CN116319196B - THz-MIMO系统中基于SRGAN信道估计方法 - Google Patents

THz-MIMO系统中基于SRGAN信道估计方法 Download PDF

Info

Publication number
CN116319196B
CN116319196B CN202310591372.5A CN202310591372A CN116319196B CN 116319196 B CN116319196 B CN 116319196B CN 202310591372 A CN202310591372 A CN 202310591372A CN 116319196 B CN116319196 B CN 116319196B
Authority
CN
China
Prior art keywords
channel
estimation
matrix
srgan
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.)
Active
Application number
CN202310591372.5A
Other languages
English (en)
Other versions
CN116319196A (zh
Inventor
季薇
蒋奕采
李飞
李汀
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202310591372.5A priority Critical patent/CN116319196B/zh
Publication of CN116319196A publication Critical patent/CN116319196A/zh
Application granted granted Critical
Publication of CN116319196B publication Critical patent/CN116319196B/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
    • 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
    • H04L25/0224—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
    • H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
    • 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)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明公开了THz‑MIMO系统中基于SRGAN信道估计方法，属于信道估计技术领域；发送端采用正交的导频设计，在第k个子载波对应的频率处沿着空时域发送信号矩阵；接收端从接收信号中提取导频信息，最小二乘法对基于导频的信道矩阵进行初步估计；对超分辨生成对抗网络进行离线训练，获得最佳网络权重的生成器完成基于导频的信道预估计矩阵空时域补全；将相干带宽内连续的D个子载波作为信道估计单元，每个信道估计单元中各子载波上依次减少导频。每个子载波上的信道结合当前的和上一子载波接收到的导频共同估计当前信道。信道状态信息合并得到完整的信道状态信息。本发明保证信道估计的准确性，同时利用信道频率相关性降低信道估计导频开销。

Description

THz-MIMO系统中基于SRGAN信道估计方法
技术领域
本发明属于信道估计技术领域，具体涉及THz-MIMO系统中基于SRGAN信道估计方法。
背景技术
随着大容量、高速率、低时延通信需求的爆发式增长，即使是新一代无线通信系统，仍然面临着巨大的挑战。太赫兹频段由于频点较高、频带资源丰富，能够提供从几十吉赫兹到几太赫兹的带宽，面向太赫兹频段的通信技术有望解决当前无线通信系统频谱稀缺和容量限制的问题，其相关研究受到了研究人员的广泛关注。其中，作为系统设计和性能分析的重要环节，太赫兹通信系统中的信道估计成为了研究的热点。
信道估计是从接收数据中将假定的某个信道模型的模型参数估计出来的过程。传统的基于导频的信道估计方法由于其收敛速度快、复杂度相对较低的优点，成为大多数无线通信系统信道估计的常用方法。然而，随着信道数据规模的增大，常用的基于最小二乘和线性最小均方误差的估计算法，其计算复杂度带来很大的应用局限性。与传统的信道估计方法相比，基于机器学习(ML)的信道估计算法把无线通信系统看作从发送端经过信道到接收端的映射，从提供的数据样本中学习训练，它更能揭示数据内部的固有特征，因此，在解决无线通信中的各种问题时可以获得更好的性能。比如，基于三维卷积神经网络结构、基于卷积神经网络和递归神经网络相结合的网络结构在MIMO系统中都取得了良好的效果。2019年，Mehran Soltani等人首次提出一种基于超分辨率深度学习的信道估计框架，将衰落信道的时频响应视为二维图像，并应用ChannelNet网络根据导频值求出整个信道状态信息(CSI)。这种将信道估计视为图像恢复过程的方法，为基于深度学习的信道估计开辟了新的研究路径，相关学者也对基于图像处理的无线信道估计进行了研究。
生成对抗网络模型作为一种基于无监督学习的复杂分布训练方法，在计算机视觉领域发挥了重要的作用，将该方法引入无线通信系统，推动人工智能无线通信技术已经成为新一代的研究热潮。由于信道矩阵和图像的相似性，近年来有部分研究工作利用生成对抗网络模型设计信道估计器。比如，将基于导频的信道矩阵视作低分辨率的图像，利用超分辨率生成对抗网络模型(SRGAN)来估计整个信道状态信息。虽然，生成对抗网络模型在准确度方面有着极大的优势，但准确度的提升是以网络参数量变得更高、计算量变得更大以及网络模型变得越来越臃肿为代价的。在实际场景中，多普勒频移的快速变化将导致神经网络在训练过程中学到的映射关系与实际的信道环境不一致。这意味着如果我们简单地训练一次生成对抗网络模型，然后将其用于连续数据传输，是无法适用的。这就对生成对抗网络模型的规模和收敛速度提出了极高的要求。更重要的是，太赫兹频段具有的严重多普勒效应和高路径损耗将给信道带来的极大不确定，导致信道状态信息的获取和跟踪非常困难。在大型天线阵太赫兹系统中，要获得准确的信道状态信息需要更多的导频符号来进行信道估计和补全，这对移动通信的效率有很大影响。因此，面向太赫兹频段的信道估计算法在追求较高精确度的同时，需要充分考虑网络的复杂度和导频开销的影响。
发明内容
本发明的目的在于提供THz-MIMO系统中基于SRGAN信道估计方法，以解决上述背景技术中提出的问题和达到的效果。
本发明目的是这样实现的：THz-MIMO系统中基于SRGAN信道估计方法，其特征在于：该信道估计方案包括以下步骤：
步骤S1:发送端采用正交的导频设计，并按设计好的导频图案，在第k个子载波对应的频率处沿着天线和时间维度发送信号矩阵Xk＝FkSk，其中，Fk表示发送端的波束赋形向量，Sk表示发送的符号矩阵；
步骤S2:发送信号矩阵Xk经过无线信道Hk到达接收端后，得到接收端的时频域导频图案，经过去除CP前缀处理和FFT变换得到接收信号Rk＝HkFkSk；接收信号Rk经过接收端的合并向量Wk H处理信号矩阵Yk＝Wk HHkFkSk；
利用最小二乘算法初步估计得出基于导频信道状态信息Qk；其中，Qk为第k个子载波上的空时域基于导频的预估计矩阵；
步骤S3:通过对抗网络模型SRGAN完成初步估计的信道矩阵的空时域补全，获得完整的空、时域信道状态信息Hk；采用根据太赫兹信道模型产生的信道数据样本对对抗网络模型SRGAN进行离线训练；所述对抗网络模型SRGAN包括生成模型和判别模型，生成模型作为信道估计器使用；
步骤S4:经过训练的对抗网络模型SRGAN生成对抗网络模型的最佳网络权重；基于当前网络权重生成的信道与实时信道信息存在差距，在线上估计阶段，采用梯度下降法对基于导频的预估计信道进行迭代更新，最终得到最优的基于导频的预估计信道Q*；
其中，G(Q)为生成器生成的信道矩阵，为基于最小二乘和线性插值粗略估计的信道矩阵，此时生成器基于Q*能够实时预测信道信息；
步骤S5:将相干带宽内连续的D个子载波作为一个信道估计单元，不同单元之间互不重叠，并将一个信道估计单元输入训练后对抗网络模型SRGAN中进行信道估计；
步骤S6:一个信道单元完成信道估计后，将缓存清零用于下一个信道单元的信道估计；最后将步骤S5得到的信道状态信息合并，从而得到完整的信道状态信息。
优选的，所述步骤S1中并按设计好的导频图案，在第k个子载波对应的频率处沿着天线和时间维度发送信号矩阵Xk＝FkSk具体操作如下：
步骤S1-1:使用MIMO系统中S-V模型建模，采用归一化线性阵列；收发端之间NT×NR的时延域信道矩阵表示为：
其中，L表示传播路径数，αl是第l条路径(l＝1,…,L)的增益，τl表示第l条路径的延迟；Gt,l和Gr,l分别表示发送端和接收端的天线增益；和φl∈[0,2π]分别表示第l条路径的到达角和离开角，它们均服从零均值的拉普拉斯分布；aR(·)和/>分别表示接收端和发射端的阵列导向矢量；
步骤S1-2:将MIMO系统带宽设为B＝KΔf，K表示OFDM调制模块子载波总数，Δf表示载波间隔；根据得到太赫兹MIMO系统中，第k个子载波对应的频率处的频率域信道响应：
步骤S1-3:导频图样在时域和空域插入导频，在空域上，第一根天线发送导频时，其他天线上不进行传输；在时域上，导频以时间间隔Nd发射长度相同的导频，两个导频发送时间点的间隔时间全部用于数据传输，实现空、时域上的正交。
优选的，所述步骤S2中利用最小二乘算法初步估计得出基于导频信道状态信息Qk，具体操作如下：
步骤S2-1：通过射频链路控制天线，使其间隔地接收导频，在接收端基带，第k个子载波的接收信号表示为：
Yk＝Wk HRk＝Wk HHkFkSk+Wk HNk；
将上式化简为：
Yk＝WHHkF+WHNk；
其中，WH为预编码矩阵的转置共轭矩阵：Nk为噪声向量；
步骤S2-2：经过预估计模块对接收导频信号进行信道估计，即分别左乘和右乘矩阵GL和GR并输出的初步估计值，
Qk＝GLYkGR＝GLWk HHkFkGR+GLWk HNkGR；
其中，GL＝(WWH)-1W，GR＝FH(FFH)-1。
优选的，所述步骤S3中采用根据太赫兹信道模型产生的信道数据样本对网络进行离线训练，具体操作如下：
步骤S3-1：通过太赫兹超大规模信道仿真器构建太赫兹信道估计的训练数据集，取导频处粗略估计值和对应理想信道响应作为训练样本；
步骤S3-2：从数据集中依次选取第k个子载波对应频率处两个连续的相干时间为n0和n0+1，将n0和n0+1时刻得到初步估计的结果Qk[n0]和Qk[n0+1]输入生成器通过获取导频点处的信道时空特性将信道矩阵的缺失部分进行补全，得到完整的空、时域信道矩阵
其中，γ表示生成对抗网络模型的参数；
步骤S3-3：利用空间、时间和频率三维相关性的特性对对抗网络模型SRGAN进行训练；
步骤S3-4：对抗网络模型SRGAN训练完成后，测试集测试网络是否训练得足够好，使得信道估计的结果满足一定的精度，否则需要根据结果重新调试网络超参数。
优选的，所述步骤S4中采用梯度下降法对基于导频的预估计信道进行迭代更新，最终得到最优的基于导频的预估计信道Q*，具体步骤如下：
步骤S4-1:根据梯度下降算法，定义生成器生成的信道矩阵为G(Q)，信道矩阵G(Q)、基于最小二乘和线性插值粗略估计的信道矩阵之间的均方误差为目标函数，表达式为：
其中，G(Q)为生成器生成的信道频率响应，步长α为学习速率，为G(Q)在Q处的梯度；
步骤S4-2:经过不断的迭代，最终得到最优的基于导频的预估计信道Q*以及最优信道估计G(Q*)。
优选的，所述步骤S5中将一个信道估计单元输入训练后对抗网络模型SRGAN中进行信道估计，具体步骤为：
步骤S5-1：在子载k处的信道估计采用全导频得到初步估计结果Qk[n0],Qk[n0+1]和补全结果缓存Qk[n0],Qk[n0+1]在子载波k+1处的信道补全；
步骤S5-2：在子载波k+1处导频数量减半，为了利用相邻子载波之间的相关性，将Qk[n0],Qk[n0+1]、以及子载波k+1处得到的初步估计结果Qk+1[n0],Qk+1[n0+1]一起输入到SRGAN网络中，经过补全得到信道信息同时缓存Qk+1[n0],Qk+1[n0+1]；
步骤S5-3：在子载波k+2处，将Qk[n0],Qk[n0+1]、Qk+1[n0],Qk+1[n0+1]和Qk+2[n0],Qk+2[n0+1]一起输入SRGAN网络中，经过补全得到信道信息同时缓存Qk+2[n0],Qk+2[n0+1]；
步骤S5-4：在子载波k+3处，将Qk[n0],Qk[n0+1]、Qk+1[n0],Qk+1[n0+1]和Qk+2[n0],Qk+2[n0+1]一起输入对抗网络模型SRGAN中，经过补全得到信道信息同时缓存Qk+2[n0],Qk+2[n0+1]。
优选的，所述步骤S3-3中利用空间、时间和频率三维相关性的特性对抗网络模型SRGAN进行训练，具体操作如下：
将基于导频的信道矩阵和真实的信道矩阵分别看作低分辨率图像和高分辨率图像，并将信道估计转化为超分辨率恢复的问题；
低分辨率图像经过生成模型生成对应的超分辨率图像，再将生成的超分辨率图像和真实的高分辨率图像一起输入判别模型进行判定，判别模型的输出代表对每张输入图像的真假判定，求取判定结果的误差后对模型参数进行调整，使模型在迭代学习中自动更新内部参数，SRGAN模型其对抗模式的目标可定义为：
其中，γG和γD分别表示生成器和鉴别器的参数；H为真实信道矩阵，为H通过判别模型被判断为真实信道矩阵的概率；Q为基于导频的预估计矩阵，/>为生成模型由预估计矩阵Q生成的信道矩阵，而/>为生成的信道矩阵通过判别模型后，被判断为真实信道的概率，生成器希望尽量接近真实信道分布的预测信道矩阵，并提高预测信道矩阵判别模型的输出值，即/>越接近1越好，这时V(G,D)会变小；
判别模型需要判断预测信道矩阵与真实信道矩阵的相似度，降低预测信道矩阵的输出值并调高真实信道的输出值，让接近1，而让/>接近0，这时V(G,D)会增大；当/>收敛于1/2时，即判别模型无法区分生成样本和真样本，训练终止。
优选的，所述信道估计单元为相干带宽内连续的D个子载波；D＝4，信道估计单元包含k，k+1，k+2，k+3四个信道子载波，用于SRGAN-1、SRGAN-2、SRGAN-3和SRGAN-4对应的子载波进行信道估计。
与现有技术相比，本发明具有如下改进及优点：1、通过将对抗网络模型作为信道估计器使用，将对抗网络模型中生成模型原有的卷积层用轻量化的深度可分离卷积替代，将倒置残差模块作为生成对抗网络模型的深度特征提取部分，使其能够在网络参数更少、计算量更小的基础上实现更优的性能。
2、通过结合轻量级网络模型高效的特征提取能力，实现了低功耗硬件环境下的信道估计任务，保证较高信道估计的准确性，同时显著降低信道估计所需的导频开销和生成对抗网络模型带来的运算复杂度。
附图说明
图1为本发明的整体流程图。
图2为本发明发送端的导频图。
图3为本发明接收端的导频图。
图4为本发明对抗网络模型的输入输出数据的结构图。
图5为本发明对抗网络模型的信道估计图。
图6为本对抗网络模型的信道估计方案的示意图。
图7为本信道在线估计流程图。
图8为本发明太赫兹MIMO系统的模型图。
具体实施方式
以下结合附图对本发明做进一步概述。
参阅图1-7，THz-MIMO系统中基于SRGAN信道估计方法，该信道估计方案包括以下步骤：
太赫兹MIMO系统带宽设为B＝KΔf，K表示OFDM调制模块子载波总数，Δf表示载波间隔；第k个子载波对应的频率处的信道状态信息为Hk，为了估计Hk，采用正交的导频设计。
步骤S1:发送端采用正交的导频设计，并按设计好的导频图案，在第k个子载波对应的频率处沿着天线和时间维度发送信号矩阵Xk＝FkSk，其中，Fk表示发送端的波束赋形向量，Sk表示发送的符号矩阵；
步骤S1-1:使用MIMO系统中S-V模型建模，采用归一化线性阵列；收发端之间NT×NR的时延域信道矩阵表示为：
其中，L表示传播路径数，αl是第l条路径(l＝1,…,L)的增益，τl表示第l条路径的延迟；Gt,l和Gr,l分别表示发送端和接收端的天线增益；和φl∈[0,2π]分别表示第l条路径的到达角和离开角，它们均服从零均值的拉普拉斯分布；aR(·)和/>分别表示接收端和发射端的阵列导向矢量；
步骤S1-2:将MIMO系统带宽设为B＝KΔf，K表示OFDM调制模块子载波总数，Δf表示载波间隔；根据得到太赫兹MIMO系统中，第k个子载波对应的频率处的频率域信道响应：
步骤S1-3:导频图样在时域和空域插入导频，在空域上，第一根天线发送导频时，其他天线上不进行传输；在时域上，导频以时间间隔Nd发射长度相同的导频，两个导频发送时间点的间隔时间全部用于数据传输，实现空、时域上的正交。
步骤S2:发送信号矩阵Xk经过无线信道Hk到达接收端后，得到接收端的时频域导频图案，经过去除CP前缀处理和FFT变换得到接收信号Rk＝HkFkSk；接收信号Rk经过接收端的合并向量Wk H处理信号矩阵Yk＝Wk HHkFkSk；
利用最小二乘算法初步估计得出基于导频信道状态信息Qk；其中，Qk[n]为第k个子载波上的空时域基于导频的预估计矩阵；
利用最小二乘算法初步估计得出基于导频信道状态信息Qk，具体操作如下：
步骤S2-1：通过射频链路控制天线，使其间隔地接收导频，在接收端基带，第k个子载波的接收信号表示为：
Yk＝Wk HRk＝Wk HHkFkSk+Wk HNk；
将上式化简为：
Yk＝WHHkF+WHNk；
其中，WH为预编码矩阵的转置共轭矩阵：Nk为噪声向量；
步骤S2-2：经过预估计模块对接收导频信号进行信道估计，即分别左乘和右乘矩阵GL和GR并输出的初步估计值，
Qk＝GLYkGR＝GLWk HHkFkGR+GLWk HNkGR；
其中，GL＝(WWH)-1W，GR＝FH(FFH)-1。
步骤S3:通过对抗网络模型SRGAN完成初步估计的信道矩阵的空时域补全，获得完整的空、时域信道状态信息Hk；采用根据太赫兹信道模型产生的信道数据样本对对抗网络模型SRGAN进行离线训练；
Qk中只有信道空时域的部分信息，需要对抗网络模型SRGAN完成对初步估计的信道矩阵的空时域补全，获得完整的空时域信道状态信息Hk，为了能够进行有效的预测，采用根据太赫兹信道模型产生的信道数据样本对网络进行离线训练，充分利用训练样本中的信道信息，使网络能够有效地学习信道的空时非稳态特性；
采用根据太赫兹信道模型产生的信道数据样本对网络进行离线训练，具体操作如下：
步骤S3-1：通过太赫兹超大规模信道仿真器构建太赫兹信道估计的训练数据集，别取导频处粗略估计值和对应理想信道响应作为训练样本；
步骤S3-2：从数据集中依次选取第k个子载波对应频率处两个连续的相干时间为n0和n0+1，将n0和n0+1时刻得到初步估计的结果Qk[n0]和Qk[n0+1]输入生成器通过获取导频点处的信道时空特性将信道矩阵的缺失部分进行补全，得到完整的空、时域信道矩阵
其中，γ表示生成对抗网络模型的参数；
步骤S3-3：利用空间、时间和频率三维相关性的特性对对抗网络模型SRGAN进行训练；
将基于导频的信道矩阵和真实的信道矩阵分别看作低分辨率图像和高分辨率图像，并将信道估计转化为超分辨率恢复的问题；
低分辨率图像经过生成模型生成对应的超分辨率图像，再将生成的超分辨率图像和真实的高分辨率图像一起输入判别模型进行判定，判别模型的输出代表对每张输入图像的真假判定，求取判定结果的误差后对模型参数进行调整，使模型在迭代学习中自动更新内部参数，SRGAN模型其对抗模式的目标可定义为：
其中，γG和γD分别表示生成器和鉴别器的参数；H为真实信道矩阵，为H通过判别模型被判断为真实信道矩阵的概率；Q为基于导频的预估计矩阵，/>为生成模型由预估计矩阵Q生成的信道矩阵，而/>为生成的信道矩阵通过判别模型后，被判断为真实信道的概率，生成器希望尽量接近真实信道分布的预测信道矩阵，并提高预测信道矩阵判别模型的输出值，即/>越接近1越好，这时V(G,D)会变小；
判别模型需要判断预测信道矩阵与真实信道矩阵的相似度，降低预测信道矩阵的输出值并调高真实信道的输出值，让接近1，而让/>接近0，这时V(G,D)会增大；当/>收敛于1/2时，即判别模型无法区分生成样本和真样本，训练终止。
步骤S3-4：对抗网络模型SRGAN训练完成后，测试集测试网络是否训练得足够好，使得信道估计的结果满足一定的精度，否则需要根据结果重新调试网络超参数。
步骤S4:经过训练的对抗网络模型SRGAN生成对抗网络模型的最佳网络权重；基于当前网络权重生成的信道与实时信道信息存在差距，在线上估计阶段，采用梯度下降法对基于导频的预估计信道进行迭代更新，最终得到最优的基于导频的预估计信道Q*；
其中，G(Q)为生成器生成的信道矩阵，为基于最小二乘和线性插值粗略估计的信道矩阵，此时生成器基于Q*能够实时预测信道信息；
经过训练的对抗网络模型SRGAN生成对抗网络模型SRGAN的最佳网络权重，生成的信道H符合训练集的信道分布，但是由于信道具有时变特性，基于当前网络权重生成的信道与实时信道信息存在差距。为了增强超分辨率生成对抗网络模型SRGAN对时变信道预测的鲁棒性，在线上估计阶段，采用梯度下降法对基于导频的预估计信道进行迭代更新，最终得到最优的基于导频的预估计信道Q*；
采用梯度下降法对基于导频的预估计信道进行迭代更新，最终得到最优的基于导频的预估计信道Q*，具体步骤如下：
步骤S4-1:根据梯度下降算法，定义生成器生成的信道矩阵为G(Q)，信道矩阵G(Q)、基于最小二乘和线性插值粗略估计的信道矩阵之间的均方误差为目标函数，表达式为：
其中，G(Q)为生成器生成的信道频率响应，步长α为学习速率，为G(Q)在Q处的梯度；
步骤S4-2:经过不断的迭代，最终得到最优的基于导频的预估计信道Q*以及最优信道估计G(Q*)。
步骤S5:将相干带宽内连续的D个子载波作为一个信道估计单元，不同单元之间互不重叠，并将一个信道估计单元输入训练后对抗网络模型SRGAN中进行信道估计；
信道估计单元为相干带宽内连续的D个子载波；D＝4，信道估计单元包含k，k+1，k+2，k+3四个信道子载波，用于SRGAN-1、SRGAN-2、SRGAN-3和SRGAN-4对应的子载波进行信道估计。
将一个信道估计单元输入训练后对抗网络模型SRGAN中进行信道估计，具体步骤为：
步骤S5-1：在子载k处的信道估计采用全导频得到初步估计结果Qk[n0],Qk[n0+1]和补全结果缓存Qk[n0],Qk[n0+1]在子载波k+1处的信道补全；
步骤S5-2：在子载波k+1处导频数量减半，为了利用相邻子载波之间的相关性，将Qk[n0],Qk[n0+1]、以及子载波k+1处得到的初步估计结果Qk+1[n0],Qk+1[n0+1]一起输入到SRGAN网络中，经过补全得到信道信息同时缓存Qk+1[n0],Qk+1[n0+1]；
步骤S5-3：在子载波k+2处，将Qk[n0],Qk[n0+1]、Qk+1[n0],Qk+1[n0+1]和Qk+2[n0],Qk+2[n0+1]一起输入SRGAN网络中，经过补全得到信道信息同时缓存Qk+2[n0],Qk+2[n0+1]；
步骤S5-4：在子载波k+3处，将Qk[n0],Qk[n0+1]、Qk+1[n0],Qk+1[n0+1]和Qk+2[n0],Qk+2[n0+1]一起输入对抗网络模型SRGAN中，经过补全得到信道信息同时缓存Qk+2[n0],Qk+2[n0+1]。
将一个信道估计单元输入训练后对抗网络模型SRGAN中进行信道估计，具体操作如下：
步骤S5-1：在子载k处的信道估计采用全导频得到初步估计结果Qk[n0],Qk[n0+1]和补全结果缓存Qk[n0],Qk[n0+1]在子载波k+1处的信道补全；
步骤S5-2：在子载波k+1处导频数量减半，为了利用相邻子载波之间的相关性，将Qk[n0],Qk[n0+1]、以及子载波k+1处得到的初步估计结果Qk+1[n0],Qk+1[n0+1]一起输入到SRGAN网络中，经过补全得到信道信息同时缓存Qk+1[n0],Qk+1[n0+1]；
步骤S5-3：在子载波k+2处，将Qk[n0],Qk[n0+1]、Qk+1[n0],Qk+1[n0+1]和Qk+2[n0],Qk+2[n0+1]一起输入SRGAN网络中，经过补全得到信道信息同时缓存Qk+2[n0],Qk+2[n0+1]；
步骤S5-4：在子载波k+3处，将Qk[n0],Qk[n0+1]、Qk+1[n0],Qk+1[n0+1]和Qk+2[n0],Qk+2[n0+1]一起输入对抗网络模型SRGAN中，经过补全得到信道信息同时缓存Qk+2[n0],Qk+2[n0+1]。
步骤S6:一个信道单元完成信道估计后，将缓存清零用于下一个信道单元的信道估计；最后将步骤5得到的信道状态信息合并，从而得到完整的信道状态信息。
工作原理：使用在超大规模MIMO系统中广泛使用的(Saleh-Valenzuela,S-V)模型，采用归一化线性阵列(ULA)建模。由于太赫兹信号受到大气吸收、衍射损耗等因素的影响，随着传播距离的增加而衰减很快，太赫兹系统中水平和垂直到达角较小。由此，我们假设每一条传播路径中仅有一条散射路径，这样我们可以将太赫兹信道视作视距传播信道，则其收发端之间NT×NR的时延域信道矩阵可表示为：
其中，L表示传播路径数，αl是第l条路径(l＝1,…,L)的增益，τl表示第l条路径的延迟；Gt,l和Gr,l分别表示发送端和接收端的天线增益；和φl∈[0,2π]分别表示第l条路径的到达角和离开角，服从0均值的拉普拉斯分布；aR(·)和/>分别表示接收端和发射端的阵列导向矢量；阵列响应向量/>和aT(φl)如下所示：
其中，d和λ分别表示相邻天线间距和载波波长；NT为发射天线数：NR为；接收天线数
由于太赫兹系统极高的频率特征，太赫兹信道自由空间传输损耗严重。根据弗里斯传输公式可知，自由空间传输损耗可以表示为：
其中，c表示真空光速，f表示子载波频率。由此我们可以看出，传输损耗随着频率的增加成平方关系得增长。另外分子吸收现象也不容忽视，分子吸收也会导致太赫兹辐射信号的严重衰减。因此太赫兹信道得路径增益αl可以表示为：
其中，Γc是指数衰减因。Labs(f,dl)表示分子吸收损耗，其表达式可以写为：
其中，K(f)是总吸收系数，它由介质中不同分子吸收的加权和组成，mi为权重，ki(f)是分子吸收系数，分子系数与频率、温度和湿度等因素有关。
根据公式(1)可以得到太赫兹MIMO系统中，第k个子载波的频率域信道响应：
对于时变信道，式(7)中第k个子载波的频域信道变为：
其中，fs表示采样频率，K表示子载波数目，k表示第l条传播路径的多普勒频移。从式(8)能够看出，太赫兹MIMO信道矩阵受时间维、空间维、频率维三个维度的信息的影响。
为了估计Hk采用基于导频的信道估计方法，发送端按设计的导频图案在第k个子载波对应的频率处沿着天线和时间维度发送导频信息；发射端发射的数据流Sk经过调制后，通过数字预编码FD,k对信号幅度和相位进行调制实现对信道的补偿，OFDM处理模块将高速的信息数据流分配到多个正交的子载波上进行调制，将所有子载波的信号相加，形成OFDM基带信号。再经过数模转换后，射频链路实现对射频信号进行放大，随后模拟预编码器FA,k通过相移器对信号相位进行调整。最后，在第k个子载波上传输信号为：
Xk＝FA,kFD,kSk＝FkSk (9)；
其中，Xk＝[x1,…,xu]，Sk是一个的对角阵，对角线元素对应导频符号为sk,u；Fk是波束赋形向量。
发送信号Xk经过无线信道Hk到达接收端后，在接收端去除CP前缀后FFT变换得到的第个子载波的接收信号为
Rk＝HkFkSk+Nk (10)；
Hk为收发端之间的频域信道；Nk是零均值、方差为的复加性高斯白噪AWGN，其元素独立同分布地服从CN(0,σ2I)；接收信号在接收端进行合并。假设数字预编码WD,k和模拟预编码WA,k的信号经过数字预编码和模拟预编码后，第k个子载波的合并向量为Wk＝WD, kWA,k，在接收端基带，第k个子载波的接收导频信号可表示为：/>
Yk＝Wk HRk＝Wk HHkFkSk+Wk HNk (11)；
将上式化简为：
Yk＝WHHkF+WHNk (12)。
建立对抗网络模型SRGAN，对抗网络模型SRGAN成符合要求的高分辨率图像，以完成图像的重建任务；
对抗网络模型SRGAN的生成模型作为作为信道估计器使用；为了减少生成器的参数量和计算量，生成器网络模型引入深度可分离卷积思想和倒置残差的思想对生成器进行轻量化；该生成模型可分为三个部分。浅层特征提取模块，深层特征提取模块以及图像的重建模块。首先输入为基于导频的信道状态信息Q，经过包含一个可分离卷积层的浅层特征提取模块提取输入信道的浅层特征。随后将浅层特征P0输入到深层特征提取模块，该模块由若干个倒置残差模块组成，每个单元都输出一个深层特征，然后经过一个连接模块将每层的特征连接起来再卷积得到深层特征Pn，接着将浅层特征和深层特征进行全局融合得到全局特征PD。最后在重建模块利用前面的特征提取模块提取到的信息PD，经过亚像素卷积重建出对应的完整的信道信息H。
其中，深度可分离卷积(Depthwise Separable Convolution，DSC)是一种对卷积操作进行因式分解的方法，它可以减少计算量和参数量，提高模型的效率和轻量化。从网络结构的角度来看，深度可分离卷积分为两步，首先，每个通道用一个3×3卷积核进行深度卷积，减少参数量，然后进行批归一化和ReLU激活函数变换。然后，利用多个1×1卷积核进行逐点卷积操作。
倒置残差模块是一种基于深度可分离卷积的网络结构。倒置残差模块是将标准的残差模块中的卷积操作顺序颠倒。在倒置残差模块中，先用1×1卷积进行通道扩张，再用3×3深度卷积进行特征提取，最后用1×1卷积进行通道压缩。由于在高维输入的特征提取过程中，通常需要进行深度可分离卷积，这可以提高模型的表达能力，因此逆残差块将输入数据转换为高维数据，然后使用深度可分离卷积提取特征，从而减少参数量和计算量，同时也可以增加网络的非线性表达能力。
本发明使用的对抗网络模型SRGAN，总共包含8个卷积层，除第一个外，其他卷积层后都连接着一个BN层。每经过一层网络，特征尺寸会不断减小，特征数量会不断增加，每个卷积层后都选取LeakyReLU作为激活函数，最后通过全连接层输出重建图像与原图像的相似程度而不是判断是否为原本图像的概率。
以上所述仅为本发明的实施方式而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理内所作的任何修改、等同替换、改进等，均应包括在本发明的权利要求范围之内。

Claims (3)

1.THz-MIMO系统中基于SRGAN信道估计方法，其特征在于：该信道估计方法包括以下步骤：
步骤S1:发送端采用正交的导频设计，并按设计好的导频图案，在第k个子载波对应的频率处沿着天线和时间维度发送信号矩阵Xk＝FkSk，其中，Fk表示发送端的波束赋形向量，Sk表示发送的符号矩阵；
所述步骤S1中并按设计好的导频图案，在第k个子载波对应的频率处沿着天线和时间维度发送信号矩阵Xk＝FkSk具体操作如下：
步骤S1-1:使用MIMO系统中S-V模型建模，采用归一化线性阵列；收发端之间NT×NR的时延域信道矩阵表示为：
其中，L表示传播路径数，αl是第l条路径(l＝1,…,L)的增益，τl表示第l条路径的延迟；Gt,l和Gr,l分别表示发送端和接收端的天线增益；和φl∈[0,2π]分别表示第l条路径的到达角和离开角，它们均服从零均值的拉普拉斯分布；aR(·)和/>分别表示接收端和发射端的阵列导向矢量；
步骤S1-2:将MIMO系统带宽设为B＝KΔf，K表示OFDM调制模块子载波总数，Δf表示载波间隔；根据得到太赫兹MIMO系统中，第k个子载波对应的频率处的频率域信道响应：
步骤S1-3:导频图样在时域和空域插入导频，在空域上，第一根天线发送导频时，其他天线上不进行传输；在时域上，导频以时间间隔Nd发射长度相同的导频，两个导频发送时间点的间隔时间全部用于数据传输，实现空、时域上的正交；
步骤S2:发送信号矩阵Xk经过无线信道Hk到达接收端后，得到接收端的时频域导频图案，经过去除CP前缀处理和FFT变换得到接收信号Rk＝HkFkSk；接收信号Rk经过接收端的合并向量处理信号矩阵/>
利用最小二乘算法初步估计得出基于导频信道状态信息Qk；其中，Qk为第k个子载波上的空时域基于导频的预估计矩阵；
步骤S2-1：通过射频链路控制天线，使其间隔地接收导频，在接收端基带，第k个子载波的接收信号表示为：
将上式化简为：
Yk＝WHHkF+WHNk；
其中，WH为预编码矩阵的转置共轭矩阵：Nk为噪声向量；
步骤S2-2：经过预估计模块对接收导频信号进行信道估计，即分别左乘和右乘矩阵GL和GR并输出的初步估计值，
其中，GL＝(WWH)-1W，GR＝FH(FFH)-1；
步骤S3:通过对抗网络模型SRGAN完成初步估计的信道矩阵的空时域补全，获得完整的空、时域信道状态信息Hk；采用根据太赫兹信道模型产生的信道数据样本对对抗网络模型SRGAN进行离线训练；所述对抗网络模型SRGAN包括生成模型和判别模型，生成模型作为信道估计器使用；
所述步骤S3中采用根据太赫兹信道模型产生的信道数据样本对网络进行离线训练，具体操作如下：
步骤S3-1：通过太赫兹超大规模信道仿真器构建太赫兹信道估计的训练数据集，取导频处粗略估计值和对应理想信道响应作为训练样本；
步骤S3-2：从数据集中依次选取第k个子载波对应频率处两个连续的相干时间为n0和n0+1，将n0和n0+1时刻得到初步估计的结果Qk[n0]和Qk[n0+1]输入生成器通过获取导频点处的信道时空特性将信道矩阵的缺失部分进行补全，得到完整的空、时域信道矩阵
其中，γ表示生成对抗网络模型的参数；
步骤S3-3：利用空间、时间和频率三维相关性的特性对对抗网络模型SRGAN进行训练；
步骤S3-4：对抗网络模型SRGAN训练完成后，测试集测试网络是否训练得足够好，使得信道估计的结果满足一定的精度，否则需要根据结果重新调试网络超参数；
步骤S4:经过训练的对抗网络模型SRGAN生成对抗网络模型的最佳网络权重；基于当前网络权重生成的信道与实时信道信息存在差距，在线上估计阶段，采用梯度下降法对基于导频的预估计信道进行迭代更新，最终得到最优的基于导频的预估计信道Q*；
其中，G(Q)为生成器生成的信道矩阵，为基于最小二乘和线性插值粗略估计的信道矩阵，此时生成器基于Q*能够实时预测信道信息；
所述步骤S4中采用梯度下降法对基于导频的预估计信道进行迭代更新，最终得到最优的基于导频的预估计信道Q*，具体步骤如下：
步骤S4-1:根据梯度下降算法，定义生成器生成的信道矩阵为G(Q)，信道矩阵G(Q)、基于最小二乘和线性插值粗略估计的信道矩阵之间的均方误差为目标函数，表达式为：
其中，G(Q)为生成器生成的信道频率响应，步长α为学习速率，▽G(Q)为G(Q)在Q处的梯度；
步骤S4-2：经过不断的迭代，最终得到最优的基于导频的预估计信道S以及最优信道估计G(Q*)；
步骤S5:将相干带宽内连续的D个子载波作为一个信道估计单元，不同单元之间互不重叠，并将一个信道估计单元输入训练后对抗网络模型SRGAN中进行信道估计；
述步骤S5中将一个信道估计单元输入训练后对抗网络模型SRGAN中进行信道估计，具体步骤为：
步骤S5-1：在子载k处的信道估计采用全导频得到初步估计结果Qk[n0],Qk[n0+1]和补全结果缓存Qk[n0],Qk[n0+1]在子载波k+1处的信道补全；
步骤S5-2：在子载波k+1处导频数量减半，为了利用相邻子载波之间的相关性，将Qk[n0],Qk[n0+1]、以及子载波k+1处得到的初步估计结果Qk+1[n0],Qk+1[n0+1]一起输入到SRGAN网络中，经过补全得到信道信息同时缓存Qk+1[n0],Qk+1[n0+1]；
步骤S5-3：在子载波k+2处，将Qk[n0],Qk[n0+1]、Qk+1[n0],Qk+1[n0+1]和Qk+2[n0],Qk+2[n0+1]一起输入SRGAN网络中，经过补全得到信道信息同时缓存Qk+2[n0],Qk+2[n0+1]；
步骤S5-4：在子载波k+3处，将Qk[n0],Qk[n0+1]、Qk+1[n0],Qk+1[n0+1]和Qk+2[n0],Qk+2[n0+1]一起输入对抗网络模型SRGAN中，经过补全得到信道信息同时缓存Qk+2[n0],Qk+2[n0+1]；
步骤S6:一个信道单元完成信道估计后，将缓存清零用于下一个信道单元的信道估计；最后将步骤S5得到的信道状态信息合并，从而得到完整的信道状态信息。
2.根据权利要求1所述的THz-MIMO系统中基于SRGAN信道估计方法，其特征在于：
所述步骤S3-3中利用空间、时间和频率三维相关性的特性对抗网络模型SRGAN进行训练，具体操作如下：
将基于导频的信道矩阵和真实的信道矩阵分别看作低分辨率图像和高分辨率图像，并将信道估计转化为超分辨率恢复的问题；
低分辨率图像经过生成模型生成对应的超分辨率图像，再将生成的超分辨率图像和真实的高分辨率图像一起输入判别模型进行判定，判别模型的输出代表对每张输入图像的真假判定，求取判定结果的误差后对判别模型参数进行调整，使判别模型在迭代学习中自动更新内部参数，对抗网络模型SRGAN的对抗模式目标定义为：
其中，γG和γD分别表示生成器和鉴别器的参数；H为真实信道矩阵，为H通过判别模型被判断为真实信道矩阵的概率；Q为基于导频的预估计矩阵，/>为生成模型由预估计矩阵Q生成的信道矩阵，而/>为生成的信道矩阵通过判别模型后，被判断为真实信道的概率，生成器希望尽量接近真实信道分布的预测信道矩阵，并提高预测信道矩阵判别模型的输出值，即/>越接近1越好，这时V(G,D)会变小；
判别模型需要判断预测信道矩阵与真实信道矩阵的相似度，降低预测信道矩阵的输出值并调高真实信道的输出值，让接近1，而让DγD(GγG(Q))接近0，这时V(G,D)会增大；当DγD(H)收敛于1/2时，即判别模型无法区分生成样本和真样本，训练终止。
3.根据权利要求1所述的THz-MIMO系统中基于SRGAN信道估计方法，其特征在于：所述信道估计单元为相干带宽内连续的D个子载波；D＝4，信道估计单元包含k，k+1，k+2，k+3四个信道子载波，用于SRGAN-1、SRGAN-2、SRGAN-3和SRGAN-4对应的子载波进行信道估计。
CN202310591372.5A 2023-05-24 2023-05-24 THz-MIMO系统中基于SRGAN信道估计方法 Active CN116319196B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310591372.5A CN116319196B (zh) 2023-05-24 2023-05-24 THz-MIMO系统中基于SRGAN信道估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310591372.5A CN116319196B (zh) 2023-05-24 2023-05-24 THz-MIMO系统中基于SRGAN信道估计方法

Publications (2)

Publication Number Publication Date
CN116319196A CN116319196A (zh) 2023-06-23
CN116319196B true CN116319196B (zh) 2023-08-04

Family

ID=86785540

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310591372.5A Active CN116319196B (zh) 2023-05-24 2023-05-24 THz-MIMO系统中基于SRGAN信道估计方法

Country Status (1)

Country Link
CN (1) CN116319196B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012092642A1 (en) * 2011-01-07 2012-07-12 The University Of Sydney Doppler-assisted channel estimation
WO2020037313A1 (en) * 2018-08-17 2020-02-20 The Regents Of The University Of California Device-free-human identification and device-free gesture recognition
WO2020092391A1 (en) * 2018-10-29 2020-05-07 Board Of Regents, The University Of Texas System Low resolution ofdm receivers via deep learning
CN111355675A (zh) * 2020-03-11 2020-06-30 南京航空航天大学 一种基于生成对抗网络的信道估计增强方法、装置和系统
CN114268388A (zh) * 2021-12-22 2022-04-01 南京邮电大学 一种在大规模mimo中基于改进gan网络的信道估计方法
CN114745233A (zh) * 2022-03-31 2022-07-12 西安科技大学 一种基于导频设计的联合信道估计方法
WO2022172198A1 (en) * 2021-02-10 2022-08-18 Telefonaktiebolaget Lm Ericsson (Publ) Deep generative models for downlink channel estimation in fdd massive mimo systems
CN115473553A (zh) * 2022-08-03 2022-12-13 华中科技大学 一种智能抑制波束斜视的方法、装置及电子设备
WO2022262173A1 (zh) * 2021-06-17 2022-12-22 江苏科技大学 一种基于条件生成对抗网络的时变水声信道模拟方法
CN115913830A (zh) * 2022-04-21 2023-04-04 东南大学 一种智能反射面辅助的mimo通信系统的信道估计方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012092642A1 (en) * 2011-01-07 2012-07-12 The University Of Sydney Doppler-assisted channel estimation
WO2020037313A1 (en) * 2018-08-17 2020-02-20 The Regents Of The University Of California Device-free-human identification and device-free gesture recognition
WO2020092391A1 (en) * 2018-10-29 2020-05-07 Board Of Regents, The University Of Texas System Low resolution ofdm receivers via deep learning
CN111355675A (zh) * 2020-03-11 2020-06-30 南京航空航天大学 一种基于生成对抗网络的信道估计增强方法、装置和系统
WO2022172198A1 (en) * 2021-02-10 2022-08-18 Telefonaktiebolaget Lm Ericsson (Publ) Deep generative models for downlink channel estimation in fdd massive mimo systems
WO2022262173A1 (zh) * 2021-06-17 2022-12-22 江苏科技大学 一种基于条件生成对抗网络的时变水声信道模拟方法
CN114268388A (zh) * 2021-12-22 2022-04-01 南京邮电大学 一种在大规模mimo中基于改进gan网络的信道估计方法
CN114745233A (zh) * 2022-03-31 2022-07-12 西安科技大学 一种基于导频设计的联合信道估计方法
CN115913830A (zh) * 2022-04-21 2023-04-04 东南大学 一种智能反射面辅助的mimo通信系统的信道估计方法
CN115473553A (zh) * 2022-08-03 2022-12-13 华中科技大学 一种智能抑制波束斜视的方法、装置及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度学习算法的OFDM信号检测;常代娜;周杰;;东南大学学报(自然科学版)(第05期);全文 *

Also Published As

Publication number Publication date
CN116319196A (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN105142177B (zh) 复数神经网络信道预测方法
Qi et al. Acquisition of channel state information for mmWave massive MIMO: Traditional and machine learning-based approaches
CN113472706B (zh) 一种基于深度神经网络的mimo-ofdm系统信道估计方法
CN113395221A (zh) 一种基于正交时频空联合信道估计与符号检测方法
CN110336594B (zh) 一种基于共轭梯度下降法的深度学习信号检测方法
Yang et al. Channel estimation for practical IRS-assisted OFDM systems
CN114338301B (zh) 一种基于压缩感知的ris辅助毫米波系统的信道估计方法
CN110430150B (zh) 一种基于神经网络的蜂窝移动通信系统接收机设计方法
CN108111208A (zh) 一种灵活码本配置的毫米波系统角度域信道估计方法
Zhang et al. On the performance of deep neural network aided channel estimation for underwater acoustic OFDM communications
Kim et al. Parametric sparse channel estimation using long short-term memory for mmwave massive mimo systems
Wang et al. Learn to adapt to new environments from past experience and few pilot blocks
CN113360841B (zh) 一种基于监督学习的分布式mimo雷达目标定位性能计算方法
CN104994041B (zh) 三维大规模天线系统基于导频的波达波离角联合估计方法
CN116319196B (zh) THz-MIMO系统中基于SRGAN信道估计方法
CN111291511B (zh) 一种基于历史信息的软卡尔曼滤波迭代时变信道估计方法
CN110086734B (zh) 一种时变大规模mimo系统中的信道追踪和恢复方法
CN110380995A (zh) 具有透镜天线阵的mimo系统的稀疏信道估计方法
Luo et al. Deep learning-based channel estimation approach for 3d massive mimo millimeter-wave system in time-varying environments
CN114844538B (zh) 一种基于宽学习的毫米波mimo用户增量协作波束选择方法
CN114759997B (zh) 一种基于数据模型双驱动的mimo系统信号检测方法
CN102231720B (zh) 样条函数Renyi熵与时间分集融合的小波盲均衡方法
CN115714612A (zh) 基于感知的通信波束跟踪方法
Yang et al. An improved least squares (LS) channel estimation method based on CNN for OFDM systems
Liang et al. The Application of Deep Learning in Wireless Communications of Maglev System

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