【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 ...
【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:
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。