基于深度神经网络的毫米波信道估计和压缩方法技术

本发明专利技术公开了一种基于深度神经网络的大规模多输入多输出系统毫米波信道估计和压缩方法，所述方法包括以下步骤：步骤1)基站通过有限的射频链路向用户发送导频，用户通过有限的射频链路收集合并基站发送的导频信号；步骤2)用户对接收导频信号做一系列预处理，以便其输入深度神经网络；步骤3)收集神经网络离线训练的样本；步骤4)进行具体的神经网络离线训练过程；步骤5)进行深度神经网络的在线装配和信道压缩与估计。

【技术实现步骤摘要】
基于深度神经网络的毫米波信道估计和压缩方法
本专利技术属于无线通信
，具体来说，涉及一种基于深度神经网络的大规模多输入多输出系统毫米波信道估计和压缩方法。
技术介绍
大规模天线技术的突破之处在于其打破了传统多天线技术中天线数目和用户数目相当的关系，使得在基站天线数目很大时：1)信道的小尺度衰落会由于信道硬化效应而被平均掉；2)由于不同用户与基站之间的信道向量变得相互正交，小区内干扰、信道估计误差造成的干扰以及不相关噪声都逐渐消失；3)简单的预编码和检测方式，如匹配滤波和迫零处理将逐渐最优；4)基站或者每个用户的发射功率可随着基站天线数目的倒数成比例减小，同时保持恒定速率。由于波长很短，毫米波通信使得收发两端都能够使用大规模天线阵列以充分利用空域资源，同时超宽的毫米波带宽能够进一步提升系统容量，因此毫米波通信是满足未来无线网络高速率要求的一项关键技术。然而，对于使用毫米波的大规模大规模多输入多输出(多输入多输出，文中简称：MIMO)系统，大量的天线紧密放置在物理尺寸有限的收发端，同时考虑到适用于毫米波频段的射频链路器件一般成本和能耗很高，因此很难为每一根天线配置专门的射频链路。为本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的毫米波信道估计和压缩方法，其特征在于，所述方法包括以下步骤：步骤1)基站通过有限的射频链路向用户发送导频，用户通过有限的射频链路收集合并基站发送的导频信号；步骤2)用户对接收导频信号做一系列预处理，以便其输入深度神经网络；步骤3)收集神经网络离线训练的样本；步骤4)进行具体的神经网络离线训练过程；步骤5)进行深度神经网络的在线装配和信道压缩与估计。

【技术特征摘要】
1.一种基于深度神经网络的毫米波信道估计和压缩方法，其特征在于，所述方法包括以下步骤：步骤1)基站通过有限的射频链路向用户发送导频，用户通过有限的射频链路收集合并基站发送的导频信号；步骤2)用户对接收导频信号做一系列预处理，以便其输入深度神经网络；步骤3)收集神经网络离线训练的样本；步骤4)进行具体的神经网络离线训练过程；步骤5)进行深度神经网络的在线装配和信道压缩与估计。2.根据权利要求1所述的基于深度神经网络的毫米波信道估计和压缩方法，其特征在于，所述步骤1)基站通过有限的射频链路向用户发送导频，用户通过有限的射频链路收集合并基站发送的导频信号，具体如下：步骤1)基站采用毫米波频段向单个用户传输数据，基站装备NB根天线和条射频链路，用户基站装备NU根天线和条射频链路，由于在毫米波频段进行通信，射频链路成本较高，所以基站和用户端的射频链路数目远小于天线数目，即射频链路和各个天线通过移相器相连；基站向用户发送导频信号用于估计信道，导频发射过程持续MB(MB≤NB)个时刻，其中第u(u＝1,2,…,MB)时刻由一个射频链路发送一个导频符号xu，与该射频链路相连接的移相器根据维数为NB的离散傅里叶变换矩阵的第u列调整相位，即发射xu采用的模拟域波束成形向量fu为维数为NB的离散傅里叶变换矩阵的第u列，对于基站发射的每个导频符号，用户使用MU(MU≤NU)个模拟域合并向量wv(v＝1,2,…,MU)进行处理，wv为维数为NU的离散傅里叶变换矩阵的第v列，因此，信道估计的导频开销为其中表示向上取整函数。3.根据权利要求1所述的基于深度神经网络的毫米波信道估计和压缩方法，其特征在于，所述步骤2)用户对接收导频信号做一系列预处理，以便其输入深度神经网络，具体如下：步骤2)经过p次信道使用，用户端经过模拟域合并处理后的导频信号矩阵为其中和表示模拟域接收矩阵和波束成形矩阵，X是MB维对角矩阵，第u个对角元素为xu，表示合并后的等效噪声；由于导频矩阵X已知，令同时将Y做向量化处理可得其中表示克罗内克乘积，vec(·)表示对矩阵进行向量化操作；接下来，对做进一步处理，即将被输入到...

【专利技术属性】
技术研发人员：张华，董培浩，许威，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32