基于压缩感知和深度学习的信道估计方法、介质及设备技术

本发明专利技术公开了一种基于压缩感知和深度学习的信道估计方法、介质及设备，正交频分复用系统的基站端采用梳状导频形式向下行链路中的用户端发送信号；下行链路中的用户端获得发送的导频接收信号y，并反馈回基站端；正交频分复用系统的基站端根据得到的接收导频信号y，利用时延域稀疏信道的结构化稀疏特性，进行基于压缩感知的AS‑JOMP算法进行信道估计，得到初始估计信道

【技术实现步骤摘要】
基于压缩感知和深度学习的信道估计方法、介质及设备
本专利技术属于通信
，具体涉及一种基于压缩感知和深度学习的信道估计方法、介质及设备。
技术介绍
在频分双工(FrequencyDivisionDuplexing，FDD)系统中，由于信道不具有互易性，不能通过上行估计直接得到下行信道信息。为了得到下行信道状态信息(channelstateinformation，CSI)，必须进行下行导频训练下行信道。这种场景下，基站发送导频给用户，用户接收到导频后估计信道信息并反馈给基站，或者用户直接将接收到的导频信息反馈给基站，基站再联合进行信道估计。在这种情况下，为了获得较准确的信道信息，传统的信道信息获取方法需要导频信号的长度与基站天线数有关，且不能小于基站天线数。在大规模多输入多输出(Multiple-inputMultiple-output,MIMO)系统中，基站天线数是几十到几百根，若按照传统的信道信息获取方法，导频长度将会很大，甚至超过信道的相干时间。这就表明，在大规模MIMO系统中，采用传统的方法如最小二乘(LeastSquare，LS)或最小均方误差(MinimumMeanSquareError，MMSE)进行信道信息获取，不仅导频训练开销大，而且很可能根本无法在相干时间内估计有效的信道信息。很多研究表明，大规模MIMO信道在时延域具有稀疏性。在实际的场景中，由于散射体数目有限，且在基站与用户之间随机分布，最早到达接收端的多径信号的到达时间和最后到达接收端的多径信号的到达时间的时间差很大，即产生了很大的信道时延扩展。同时，由于基站与用户之间的散射体数目有限，而能产生较强多径信号的有效散射体的数目则是更少，故收发天线之间的时域信道的抽头值大部分比较小，或者为零，只有少数几个抽头处的抽头值较大，使得收发天线之间的信道具有稀疏特性。利用时延域信道的稀疏性，采用基于压缩感知的方法，利用信息在信号内的结构和内容，在远低于奈奎斯特频率的采样频率下，仍可精确的恢复原始信号，从而能大大减少FDD系统进行下行信道训练时所需的导频长度。采用基于压缩感知技术，在减少系统的CSI获取开销的同时，所获取的CSI的质量也比较好。传统的基于压缩感知的方法如正交匹配追踪(OrthogonalMatchingPursuit，OMP)和压缩采样匹配追踪算法(CompressiveSamplingMatchingPursuit，CoSaMP)等方法，需要已知信道的先验知识，如信道稀疏度等，同时估计得到的信道仍包含大量噪声。而在实际场景下，基站端并不容易获知信道的先验知识，因此需要一种不需要已知信道先验知识的基于压缩感知的信道估计算法，同时结合深度学习方法对初步得到的估计结果进行去噪，提升CSI估计的精度。
技术实现思路
本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于压缩感知和深度学习的信道估计方法、介质及设备，用于实现提升基站端估计信道状态信息的精度的目的。本专利技术采用以下技术方案：一种基于压缩感知和深度学习的信道估计方法，包括以下步骤：S1、正交频分复用系统的基站端采用梳状导频形式向下行链路中的用户端发送信号；S2、下行链路中的用户端获得步骤S1发送的导频接收信号y，并反馈回基站端；S3、正交频分复用系统的基站端根据步骤S2得到的接收导频信号y，利用时延域稀疏信道的结构化稀疏特性，进行基于压缩感知的AS-JOMP算法进行信道估计，得到初始估计信道S4、搭建基于深度学习的降噪神经网络，利用已有的样本训练DnNet网络，得到网络参数Θ；S5、根据步骤S4训练得到的DnNet网络，对步骤S3中获得的初始估计信道进行去噪，得到最终估计的信道状态信息具体的，步骤S1中，从第i跟发射天线到第用户的导频为P为导频数量，导频序列ci的元素具有随机相位和随机幅度。具体的，步骤S2中，用户端的接收导频信号表示为压缩感知模型：y＝Xh+n其中，X＝[C1(FL)Ω,C2(FL)Ω,…,CM(FL)Ω]，为压缩感知模型中的感知矩阵，n为噪声。具体的，步骤S3中，从感知矩阵X中找到与观测向量y最相关的SBS列向量，S为稀疏信道的实际稀疏度，根据阈值ξ1和ξ2作为高低信噪比下迭代的停止条件，在不同信噪比条件下，当迭代次数等于真实稀疏度且信噪比高时，连续两次迭代的最后相对残差的改善幅度大于当前残差的改善幅度，当信噪比低时，两个连续迭代之间的最后相对残差改进小于当前残差的大小；最后得到待恢复稀疏信道中非零元素的位置集合Λ，采用LS算法估计出非零元素的值，恢复初始估计稀疏信道具体的，步骤S4中，DnNet网络的均方误差损失函数计算如下：其中，||·||为欧几里得范数，Θ为参数集，T为训练集的样本数，f(Y；Θ)为训练模型的输出。具体的，步骤S5中，定义S1×S2×S3分别为特征图的长度，宽度和数量，根据步骤S3得到初始信道估计值大小为LNBS×1的复向量，将维度变换为2LNBS×1的实向量，然后进行归一化；将归一化后的实向量维度变换为两个大小为的矩阵，可视为两通道图片，将维度变换后的初始估计CSI输入到多个基于残差学习的网络模块中；将最后一个基于残差学习的网络模块输出结果输入到最后的卷积层，使用sigmoid函数将数值缩放到[0,1]；最后对DnNet网络的输出进行维度变换，并进行逆归一化，得到最终的CSI估计结果进一步的，每个基于残差学习的网络模块包含四层，第一层为输入层，第二层、第三层、第四层使用大小为3×3的卷积核分别生成16、32、2个特征图，在卷积层和LeakeyReLU激活函数层之间加入批处理归一化层；每个基于残差学习的网络模块的输出均为输入和第四个层的输出之和。本专利技术的另一个技术方案是，一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述的方法中的任一方法。本专利技术的另一个技术方案是，一种计算设备，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。与现有技术相比，本专利技术至少具有以下有益效果：本专利技术提出一种基于压缩感知和深度学习的信道估计方法，与传统的信道估计方案相比较，本专利技术能够在利用压缩感知理论的条件下，显著的降低导频训练过程中的导频数量，提升频谱利用率。与传统的基于压缩感知的方法相比，本专利技术不需要借助信道的先验知识，直接在基站端根据接收导频信号和导频估计出CSI，从而更加适合实际场景。与其他利用深度神经网络的方案相比，本专利技术采用了一种轻量级的网络，使得训练过程更加快速，减小计算量。进一步的，采用梳状导频设计形式，导频序列的元素具有随机相位和单位幅度，使得导频序列能够保证稀疏信道的可靠恢复，在用户端将得到的接收导频信号直接反馈回基站端，在基站处完成信道的估计。进本文档来自技高网...

【技术保护点】
1.基于压缩感知和深度学习的信道估计方法，其特征在于，包括以下步骤：/nS1、正交频分复用系统的基站端采用梳状导频形式向下行链路中的用户端发送信号；/nS2、下行链路中的用户端获得步骤S1发送的导频接收信号y，并反馈回基站端；/nS3、正交频分复用系统的基站端根据步骤S2得到的接收导频信号y，利用时延域稀疏信道的结构化稀疏特性，进行基于压缩感知的AS-JOMP算法进行信道估计，得到初始估计信道

【技术特征摘要】
1.基于压缩感知和深度学习的信道估计方法，其特征在于，包括以下步骤：
S1、正交频分复用系统的基站端采用梳状导频形式向下行链路中的用户端发送信号；
S2、下行链路中的用户端获得步骤S1发送的导频接收信号y，并反馈回基站端；
S3、正交频分复用系统的基站端根据步骤S2得到的接收导频信号y，利用时延域稀疏信道的结构化稀疏特性，进行基于压缩感知的AS-JOMP算法进行信道估计，得到初始估计信道
S4、搭建基于深度学习的降噪神经网络，利用已有的样本训练DnNet网络，得到网络参数Θ；
S5、根据步骤S4训练得到的DnNet网络，对步骤S3中获得的初始估计信道进行去噪，得到最终估计的信道状态信息


2.根据权利要求1所述的方法，其特征在于，步骤S1中，从第i跟发射天线到第用户的导频为i＝1,2...,NBS，P为导频数量，导频序列ci的元素具有随机相位和随机幅度。


3.根据权利要求1所述的方法，其特征在于，步骤S2中，用户端的接收导频信号表示为压缩感知模型：
y＝Xh+n
其中，X＝[C1(FL)Ω,C2(FL)Ω,...,CM(FL)Ω]，为压缩感知模型中的感知矩阵，n为噪声。


4.根据权利要求1所述的方法，其特征在于，步骤S3中，从感知矩阵X中找到与观测向量y最相关的SNBS列向量，S为稀疏信道的实际稀疏度，根据阈值ξ1和ξ2作为高低信噪比下迭代的停止条件，在不同信噪比条件下，当迭代次数等于真实稀疏度且信噪比高时，连续两次迭代的最后相对残差的改善幅度大于当前残差的改善幅度，当信噪比低时，两个连续迭代之间的最后相对残差改进小于当前残差的大小；最后得到待恢复稀疏信道中非零元素的位置集合Λ，采用LS算法估计出非零元素的值，恢复初始估计稀疏信道

【专利技术属性】
技术研发人员：范建存，梁培哲，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61