CN116760666A - 信道估计方法、装置、电子设备及存储介质 - Google Patents
信道估计方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116760666A CN116760666A CN202310828605.9A CN202310828605A CN116760666A CN 116760666 A CN116760666 A CN 116760666A CN 202310828605 A CN202310828605 A CN 202310828605A CN 116760666 A CN116760666 A CN 116760666A
- Authority
- CN
- China
- Prior art keywords
- channel estimation
- channel
- estimation model
- sample
- terminal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 81
- 230000005540 biological transmission Effects 0.000 claims abstract description 43
- 230000006854 communication Effects 0.000 claims abstract description 23
- 238000004891 communication Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 62
- 230000006870 function Effects 0.000 claims description 54
- 238000009826 distribution Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000001427 coherent effect Effects 0.000 description 4
- 238000012790 confirmation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0224—Channel estimation using sounding signals
-
- 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
-
- 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)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请实施例提供了一种信道估计方法、装置、电子设备及存储介质,涉及通信技术领域。该方法包括:建立与待通信的发送端之间的当前信道,并确定目标信道估计模型;其中,当前信道为接收端与发送端在当前次传输中进行通信的信道;通过当前信道接收导频信号,并通过目标信道估计模型基于接收到的导频信号,预测当前信道对应的信道矩阵;信道矩阵用于表示当前信道的通信状态。本申请实施例对导频信号的维度没有限制,即可以通过低维的导频信号对收/发端天线阵列密集场景下进行有效地信道估计,提高信道估计的效率,能够实现在一个信道相干时间内进行信道估计,进而提高信道估计的准确性。
Description
技术领域
本申请涉及通信技术领域,具体而言,本申请涉及一种信道估计方法、装置、电子设备及存储介质。
背景技术
信道估计指的是利用已知的信息对信道传输路径的特性进行推断和预测,现有技术中通常是基于最小二乘(Least Squares estimation,LS)和最小均方误差(MinimumMean Squared Error,MMSE)等方式进行信道估计。
现有的信道估计方法要求导频信号的维度不小于发送端天线的数量,在面向5G和6G的大规模MIMO(Multiple-Input Multiple-Output,多输入多输出)系统时,发送端部署的天线数量会急剧增加,进而无法保证导频信号的维度不小于发送端天线的数量,使得现有的信道估计方法无法适用于收/发端天线阵列密集场景下的信道估计。
发明内容
本申请实施例提供了一种信道估计方法、装置、电子设备及存储介质,可以解决现有的信道估计方法无法适用于收/发端天线阵列密集场景下的信道估计的问题。
所述技术方案如下:
根据本申请实施例的一个方面,提供了一种信道估计方法,应用于接收端,该方法包括:
建立与待通信的发送端之间的当前信道,并确定目标信道估计模型;其中,所述当前信道为所述接收端与所述发送端在当前次传输中进行通信的信道;
通过所述当前信道接收导频信号,并通过所述目标信道估计模型基于接收到的导频信号,预测所述当前信道对应的信道矩阵;所述信道矩阵用于表示当前信道的通信状态。
可选地,所述方法还包括:
通过所述当前信道接收隐变量;
通过所述目标信道估计模型基于所述信道矩阵,对接收到的隐变量进行更新,并将更新后的隐变量作为下一次传输对应的隐变量。
可选地,若所述接收端为基站,所述发送端为终端,所述确定目标信道估计模型,包括:
获取多个候选信道估计模型;
接收所述终端发送的所述终端对应的天线信息和承载信息;所述承载信息用于表示所述终端可支持的模型规模;
基于所述天线信息和所述承载信息,从所述多个候选信道估计模型中确定出与所述终端匹配的候选信道估计模型,并将所确定出的候选信道估计模型作为所述目标信道估计模型。
可选地,若所述接收端为终端,所述发送端为基站,所述确定目标信道估计模型,包括:
获取预设信道估计模型;
将所述终端对应的天线信息和承载信息发送至所述基站,以供所述基站基于所述天线信息和所述承载信息确定与所述终端匹配的目标信道估计模型;所述承载信息用于表示所述终端可支持的模型规模;
接收所述基站发送的所述目标信道估计模型的目标参数;
将所述预设信道估计模型中的预设参数更新为所述目标参数,并将更新后的预设信道估计模型作为所述目标信道估计模型。
可选地,所述候选信道估计模型是基站基于以下方式训练得到的:
获取训练样本集;所述训练样本集包括多个样本导频信号及其对应的多个样本信道矩阵;
基于所述训练样本集对初始信道估计模型进行至少一次训练操作,直至符合预设训练结束条件,将符合所述预设训练结束条件的初始信道估计模型作为训练好的候选信道估计模型。
可选地,所述初始信道估计模型包括初始编码器和初始解码器;
所述训练操作包括:
将多个样本导频信号和多个样本信道矩阵输入至所述初始信道估计模型中的初始编码器,得到所述多个样本信道矩阵分别对应的多个样本隐变量;
将多个样本隐变量和多个样本导频信号输入至所述初始信道估计模型中的初始解码器,得到对应的多个预测信道矩阵;
基于各个样本信道矩阵和各个预测信道矩阵,确定损失函数;
基于损失函数对所述初始信道估计模型的参数进行调整,将调整参数后的初始信道估计模型作为下一次训练操作对应的初始信道估计模型。
可选地,所述基于各个样本信道矩阵和各个预测信道矩阵,确定损失函数,包括:
基于各个样本信道矩阵与各个预测信道矩阵之间的差异,确定第一损失函数;
基于各个样本隐变量与各个预设概率分布之间的差异,确定第二损失函数;
基于所述第一损失函数和所述第二损失函数,确定所述损失函数。
根据本申请实施例的另一个方面,提供了一种信道估计装置,应用于接收端,该装置包括:
信道建立模块,用于建立与待通信的发送端之间的当前信道,并确定目标信道估计模型;其中,所述当前信道为所述接收端与所述发送端在当前次传输中进行通信的信道;
信道估计模块,用于通过所述当前信道接收导频信号,并通过所述目标信道估计模型基于接收到的导频信号,预测所述当前信道对应的信道矩阵;所述信道矩阵用于表示当前信道的通信状态。
根据本申请实施例的另一个方面,提供了一种电子设备,该电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现上述任一种信道估计方法的步骤。
根据本申请实施例的再一个方面,提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种信道估计方法的步骤。
本申请实施例提供的技术方案带来的有益效果是:
通过确定目标信道估计模型,并通过目标信道估计模型基于接收端接收到的导频信息,预测出接收端与发送端之间的当前信道的信道矩阵,无需建立在导频信号的维度不小于发送端天线的数量的条件下,对导频信号的维度没有限制,即可以通过低维的导频信号对收/发端天线阵列密集场景下进行有效地信道估计。
进一步地,利用低维的导频信号进行信道估计,可以提高数据传输的效率,减小信道估计的计算量,提高信道估计的效率。信道是会随着外部因素的变化而产生变化的,信道相关时间指的是信道保持恒定的最大时间差范围,通过提高信道估计的效率能够实现在一个信道相干时间(即信道保持稳定的状态下)内进行信道估计,进而提高信道估计的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的一种信道估计方法的流程示意图;
图2为本申请实施例提供的另一种信道估计方法的流程示意图;
图3为本申请实施例提供的一种目标信道估计模型确定方法的流程示意图;
图4为本申请实施例提供的一种初始信道估计模型的结构示意图;
图5为本申请实施例提供的又一种信道估计方法的流程示意图;
图6为本申请实施例提供的一种信道估计装置的结构示意图;
图7为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面结合本申请中的附图描述本申请的实施例。应理解,下面结合附图所阐述的实施方式,是用于解释本申请实施例的技术方案的示例性描述,对本申请实施例的技术方案不构成限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”和“该”也可包括复数形式。应该进一步理解的是,本申请实施例所使用的术语“包括”以及“包含”是指相应特征可以实现为所呈现的特征、信息、数据、步骤、操作、元件和/或组件,但不排除实现为本技术领域所支持其他特征、信息、数据、步骤、操作、元件、组件和/或它们的组合等。应该理解,当我们称一个元件被“连接”或“耦接”到另一元件时,该一个元件可以直接连接或耦接到另一元件,也可以指该一个元件和另一元件通过中间元件建立连接关系。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的术语“和/或”指示该术语所限定的项目中的至少一个,例如“A和/或B”可以实现为“A”,或者实现为“B”,或者实现为“A和B”。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
随着通信技术的发展,大规模(Massive)MIMO(Multiple-Input Multiple-Output,多输入多输出)系统得到了广泛的应用。MIMO是一种多天线技术,利用多个发射天线和接收天线来实现更高的数据传输速率和系统性能。
在MIMO系统中,由于多天线的存在,信号可以通过不同的路径到达接收天线,并且在传输过程中会受到多径衰落、干扰和噪声等影响,导致信道传输特性发生变化。因此,为了正确解码接收信号并提高系统性能,需要准确地了解信道的状态。
信道估计指的是利用已知的信息对信道传输路径的特性进行推断和预测。
假定用户侧(User End,UE)发射单元数量为Nt,基站侧(Bas Station,BS)接收单元数量为Nr,导频信号的维度为Np。假设仅对一个子载波路径进行分析,用户侧发送初始导频信号s,经过波束赋形矩阵F作用后加载到各发射天线阵列单元Nt上,经过信道矩阵H后基站侧接收导频信号Y,根据广泛采用的Saleh-Valenzuela信道估计方法,简化表达式为:
Y=HFs+N (1)
由上述公式可知波束赋形矩阵/>基站侧赋形矩阵和用户侧赋形矩阵分别为FUE,FBS,信道矩阵/>接收导频信号/>N为从白高斯分布采样的噪声矩阵/>初始导频信号s为通信制式设定,而波束赋形矩阵F取决于发送端的固有结构亦为固定值,因而整个信道估计的核心在于求解信道矩阵H。
现有技术中通常是基于最小二乘(Least Squares estimation,LS)和最小均方误差(Minimum Mean Squared Error,MMSE)等方式求解信道矩阵。现有的信道估计方法要求导频信号的维度不小于发送端天线的数量,即Np≥Nt,在面向5G和6G的大规模MIMO系统时,发送端部署的天线数量会急剧增加,进而无法保证导频信号的维度不小于发送端天线的数量。
此外,即使能够满足导频信号的维度不小于发送端天线的数量,随着发送端天线数量的急剧增加,必然会导致导频信号的维度急剧增加,使得导频信号的数据量大大提升。导频信号的数据量的提升不仅会造成数据传输的延时,而且会加重信道估计的计算量,难以实现在固定的信道相关时间内进行信道估计。因此,现有的信道估计方法无法适用于收/发端天线阵列密集场景下的信道估计。
本申请提供的信道估计方法、装置、电子设备及存储介质,旨在解决现有技术的如上技术问题。
下面通过对几个示例性实施方式的描述,对本申请实施例的技术方案以及本申请的技术方案产生的技术效果进行说明。需要指出的是,下述实施方式之间可以相互参考、借鉴或结合,对于不同实施方式中相同的术语、相似的特征以及相似的实施步骤等,不再重复描述。
图1为本申请实施例提供的一种信道估计方法的流程示意图,如图1所示,以该方法应用与接收端为例,该方法包括:
步骤S110,建立与待通信的发送端之间的当前信道,并确定目标信道估计模型;其中,当前信道为接收端与发送端在当前次传输中进行通信的信道。
具体地,本申请实施例提供的信道估计方法应用于两个通信设备之间的通信过程,其中将一侧的通信设备作为接收端,将另一侧的通信设备作为发送端。需要说明的是,接收端和发送端用于区别两侧的通信设备,并不对通信设备的功能构成限定,也就是说,接收端也可以发送信号,发送端也可以接收信号。
本申请实施例中,接收端和发送端可以包括终端和基站,也就是说,可以是接收端为基站,发送端为终端;也可以是接收端为终端,发送端为基站。
其中,终端可以是智能手机(如Android手机、iOS手机等)、平板电脑、笔记本电脑、数字广播接收器、MID(Mobile Internet Devices,移动互联网设备)、PDA(个人数字助理)、台式计算机、智能家电、车载终端(例如车载导航终端、车载电脑等)、智能音箱、智能手表等。
接收端可以建立与发送端之间的当前信道,当前信道可以为接收端与发送端在当前次传输中进行通信的信道。当前信道可以理解为在当前次传输过程中信号从发送端到接收端之间的传输路径。
在建立当前信道之后,接收端可以确定目标信道估计模型,目标信道估计模型可以用于对当前信道进行信道估计,目标信道估计模型可以是基于深度学习算法构建的,例如目标信道估计模型可以为深度生成模型。目标信道估计模型的确定方法将在下文中进行详细描述。
步骤S120,通过当前信道接收导频信号,并通过目标信道估计模型基于接收到的导频信号,预测当前信道对应的信道矩阵;信道矩阵用于表示当前信道的通信状态。
具体地,导频指的是在通信系统中用于估计信道特性的特定已知信号,可以通过调制器在发送端生成。
发送端生成初始导频信号,并将初始导频信号发送给接收端,初始导频信号在当前信道的传输过程中,会受到障碍物、天气条件等多种因素的影响,使得最终到达接收端的信号可能与原始信号不同,即接收端接收到的导频信号与发送端发送的初始导频信号不同。
接收端通过当前信道接收导频信号,其中,导频信号可以为通过当前信道的传输过程对发送端发送的初始导频信号进行更新得到的。
接收端可以通过确定出的目标信道估计模型,基于导频信号和信道矩阵之间的映射关系和接收到的导频信号,预测出当前信道对应的信道矩阵,信道矩阵可以用于表示当前信道的通信状态。
其中,信道矩阵可以为一个用于描述MIMO系统中发射天线和接收天线之间信号传输特性的矩阵。例如,对于一个有n个发送天线,m个接收天线的MIMO系统来说,其信道矩阵为一个由m行n列元素组成的矩阵H,其中,信道矩阵中第i行第j列的元素hij可以表示从第i个发射天线到第j个接收天线上的信道系数。
接收端可以根据当前信道对应的信道矩阵,得到当前信道的传输特性,从而获取当前信道的传输过程引起的信号失真、衰减、多路径反射等信息。通过信道矩阵,接收端可以根据得到的信道状态信息调整解调策略和参数设置,以最大程度地提高数据的可靠性和系统性能。
接收端和发送端在每一次传输过程中都可以执行上述步骤对当前次传输过程的当前信道进行信道估计,进而实现实时动态的信道估计。此外,本申请实施例中接收端可以包括基站或终端,也就是说在基站侧和终端侧都可以进行信道估计,还可以实现双向信道估计。
本申请实施例中,通过确定目标信道估计模型,并通过目标信道估计模型基于接收端接收到的导频信息,预测出接收端与发送端之间的当前信道的信道矩阵,本申请实施例提供的信道估计方法不需要建立在导频信号的维度不小于发送端天线的数量的条件下,对导频信号的维度没有限制,即可以通过低维的导频信号对收/发端天线阵列密集场景下进行有效地信道估计。
进一步地,利用低维的导频信号进行信道估计,可以提高数据传输的效率,减小信道估计的计算量,提高信道估计的效率。信道是会随着外部因素的变化而产生变化的,信道相关时间指的是信道保持恒定的最大时间差范围,通过提高信道估计的效率能够实现在一个信道相干时间(即信道保持稳定的状态下)内进行信道估计,进而提高信道估计的准确性。
作为一种可选实施例,该方法还包括:
通过当前信道接收隐变量;
通过目标信道估计模型基于信道矩阵,对接收到的隐变量进行更新,并将更新后的隐变量作为下一次传输对应的隐变量。
具体地,图2为本申请实施例提供的一种信道估计方法的流程示意图,如图2所示,在当前次传输过程中,发送端还可以将隐变量发送给接收端,接收端可以通过当前信道接收隐变量。其中,目标信道估计模型可以基于隐变量对信道矩阵的预测进行优化。
需要说明的是,隐变量在发送端和接收端的传输过程中不会发生变化,可以通过为隐变量设置特定的数据格式或数据标识,来指示接收端对应的数据在传输过程中不会变化。
接收端通过目标信道估计模型基于接收到的导频信号得到信道矩阵之后,可以通过目标信道估计模型基于信道矩阵,对接收到的隐变量进行更新,得到更新后的隐变量,并将更新后的隐变量作为下一次传输对应的隐变量。在下一次传输过程中,接收端将下一次传输对应的初始导频信号和更新后的隐变量发送给发送端。
可选地,目标信道估计模型可以包括编码器和解码器。通过目标信道估计模型中的解码器可以基于接收到的导频信号和隐变量,可以得到当前信道对应的信道矩阵;通过目标信道估计模型中的编码器可以基于解码器输出的信道矩阵和导频信号,对隐变量进行更新,得到更新后的隐变量。
作为一种可选实施例,该方法中,若接收端为基站,发送端为终端,确定目标信道估计模型,包括:
获取多个候选信道估计模型;
接收终端发送的终端对应的天线信息和承载信息;承载信息用于表示终端可支持的模型规模;
基于天线信息和承载信息,从多个候选信道估计模型中确定出与终端匹配的候选信道估计模型,并将所确定出的候选信道估计模型作为目标信道估计模型。
具体地,在接收端为基站,发送端为终端的情况下,目标信道估计模型的确定方法包括:
基站可以获取多个候选信道估计模型,其中,多个候选信道估计模型是基站预先训练好的,候选信道估计模型的训练方法将在下文中进行详细描述。
终端将终端对应的天线信息和承载信息发送给基站,基站接收到终端对应的天线信息和承载信息。其中,终端对应的天线信息可以为与终端部署的天线相关的信息,天线信息可以包括天线阵列数量、间距、相干解调子载波数目等。承载信息用于表示终端可支持的模型规模,可以根据终端的软硬件配置,确定终端的承载信息。例如,当终端的软硬件配置较好时,对应的运算能力更强大,可支持的模型规模也越大。
基站在接收到天线信息和承载信息之后,可以根据预设的规范,从多个候选信道估计模型中选出与终端匹配的候选信道估计模型,作为目标信道估计模型。其中,预设的规范可以包括天线信息和承载信息与候选信道估计模型之间的关系。
本申请实施例中,基站通过接收终端发送的终端对应的天线信息和承载信息,并基于天线信息和承载信息,从多个候选信道估计模型中确定出与终端匹配的候选信道估计模型,作为目标信道估计模型,针对终端的实际配置情况确定与之匹配的目标信道估计模型,提高了模型与终端之间的适配性,有利于提高信道估计的准确性。
作为一种可选实施例,该方法中,若接收端为终端,发送端为基站,确定目标信道估计模型,包括:
获取预设信道估计模型;
将终端对应的天线信息和承载信息发送至基站,以供基站基于天线信息和承载信息确定与终端匹配的目标信道估计模型;承载信息用于表示终端可支持的模型规模;
接收基站发送的目标信道估计模型的目标参数;
将预设信道估计模型中的预设参数更新为目标参数,并将更新后的预设信道估计模型作为目标信道估计模型。
具体地,在接收端为终端,发送端为基站的情况下,目标信道估计模型的确定方法包括:
终端可以获取预先部署在本地的预设信道估计模型,预设信道估计模型可以为一个初始化的目标信道估计模型。
终端根据实际的配置情况,确定对应的天线信息和承载信息,并将对应的天线信息和承载信息发送给基站,基站可以基于接收到的天线信息和承载信息,从多个候选信道估计模型中选取出与终端匹配的目标信道估计模型。
基站在确定出目标信道估计模型之后,可以获取目标信道估计模型的目标参数,其中,目标参数可以为目标信道估计模型的模型参数,并将目标参数发送给终端。
终端接收到目标参数之后,可以将预设信道估计模型中预设参数对应更新为目标参数,进而将预设信道估计模型更新为目标信道估计模型,从而实现基站与终端可以部署有相同的目标信道估计模型,以供后续实现双向信道估计。
本申请实施例中,终端通过接收基站发送的目标信道估计模型的目标参数,将预设信道估计模型中的预设参数更新为目标参数,并将更新后的预设信道估计模型作为目标信道估计模型。通过由基站执行模型训练的任务,充分利用了基站的运算资源和能力,终端只需要对预设信道估计模型中的参数进行更新,就可以构建出目标信道估计模型,既可以避免因终端的算力有限造成训练得到的模型性能较差的问题,保证了终端的目标信道估计模型的准确性,又可以节约终端的运算资源,避免了模型训练对终端资源的消耗,使得终端可以集中有限的资源进行信道估计,进一步提高了信道估计的准确性。
作为一种可选实施例,图3为本申请实施例提供的一种目标信道估计模型确定方法的流程示意图,如图3所示,该方法包括:
(1)基站预先训练得到多个候选信道估计模型;
(2)终端根据无线切换规范标准,寻呼至基站,并将对应的天线信息和承载信息上报给基站;
(3)基站基于接收到的天线信息和承载信息,从多个候选信道估计模型中确定出目标信道估计模型;
(4)基站将目标信道估计模型的模型信息和承载要求发送给终端;
(5)终端根据接收到的模型信息和承载要求,确认是否可以承载,若确认可以承载,则将确认信息发送给基站;
(6)基站接收到确认信息之后,将目标信道估计模型的目标参数发送给终端;
(7)终端基于接收到的目标参数,对预设信道估计模型进行更新,得到目标信道估计模型,并将更新完毕信息返回给基站,进而可以完成在基站和终端两侧均部署目标信道估计模型,完成信道估计的准备工作。
作为一种可选实施例,该方法中,候选信道估计模型是基站基于以下方式训练得到的:
获取训练样本集;训练样本集包括多个样本导频信号及其对应的多个样本信道矩阵;
基于训练样本集对初始信道估计模型进行至少一次训练操作,直至符合预设训练结束条件,将符合预设训练结束条件的初始信道估计模型作为训练好的候选信道估计模型。
具体地,基站可以预先训练得到多个候选信道估计模型,在模型训练阶段,基站可以获取训练样本集,其中,训练样本集可以包括多个样本导频信号及其对应的多个样本信道矩阵,训练样本集可以为基站存储的历史测量信道数据信息或者仿真模拟信息。
将训练样本集输入至初始信道估计模型中,通过初始信道估计模型基于训练样本集执行至少一次训练操作,直至符合预设训练结束条件,其中,训练结束条件可以为损失函数收敛,例如,损失函数小于设定值或者连续设定次数计算得到损失函数均小于设定值;训练结束条件也可以为训练次数达到预设次数。
将符合预设训练结束条件的初始信道估计模型作为候选信道估计模型。可以通过设置不同规模的初始信道估计模型,通过对各个初始信道估计模型进行训练,得到多个候选信道估计模型。
可选地,初始信道估计模型包括初始编码器和初始解码器。初始信道估计模型可以是基于CVAE(Conditional Variational Auto-Encoding,条件变分自编码)模型构建的。
其中,训练操作包括:
将多个样本导频信号和多个样本信道矩阵输入至初始信道估计模型中的初始编码器,得到多个样本信道矩阵分别对应的多个样本隐变量;
将多个样本隐变量和多个样本导频信号输入至初始信道估计模型中的初始解码器,得到对应的多个预测信道矩阵;
基于各个样本信道矩阵和各个预测信道矩阵,确定损失函数;
基于损失函数对初始信道估计模型的参数进行调整,将调整参数后的初始信道估计模型作为下一次训练操作对应的初始信道估计模型。
具体地,将多个样本导频信号和多个样本信道矩阵输入至初始信道估计模型中,针对每个样本导频信号及其对应的样本信道矩阵,通过初始信道估计模型中的编码器基于样本导频信号对样本信道矩阵进行编码,得到对应的样本隐变量,其中,样本隐变量可以为样本信道矩阵的一种低维特征表示。
将多个样本导频信号和多个样本隐变量输入至初始信道估计模型中,针对每个样本导频信号及其对应的样本隐变量,通过初始信道估计模型中解码器将基于样本导频信号和样本隐变量对样本信道矩阵进行复原,得到预测样本信道矩阵。
可选地,在得到多个样本隐变量之后,针对每个样本隐变量,可以将样本隐变量与对应的样本导频信号进行拼接,并将拼接之后的数据输入至初始信道估计模型中的解码器。
基于各个样本信道矩阵和各个预测信道矩阵,可以确定初始信道估计模型的损失函数。
基于损失函数可以对当前训练操作对应的初始信道估计模型的参数进行调整,并将调整参数后的初始信道估计模型参与下一次训练操作。通过不断地执行上述训练操作,基于损失函数来约束模型的训练,使得初始信道估计模型输出的预测信道矩阵越来越接近样本信道矩阵,直至符合预设训练结束条件。
图4为本申请实施例提供的一种初始信道估计模型的结构示意图,如图4所示,初始信道估计模块包括初始编码器encoder和初始解码器decoder。训练使用的样本信道矩阵H可通过Matlab 5G工具包来模拟实现,接收端导频信号Y可根据设定毫米波频段、多径路线、阵列结构参数、相干系数以及信号延迟其他具体参数等确定。在确定出样本信道矩阵H及其对应的导频信号Y,可以将样本信道矩阵H及其对应的导频信号Y归一化后共同输入至初始编码器中,通过初始编码器进行卷积和下采样操作,编码后输出一个混合高斯概率分布,均值向量为μ,方差向量为σ,重采样操作为从标准正态分布采样后形成隐变量z,隐变量z的分布可以表示为如下公式:
将输出的隐变量z和导频信号Y拼接后共同输入至初始解码器,通过解码器进行转置卷积和上采样操作,对信道矩阵进行复用,得到预测样本信道矩阵H’。
作为一种可选实施例,该方法中,基于各个样本信道矩阵和各个预测信道矩阵,确定损失函数,包括:
基于各个样本信道矩阵与各个预测信道矩阵之间的差异,确定第一损失函数;
基于各个样本隐变量与各个预设概率分布之间的差异,确定第二损失函数;
基于第一损失函数和第二损失函数,确定损失函数。
具体地,可以将各个样本信道矩阵作为真实标签,基于各个样本信道矩阵与对应的各个的预测信道矩阵之间的差异,确定第一损失函数。其中,第一损失函数用于衡量初始信道估计模型生成的输出与原始输入之间的差异。
样本隐变量可以理解为一个概率分布,可以基于各个样本隐变量与对应的各个预设概率分布之间的差异,确定第二损失函数。第二损失函数用于衡量从输入数据到隐空间的潜在分布与预定义的先验分布之间的差异。
基于第一损失函数和第二损失函数,确定约束模型训练的损失函数。可选的,可以获取第一损失函数和第二损失函数各自对应的权重,采用该权重对两部分损失进行加权求和,得到模型的损失函数。
可选地,损失函数的具体公式如下:
式中,L表示损失函数,min为最小化,x代表真实的样本信道矩阵H,x′代表预测样本信道矩阵,y代表导频信号Y,z代表隐变量。
其中损失函数中的第一项DKL(q(z|x,y)‖p(z|y))为编码后的隐变量z与先验概率分布p(z|y)的KL散度度量。
式中,第二项α·Eq(z|x,y)(logp(x′|z,y)),用于表示其训练目标使解码器生成的样本和训练样本的均方误差MSE尽可能小。其中α为超参数,控制整体生成能力和多样性,增强模型隐变量z对不同导频信号和信道矩阵的泛化能力和解耦能力,通过训练让模型学习到导频信号Y和信道矩阵H之间映射生成关系。
图5为本申请实施例提供的一种信道估计方法的流程示意图,如图5所示,该方法包括信道建立和常态传输两个阶段。在通道建立阶段,基站侧向终端侧UE部署发射训练好的CVAE模型结构参数;常态传输阶段,两侧仅发射低维导频信号s和编码隐变量z,即可在一个相干时间内建立双工通信链路。
(1)信道建立阶段:根据基站侧BS存储的历史测量信道数据信息或者仿真模拟信息,定期启动模型更新策略,在基站侧训练各种类型的CVAE模型参数。按照相应规范,根据终端UE侧的能力和天线情况,BS侧采用几个不同模型超参规格和架构方案的CVAE模型。
UE侧根据无线切换规范标准,寻呼至该BS侧,向BS侧上报UE本地天线信息和模型承载能力规格信息。BS侧根据UE侧上报相关信息准备信道建立和模型传输工作,并向UE侧发送预传输的模型信息和相关承载要求,等待UE侧进行确认。
BS侧接受到UE侧的确认信息后,选择相应的CVAE的模型,并将CVAE相应的编码器、解码器参数传输至UE侧,UE侧接受到模型后将自身原有参数进行更新,更新完毕后向BS侧发送模型部署完备信号。
(2)常态传输阶段:在BS侧接受到UE侧的确认信息后,开始进行数据上下行常态传输。在一个相干通信时间内:传输阶段中发送端仅发射低维导频信号s和编码隐变量z,接收端根据接收到的导频信号Y和编码隐变量z,接收端通过解码器CVAEdecoder复原估计信道矩阵H,根据信道矩阵生成高度定向的波束赋形并补偿高频衰减损耗等相关功能,从而建立双工通信链路,同时接收端通过CVAEencoder更新优化编码隐变量z’以便下一个相干通信时间的初始隐变量输入。
本申请实施例中,依托条件变分自编码作为一种高效的数据压缩表示及生成能力,两侧仅发射低维导频信号s和编码隐变量z,即可实现信道矩阵的高精细度还原,可大幅减少导频信号传输负荷和信道估计计算量,该方法具备高效、轻量化及适用性强的特点;基于变分自编码的模型训练、模型部署、信道建立、常态传输的高效通信标准规范和应用流程,在此流程下能够适应双方承载能力和模型要求;对于导频维度没有限制,信道估计的计算复杂度独立于导频序列维度,不会因维度增加使估计负荷过载,同时无需阵列非相干性假设,能够适应于接收/发射阵列密集场景下的信道估计,对于不同信噪比具有泛化性。
图6为本申请实施例提供的一种信道估计装置的结构示意图,如图6所示,以该装置应用于接收端为例,该装置包括:
信道建立模块210,用于建立与待通信的发送端之间的当前信道,并确定目标信道估计模型;其中,所述当前信道为所述接收端与所述发送端在当前次传输中进行通信的信道;
信道估计模块220,用于通过所述当前信道接收导频信号,并通过所述目标信道估计模型基于接收到的导频信号,预测所述当前信道对应的信道矩阵;所述信道矩阵用于表示当前信道的通信状态。
作为一种可选实施例,该装置还包括隐变量优化模块,用于:
通过所述当前信道接收隐变量;
通过所述目标信道估计模型基于所述信道矩阵,对接收到的隐变量进行更新,并将更新后的隐变量作为下一次传输对应的隐变量。
作为一种可选实施例,若所述接收端为基站,所述发送端为终端,信道建立模块,具体用于:
获取多个候选信道估计模型;
接收所述终端发送的所述终端对应的天线信息和承载信息;所述承载信息用于表示所述终端可支持的模型规模;
基于所述天线信息和所述承载信息,从所述多个候选信道估计模型中确定出与所述终端匹配的候选信道估计模型,并将所确定出的候选信道估计模型作为所述目标信道估计模型。
作为一种可选实施例,若所述接收端为终端,所述发送端为基站,信道建立模块,具体用于:
获取预设信道估计模型;
将所述终端对应的天线信息和承载信息发送至所述基站,以供所述基站基于所述天线信息和所述承载信息确定与所述终端匹配的目标信道估计模型;所述承载信息用于表示所述终端可支持的模型规模;
接收所述基站发送的所述目标信道估计模型的目标参数;
将所述预设信道估计模型中的预设参数更新为所述目标参数,并将更新后的预设信道估计模型作为所述目标信道估计模型。
作为一种可选实施例,该装置还包括训练模块,训练模块包括:
样本获取子模块,用于获取训练样本集;所述训练样本集包括多个样本导频信号及其对应的多个样本信道矩阵;
训练子模块,用于基于所述训练样本集对初始信道估计模型进行至少一次训练操作,直至符合预设训练结束条件,将符合所述预设训练结束条件的初始信道估计模型作为训练好的候选信道估计模型。
作为一种可选实施例,所述初始信道估计模型包括初始编码器和初始解码器;
训练子模块包括:
编码单元,用于将多个样本导频信号和多个样本信道矩阵输入至所述初始信道估计模型中的初始编码器,得到所述多个样本信道矩阵分别对应的多个样本隐变量;
解码单元,用于将多个样本隐变量和多个样本导频信号输入至所述初始信道估计模型中的初始解码器,得到对应的多个预测信道矩阵;
损失函数确定单元,用于基于各个样本信道矩阵和各个预测信道矩阵,确定损失函数;
参数优化单元,用于基于损失函数对所述初始信道估计模型的参数进行调整,将调整参数后的初始信道估计模型作为下一次训练操作对应的初始信道估计模型。
作为一种可选实施例,该装置中损失函数确定单元,具体用于:
基于各个样本信道矩阵与各个预测信道矩阵之间的差异,确定第一损失函数;
基于各个样本隐变量与各个预设概率分布之间的差异,确定第二损失函数;
基于所述第一损失函数和所述第二损失函数,确定所述损失函数。
本申请实施例的装置可执行本申请实施例所提供的方法,其实现原理相类似,本申请各实施例的装置中的各模块所执行的动作是与本申请各实施例的方法中的步骤相对应的,对于装置的各模块的详细功能描述具体可以参见前文中所示的对应方法中的描述,此处不再赘述。
本申请实施例中提供了一种电子设备,包括存储器、处理器及存储在存储器上的计算机程序,该处理器执行上述计算机程序以实现上述信道估计方法的步骤,与相关技术相比可实现:通过确定目标信道估计模型,并通过目标信道估计模型基于接收端接收到的导频信息,预测出接收端与发送端之间的当前信道的信道矩阵,无需建立在导频信号的维度不小于发送端天线的数量的条件下,对导频信号的维度没有限制,即可以通过低维的导频信号对收/发端天线阵列密集场景下进行有效地信道估计。进一步地,利用低维的导频信号进行信道估计,可以提高数据传输的效率,减小信道估计的计算量,提高信道估计的效率。信道是会随着外部因素的变化而产生变化的,信道相关时间指的是信道保持恒定的最大时间差范围,通过提高信道估计的效率能够实现在一个信道相干时间(即信道保持稳定的状态下)内进行信道估计,进而提高信道估计的准确性。
在一个可选实施例中提供了一种电子设备,如图7所示,图7所示的电子设备4000包括:处理器4001和存储器4003。其中,处理器4001和存储器4003相连,如通过总线4002相连。可选地,电子设备4000还可以包括收发器4004,收发器4004可以用于该电子设备与其他电子设备之间的数据交互,如数据的发送和/或数据的接收等。需要说明的是,实际应用中收发器4004不限于一个,该电子设备4000的结构并不构成对本申请实施例的限定。
处理器4001可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器4001也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线4002可包括一通路,在上述组件之间传送信息。总线4002可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器4003可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质、其他磁存储设备、或者能够用于携带或存储计算机程序并能够由计算机读取的任何其他介质,在此不做限定。
存储器4003用于存储执行本申请实施例的计算机程序,并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的计算机程序,以实现前述方法实施例所示的步骤。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时可实现前述方法实施例的步骤及相应内容。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”、“1”、“2”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除图示或文字描述以外的顺序实施。
应该理解的是,虽然本申请实施例的流程图中通过箭头指示各个操作步骤,但是这些步骤的实施顺序并不受限于箭头所指示的顺序。除非本文中有明确的说明,否则在本申请实施例的一些实施场景中,各流程图中的实施步骤可以按照需求以其他的顺序执行。此外,各流程图中的部分或全部步骤基于实际的实施场景,可以包括多个子步骤或者多个阶段。这些子步骤或者阶段中的部分或全部可以在同一时刻被执行,这些子步骤或者阶段中的每个子步骤或者阶段也可以分别在不同的时刻被执行。在执行时刻不同的场景下,这些子步骤或者阶段的执行顺序可以根据需求灵活配置,本申请实施例对此不限制。
以上所述仅是本申请部分实施场景的可选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请的方案技术构思的前提下,采用基于本申请技术思想的其他类似实施手段,同样属于本申请实施例的保护范畴。
Claims (10)
1.一种信道估计方法,其特征在于,应用于接收端,包括:
建立与待通信的发送端之间的当前信道,并确定目标信道估计模型;其中,所述当前信道为所述接收端与所述发送端在当前次传输中进行通信的信道;
通过所述当前信道接收导频信号,并通过所述目标信道估计模型基于接收到的导频信号,预测所述当前信道对应的信道矩阵;所述信道矩阵用于表示当前信道的通信状态。
2.根据权利要求1所述的信道估计方法,其特征在于,所述方法还包括:
通过所述当前信道接收隐变量;
通过所述目标信道估计模型基于所述信道矩阵,对接收到的隐变量进行更新,并将更新后的隐变量作为下一次传输对应的隐变量。
3.根据权利要求1所述的信道估计方法,其特征在于,若所述接收端为基站,所述发送端为终端,所述确定目标信道估计模型,包括:
获取多个候选信道估计模型;
接收所述终端发送的所述终端对应的天线信息和承载信息;所述承载信息用于表示所述终端可支持的模型规模;
基于所述天线信息和所述承载信息,从所述多个候选信道估计模型中确定出与所述终端匹配的候选信道估计模型,并将所确定出的候选信道估计模型作为所述目标信道估计模型。
4.根据权利要求1所述信道估计方法,其特征在于,若所述接收端为终端,所述发送端为基站,所述确定目标信道估计模型,包括:
获取预设信道估计模型;
将所述终端对应的天线信息和承载信息发送至所述基站,以供所述基站基于所述天线信息和所述承载信息确定与所述终端匹配的目标信道估计模型;所述承载信息用于表示所述终端可支持的模型规模;
接收所述基站发送的所述目标信道估计模型的目标参数;
将所述预设信道估计模型中的预设参数更新为所述目标参数,并将更新后的预设信道估计模型作为所述目标信道估计模型。
5.根据权利要求3所述的信道估计方法,其特征在于,所述候选信道估计模型是基站基于以下方式训练得到的:
获取训练样本集;所述训练样本集包括多个样本导频信号及其对应的多个样本信道矩阵;
基于所述训练样本集对初始信道估计模型进行至少一次训练操作,直至符合预设训练结束条件,将符合所述预设训练结束条件的初始信道估计模型作为训练好的候选信道估计模型。
6.根据权利要求5所述的信道估计方法,其特征在于,所述初始信道估计模型包括初始编码器和初始解码器;
所述训练操作包括:
将多个样本导频信号和多个样本信道矩阵输入至所述初始信道估计模型中的初始编码器,得到所述多个样本信道矩阵分别对应的多个样本隐变量;
将多个样本隐变量和多个样本导频信号输入至所述初始信道估计模型中的初始解码器,得到对应的多个预测信道矩阵;
基于各个样本信道矩阵和各个预测信道矩阵,确定损失函数;
基于损失函数对所述初始信道估计模型的参数进行调整,将调整参数后的初始信道估计模型作为下一次训练操作对应的初始信道估计模型。
7.根据权利要求6所述的信道估计方法,其特征在于,所述基于各个样本信道矩阵和各个预测信道矩阵,确定损失函数,包括:
基于各个样本信道矩阵与各个预测信道矩阵之间的差异,确定第一损失函数;
基于各个样本隐变量与各个预设概率分布之间的差异,确定第二损失函数;
基于所述第一损失函数和所述第二损失函数,确定所述损失函数。
8.一种信道估计装置,其特征在于,应用于接收端,包括:
信道建立模块,用于建立与待通信的发送端之间的当前信道,并确定目标信道估计模型;其中,所述当前信道为所述接收端与所述发送端在当前次传输中进行通信的信道;
信道估计模块,用于通过所述当前信道接收导频信号,并通过所述目标信道估计模型基于接收到的导频信号,预测所述当前信道对应的信道矩阵;所述信道矩阵用于表示当前信道的通信状态。
9.一种电子设备,包括存储器、处理器及存储在存储器上的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310828605.9A CN116760666A (zh) | 2023-07-06 | 2023-07-06 | 信道估计方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310828605.9A CN116760666A (zh) | 2023-07-06 | 2023-07-06 | 信道估计方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116760666A true CN116760666A (zh) | 2023-09-15 |
Family
ID=87960856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310828605.9A Pending CN116760666A (zh) | 2023-07-06 | 2023-07-06 | 信道估计方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116760666A (zh) |
-
2023
- 2023-07-06 CN CN202310828605.9A patent/CN116760666A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101635612B (zh) | 多输入多输出系统的预编码码本构造方法和装置 | |
TWI406523B (zh) | Mimo預編碼器中處理通信信號的方法和系統 | |
CN101170386B (zh) | 利用均值和协方差信息的自适应多天线接收传输方法 | |
KR20050009233A (ko) | 채널 변동들을 보상하는 다중 안테나 모바일 통신시스템에서 신호들을 전송하는 방법 및 장치 | |
CN102763447A (zh) | 用于采用了多输入多输出(mimo)传输的无线通信系统中的信道状态信息反馈的系统和方法 | |
CN102160346B (zh) | 对信号进行预编码以在无线mimo系统中传送的方法 | |
CN107566305A (zh) | 一种低复杂度的毫米波系统信道估计方法 | |
CN105245310A (zh) | 一种下行导频信号的处理方法及系统 | |
CN114915523B (zh) | 基于模型驱动的智能超表面信道估计方法及系统 | |
KR20210128841A (ko) | Mimo를 지원하는 무선 통신 시스템에서 채널 추정 방법 및 장치 | |
CN113825236B (zh) | 一种无线网络中感知、计算和通信的融合方法 | |
CN114900398A (zh) | 非理想csi的irs辅助云接入网下行的波束成形方法 | |
WO2009075456A1 (en) | Method for transmission interference cancellation for mu-mimo | |
US8941538B1 (en) | Iterative technique for fast computation of TxBF steering weights | |
CN115549745B (zh) | Ris相移设计方法、装置、计算机设备及存储介质 | |
KR102046033B1 (ko) | 대규모 안테나 시스템의 하이브리드 빔포밍 방법 및 빔포밍 장치 | |
CN116760666A (zh) | 信道估计方法、装置、电子设备及存储介质 | |
EP1985051B1 (en) | Method of multiple-antenna communication having improved utilization of channel correlations | |
KR100675205B1 (ko) | 다중입력 다중출력의 안테나 선택 시스템 및 그 방법 | |
CN111756416B (zh) | 一种通信方法及装置 | |
CN103117757A (zh) | 一种信号接收方法及终端 | |
CN108736940B (zh) | 一种空分复用的方法及装置 | |
KR101354137B1 (ko) | 자기간섭을 허용하는 네트워크 부호화를 통하여 다중 사용자 다중 입출력 셀룰러 통신시스템의 통신용량을 증대시키기 위한 양방향 중계 통신방법 | |
CN111917441B (zh) | 一种基于大规模多输入多输出毫米波系统的信道估计方法 | |
KR102397219B1 (ko) | 다중 안테나 전이중 통신 시스템에서 하이브리드 빔포밍을 수행하는 방법 및 이를 위한 장치 |
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 |