CN116319190A - 基于gan的大规模mimo系统信道估计方法、装置、设备及介质 - Google Patents
基于gan的大规模mimo系统信道估计方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116319190A CN116319190A CN202310231727.XA CN202310231727A CN116319190A CN 116319190 A CN116319190 A CN 116319190A CN 202310231727 A CN202310231727 A CN 202310231727A CN 116319190 A CN116319190 A CN 116319190A
- Authority
- CN
- China
- Prior art keywords
- layer
- gan
- channel estimation
- denoising
- mimo system
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- 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
- 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
- H04L25/0224—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
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network 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)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Radio Transmission System (AREA)
Abstract
本发明公开了一种基于GAN的大规模MIMO系统信道估计方法、装置、设备及介质,方法包括以下步骤:接收MIMO系统的发送端发送的导频信号,基于预先设计并训练的去噪神经网络,对接收到的信号进行去噪;根据去噪后得到的信号,使用随机梯度下降算法优化预先设计并训练的GAN的随机输入,得到最优的GAN输入。该基于GAN的大规模MIMO系统信道估计方法、装置、设备及介质,通过对接收信号进行了有效的去噪,降低了信道估计过程中噪声对信道估计的影响,并且采用注意力机制有效地利用了角度域信道的空间聚集稀疏结构,将整个角度空间分割成多个小角度区域,分别关注这些小区域,过滤掉无关信息对本区域信道学习的影响,提高了信道学习的效率和信道估计的准确性。
Description
技术领域
本发明涉及一种基于GAN的大规模MIMO系统信道估计方法、装置、设备及介质,属于通信系统中信道估计技术领域。
背景技术
大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)技术是第五代(5G)和未来蜂窝通信系统的关键技术之一。大规模MIMO系统通过以分布式或集中式方式在基站部署大规模天线,利用了比传统MIMO系统更多的空间自由度,在不增加频谱资源和发射功率的情况下成倍地增加信道容量,并通过充分利用空间资源显著降低用户间的干扰。在大规模MIMO系统中,准确的上行链路和下行链路信道状态信息(Channel StateInformation,CSI)对于信号检测、波束形成、资源分配、信号预处理等至关重要。在多天线系统的信道估计中,为了保证信道估计的准确性,通常使用导频的长度大于发射天线的数量,当天线数目较多时会导致显著的导频开销。利用信道的稀疏结构等特性可以使用压缩感知方法进行信道估计,但是该方法的复杂度随着天线的数量的增加而增加,随着大规模MIMO的使用,此类方法存在复杂度高、功耗或导频开销大、需要大量的计算时间和资源等问题,不能满足实际部署中的实时处理要求。
近几年,深度学习(DeepLearing,DL)技术已经较为广泛的应用于无线通信领域中,在解决无线信道估计问题方面,深度学习凭借强大的函数拟合能力为信道估计问题提供了有效的模型,利用深度学习的这一能力可以在更少的导频开销,以及获得更低的计算复杂度的同时保证信道估计精度。
现有的利用深度学习进行信道估计的方案较多关注于深度网络本身的改进,而忽视了噪声对信道估计结果的影响,噪声混合在接收信号中会降低信道估计的准确性,并且现有的方案大多没有对信道自身的稀疏结构加以利用。
可见,为避免噪声混合在接收信号中对降低信道估计准确性的影响,亟需一种基于GAN的大规模MIMO系统信道估计方法、装置、存储介质。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种基于GAN的大规模MIMO系统信道估计方法、装置、设备及介质,通过对接收信号进行有效的去噪,降低了信道估计过程中噪声对信道估计的影响,并且采用注意力机制有效关注信道的各个局部区域,提高了信道学习的效率和信道估计的准确性。
为达到上述目的,本发明是采用下述技术方案实现的:
第一方面,本发明提供了一种基于GAN的大规模MIMO系统信道估计方法,包括以下步骤:
接收MIMO系统的发送端发送的导频信号,基于预先设计并训练的去噪神经网络,对接收到的信号进行去噪;
根据去噪后得到的信号,使用随机梯度下降算法优化预先设计并训练的生成对抗网络GAN的随机输入,得到最优的GAN输入;
将获得的最优的GAN输入送入GAN生成器,并根据其输出结果获得最优的信道估计值;
其中,预先设计并训练的GAN,包括注意力机制模块,用于赋予GAN判别器重点关注信道各个局部区域的能力。
进一步的,所述去噪神经网络采用自动编码器的结构,包括三个编码器块和三个解码器块,其中,
每个编码器块包含依次连接的一个卷积层、一个规范化层和一个LeakyReLU激活函数层,每个解码器块由依次连接的上采样层、卷积层、规范化层和一个LeakyReLU激活函数层组成;
每个卷积层设置有32个大小为3×3的卷积核;
每个编码器块和其对应解码器块之间设置有跳跃连接。
进一步的,所述GAN生成器网络包括生成器输入层、生成器隐藏层和生成器输出层,其中,
所述GAN生成器网络包括依次连接的生成器输入层、生成器隐藏层和生成器输出层,其中,
所述生成器输入层为GAN生成器网络的第一层,其包括全连接层,采用LeakyReLU激活函数处理低维向量并重塑为三维向量;
第二、三、四层分别为所述生成器隐藏层,每个生成器隐藏层由依次连接的上采样层、卷积层、批量归一化层和LeakyReLU激活函数层组成,其中卷积层为卷积核大小为5×5、步长为1的二维卷积;
第五层为所述生成器输出层,其采用卷积核大小为2、步长为2的二维卷积。
进一步的,所述GAN判别器网络包括依次连接的判别器输入层、判别器隐藏层和判别器输出层,其中,
所述判别器输入层为GAN判别器网络的第一层,其包括依次连接的卷积核大小为3×3、步长为1的二维卷积层,激活函数LeakyReLU层以及注意力机制模块;
第二、三、四层分别为判别器隐藏层,每个判别器隐藏层包含依次连接的卷积核大小为3×3、步长为1的二维卷积层、批量归一化层、LeakyReLU激活函数层以及注意力机制模块;
第五层为所述判别器输出层,其包括全连接层。
进一步的,所述注意力机制模块的构造方法,包括以下步骤:
对原始特征矩阵进行全局平均池化,将每个特征矩阵的每列压缩成一个实数,这个实数具有全局的感受野,并且输出的维度和输入的特征矩阵列数相匹配;
使用一个包含三层全连接层的神经网络为原始特征矩阵的每个特征列生成权重,将神经网络的输出的向量参数作为特征选择后得到的每个特征列的重要性权重,对原始特征矩阵的原有特征进行加权,完成在列的维度上的对原始特征矩阵的重标定。
进一步的,所述去噪神经网络的训练方法,包括以下步骤:
将接收信号作为样本数据输入去噪神经网络,将两个独立的含噪接收信号之间的均方误差函数作为训练网络的代价函数;
利用ADAM优化算法更新深度神经网络的网络参数,设置初始学习率;
利用样本数据对去噪神经网络进行离线训练,获得训练后的去噪神经网络。
进一步的,所述生成对抗网络的训练方法,包括以下步骤:
将信道样本数据输入生成对抗网络,采用生成器和判别器博弈的方式学习真实信道的分布。
利用ADAM优化算法更新深度神经网络的网络参数,设置初始学习率;
利用信道样本数据对生成对抗网络进行离线训练,获得训练后的生成对抗网络。
第二方面,本发明提供了一种基于GAN的大规模MIMO系统信道估计装置,包括:
信号去噪模块:用于接收MIMO系统的发送端发送的导频信号,基于预先设计并训练的去噪神经网络,对接收到的信号进行去噪;
GAN输入优化模块:用于根据去噪后得到的信号,使用随机梯度下降算法优化预先设计并训练的生成对抗网络GAN的随机输入,得到最优的GAN输入;
信道估计值生成模块:用于将获得的最优的GAN输入送入GAN生成器,并根据其输出结果获得最优的信道估计值;
其中,预先设计并训练的GAN,包括注意力机制模块,用于赋予GAN判别器重点关注信道各个局部区域的能力。
第三方面,本发明提供了一种基于GAN的大规模MIMO系统信道估计设备,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据第一方面所述方法的步骤。
第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面所述方法的步骤。
与现有技术相比,本发明所达到的有益效果:
本发明提供的基于GAN的大规模MIMO系统信道估计方法、装置、设备及介质,通过对接收信号进行有效的去噪,降低了信道估计过程中噪声对信道估计的影响,并且采用注意力机制有效地利用了角度域信道的空间聚集稀疏结构,将整个角度空间分割成多个小角度区域,分别关注这些小区域,过滤掉无关信息对本区域信道学习的影响,提高了信道学习的效率和信道估计的准确性。
附图说明
图1为实施例一提供的基于GAN的大规模MIMO系统信道估计方法的流程示意图;
图2为实施例一提供的基于GAN的大规模MIMO系统信道估计方法的原理示意图;
图3为实施例一采用的去噪网络的结构图;
图4为实施例一采用的注意力机制的结构图;
图5为GAN信道估计方法、OMP信道估计方法以及实施例一提供的信道估计方法,这三种信道估计方法的信道归一化均方误差-信噪比曲线对比图;
图6为实施例二提供的基于GAN的大规模MIMO系统信道估计装置的原理示意图;
图7为实施例一提供的基于GAN的大规模MIMO系统信道估计方法实现的具体过程图。
具体实施方式
下面通过附图以及具体实施例对本发明技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
本文中术语“和/或”,仅仅是一种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。另外,本文中字符"/",一般表示前后关联对象是一种“或”的关系。
实施例一:
图1是本发明实施例一中的一种基于GAN的大规模MIMO系统信道估计方法的流程图。本实施例提供的基于GAN的大规模MIMO系统信道估计方法可应用于终端,可以由基于GAN的大规模MIMO系统信道估计装置来执行,该装置可以由软件和/或硬件的方式实现,该装置可以集成在终端中,例如:任一具备通信功能的智能手机,平板电脑或计算机设备。参见图1,本实施的方法具体包括如下步骤:
步骤A:接收MIMO系统的发送端发送的导频信号,基于预先设计并训练的去噪神经网络,对接收到的信号进行去噪;
步骤B:根据去噪后得到的信号,使用随机梯度下降算法优化预先设计并训练的生成对抗网络GAN的随机输入,得到最优的GAN输入;
步骤C:将获得的最优的GAN输入送入GAN生成器,并根据其输出结果获得最优的信道估计值;
其中,预先设计并训练的GAN,包括注意力机制模块,用于赋予GAN判别器重点关注信道各个局部区域的能力。
作为一种新兴的生成框架,GAN展现出了强大的生成模拟样本即捕获实际数据的分布的能力,已经被用于信道估计领域。去噪卷积网络(DnCNN)、深度图像先验(DIP)、Noise2Noise等是常用于图像去噪领域的深度学习方案,并且取得了不错的去噪效果,将这些去噪方法用于信道估计领域可以显著提高估计信道的质量。而注意力机制已广泛地应用在深度学习的诸多领域。基于注意力机制的模型不仅能够记录信息间的位置关系,还能依据信息的权重去度量不同信息特征的重要性。这些技术合理的用于信道估计领域将取得有益的效果。
所述去噪神经网络采用自动编码器的结构,包括三个编码器块和三个解码器块,其中,
每个编码器块包含依次连接的一个卷积层、一个规范化层和一个LeakyReLU激活函数层,每个解码器块由依次连接的上采样层、卷积层、规范化层和一个LeakyReLU激活函数层组成;
每个卷积层设置有32个大小为3×3的卷积核;
每个编码器块和其对应解码器块之间设置有跳跃连接,增加跳跃连接使得编码器块和解码器块的特征映射通过级联层进行组合,以保留不同分辨率下特征细节,从而保留不同尺度的信息。
所述GAN生成器网络包括依次连接的生成器输入层、生成器隐藏层和生成器输出层,其中,
所述生成器输入层为GAN生成器网络的第一层,其包括全连接层,采用LeakyReLU激活函数处理低维向量并重塑为三维向量;
第二、三、四层分别为所述生成器隐藏层模块,每个生成器隐藏层模块由依次连接的上采样层、卷积层、批量归一化层和LeakyReLU激活函数层组成,其中卷积层为卷积核大小为5×5、步长为1的二维卷积;
第五层为所述生成器输出层,其采用卷积核大小为2、步长为2的二维卷积。上采样会提高维度,以便在生成器输出端输出的数据与真实信道矩阵具有相同的尺寸
所述GAN判别器网络包括依次连接的判别器输入层、判别器隐藏层和判别器输出层,其中,
所述判别器输入层为GAN判别器网络的第一层,其包括依次连接的卷积核大小为3×3、步长为1的二维卷积层,激活函数LeakyReLU层以及注意力机制模块;
第二、三、四层分别为判别器隐藏层,每个判别器隐藏层包含依次连接的卷积核大小为3×3、步长为1的二维卷积层、批量归一化层、LeakyReLU激活函数层以及注意力机制模块;
第五层为所述判别器输出层,其包括全连接层。根据输出层输出的均值将生成器输出的信道数据分类为真实或者虚假。
由于生成器学习到的信道分布的质量依赖于判别器的评判,因此判别器区分真实信道和虚假信道的能力,对于生成器能否高质量的捕获真实信道数据十分关键,因此,本发明在GAN中采用了在注意力机制模块,赋予判别器重点关注信道各个局部区域的能力;本实施例中注意力机制模块的构造方法,包括以下步骤:
压缩操作:对原始特征矩阵进行全局平均池化,将每个特征矩阵的每列压缩成一个实数,这个实数具有全局的感受野,并且输出的维度和输入的特征矩阵列数相匹配;
权重学习:使用一个包含三层全连接层的神经网络为原始特征矩阵的每个特征列生成权重,将神经网络的输出的向量参数作为特征选择后得到的每个特征列的重要性权重,对原始特征矩阵的原有特征进行加权,完成在列的维度上的对原始特征矩阵的重标定。注意力机制的结构图如图4所示。
所述去噪神经网络的训练方法,包括以下步骤:
将接收信号作为样本数据输入去噪神经网络,将两个独立的含噪接收信号之间的均方误差函数作为训练网络的代价函数,表达式为:
式中,yn1和yn2是两个含独立噪声的接收信号,函数f是去噪神经网络输入和输出之间的映射关系,T表示训练样本的数量,θ表示去噪神经网络的权值参数。
利用ADAM优化算法更新深度神经网络的网络参数,设置初始学习率,本实施例中将初始学习率设置为0.01,epochs设置为50,bath size设置为100;
利用样本数据对去噪神经网络进行离线训练,将训练后的网络部署在接收端,本实施例中使用了1000个数据样本作为训练数据集,50个数据用于测试。
去噪网络的样本数据,通过在信道未发生变化的时间间隙内两次发送导频信号,将接收到的导频信号作为来自同一不含噪声的导频信号的两个独立的含噪的版本。通过上述方法生成足够多的用于训练去噪网络的信号样本。。
所述生成对抗网络的训练方法,包括以下步骤:
将信道样本数据输入生成对抗网络,采用生成器和判别器博弈的方式学习真实信道的分布,其代价函数如下:
minGmaxDf(G,D)=E[hD(D(x;θd))]+E[hG(D(G(z;θg)))]
其中,
hD(D(x;θd))=D(x;θd)
hG(D(G(z;θg)))=-D(G(z;θg))
式中,G(z)代表输入噪声到数据空间的映射,D(x)代表x是真实信道数据的概率,hD(D(x;θd))和hG(D(G(z;θg))分别代表判别器和生成器的损失函数。在本实施例中采用瓦瑟斯坦距离作为损失函数,采用该损失函数可以减少模式崩溃的发生。
利用ADAM优化算法更新深度神经网络的网络参数,设置初始学习率,本实施例中初始学习率设置为0.001,epochs设置为100,bath size设置为200;
利用信道样本数据对生成对抗网络进行离线训练,将训练后的生成器网络部署在接收端,本实施例中初始学习率设置为0.001,epochs设置为100,bath size设置为200。
本实施例采用COST2100模型生成原始信道矩阵数据作为训练生成对抗网络时输入的信道样本数据,并采用5.3GHz的场景,基站以20m×20m的正方形区域为中心,而用户设备在正方形内随机移动。基站采用均匀线性阵列,基站的天线数量为256,用户数量为32。
将原始信道矩阵数据进行离散傅里叶变换,利用变换后的样本数据进行生成对抗网络的离线训练。
通过对信道矩阵进行离散傅立叶变换,获得角度域的近似稀疏信道矩阵,定义角度域的信道Ha如下:
Ha=FaHsFb
式中,Fa和Fb为离散傅里叶变换矩阵,Hs是原始MIMO信道矩阵。
首先,接收端对接收到的信号进行去噪预处理后得到去噪后的信号y,y将用于优化生成网络的输入的过程中。其次,利用随机梯度下降算法求解如下目标:
z*=argminzf(y,XG(z))
的最优解,其中y是经过去噪网络后得到的去噪后的接收信号,f代表二范数函数功能,X是测量矩阵,z*表示最优的GAN输入,z代表输入GAN生成器的随机噪声序列。通过随机梯度下降算法求解得到最优的随机输入噪声序列,该最优输入序列对应的GAN生成器的输出G(z)即为最优的信道估计值。
为进一步验证本实施例方法的性能,结合仿真对本实施例的信道估计方法性能进行验证。图5为GAN信道估计方法、OMP信道估计方法、本文提出的信道估计方法,这三种信道估计方法的信道归一化均方误差-信噪比曲线对比图。可见,本实施例提出的信道估计方法具有更好的性能,尤其低信噪比时性能优异,这是因为本文提出的去噪方案对接收信号进行了有效的去噪,降低了信道估计过程中噪声对信道估计的影响,并且采用注意力机制有效地利用了角度域信道的空间聚集稀疏结构,将整个角度空间分割成多个小角度区域,分别关注这些小区域,过滤掉无关信息对本区域信道学习的影响,提高了信道学习的效率和准确性。
综上所述,本实施例提供的基于GAN的大规模MIMO系统信道估计方法,对接收信号进行了有效的去噪,降低了信道估计过程中噪声对信道估计的影响,并且采用注意力机制有效地利用了角度域信道的空间聚集稀疏结构,将整个角度空间分割成多个小角度区域,分别关注这些小区域,过滤掉无关信息对本区域信道学习的影响,提高了信道学习的效率和信道估计的准确性。
实施例二:
如图6所示,本实施例提供了一种基于GAN的大规模MIMO系统信道估计装置,包括:
信号去噪模块:用于接收MIMO系统的发送端发送的导频信号,基于预先设计并训练的去噪神经网络,对接收到的信号进行去噪;
GAN输入优化模块:用于根据去噪后得到的信号,使用随机梯度下降算法优化预先设计并训练的生成对抗网络GAN的随机输入,得到最优的GAN输入;
信道估计值生成模块:用于将获得的最优的GAN输入送入GAN生成器,并根据其输出结果获得最优的信道估计值;
其中,预先设计并训练的GAN,包括注意力机制模块,用于赋予GAN判别器重点关注信道各个局部区域的能力。
本发明实施例所提供的基于GAN的大规模MIMO系统信道估计装置可执行本发明任意实施例所提供的基于GAN的大规模MIMO系统信道估计装置方法,具备执行方法相应的功能模块和有益效果。
实施例三:
本发明实施例还提供了一种基于GAN的大规模MIMO系统信道估计设备,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行下述方法的步骤:
接收MIMO系统的发送端发送的导频信号,基于预先设计并训练的去噪神经网络,对接收到的信号进行去噪;
根据去噪后得到的信号,使用随机梯度下降算法优化预先设计并训练的生成对抗网络GAN的随机输入,得到最优的GAN输入;
将获得的最优的GAN输入送入GAN生成器,并根据其输出结果获得最优的信道估计值。
实施例四:
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现下述方法的步骤:
接收MIMO系统的发送端发送的导频信号,基于预先设计并训练的去噪神经网络,对接收到的信号进行去噪;
根据去噪后得到的信号,使用随机梯度下降算法优化预先设计并训练的生成对抗网络GAN的随机输入,得到最优的GAN输入;
将获得的最优的GAN输入送入GAN生成器,并根据其输出结果获得最优的信道估计值。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于GAN的大规模MIMO系统信道估计方法,其特征是,所述方法包括以下步骤:
接收MIMO系统的发送端发送的导频信号,基于预先设计并训练的去噪神经网络,对接收到的信号进行去噪;
根据去噪后得到的信号,使用随机梯度下降算法优化预先设计并训练的生成对抗网络GAN的随机输入,得到最优的GAN输入;
将获得的最优的GAN输入送入GAN生成器,并根据其输出结果获得最优的信道估计值;
其中,预先设计并训练的GAN,包括注意力机制模块,用于赋予GAN判别器重点关注信道各个局部区域的能力。
2.根据权利要求1所述的基于GAN的大规模MIMO系统信道估计方法,其特征是,所述去噪神经网络采用自动编码器的结构,包括三个编码器块和三个解码器块,其中,
每个编码器块包含依次连接的一个卷积层、一个规范化层和一个LeakyReLU激活函数层,每个解码器块由依次连接的上采样层、卷积层、规范化层和一个LeakyReLU激活函数层组成;
每个卷积层设置有32个大小为3×3的卷积核;
每个编码器块和其对应解码器块之间设置有跳跃连接。
3.根据权利要求1所述的基于GAN的大规模MIMO系统信道估计方法,其特征是,所述GAN生成器网络包括依次连接的生成器输入层、生成器隐藏层和生成器输出层,其中,
所述生成器输入层为GAN生成器网络的第一层,其包括全连接层,采用LeakyReLU激活函数处理低维向量并重塑为三维向量;
第二、三、四层分别为所述生成器隐藏层,每个生成器隐藏层由依次连接的上采样层、卷积层、批量归一化层和LeakyReLU激活函数层组成,其中卷积层为卷积核大小为5×5、步长为1的二维卷积;
第五层为所述生成器输出层,其采用卷积核大小为2、步长为2的二维卷积。
4.根据权利要求1所述的基于GAN的大规模MIMO系统信道估计方法,其特征是,所述GAN判别器网络包括依次连接的判别器输入层、判别器隐藏层和判别器输出层,其中,
所述判别器输入层为GAN判别器网络的第一层,其包括依次连接的卷积核大小为3×3、步长为1的二维卷积层,激活函数LeakyReLU层以及注意力机制模块;
第二、三、四层分别为判别器隐藏层,每个判别器隐藏层包含依次连接的卷积核大小为3×3、步长为1的二维卷积层、批量归一化层、LeakyReLU激活函数层以及注意力机制模块;
第五层为所述判别器输出层,其包括全连接层。
5.根据权利要求1所述的基于GAN的大规模MIMO系统信道估计方法,其特征是,所述注意力机制模块的构造方法,包括以下步骤:
对原始特征矩阵进行全局平均池化,将每个特征矩阵的每列压缩成一个实数,这个实数具有全局的感受野,并且输出的维度和输入的特征矩阵列数相匹配;
使用一个包含三层全连接层的神经网络为原始特征矩阵的每个特征列生成权重,将神经网络的输出的向量参数作为特征选择后得到的每个特征列的重要性权重,对原始特征矩阵的原有特征进行加权,完成在列的维度上的对原始特征矩阵的重标定。
6.根据权利要求1所述的基于GAN的大规模MIMO系统信道估计方法,其特征是,所述去噪神经网络的训练方法,包括以下步骤:
将接收信号作为样本数据输入去噪神经网络,将两个独立的含噪接收信号之间的均方误差函数作为训练网络的代价函数;
利用ADAM优化算法更新深度神经网络的网络参数,设置初始学习率;
利用样本数据对去噪神经网络进行离线训练,获得训练后的去噪神经网络。
7.根据权利要求1所述的基于GAN的大规模MIMO系统信道估计方法,其特征是,所述生成对抗网络的训练方法,包括以下步骤:
将信道样本数据输入生成对抗网络,采用生成器和判别器博弈的方式学习真实信道的分布;
利用ADAM优化算法更新深度神经网络的网络参数,设置初始学习率;
利用信道样本数据对生成对抗网络进行离线训练,获得训练后的生成对抗网络。
8.一种基于GAN的大规模MIMO系统信道估计装置,其特征是,包括:
信号去噪模块:接收MIMO系统的发送端发送的导频信号,基于预先设计并训练的去噪神经网络,对接收到的信号进行去噪;
GAN输入优化模块:用于根据去噪后得到的信号,使用随机梯度下降算法优化预先设计并训练的生成对抗网络GAN的随机输入,得到最优的GAN输入;
信道估计值生成模块:用于将获得的最优的GAN输入送入GAN生成器,并根据其输出结果获得最优的信道估计值;
其中,预先设计并训练的GAN,包括注意力机制模块,用于赋予GAN判别器重点关注信道各个局部区域的能力。
9.一种基于GAN的大规模MIMO系统信道估计设备,其特征是,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1~7任一项所述方法的步骤。
10.计算机可读存储介质,其上存储有计算机程序,其特征是,该程序被处理器执行时实现权利要求1~7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310231727.XA CN116319190A (zh) | 2023-03-10 | 2023-03-10 | 基于gan的大规模mimo系统信道估计方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310231727.XA CN116319190A (zh) | 2023-03-10 | 2023-03-10 | 基于gan的大规模mimo系统信道估计方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116319190A true CN116319190A (zh) | 2023-06-23 |
Family
ID=86799018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310231727.XA Pending CN116319190A (zh) | 2023-03-10 | 2023-03-10 | 基于gan的大规模mimo系统信道估计方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116319190A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116886475A (zh) * | 2023-09-05 | 2023-10-13 | 中国信息通信研究院 | 一种信道估计方法、设备及系统 |
-
2023
- 2023-03-10 CN CN202310231727.XA patent/CN116319190A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116886475A (zh) * | 2023-09-05 | 2023-10-13 | 中国信息通信研究院 | 一种信道估计方法、设备及系统 |
CN116886475B (zh) * | 2023-09-05 | 2023-12-22 | 中国信息通信研究院 | 一种信道估计方法、设备及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | Convolutional neural network-based multiple-rate compressive sensing for massive MIMO CSI feedback: Design, simulation, and analysis | |
CN110163813B (zh) | 一种图像去雨方法、装置、可读存储介质及终端设备 | |
CN110531313B (zh) | 一种基于深度神经网络回归模型的近场信号源定位方法 | |
CN111464220A (zh) | 一种基于深度学习的信道状态信息重建方法 | |
CN108616470A (zh) | 基于卷积神经网络的调制信号识别方法 | |
CN111965632B (zh) | 一种基于黎曼流形降维的雷达目标检测方法 | |
US20190005619A1 (en) | Image upscaling system, training method thereof, and image upscaling method | |
CN111800811A (zh) | 一种频谱异常的无监督检测方法、装置、设备及存储介质 | |
CN116319190A (zh) | 基于gan的大规模mimo系统信道估计方法、装置、设备及介质 | |
Yin et al. | Deep CSI compression for massive MIMO: A self-information model-driven neural network | |
Guo et al. | Deep learning for joint channel estimation and feedback in massive MIMO systems | |
Wang et al. | A robust approach to optimum widely linear MVDR beamformer | |
CN111654456B (zh) | 基于降维分解的毫米波大规模mimo角域信道估计方法及装置 | |
CN112464787A (zh) | 基于空间融合注意力的遥感图像舰船目标细粒度分类方法 | |
CN109709510A (zh) | 一种相干信源二维波达方向的估计方法及系统 | |
CN114884775A (zh) | 一种基于深度学习的大规模mimo系统信道估计方法 | |
CN114567359A (zh) | 一种大规模mimo系统中基于多分辨率融合卷积反馈网络的csi反馈方法 | |
US20230353426A1 (en) | Channel Estimation for an Antenna Array | |
CN105375992B (zh) | 基于梯度算子和数学形态学的频谱空洞检测方法 | |
Xiao et al. | Multi-scale attention based channel estimation for RIS-aided massive MIMO systems | |
CN112468203A (zh) | 深度迭代神经网络用低秩csi反馈方法、存储介质及设备 | |
CN114296134B (zh) | 一种深度卷积网络地震资料解混方法及系统 | |
CN115061155A (zh) | 一种抗干扰极化敏感阵列重构方法 | |
CN114047481A (zh) | 一种基于子空间正交性的稳健自适应波束形成方法 | |
CN112668439A (zh) | 基于无线信号的人体姿势估计方法及装置 |
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 |