一种基于导频设计的联合信道估计方法技术

本发明专利技术公开了一种基于导频设计的联合信道估计方法及装置，获取含噪信道状态信息；以含噪信道状态信息为输入信息，采用编码器对含噪信道状态信息进行优选，得到第一估计信道状态信息；以第一估计信道状态信息为输入信息，采用条件对抗网络的生成器生成第二估计信道状态信息；本发明专利技术基于Concrete分布的自编码器和条件生成对抗网络的混合网络架构，在实现导频优化设计的基础上进一步完成信道的精确估计，利用Concrete AE优秀的特征提取能力寻找并选择最合适的导频位置，采用优化后的导频用于条件生成对抗网络的信道估计，具有较低的导频开销、较高的估计精度以及较强的抗噪声鲁棒性，可应用于较复杂应用场景下的MIMO

【技术实现步骤摘要】
一种基于导频设计的联合信道估计方法


[0001]本专利技术属于无线信道估计
，尤其涉及一种基于导频设计的联合信道估计方法。

技术介绍

[0002]MIMO
‑
OFDM技术能有效利用时间、频率和空间三个维度的资源而大幅度提高系统的频谱效率、功率效率和传输速率，已成为宽带无线通信系统的核心技术，而通过信道估计(Channel Estimation)获取准确的信道状态信息(Channel Sate Information,CSI)是发挥MIMO
‑
OFDM技术巨大潜力的先决条件，也是实现预编码、资源分配、信号检测、室内定位、物理层安全等技术的重要基础。
[0003]在信道估计的过程中，按照是否需要导频信号，可以分为盲信道估计和基于导频的信道估计，盲信道估计无需导频信号，是通过接收信号的二阶或高阶统计信息进行信道估计。基于导频的信道估计方法是在发送信号中插入导频符号，接收端依据收到的导频信号实现信道估计，与盲信道估计方法相比，基于导频的信道估计虽在频谱效率上有损失，但其实现简单，复杂度低，故被广泛应用。
[0004]基于导频的信道估计通常都是在算法层面进行方法的更新，使得信道估计精度达到一定程度后，难以进一步突破。

技术实现思路

[0005]本专利技术的目的是提供一种基于导频设计的联合信道估计方法，采用深度学习方法，将导频设计和信道估计方法进行联合实现，以进一步提升传统信道估计的精度。
[0006]本专利技术采用以下技术方案：一种基于导频设计的联合信道估计方法，包括以下步骤：
[0007]获取含噪信道状态信息；含噪信道状态信息根据接收信号和发送导频信号计算得到，发送导频信号基于Concrete AE网络的编码器设计；
[0008]以含噪信道状态信息为输入信息，采用编码器对含噪信道状态信息进行优选，得到第一估计信道状态信息；第一估计信道状态信息为含噪信道状态信息的子集；
[0009]以第一估计信道状态信息为输入信息，采用条件对抗网络的生成器生成第二估计信道状态信息；其中，第二估计信道状态信息的维度与含噪信道状态信息的维度相同，生成器基于Concrete AE网络的解码器设计。
[0010]进一步地，Concrete AE网络由编码器和解码器组成；
[0011]编码器包括依次连接的第一输入层和Concrete选择器层；
[0012]解码器为第二深度神经网络，包括第二输入层、第二隐藏层和第二输出层；其中，第二隐藏层数量为五个。
[0013]进一步地，Concrete AE网络的损失函数为：
[0014][0015]其中，表示损失函数值，N表示训练样本数，f
ω
(
·
)表示解码器函数，||
·
||2表示2范数，表示第n个训练样本对应的第一估计信道状态信息，表示第n个训练样本对应的含噪信道状态信息。
[0016]进一步地，条件对抗网络由生成器和判别器组成；
[0017]生成器为第二深度神经网络，包括第二输入层、第二隐藏层和第二输出层；其中，第二隐藏层数量为五个；
[0018]判别器为第三深度神经网络，包括第三输入层、第三隐藏层和第三输出层；其中，第三隐藏层数量为五个。
[0019]进一步地，条件对抗网络的损失函数为：
[0020][0021]其中，表示条件对抗网络的第一损失函数，表示由参数化的生成器，D
θ
表示由θ参数化的判别器，h
p,noisy
表示第一估计信道状态信息，h
ideal
表示实际信道状态信息，表示第二损失函数，
[0022]进一步地，第一输入层的维度为1008；
[0023]Concrete选择器层每个节点的权重系数采样自Concrete分布的随机变量，通过进行计算；
[0024]其中，α
j
和α
d
均是Concrete参数，g
j
和g
d
是采样自Gumbel分布的参数，T∈(0,∞)为Concrete分布的放缩参数，在Concrete AE网络迭代训练过程中，T的初始值设置为10，最小值设置为0.1。
[0025]进一步地，五个第二隐藏层的节点个数依次分别为150、150、320、320和780，每个节点的激活函数均采用的LeakRelu函数。
[0026]进一步地，五个第三隐藏层的节点个数依次为64、32、16、16和8，每个节点的激活函数均采用的LeakRelu函数；
[0027]第三输出层的维度为1，采用的激活函数为sigmoid函数。
[0028]本专利技术的另一种技术方案：一种基于导频设计的联合信道估计装置，包括：
[0029]含噪信道获取模块，用于获取含噪信道状态信息；含噪信道状态信息根据接收信号和发送导频信号计算得到，发送导频信号基于Concrete AE网络的编码器设计；
[0030]导频优选模块，用于以含噪信道状态信息为输入信息，采用编码器对含噪信道状态信息进行优选，得到第一估计信道状态信息；第一估计信道状态信息为含噪信道状态信息的子集；
[0031]信道估计模块，用于以第一估计信道状态信息为输入信息，采用条件对抗网络的
AutoEncoder，Concrete AE)和条件生成对抗网络(conditional Generative Adversarial Networks，cGAN)有机结合的混合网络架构(CAGAN)，采用提出的CAGAN深度学习网络可实现在导频设计的基础上对信道进行精确估计。
[0047]本专利技术实施例公开了一种基于导频设计的联合信道估计方法，如图1所示，包括以下步骤：步骤S110、获取含噪信道状态信息；含噪信道状态信息根据接收信号和发送导频信号计算得到，发送导频信号基于Concrete AE网络的编码器设计；步骤S120、以含噪信道状态信息为输入信息，采用编码器对含噪信道状态信息进行优选，得到第一估计信道状态信息；第一估计信道状态信息为含噪信道状态信息的子集，即第一信道状态信息为导频优化后的信道状态信息；步骤S130、以第一估计信道状态信息为输入信息，采用条件对抗网络的生成器生成第二估计信道状态信息；其中，第二估计信道状态信息的维度与含噪信道状态信息的维度相同，生成器基于Concrete AE网络的解码器设计。
[0048]本专利技术提出了一种联合基于Concrete分布的自编码器(Concrete AE)和条件生成对抗网络(cGAN)的混合网络架构(CAGAN)，在实现导频优化设计的基础上进一步完成信道的精确估计，利用Concrete AE优秀的特征提取能力寻找并选择最合适的导频位置，采用优化后的导频用于条件生成对抗网络的信道估计，具有较低的导频开销、较高的估计精度以及较强的抗噪声鲁棒性，可应用于较复杂应用场景下的MIMO
‑
OFDM系统。
...

【技术保护点】

【技术特征摘要】
1.一种基于导频设计的联合信道估计方法，其特征在于，包括以下步骤：获取含噪信道状态信息；所述含噪信道状态信息根据接收信号和发送导频信号计算得到，所述发送导频信号基于Concrete AE网络的编码器设计；以所述含噪信道状态信息为输入信息，采用所述编码器对所述含噪信道状态信息进行优选，得到第一估计信道状态信息；所述第一估计信道状态信息为所述含噪信道状态信息的子集；以所述第一信道状态信息为输入信息，采用条件对抗网络的生成器生成第二估计信道状态信息；其中，所述第二信道状态信息的维度与所述导频信号的维度相同，所述生成器基于所述Concrete AE网络的解码器设计。2.如权利要求1所述的一种基于导频设计的联合信道估计方法，其特征在于，所述Concrete AE网络由编码器和解码器组成；所述编码器包括依次连接的第一输入层和Concrete选择器层；所述解码器为第二深度神经网络，包括第二输入层、第二隐藏层和第二输出层；其中，所述第二隐藏层数量为五个。3.如权利要求2所述的一种基于导频设计的联合信道估计方法，其特征在于，所述Concrete AE网络的损失函数为：其中，表示损失函数值，N表示训练样本数，f
ω
(
·
)表示解码器函数，||
·
||2表示2范数，表示第n个训练样本对应的第一估计信道状态信息，表示第n个训练样本对应的含噪信道状态信息。4.如权利要求2或3所述的一种基于导频设计的联合信道估计方法，其特征在于，所述条件对抗网络由生成器和判别器组成；所述生成器为所述第二深度神经网络，包括所述第二输入层、第二隐藏层和第二输出层；其中，所述第二隐藏层数量为五个；所述判别器为第三深度神经网络，包括第三输入层、第三隐藏层和第三输出层；其中，所述第三隐藏层数量为五个。5.如权利要求4所述的一种基于导频设计的联合信道估计方法，其特征在于，所述条件对抗网络的损失函数为：其中，表示条件对抗网络的第一损失函数，表示由参数化的生成器，D
θ
表示由θ参数化的判别器，h
p,noisy
表示第一估计信道状态信息，h
ideal
表示实际信道状态信息，表示...

【专利技术属性】
技术研发人员：康晓非，王甜，李雨玫，梁显，柳子惠，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：