一种基于深度学习调控扇区的导频污染消除方法技术

本发明专利技术提供一种基于深度学习调控扇区的导频污染消除方法，包括如下步骤：S1.5G大数据传输场景中在小区内划分扇区；S2.小区内扇区数目K通过深度学习在不同扇区下系统的有效和速率与信道状态信息的最小均方误差MMSE的比值来控制；S3.同一个扇区内的用户使用相互正交的导频序列，不同扇区之间的用户导频序列复用；S4.设置扇区之间的用户波达方向角不混叠，通过贝叶斯估计，并利用每个扇区空域信息的差异消除导频污染。本发明专利技术通过深度学习在不同扇区下系统的有效和速率与信道状态信息的最小均方误差MMSE的比值来控制小区内划分扇区的数目，使得导频序列的长度可以极大的缩短，通过贝叶斯估计消除导频污染。

A Pilot Pollution Elimination Method Based on Deep Learning Regulation Sector

The invention provides a pilot pollution elimination method based on deep learning regulation sector, which includes the following steps: dividing sector in S1.5G large data transmission scenario in a cell; S2. The number of sectors in a cell K is controlled by the ratio of system efficiency and rate to minimum mean square error MMSE of channel state information in different sectors; S3. User phase in the same sector. Cross-orthogonal pilot sequence, user pilot sequence multiplexing between different sectors; S4. Set user direction of arrival angle between sectors is not aligned, estimated by Bayesian, and use the difference of spatial information of each sector to eliminate pilot pollution. The invention controls the number of sectors in a cell by deeply learning the ratio of the system's effective and rate to the minimum mean square error MMSE of channel state information under different sectors, so that the length of pilot sequence can be greatly shortened, and the pilot pollution can be eliminated by Bayesian estimation.

【技术实现步骤摘要】
一种基于深度学习调控扇区的导频污染消除方法
本专利技术属于通信
，具体涉及一种基于深度学习调控扇区的导频污染消除方法。
技术介绍
随着科技发展，大数据、云计算等技术悄然无声的改变着人们的日常生活，这些技术的关键点是要求是传输数据量大，速度快。科技未来发展方向是宽带移动化、移动宽带化，即电脑与移动终端结合，无线传输是未来科技的主流。为了实现宽带移动化，能够快速传输大量数据“高速率、高容量、实现高效率传输”成为第五代移动通信系统(5G)的主要目标。研究表明导频污染问题是限制5G系统性能的主要瓶颈，因此，如何有效的减轻或者消除导频污染成为重中之重，具有重要的工程价值和理论意义。目前针对减轻或者消除导频污染的研究已取得许多成果，其中导频分配方案在实际通信系统中因其具有可操作性成为当下的主流方案。其思想是重新设计帧结构，使导频在帧结构中存在一定的偏移，相邻小区的导频在不同的时隙传输，从而减轻导频污染。但是在导频分配方案中，由于导频复用小区内的服务用户较多，小区内使用正交导频进行信道估计时，会造成频谱资源的浪费，虽然减轻或者消除导频污染，但是降低了频谱的利用率。此为现有技术的不足，因此，针对现有技术中的上述缺陷，提供一种基于深度学习调控扇区的导频污染消除方法，是非常有必要的。
技术实现思路
本专利技术的目的在于，针对上述现有的消除导频污染的方法会造成频谱资源的浪费，降低频谱的利用率缺陷，提供一种基于深度学习调控扇区的导频污染消除方法，以解决上述技术问题。为实现上述目的，本专利技术给出以下技术方案：一种基于深度学习调控扇区的导频污染消除方法，包括如下步骤：S1.5G大数据传输场景中在小区内划分扇区；S2.小区内扇区数目K通过深度学习在不同扇区下系统的有效和速率与信道状态信息的最小均方误差MMSE的比值来控制；S3.同一个扇区内的用户使用相互正交的导频序列，不同扇区之间的用户导频序列复用；S4.设置扇区之间的用户波达方向角不混叠，通过贝叶斯估计，并利用每个扇区空域信息的差异消除导频污染。进一步地，步骤S2的具体步骤如下：S21.定义估计信道的均方误差为：这里hk和是第k个扇区内的期望信道和其各自估计值，只考虑期望信道的估计误差；S22.定义有效带宽为则每个小区的有效和速率是：其中SINRk是第k个扇区的信干噪比。进一步地，步骤S3中导频序列的长度大于等于小区内扇区数目。进一步地，步骤S1中5G大数据传输场景中，小区基站通过波束赋形技术在小区内划分扇区。进一步地，步骤S3具体步骤如下：S31.波达方向角在[-π,0]内,给同一个扇区内所有用户分配相互正交的导频序列，不同扇区之间复用同一组导频序列；S32.波达方向角在[0,π]内，给同一个扇区内所有用户分配相互正交的导频序列，不同扇区之间复用同一组导频序列；同一个扇区内，波达方向角在[-π,0]内的用户分配的导频序列与波达方向角在[0,π]内的用户分配的导频序列正交。进一步地，步骤S4包括：S41.贝叶斯估计与最小均方误差MMSE估计等效；基站接收的第k个扇区的信号可以表示为Yk＝hkskH+Nk，其中Nk表示第k个扇区的噪声，sk表示第k个扇区的导频信号，将基站接收到所有扇区的信号和噪声矢量化，能够被表示为：其中y＝vec(Yk),n＝vec(Nk)，h∈CKM×1表示K个扇区的所有信道信息堆积到一个矢量中，M表示小区基站的天线数，高斯噪声的方差为导频矩阵定义为：应用贝叶斯定理，已知接收信号y的情况下，信道h的概率是：假设h1···hK是相互独立的，第k个信道的自相关函数用Rk表示，可得随机变量h的高斯多变量概率分布密度函数为：通过(1.b1)式可以推导出：把(1.b4)式和(1.b5)式带入式(1.b3)，则式(1.b3)可以被写为其中其中使用最大后验概率MAP决策规则，在已知观测值y的情况下，贝叶斯估计的结果为：而最小均方误差MMSE估计的结果为：由于(I+AB)-1A＝A(I+BA)-1，所以贝叶斯估计的结果(1.b8)和最小均方误差估计的结果(1.b9)相同。进一步地，步骤S4还包括：S42.所有的扇区之间分配相同的训练导频序列，设训练导频序列为：s＝[s1s2···sτ]T(1.b10)定义导频矩阵为此时有将在基站端接收到的扇区信号矢量化，可以表示为：S43.因为贝叶斯估计与最小均方误差MMSE估计等效，将式(1.b11)带入式(1.b9)，第j个扇区的信道状态信息hj的贝叶斯估计表达式为：从(1.b13)式可以看出括号中的第三项属于导频污染，对造成干扰；通过设置干扰项为0，即括号中的第三项为0，很容易得到不存在导频污染情况下的信道状态信息表达式：此处的上标“noint”表示不存在导频污染的情况。进一步地，步骤S4还包括：S44.设定多径波达方向角θ的信道hj，j＝1,...,K；在小区内，移动用户的波达方向角AOA分布由任意概率密度pi(θ)表示；如，pi(θ)＝0，其中设定其他扇区之间的移动用户波达方向角是严格无混叠的，则有：即随着天线数的增加，导频污染的影响越来越小。本专利技术的有益效果在于：本专利技术通过深度学习在不同扇区下系统的有效和速率与信道状态信息的最小均方误差MMSE的比值来控制小区内划分扇区的数目，使得导频序列的长度可以极大的缩短，通过贝叶斯估计消除导频污染。此外，本专利技术设计原理可靠，结构简单，具有非常广泛的应用前景。由此可见，本专利技术与现有技术相比，具有突出的实质性特点和显著的进步，其实施的有益效果也是显而易见的。附图说明图1为本专利技术的方法流程图；具体实施方式：为使得本专利技术的目的、特征、优点能够更加的明显和易懂，下面将结合本专利技术具体实施例中的附图，对本专利技术中的技术方案进行清楚、完整地描述。实施例1：如图1所示，本专利技术提供一种基于深度学习调控扇区的导频污染消除方法，包括如下步骤：S1.5G大数据传输场景中小区基站通过波束赋形技术在小区内划分扇区；S2.小区内扇区数目K通过深度学习在不同扇区下系统的有效和速率与信道状态信息的最小均方误差MMSE的比值来控制；步骤S2的具体步骤如下：S21.定义估计信道的均方误差为：这里hk和是第k个扇区内的期望信道和其各自估计值，只考虑期望信道的估计误差；S22.定义有效带宽为则每个小区的有效和速率是：其中SINRk是第k个扇区的信干噪比；S3.同一个扇区内的用户使用相互正交的导频序列，不同扇区之间的用户导频序列复用；导频序列的长度大于等于小区内扇区数目；具体步骤如下：S31.波达方向角在[-π,0]内,给同一个扇区内所有用户分配相互正交的导频序列，不同扇区之间复用同一组导频序列；S32.波达方向角在[0,π]内，给同一个扇区内所有用户分配相互正交的导频序列，不同扇区之间复用同一组导频序列；同一个扇区内，波达方向角在[-π,0]内的用户分配的导频序列与波达方向角在[0,π]内的用户分配的导频序列正交；S4.设置扇区之间的用户波达方向角不混叠，通过贝叶斯估计，并利用每个扇区空域信息的差异消除导频污染；具体包括如下步骤：S41.贝叶斯估计与最小均方误差MMSE估计等效；基站接收的第k个扇区的信号可以表示为Yk＝hkskH+Nk，其中Nk表示第k个扇区的噪声，sk表示第k个扇区的导频信号，将基站接收到所有扇区的信号和噪声本文档来自技高网...

【技术保护点】
1.一种基于深度学习调控扇区的导频污染消除方法，其特征在于，包括如下步骤：S1.5G大数据传输场景中在小区内划分扇区；S2.小区内扇区数目K通过深度学习在不同扇区下系统的有效和速率与信道状态信息的最小均方误差MMSE的比值来控制；S3.同一个扇区内的用户使用相互正交的导频序列，不同扇区之间的用户导频序列复用；S4.设置扇区之间的用户波达方向角不混叠，通过贝叶斯估计，并利用每个扇区空域信息的差异消除导频污染。

【技术特征摘要】
1.一种基于深度学习调控扇区的导频污染消除方法，其特征在于，包括如下步骤：S1.5G大数据传输场景中在小区内划分扇区；S2.小区内扇区数目K通过深度学习在不同扇区下系统的有效和速率与信道状态信息的最小均方误差MMSE的比值来控制；S3.同一个扇区内的用户使用相互正交的导频序列，不同扇区之间的用户导频序列复用；S4.设置扇区之间的用户波达方向角不混叠，通过贝叶斯估计，并利用每个扇区空域信息的差异消除导频污染。2.如权利要求1所述的一种基于深度学习调控扇区的导频污染消除方法，其特征在于，步骤S2的具体步骤如下：S21.定义估计信道的均方误差为：这里hk和是第k个扇区内的期望信道和其各自估计值，只考虑期望信道的估计误差；S22.定义有效带宽为则每个小区的有效和速率是：其中SINRk是第k个扇区的信干噪比。3.如权利要求1所述的一种基于深度学习调控扇区的导频污染消除方法，其特征在于，步骤S3中导频序列的长度大于等于小区内扇区数目。4.如权利要求1所述的一种基于深度学习调控扇区的导频污染消除方法，其特征在于，步骤S1中5G大数据传输场景中，小区基站通过波束赋形技术在小区内划分扇区。5.如权利要求1所述的一种基于深度学习调控扇区的导频污染消除方法，其特征在于，步骤S3具体步骤如下：S31.波达方向角在[-π,0]内,给同一个扇区内所有用户分配相互正交的导频序列，不同扇区之间复用同一组导频序列；S32.波达方向角在[0,π]内，给同一个扇区内所有用户分配相互正交的导频序列，不同扇区之间复用同一组导频序列；同一个扇区内，波达方向角在[-π,0]内的用户分配的导频序列与波达方向角在[0,π]内的用户分配的导频序列正交。6.如权利要求1所述的一种基于深度学习调控扇区的导频污染消除方法，其特征在于，步骤S4包括：S41.贝叶斯估计与最小均方误差MMSE估计等效；基站接收的第k个扇区的信号可以表示为Yk＝hkskH+Nk，其中Nk表示第k个扇区的噪声，sk表示第k个扇区的导频信号，...

【专利技术属性】
技术研发人员：牛戈，
申请(专利权)人：郑州云海信息技术有限公司，
类型：发明
国别省市：河南,41