估计值。确定模块101，用于将第二信道响应估计值确定为信道的估计值。
在本公开实施例中，确定模块101，用于确定SINR区间与信道估计神经网络模型的对应关系，并确定SINR所在SINR区间。根据对应关系，确定与SINR所在SINR区间对应的信道估计神经网络模型。
在本公开实施例中，确定模块101，用于确定SINR尺度，并基于尺度确定第一数量的SINR区间。收集第一数量中每个SINR区间的信道响应估计值数据，得到第一数量的信道响应估计值训练数据集。基于第一数量的信道响应估计值训练数据集，对神经网络模型进行训练，得到第一数量的信道估计神经网络模型。
在本公开实施例中，确定模块101，用于收集第一数量中每个SINR区间的实部训练数据集和虚部训练数据集。基于实部训练数据集确定第一信道实部训练数据集，并确定与第一信道实部训练数据集对应的标签。基于虚部训练数据集确定第一信道虚部训练数据集，并确定与第一信道虚部训练数据集对应的标签。将第一数量中每个第一信道实部训练数据集及其对应标签，以及第一信道虚部训练数据集及其对应标签的组合数据，作为神经网络模型的输入，对神经网络模型进行训练，得到第一数量的信道估计神经网络模型。
在本公开实施例中，神经网络模型包括降噪卷积神经网络DNCNN和高分辨率卷积神经网络SRCNN。
确定模块101，用于将将第一数量中每个第一信道实部训练数据集以及对应标签，第一信道虚部训练数据集以及对应标签组合得到的训练组合数据。将训练组合数据分别作为神经网络模型中DNCNN和SRCNN的输入，分别对DNCNN和SRCNN进行训练，得到训练之后第一数量的DNCNN模型和第一数量的SRCNN模型。将第一数量的DNCNN模型和第一数量的SRCNN模型对应组合之后，得到第一数量的信道估计神经网络模型。
在本公开实施例中，确定模块101，用于确定信道中解调参考信号DMRS所在位置的信道响应估计值。将信道响应估计值的实部和虚部分离，并分别对实部和虚部进行插值处理，得到第一信道实部和第一信道虚部。将第一信道实部和第一信道虚部组合得到的复数，确定为第一信道响应估计值。
在本公开实施例中，确定模块101，用于将第一信道响应估计值的第一信道实部和第一信道虚部分别输入至信道估计神经网络模型，得到第二信道实部和第二信道虚部。将第二信道实部和第二信道虚部组合的复数，确定为第二信道响应估计值。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图15是根据一示例性实施例示出的一种用于信道估计的装置200的框图。例如，装置200可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图15，装置200可以包括以下一个或多个组件：处理组件202，存储器204，电力组件206，多媒体组件208，音频组件210，输入/输出(I/O)接口212，传感器组件214，以及通信组件216。
处理组件202通常控制装置200的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件202可以包括一个或多个处理器220来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件202可以包括一个或多个模块，便于处理组件202和其他组件之间的交互。例如，处理组件202可以包括多媒体模块，以方便多媒体组件208和处理组件202之间的交互。
存储器204被配置为存储各种类型的数据以支持在装置200的操作。这些数据的示例包括用于在装置200上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器204可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电力组件206为装置200的各种组件提供电力。电力组件206可以包括电源管理系统，一个或多个电源，及其他与为装置200生成、管理和分配电力相关联的组件。
多媒体组件208包括在所述装置200和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件208包括一个前置摄像头和/或后置摄像头。当装置200处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件210被配置为输出和/或输入音频信号。例如，音频组件210包括一个麦克风(MIC)，当装置200处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器204或经由通信组件216发送。在一些实施例中，音频组件210还包括一个扬声器，用于输出音频信号。
I/O接口212为处理组件202和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件214包括一个或多个传感器，用于为装置200提供各个方面的状态评估。例如，传感器组件214可以检测到装置200的打开/关闭状态，组件的相对定位，例如所述组件为装置200的显示器和小键盘，传感器组件214还可以检测装置200或装置200一个组件的位置改变，用户与装置200接触的存在或不存在，装置200方位或加速/减速和装置200的温度变化。传感器组件214可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件214还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件214还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件216被配置为便于装置200和其他设备之间有线或无线方式的通信。装置200可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件216经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件216还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置200可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器204，上述指令可由装置200的处理器220执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图16是根据一示例性实施例示出的一种用于信道估计的装置300的框图。例如，装置300可以被提供为一服务器。参照图16，装置300包括处理组件322，其进一步包括一个或多个处理器，以及由存储器332所代表的存储器资源，用于存储可由处理组件322的执行的指令，例如应用程序。存储器332中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件322被配置为执行指令，以执行上述方法。
装置300还可以包括一个电源组件326被配置为执行装置300的电源管理，一个有线或无线网络接口350被配置为将装置300连接到网络，和一个输入输出(I/O)接口358。装置300可以操作基于存储在存储器332的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。需要注意的是，在本公开的一些可能的实施方式中，根据信干扰比SINR选择不同神经网络估计模型的步骤并不是必需的。原因在于：在实践中，在一些特定的信干扰比点下训练出的模型在所有干扰环境下都有较好的估计性能。另外，在算力允许的前提下，完全可以将不同信干扰比点下采集的数据集用来训练一个神经网络模型，从而增强该网络的泛化能力，使其足以应对一定范围内所有强度的干扰噪声。
进一步可以理解的是，本公开中“多个”是指两个或两个以上，其它量词与之类似。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
进一步可以理解的是，术语“第一”、“第二”等用于描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开，并不表示特定的顺序或者重要程度。实际上，“第一”、“第二”等表述完全可以互换使用。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。
进一步可以理解的是，本公开实施例中尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利范围指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利范围来限制。

Claims (14)

1.一种信道估计方法，其特征在于，所述方法包括：
确定与信干扰比SINR对应的信道估计神经网络模型，并确定信道的第一信道响应估计值；
将所述第一信道响应估计值输入至所述信道估计神经网络模型，得到所述信道的第二信道响应估计值；
将所述第二信道响应估计值确定为所述信道的估计值；
其中，所述确定与信道信干扰比SINR对应的信道估计神经网络模型，包括：
确定SINR区间与信道估计神经网络模型的对应关系，并根据接收的信道状态信息参考信号所计算出的SINR，确定所述SINR所在SINR区间；
根据所述对应关系，确定与所述SINR所在SINR区间对应的信道估计神经网络模型。
2.根据权利要求1所述的信道估计方法，其特征在于，所述确定SINR区间与信道估计神经网络模型的对应关系，包括：
确定SINR尺度，并基于所述尺度确定第一数量的SINR区间；
收集第一数量中每个所述SINR区间的信道响应估计值数据，得到第一数量的信道响应估计值训练数据集；
基于所述第一数量的信道响应估计值训练数据集，对神经网络模型进行训练，得到第一数量的信道估计神经网络模型。
3.根据权利要求2所述的信道估计方法，其特征在于，所述基于所述第一数量的信道响应估计值训练数据集，对神经网络模型进行训练，得到第一数量的神经网络模型，包括：
收集所述第一数量中每个SINR区间的实部训练数据集和虚部训练数据集；
基于所述实部训练数据集确定第一信道实部训练数据集，并确定与所述第一信道实部训练数据集对应的标签；
基于所述虚部训练数据集确定第一信道虚部训练数据集，并确定与所述第一信道虚部训练数据集对应的标签；
将第一数量中每个所述第一信道实部训练数据集及其对应标签，以及所述第一信道虚部训练数据集及其对应标签的组合数据，作为神经网络模型的输入，对所述神经网络模型进行训练，得到第一数量的信道估计神经网络模型。
4.根据权利要求3所述的信道估计方法，其特征在于，所述神经网络模型包括降噪卷积神经网络DNCNN和高分辨率卷积神经网络SRCNN；
所述将第一数量中每个所述第一信道实部训练数据集及其对应标签，以及所述第一信道虚部训练数据集及其对应标签的组合数据，分别作为神经网络模型的输入，对所述神经网络模型进行训练，得到第一数量的信道估计神经网络模型，包括：
将所述将第一数量中每个所述第一信道实部训练数据集以及对应标签，所述第一信道虚部训练数据集以及对应标签组合得到的训练组合数据；
将所述训练组合数据分别作为神经网络模型中DNCNN和SRCNN的输入，分别对所述DNCNN和SRCNN进行训练，得到训练之后第一数量的DNCNN模型和第一数量的SRCNN模型；
将所述第一数量的DNCNN模型和第一数量的SRCNN模型对应组合之后，得到第一数量的信道估计神经网络模型。
5.根据权利要求1所述的信道估计方法，其特征在于，所述确定所述信道的第一信道响应估计值，包括：
确定信道中解调参考信号DMRS所在位置的信道响应估计值；
将所述信道响应估计值的实部和虚部分离，并分别对所述实部和虚部进行插值处理，得到第一信道实部和第一信道虚部；
将所述第一信道实部和第一信道虚部组合得到的复数，确定为所述第一信道响应估计值。
6.根据权利要求1或5所述的信道估计方法，其特征在于，所述将所述第一信道响应估计值输入至所述信道估计神经网络模型，得到所述信道的第二信道响应估计值，包括：
将所述第一信道响应估计值的第一信道实部和第一信道虚部分别输入至所述信道估计神经网络模型，得到第二信道实部和第二信道虚部；
将所述第二信道实部和第二信道虚部组合的复数，确定为第二信道响应估计值。
7.一种信道估计装置，其特征在于，所述装置包括：
确定模块，用于确定与信干扰比SINR对应的信道估计神经网络模型，并确定信道的第一信道响应估计值；
估计模块，用于将所述第一信道响应估计值输入至所述信道估计神经网络模型，得到所述信道的第二信道响应估计值；
其中，所述确定模块用于将所述第二信道响应估计值确定为所述信道的估计值，确定SINR区间与信道估计神经网络模型的对应关系，并根据接收的信道状态信息参考信号所计算出的SINR，确定所述SINR所在SINR区间，根据所述对应关系，确定与所述SINR所在SINR区间对应的信道估计神经网络模型。
8.根据权利要求7所述的信道估计装置，其特征在于，所述确定模块，用于：
确定SINR尺度，并基于所述尺度确定第一数量的SINR区间；
收集第一数量中每个所述SINR区间的信道响应估计值数据，得到第一数量的信道响应估计值训练数据集；
基于所述第一数量的信道响应估计值训练数据集，对神经网络模型进行训练，得到第一数量的信道估计神经网络模型。
9.根据权利要求8所述的信道估计装置，其特征在于，所述确定模块，用于：
收集所述第一数量中每个SINR区间的实部训练数据集和虚部训练数据集；
基于所述实部训练数据集确定第一信道实部训练数据集，并确定与所述第一信道实部训练数据集对应的标签；
基于所述虚部训练数据集确定第一信道虚部训练数据集，并确定与所述第一信道虚部训练数据集对应的标签；
将第一数量中每个所述第一信道实部训练数据集及其对应标签，以及所述第一信道虚部训练数据集及其对应标签的组合数据，作为神经网络模型的输入，对所述神经网络模型进行训练，得到第一数量的信道估计神经网络模型。
10.根据权利要求9所述的信道估计装置，其特征在于，所述神经网络模型包括降噪卷积神经网络DNCNN和高分辨率卷积神经网络SRCNN；
所述确定模块，用于：
将所述将第一数量中每个所述第一信道实部训练数据集以及对应标签，所述第一信道虚部训练数据集以及对应标签组合得到的训练组合数据；
将所述训练组合数据分别作为神经网络模型中DNCNN和SRCNN的输入，分别对所述DNCNN和SRCNN进行训练，得到训练之后第一数量的DNCNN模型和第一数量的SRCNN模型；
将所述第一数量的DNCNN模型和第一数量的SRCNN模型对应组合之后，得到第一数量的信道估计神经网络模型。
11.根据权利要求7所述的信道估计装置，其特征在于，所述确定模块，用于：确定信道中解调参考信号DMRS所在位置的信道响应估计值；
将所述信道响应估计值的实部和虚部分离，并分别对所述实部和虚部进行插值处理，得到第一信道实部和第一信道虚部；
将所述第一信道实部和第一信道虚部组合得到的复数，确定为所述第一信道响应估计值。
12.根据权利要求7或11所述的信道估计装置，其特征在于，所述确定模块，用于：
将所述第一信道响应估计值的第一信道实部和第一信道虚部分别输入至所述信道估计神经网络模型，得到第二信道实部和第二信道虚部；
将所述第二信道实部和第二信道虚部组合的复数，确定为第二信道响应估计值。
13.一种信道估计装置，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行权利要求1-6中任意一项所述的信道估计方法。
14.一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行权利要求1-6中任意一项所述的信道估计方法。
CN202180001895.9A 2021-06-22 2021-06-22 一种信道估计方法、信道估计装置及存储介质 Active CN115769552B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2021/101641 WO2022266859A1 (zh) 2021-06-22 2021-06-22 一种信道估计方法、信道估计装置及存储介质

Publications (2)

Publication Number Publication Date
CN115769552A CN115769552A (zh) 2023-03-07
CN115769552B true CN115769552B (zh) 2026-01-02

Family

ID=84543896

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180001895.9A Active CN115769552B (zh) 2021-06-22 2021-06-22 一种信道估计方法、信道估计装置及存储介质

Country Status (4)

Country Link
US (1) US20240291695A1 (zh)
EP (1) EP4362404A4 (zh)
CN (1) CN115769552B (zh)
WO (1) WO2022266859A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023159547A1 (en) * 2022-02-28 2023-08-31 Qualcomm Incorporated Parameters for lattice reduction
US20240214835A1 (en) * 2022-12-23 2024-06-27 Qualcomm Incorporated Modem performance optimization under high frequency drift
CN122027404B (zh) * 2026-04-16 2026-07-07 齐鲁工业大学(山东省科学院) 一种结合超分与去噪联合模型的ofdm信道估计方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110474663A (zh) * 2019-08-08 2019-11-19 广州大学 一种基于神经网络的可迭代式智能化信号检测方法
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

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102651723B (zh) * 2011-02-25 2015-06-10 澜起科技（上海）有限公司 基于时域训练序列的信道估计方法及系统
WO2014153777A1 (en) * 2013-03-29 2014-10-02 Nec(China) Co., Ltd. Methods and apparatuses for data transmission in a wireless communication system
DE102013112273B4 (de) * 2013-11-07 2019-04-18 Intel IP Corporation Techniken zur Kanalschätzung
CN107743103B (zh) * 2017-10-26 2020-02-14 北京交通大学 基于深度学习的mmtc系统的多节点接入检测和信道估计方法
CN110266620B (zh) * 2019-07-08 2020-06-30 电子科技大学 基于卷积神经网络的3d mimo-ofdm系统信道估计方法
CN111510402B (zh) * 2020-03-12 2021-08-27 西安电子科技大学 基于深度学习的ofdm信道估计方法
CN112953862A (zh) * 2021-02-07 2021-06-11 哈尔滨工程大学 一种基于深度学习的高速铁路场景信道估计方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110474663A (zh) * 2019-08-08 2019-11-19 广州大学 一种基于神经网络的可迭代式智能化信号检测方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A Deep Learning-based Approach to 5G-New Radio Channel Estimation;ZIMAGLIA ELISA;IEEE;20210608;1-5章 *

Also Published As

Publication number Publication date
EP4362404A4 (en) 2024-08-14
WO2022266859A1 (zh) 2022-12-29
EP4362404A1 (en) 2024-05-01
CN115769552A (zh) 2023-03-07
US20240291695A1 (en) 2024-08-29

Similar Documents

Publication Publication Date Title
CN113170343B (zh) 波束失败检测方法、波束失败检测装置及存储介质
CN114223299A (zh) 传输配置指示状态确定方法、装置及存储介质
CN114531355B (zh) 通信方法、装置及通信设备
EP4362404A1 (en) Channel estimation method, channel estimation apparatus, and storage medium
CN115486183B (zh) 用于pusch的通信方法、用于pusch的通信装置及存储介质
CN115997353B (zh) 一种信道状态信息反馈方法、装置、设备及存储介质
WO2025099054A1 (en) Analytics and interactions for support application layer ml/ai
CN115997405B (zh) 信道状态信息上报方法、装置及存储介质
CN114467277B (zh) 资源元素群组捆确定、映射方法和装置
CN113841347B (zh) 物理下行控制信道监测方法、装置及存储介质
CN118176681A (zh) 一种波束预测方法、装置、设备及存储介质
WO2023197329A1 (zh) 定位方法、装置、通信设备和存储介质
US20240283499A1 (en) Precoding matrix determination methods, user equipment, and base station
CN115997399B (zh) 幅度系数的上报方法、装置及存储介质
EP4668963A1 (en) Transmission configuration indication state determination method and device, transmission configuration indication state configuration method and device, and storage medium
EP4572161A1 (en) Coordinated multi-point transmission method and apparatus and storage medium
CN114365517A (zh) 一种频率切换方法、频率切换装置及存储介质
CN116261832B (zh) 一种信道状态信息上报方法、装置及存储介质
CN112448908B (zh) Pts的发送方法、接收方法、发送端设备及接收端设备
CN118104171A (zh) 相位跟踪参考信号的关联指示方法、装置及存储介质
CN118542038A (zh) 波束失败检测参考信号资源的确定方法、装置及存储介质
CN116830540A (zh) 一种上行通信方法、装置及存储介质
CN120894287B (zh) 扩散重构误差增强的扩散模型伪造图像定位方法与装置
CN115997367B (zh) 传输配置指示状态的确定方法、装置及存储介质
EP4614907A1 (en) Transmission method and apparatus for sounding reference signal, and medium

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