一种新型的信道图片的获取方法及系统技术方案

本发明专利技术涉及人工智能神经网络技术和无线通信系统交叉融合技术领域，公开了一种新型的信道图片的获取方法及系统。本发明专利技术基于数据驱动的人工智能神经网络信道估计，获取足够多的信道图片用于对神经网络的训练。本发明专利技术解决了以往信道图片获取依赖于所部署天线种类及其几何尺寸的限制，使得人工智能神经网络可以在实际中有效地用于无线通信系统的信道估计。实际中有效地用于无线通信系统的信道估计。实际中有效地用于无线通信系统的信道估计。

【技术实现步骤摘要】
一种新型的信道图片的获取方法及系统


[0001]本专利技术属于人工智能神经网络技术和无线通信系统交叉融合
，具体涉及一种新型的信道图片的获取方法。

技术介绍

[0002]在图像处理领域，图像复原分为图像降噪和图像重构两种方式，近年来借助人工智能神经网络技术，对图像进行降噪和重构，取得了超越原有传统技术的性能。在无线通信领域，大规模天线阵技术借助装备更多的天线，可以大幅提高数据吞吐率和频谱效率，因此被广泛应用于各种无线通信系统。随着更多的天线被安装在基站或终端侧，其等效的无线信道矩阵变得稀疏并且相邻元素间的变化变小，这就使得无线信道具备了图片的特征。受此启发，研究人员正致力于将人工智能应用于传统的信道估计领域。
[0003]根据人工智能神经网络训练方式的不同，基于人工智能的信道估计可以分为模型驱动型和数据驱动型两类。模型驱动型假设随机的无线信道服从某种数学分布，有研究把无线信道建模为服从稀疏高斯混合(GM)的随机分布，并且使用期望最大化(EM)来估计无线信道的GM参数。作为对比，数据驱动的方法并不依赖于无线信道服从何种分布的先验专家知识，而是使用收集到的信道数据对神经网络进行训练，得到拟合近似的无线信道分布。
[0004]实际中，无线信道根据场景的变化千差万别，比如城市、乡村、室内商场、室内工厂等，很难用某种数学分布来描述。另一方面，基于数据驱动的信道估计技术往往假设一个MXN的三维透镜天线阵装备在基站侧，通过对MXN的信道矩阵重新排列可以得到MNX1的二维信道图片。这种信道图片获取的方法依赖于天线几何特征，包括：形状、大小等，因此具有很大的局限性，若想得到一个64X64的信道图片，对于装备了透镜天线的无线通信系统需要4096个天线单元，对于线性阵列天线需要在基站侧和用户端都装备64个天线单元，这样的信道图片获取方法需要消耗昂贵的硬件资源，实施代价高，而且在实际中受制于设备有限的尺寸和功耗要求又往往不可行。
[0005]对于一个装备了多天线单元的多输入多输出MIMO(multiple input and multiple output)无线通信系统，假设在基站侧装备的天线单元数目为M，用户设备端装备的天线单元数目为N，发射流数为S(S≤N)，则上行信道矩阵可以表示为H∈C
MXS
，其中C代表复数域。在训练阶段，预先设计好的参考信号x
t
∈C
SX1
，在时刻t由用户端发送，在基站侧接收到的观测信号y
t
表示为
[0006]y
t
＝H
t
x
t
+n
ꢀꢀꢀꢀꢀꢀ
(1)
[0007]其中n∈C
MX1
代表噪声。
[0008]由于用户端的移动通信设备由电池供电，其所能够提供的功耗和算力都比较受限，因此在实际中通常有N＝S＝1。因为参考信号x
t
已知，于是最小二乘(LS)信道估计可以表示为
[0009][0010]其中H
LS
是对原始信道信号H
t
的最小二乘估计。参考信号x
t
一般满足正交性，也
经常用来代替。
[0011]由于最小二乘信道估计实现起来简单，因此在工业界获得了广泛应用。但其缺点也很明显，由于没有考虑到噪声项，当信道状况不好的时候会大幅放大噪声，带来信道估计性能的大幅下降。因此，线性最小均方误差(LMMSE)信道估计经常被用来改进最小二乘LS信道估计，
[0012][0013]其中R
HH
＝E{HH
H
}是信道信号的自相关矩阵，β是由发射信号星座点所决定的常量(例如对于16
‑
QAM，β＝17/9)，SNR代表信噪比。
[0014]基于LMMSE的方法可以提高信道估计性能，但是其实现复杂度很高，尤其是信道统计信息R
HH
的获取在实际应用中非常困难且低效。
[0015]由数据驱动的人工智能信道估计具有离线训练，在线推测的特点。一方面将复杂耗时的部分留给离线训练，另一方面在线推测环节可以做到快速反应，并且不需要先验的信道统计信息，为信道估计的实现提供了新的技术方向。
[0016]如前所述基于模型驱动的人工智能信道估计技术其通用性不好，实际应用中很难提前获取每种无线信道的数学分布情况。基于数据驱动的人工智能信道估计具有强大的泛化能力，有着很好的实际应用前景，其成功部署的关键是获取足够多的信道图片用于训练。
[0017]通过上述分析，现有技术存在的问题及缺陷为：
[0018]传统的LS信道估计性能差，LMMSE可以大幅提高性能，但是在线运行复杂度大，成本高。人工智能辅助的信道估计可以同时实现高性能和在线快速运行，但现有技术对信道图片的获取依赖于所部署天线种类及其几何尺寸，存在局限性大，且需要消耗昂贵的硬件资源，实施代价高，在实际中受制于设备有限的尺寸和功耗要求等问题。

技术实现思路

[0019]针对现有信道图片获取方法存在上述技术问题，本专利技术提出了一种新型的信道图片的获取方法，使得基于数据驱动的人工智能信道估计，可以有效部署到无线通信系统。
[0020]本专利技术是这样实现的，一种新型的信道图片获取方法，包括以下步骤：
[0021]步骤一：图片收集，在离线训练阶段，收集T(T≥1)时刻的信号，得到三维张量的原始信道信号H＝H1，H2，
…
，H
T
]∈C
MXSXT
和经过信道后的接收信号H
LS
＝H
LS,
，H
LS,
，
…
，H
LS,
]∈C
MXSXT
，分别作为神经网络训练所用的真实信号和有待估计的输入信号，其中M为接收设备的天线数目，S为发射数据流数，T为时间观测长度；
[0022]步骤二：维度重组，对三维张量信道信号H和H
LS
进行维度重组操作，固定时刻维度T，将每个MXS的矩阵变为MSX1的向量，再按照时间维度排列得到大小为MSXT的矩阵H
′
和H
′
LS
；
[0023]步骤三：滑窗选取，用一个大小PXK的滑窗以步长p分别在所得到的真实信号H
′
和接收信号H
′
LS
的时间维度上滑动，选取大小为PXK的信道图片，其中P≤MS，K为时间维度且K≤T；
[0024]步骤四：实部虚部分离操作，对得到的PXK信道图片进行实部虚部分离操作，得到PXKX2的信道图片；
[0025]步骤五：神经网络训练，将得到PXKX2的信道图片，用于神经网络的训练，得到每层的权重系数，并将训练好的神经网络部署到设备端；
[0026]步骤六：在线推测，在线推测阶段，系统等待K时刻以得到从第1到第K时刻的初始接收信号；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种新型的信道图片获取方法，其特征在于，包括以下步骤：步骤一：离线训练，在离线训练阶段，收集T(T≥1)时刻的信号，得到三维张量的原始信道信号H＝[H1，H2，
…
，H
T
]∈C
MXSXT
和经过信道后的接收信号H
LS
＝[H
LS,1
，H
LS,2
，
…
，H
LS,T
]∈C
MXSXT
，分别作为神经网络训练所用的真实信号和有待估计的输入信号，其中M为接收设备的天线数目，S为发射数据流数，T为时间观测长度；步骤二：维度重组，对三维张量信道信号H和H
LS
进行维度重组操作，固定时刻维度T，将每个MXS的矩阵变为MSX1的向量，再按照时间维度排列得到大小为MSXT的矩阵H
′
和H
′
LS
；步骤三：滑窗选取，用一个大小PXK的滑窗以步长p分别在所得到的真实信号H
′
和接收信号H
′
LS
的时间维度上滑动，选取大小为PXK的信道图片，其中P≤MS，K为时间维度且K≤T；步骤四：实部虚部分离操作，对得到的PXK信道图片进行实部虚部分离操作，得到PXKX2的信道图片；步骤五：神经网络训练，将得到PXKX2的信道图片，用于神经网络的训练，得到每层的权重系数，并将训练好的神经网络部署到设备端；步骤六：在线推测，在线推测阶段，系统等待K时刻以得到从第1到第K时刻的初始接收信号；步骤七：系统第K+1时刻的观测信号为从第2到第K+1组成，后续以此类推。2.如权利要求1所述的新型的信道图片获取方法，其特征在于，时间维度被用于神经网络所需信道张量和信道图片的生成；在离线训练阶段，T(T≥1)时刻的原始信道信号和经过信道后的信号，分别作为神经网络训练所用的真实信号和输入信号。3.如权利要求1所述的新型的信道图片获取方法，其特征在于，用于训练的输入信号可以是经过信道后直接收到的信号
yt
，也可以是经过初步处理的信号，初步处理的方法包括但不限于：最小二乘(LS)，最小线性均方(LMMSE)；在时间维度上的滑窗分别作用于真实信号和输入信号，用来选取一个或多个信道图片。4.如权利要求1所述的新型的信道图片获取方法，其特征在于，选取好的信道图片用来对神经网络进行训练，得到每层权重系数；在线推测阶段，系统等待某个初始时刻K(K
≥1
)以得到从第1到第K时刻的初始接收信号，此处的K时刻可以与之前离线训练阶段所用的滑窗时间维度K一致，也可以不一致；第K+1时刻的接收信号为从第2到第K+1时刻的接收信号组成，后续以此类推。5.如权利要求1所述的新型的信道图片获取方法，其特征在于，在线推测阶段也采用在时间维度上的滑窗作用于接收信号，用来选取一个或多个...

【专利技术属性】
技术研发人员：祖克珂，
申请(专利权)人：电子科技大学长三角研究院衢州，
类型：发明
国别省市：