稀疏信道估计方法、装置、设备及存储介质制造方法及图纸

本发明专利技术属于无线通信技术领域，公开了一种稀疏信道估计方法、装置、设备及存储介质，该方法包括：将待处理信号输入角度重采样网络得到多个采样角度；根据采样角度构建待处理信号的稀疏信道表示字典；将稀疏信道表示字典与待处理信号输入深度展开神经网络，通过待处理信号、稀疏信道表示字典以及深度展开神经网络中预先训练好的可学习参数得到待处理信号的稀疏信道估计值；本发明专利技术通过重采样自适应确定贴近真实到达角的采样角度，并以此为基础构造信道角度域稀疏信道表示字典，实现更有效的信道稀疏表示，深度展开学习网络基于信道角度域稀疏信道表示字典快速收敛得到更准确的信道估计值，解决了在采用大带宽和高维天线阵列的基础上难以高效进行稀疏信道估计的技术问题。础上难以高效进行稀疏信道估计的技术问题。础上难以高效进行稀疏信道估计的技术问题。

【技术实现步骤摘要】
稀疏信道估计方法、装置、设备及存储介质


[0001]本专利技术涉及无线通信
，尤其涉及一种稀疏信道估计方法、装置、设备及存储介质。

技术介绍

[0002]香农信息论是6G通信系统设计的重要基础，揭示了提高系统容量的两条主要途径：增加系统带宽和提高频谱效率。作为在频率、带宽、空域维度拓展的物理层关键技术之一，宽带大规模多输入多输出(Multiple Input Multiple Output，MIMO)系统是6G演进的研究热点，而充分发挥其技术优势的关键在于有效的信道估计，它是信道均衡、预编码、波束赋形及资源分配等技术实现的基础，对于保障宽带大规模MIMO信号的有效传输及获取宽带大规模MIMO系统增益至关重要。
[0003]由于大带宽和高维天线阵列的采用，信道估计面临信道特征复杂、导频开销大、算法复杂度高等挑战，系统导频资源受限与基站天线阵列维度极大、信道估计精度要求高之间的矛盾尤为突出。通过充分挖掘无线多径信道在时域、频域和空域上呈现出的稀疏特性，将信道估计建模为压缩感知(Compressed Sensing,CS)理论框架下的稀疏信号重构问题，充分发挥压缩感知技术能凭借少量观测值大概率地重构出高维信号的优点，实现减少所需导频长度和提高提升信道估计精度的目的，是当前大规模MIMO系统信道估计问题主要解决方法之一。然而，随着无线信道矩阵规模的增大，该方法迭代优化的密集计算、收敛慢、不能保证解全局最优等缺点已成为了压缩感知在信道估计应用中的瓶颈。
[0004]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

[0005]本专利技术的主要目的在于提供一种稀疏信道估计方法，旨在解决现有技术难以高效进行稀疏信道估计的技术问题。
[0006]为实现上述目的，本专利技术提供了一种稀疏信道估计方法，所述方法包括以下步骤：
[0007]将待处理信号输入角度重采样网络得到多个采样角度；
[0008]根据所述采样角度构建所述待处理信号的稀疏信道表示字典；
[0009]将所述稀疏信道表示字典与所述待处理信号输入深度展开神经网，通过所述深度展开神经网络中预先训练好的可学习参数、所述待处理信号以及所述稀疏信道表示字典得到所述待处理信号的稀疏信道估计值。
[0010]可选地，所述角度重采样网络包括转换层、特征提取层以及重采样预测层；
[0011]所述将待处理信号输入角度重采样网络得到多个采样角度，包括：
[0012]通过所述转换层将所述待处理信号转换成幅度特征信号；
[0013]通过所述特征提取层提取所述幅度特征信号的到达角方向特征；
[0014]基于所述到达角方向特征通过所述重采样预测层进行预测，得到预测真实到达
角，并根据所述真实到达角进行采样，得到多个采样角度。
[0015]可选地，所述基于所述到达角方向特征通过所述重采样预测层进行预测，得到预测真实到达角，并根据所述真实到达角进行采样得到多个采样角度，包括：
[0016]比较所述到达角方向特征的权重得到预测真实到达角，获取预设采样格点和预设采样分数；
[0017]根据所述预测真实到达角以及所述采样格点确定采样范围，根据所述采样范围以及所述预设采样分数得到采样间隔；
[0018]根据所述采样间隔在所述采样范围内进行重采样，得到多个采样角度。
[0019]可选地，所述将待处理信号输入角度重采样网络得到多个采样角度之前，还包括：
[0020]获取角度重采样数据集，所述角度重采样数据集包括多个一一对应的训练信号和真实到达角；
[0021]将所述训练信号输入初始角度重采样网络得到初始重采样角度；
[0022]根据真实到达角的高斯分布、每个采样点等于真实到达角的概率、每个采样点的角度以及预设标准差构建高斯混合损失函数；
[0023]根据所述高斯混合损失函数对所述初始角度重采样网络进行优化，得到角度重采样网络。
[0024]可选地，所述将所述稀疏信道表示字典与所述待处理信号输入深度展开神经网，通过所述深度展开神经网络中预先训练好的可学习参数、所述待处理信号以及所述稀疏信道表示字典得到所述待处理信号的稀疏信道估计值，包括：
[0025]将所述稀疏信道表示字典与所述待处理信号输入深度展开神经网络，所述深度展开神经网络包括多个级联层；
[0026]根据所述稀疏信道表示字典、所述待处理信号以及当前级联层的稀疏信道估计值、可学习参数和待估计参数计算下一级联层的稀疏信道估计值；
[0027]在下一级联层为预设级联层时，将下一级联层的稀疏信道估计值作为所述待处理信号的稀疏信道估计值。
[0028]可选地，所述待估计参数包括高斯白噪声参数、稀疏信道估计值以及高斯先验分布参数；
[0029]所述根据所述稀疏信道表示字典、所述待处理信号以及当前级联层的稀疏信道估计值、可学习参数和待估计参数计算下一级联层的稀疏信道估计值，包括：
[0030]根据所述稀疏信道表示字典、所述待处理信号以及上一级联层的可学习参数、高斯白噪声参数、高斯先验分布参数和稀疏信道估计值计算当前级联层的稀疏信道估计值；
[0031]根据当前级联层的高斯后验分布参数、稀疏信道估计值计算当前级联层的高斯先验分布参数；
[0032]根据稀疏信道表示字典、待处理信号、当前级联层的稀疏信道估计值、上一级联层的学习参数、稀疏信道估计值、高斯后验分布参数计算当前级联层的高斯白噪声参数。
[0033]根据所述稀疏信道表示字典、所述待处理信号以及当前级联层的可学习参数、高斯白噪声参数、高斯先验分布参数和稀疏信道估计值计算下一级联层的稀疏信道估计值。
[0034]可选地，所述将所述稀疏信道表示字典与所述待处理信号输入深度展开神经网，通过所述深度展开神经网络中预先训练好的可学习参数、所述待处理信号以及所述稀疏信
道表示字典得到所述待处理信号的稀疏信道估计值之前，还包括：
[0035]将多个训练信号以及所述稀疏信道表示字典输入初始深度展开神经网络，得到多个稀疏信道训练值；
[0036]根据所述稀疏信道训练值计算所述训练信号的估计信道矩阵；
[0037]根据所述训练信号的数量以及所述估计信道矩阵构建特征损失函数；
[0038]根据所述特征损失函数对所述初始深度展开神经网络的可学习参数进行优化，得到深度展开神经网络。
[0039]此外，为实现上述目的，本专利技术还提出一种稀疏信道估计装置，所述稀疏信道估计装置包括：
[0040]重采样模块，用于将待处理信号输入角度重采样网络得到多个采样角度；
[0041]稀疏信道表示字典构建模块，用于根据所述采样角度构建所述待处理信号的稀疏信道表示字典；
[0042]稀疏信道估计模块，用于将所述稀疏信道表示字典与所述待处理信号输入深度展开神经网，通过所述深度展开神经网络中预先训练好的可学习参数、所述待处理信号以及所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种稀疏信道估计方法，其特征在于，所述稀疏信道估计方法包括：将待处理信号输入角度重采样网络得到多个采样角度；根据所述采样角度构建所述待处理信号的稀疏信道表示字典；将所述稀疏信道表示字典与所述待处理信号输入深度展开神经网，通过所述深度展开神经网络中预先训练好的可学习参数、所述待处理信号以及所述稀疏信道表示字典得到所述待处理信号的稀疏信道估计值。2.如权利要求1所述的稀疏信道估计方法，其特征在于，所述角度重采样网络包括转换层、特征提取层以及重采样预测层；所述将待处理信号输入角度重采样网络得到多个采样角度，包括：通过所述转换层将所述待处理信号转换成幅度特征信号；通过所述特征提取层提取所述幅度特征信号的到达角方向特征；基于所述到达角方向特征通过所述重采样预测层进行预测，得到预测真实到达角，并根据所述真实到达角进行采样，得到多个采样角度。3.如权利要求2所述的稀疏信道估计方法，其特征在于，所述基于所述到达角方向特征通过所述重采样预测层进行预测，得到预测真实到达角，并根据所述真实到达角进行采样得到多个采样角度，包括：比较所述到达角方向特征的权重得到预测真实到达角，获取预设采样格点和预设采样分数；根据所述预测真实到达角以及所述采样格点确定采样范围，根据所述采样范围以及所述预设采样分数得到采样间隔；根据所述采样间隔在所述采样范围内进行重采样，得到多个采样角度。4.如权利要求1所述的稀疏信道估计方法，其特征在于，所述将待处理信号输入角度重采样网络得到多个采样角度之前，还包括：获取角度重采样数据集，所述角度重采样数据集包括多个一一对应的训练信号和真实到达角；将所述训练信号输入初始角度重采样网络得到初始重采样角度；根据真实到达角的高斯分布、每个采样点等于真实到达角的概率、每个采样点的角度以及预设标准差构建高斯混合损失函数；根据所述高斯混合损失函数对所述初始角度重采样网络进行优化，得到角度重采样网络。5.如权利要求1所述的稀疏信道估计方法，其特征在于，所述将所述稀疏信道表示字典与所述待处理信号输入深度展开神经网，通过所述深度展开神经网络中预先训练好的可学习参数、所述待处理信号以及所述稀疏信道表示字典得到所述待处理信号的稀疏信道估计值，包括：将所述稀疏信道表示字典与所述待处理信号输入深度展开神经网络，所述深度展开神经网络包括多个级联层；根据所述稀疏信道表示字典、所述待处理信号以及当前级联层的稀疏信道估计值、可学习参数和待估计参数计算下一级联层的稀疏信道估计值；在下一级联层为预设级联层时，将下一级联层的稀疏信道估计值作为所述待处理信号...

【专利技术属性】
技术研发人员：陈建侨，陈昊，刘龙，马楠，许晓东，张平，
申请(专利权)人：鹏城实验室，
类型：发明
国别省市：