【技术实现步骤摘要】
基于深度学习的大规模多天线系统信道估计方法
本专利技术涉及一种基于深度学习的大规模多天线系统信道估计方法，属于无线通信当中的信道估计领域。
技术介绍
大规模多天线(Multiple-Input-Multiple-Output，MIMO)技术是5G和未来通信当中的关键技术。在大规模MIMO系统当中，由于基站处天线数量大，若在基站处为每根天线配备高精度模拟数字转换器(Analog-to-DigitalConverter，ADC)，基站的能耗和成本都会相当高。若每根天线均使用低精度ADC，则会带来系统整体性能的降低。配备混合精度ADC(即小部分天线配备高精度ADC，其余的配备低精度ADC)是解决这一问题的策略。信道估计是在接收机处对无线信道进行估计的技术，是实现无线通信系统的一项关键技术。然而现有的针对配备混合精度ADC的大规模MIMO系统的上行信道估计技术并不完善。现有的轮循方法(即将高精度ADC作为一个组，分次连接到不同的天线上，每一次只对配备高精度ADC的天线进行信道估计，直到遍历所有的天线)所需要的估计时延和导频长...
【技术保护点】
1.一种基于深度学习的大规模多天线系统信道估计方法，该方法基于配备混合精度ADC的大规模MIMO系统，设该系统的基站配备M根天线，分为高精度ADC天线集合
【技术特征摘要】
1.一种基于深度学习的大规模多天线系统信道估计方法，该方法基于配备混合精度ADC的大规模MIMO系统，设该系统的基站配备M根天线，分为高精度ADC天线集合和低精度ADC天线集合两个集合，和满足和式中为空集，每根天线配备两个ADC，分别量化接收到的信号的实部(Re)与虚部(Im)，其特征在于：对其进行信道估计的方法包括如下步骤：
S1.在基站处根据系统模型和信道模型产生训练用信道和接收并量化的导频信号，构建RC-DNN的训练样本；
S2.将步骤S1中构建的训练样本输入RC-DNN进行训练；
S3.将接收并量化的导频信号输入步骤S2中训练完成后的RC-DNN获得RC-DNN的输出并将同第n个训练样本对应的高精度ADC天线接收并量化后的导频信号rH,n合并成Ref-DNN的第n个训练样本的输入sn，并生成Ref-DNN的第n个训练样本；
S4.将步骤S3中构建的训练样本输入Ref-DNN进行训练；
S5.将步骤S2中训练完成后的RC-DNN与步骤S4中训练完成后的Ref-DNN储存于基站处，用于在线阶段的信道估计；
S6.用户向基站发送导频信号，将由用户发送且经基站天线接收并量化的导频信号ru输入RC-DNN得到低精度ADC天线处的估计信道
S7.将步骤S6中得到的低精度ADC天线处的估计信道与高精度ADC天线接收并量化后的导频信号rH,u合并为Ref-DNN的输入su，将su输入Ref-DNN，获得用户到所有天线的估计信道
2.根据权利要求1所述的基于深度学习的大规模多天线系统信道估计方法，其特征在于：步骤S1的具体方法为：
信道模型如下：
式中，h为用户到基站的信道，L为信道多径数目，βl为第l条传播路径的增益，为第l条传播路径的到达角，为第l条传播路径的导向矢量；
根据信道模型，产生Ntr个独立的信道，第n个信道hn对应产生第n个RC-DNN和Ref-DNN的训练样本，为生成训练样本，还需要产生接收的导频信号，第n个训练样本对应的接收的导频信号如下：
其中P为用户发射功率，zn为第n个信道的高斯白噪声；
设第n个训练样本的量化后的导频信号为rn，设基站处有M根天线，[rn]m第m根基站天线对应的rn的元素，则有：
其中和分别为高精度和低精度ADC的量化函数，[yn]m为第m根基站天线对应的yn的元素；
RC-DNN的第n个训练样本形式为其中为输入rn时RC-DNN的输出试图接近的目标数据，hL,n为第n个训练样本中用户设备到配备低精度ADC的天线的信道，c为一比例常数。
3.根据权利要求2所述的基于深度学习的大规模多天线系统信道估计方法，其特征在于：所述的基于深度学习的大规模多天线系统信道估计方法，比例常数c的确定规则为，对于所有训练样本，计算所有天线对应信道的功率，通过调整c，确保所有天线对应信道的功率不超出RC-DNN和Ref-DNN的输出层激活函数的范围。
4.根据权利要求1所述的基于深度学习的大规模多天线系统信道估计方法，其特征在于：所述的基于深度学习的大规模多天线系统信道估计方法，步骤S2的具体方法是：
对于第n个训练样本的量化后的导频信号rn，有：
其中为输入rn后RC-DNN的输出数据，为对hL,n的估计，为RC-DNN总共的神经...
【专利技术属性】
技术研发人员：刘楠，金子程，潘志文，尤肖虎，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。